Taller Simulación - Harold González

Departamento De Ciencias Matemáticas
Modelación y Simulación I CM0075 -001

Taller de Simulación.
Nombre: HAROLD STEVEN GONZÁLEZ OSSA Código 202010016101

:
Profesora: Paula Escudero Fecha: abril 20

de 2020
TALLER DE SIMULACIÓN.
I. SIMULACIÓN MONTECARLO.
1. Cálculo de π.
a. Método Montecarlo: El método Monte Carlo es un método en el que por medio de

la estadística y la probabilidad podemos determinar valores o soluciones de
ecuaciones que calculados con exactitud son muy complejas, pero que mediante
este método resulta sencillo calcular una aproximación al resultado que buscamos.
Para calcular π mediante este método se requiere:
 Construir un cuadrado de lado 4 (su área será de 16).

 Construir un círculo inscrito en el cuadrado con centro en el centro del
cuadrado y radio 2 (su área será de 4π).
 Generar puntos al azar dentro del cuadrado (como lanzar dardos sobre una
diana con los ojos vendados, de forma que acertemos dentro de los límites
del cuadrado).
 Contamos el total de puntos generados.
 Contamos el total de puntos que cayeron en el círculo.
 Aplicar el siguiente razonamiento:
Por último, se despeja a π para conseguir una aproximación de este número.
Implementémoslo en Excel.
Para construir el cuadrado y el círculo, declaré dos conjuntos por comprensión con el fin
de definir en dónde caerán los puntos aleatorios. Las condiciones se muestran en la
siguiente tabla:
CONDICIONES
(X-2)^2 + (Y-2)^2 <= 4 CIRCULO
(X-2)^2 + (Y-2)^2 > 4 CUADRADO
Ya definidos los conjuntos, realicé una tabla donde se generan los puntos aleatorios:
La función que utilicé para calcular la posición X y Y de cada punto es

ALEATORIO.ENTRE(0;3)+ALEATORIO(), de manera que generara números aleatorios
entre 0 y 4 que, de manera que evaluamos con el condicional SI(((B5-2)^2+(C5-
2)^2)<=4;$I$4;$I$5) para cada una de las filas, si está dentro del círculo o si no lo está (es
decir, en otro lugar del cuadrado).
Al realizar la simulación, realicé un conteo de los puntos que cayeron en el círculo con la
función CONTAR.SI(D5:D10004;"CIRCULO"), para, finalmente ver que π se aproximaba a
distintos valores como:
RESULTADOS
PUNTOS EN CIRCULO 7854
PUNTOS TOTALES 10000
PI 3.141600
RESULTADOS
PI 3.112000
RESULTADOS
PI 3.153200
RESULTADOS
PI 3.155600
Podemos ver que π toma valores entre 3.11 y 3.16 por lo general. Es una aproximación
no muy precisa, pero no muy distante del número π. En la siguiente gráfica podemos ver
que los puntos adoptan la forma del cuadrado y el círculo:
Hice el intento con 100, 1000 y 10000 observaciones. Pude notar que mientras más
observaciones revisaba, π tenía una menor variación. Sin embargo, con 100000 la
variación no cambiaba mucho, por lo que deduzco que 10000 es un buen número de
puntos a generar para utilizar este el método Montecarlo.
b. Fórmula de Wallis: La fórmula que propone Wallis para hallar π es la siguiente:
Para realizar el cálculo en Excel, primero busqué los factores de la productoria. Esto lo
hice asignando valores a i y utilizando la fórmula (4*(i^2))/((4*(i^2))-1) para cada uno de
los valores. Recopilé los factores en una tabla:
Finalmente, realicé el cálculo, utilizando la función PRODUCTO. Para 100, 1000 y 10000
valores de i, me arrojó los resultados 3.13378749, 3.14080775 y 3.14151412
respectivamente. Para i = 10000 podemos ver que se aproxima bastante a π.
c. Fórmula de Leibniz: La fórmula que propone Leibniz para hallar π es la siguiente:

Para realizar el cálculo en Excel, primero busqué los elementos de la sumatoria. Esto lo
hice asignando valores a i y utilizando la fórmula ((-1)^i)/((2*i)+1)¸ para cada uno de los
valores. Recopilé los sumandos en una tabla:
Finalmente, realicé el cálculo, utilizando la función SUMA. Para 100, 1000 y 10000
valores de i, me arrojó los resultados 3.1514934, 3.14259165 y 3.14169264. Podemos
ver que para i = 10000, la aproximación es muy cercana a π.
d. Fórmula de Euler: La fórmula que propone Euler para hallar π es la siguiente:
Para realizar el cálculo en Excel, busqué los sumandos de manera similar a la anterior. En
este caso, la fórmula que utilicé para encontrar los sumandos fue
((2^i)*((FACT(i))^2))/(FACT((2*i)+1)) para cada valor de i. Recopilé la información en una

tabla:
Finalmente, realicé el cálculo, utilizando la función SUMA. Como Excel no puede utilizar
números ni muy grandes, ni muy pequeños, solo me permitió tomar valores de i hasta
84. Sin embargo, la aproximación de π viene siendo la más precisa de las que hemos
visto, arrojando como resultado 3.14159265 que de hechos son los dígitos de π.
Concluimos que todas las fórmulas se aproximan bastante a π cuando el número de

observaciones i tiende a ∞, aunque el cálculo más preciso es el propuesto por Euler,
además, es el que requiere menos observaciones para aproximarse con precisión a π.
2. Supermercados XZ.
Para realizar la simulación en Excel, primero recolecté la información que nos da el gerente en
una tabla:
Datos del problema

CANTIDAD
4
INICIAL
PRODUCCIÓN Uniforme PRECIO DE
$ 15,000
DIARIA entre 3 y 7 VENTA
COSTO DE
$ 5,000
PRODUCCIÓN
COSTO
CANTIDAD 4 5 6 UNITARIO DE $ 500
INVENTARIO
COSTO
FR 0.3 0.5 0.2 UNITARIO DE $ 1,000
DÉFICIT
FRA 0.3 0.8 1
Utilizando estos datos, realicé una tabla de observaciones, utilizando números aleatorios
para simular la producción y la venta de las estufas, además de realizar los respectivos
cálculos para hallar la utilidad diaria. El número de observaciones corresponde a los días
que tiene un año:
Los números aleatorios son generados con la función ALEATORIO() para determinar el
número de ventas y ALEATORIO.ENTRE() para determinar el número de estufas
producidas. El inventario es calculado como la suma del inventario del día anterior y las
estufas producidas el día actual, menos las estufas vendidas el día actual. Finalmente, la
utilidad se calcula según el número de estufas producidas, el número de estufas
producidas y el costo del inventario del día, atendiendo a los costos de cada factor.
Graficando el inventario con respecto al día, después de realizar varias simulaciones,

obtuve las siguientes gráficas:
Podemos ver que en el inventario suelen ir acumulándose estufas durante el año,

acercándose por lo general a un total de 60 estufas al finalizar. Aun así, las simulaciones
varían mucho, viendo que, en unos casos, pueden llegar a faltar estufas en cierto
momento del año. De todas maneras, revisando la tabla, los ingresos suelen
mantenerse, es decir, no suelen haber pérdidas, pues calculando la utilidad promedio y
el inventario promedio obtuve los siguientes resultados:
Resultados
INVENTARIO PROMEDIO
INVENTARIO UTILIDAD PROMEDIO POR
21.42 PRODUCCIÓN POR NIVEL DE
PROMEDIO NIVEL DE PRODUCCIÓN
PRODUCCIÓN
3 19.77 $ 47,164
UTILIDAD $
4 18.49 $ 44,709
PROMEDIO 36,953
5 23.88 $ 35,327
6 20.65 $ 31,103
7 23.83 $ 27,438
Resultados
INVENTARIO
INVENTARIO UTILIDAD PROMEDIO POR
49.90 PRODUCCIÓN PROMEDIO POR NIVEL
PROMEDIO NIVEL DE PRODUCCIÓN
DE PRODUCCIÓN
3 49.65 $ 32,021
UTILIDAD $
4 49.34 $ 29,648
PROMEDIO 22,742
5 49.74 $ 24,194
6 48.99 $ 18,632
7 51.74 $ 11,403
Podemos ver que, de cualquier forma, los resultados varían enormemente. El gerente
quiere saber cómo puede maximizar la utilidad diaria promedio produciendo una
cantidad fija de estufas a diario. Por los resultados que tenemos podríamos deducir que
la utilidad máxima se consigue cuando solo se producen 3 estufas (realizando los
promedios de utilidad por cada nivel de producción), pero al momento de realizar la
simulación…
La utilidad es negativa, ¡el gerente termina debiendo porque no hay suficientes estufas!,
y creo que esa no es una opción viable. Algo similar ocurre cuando el nivel de
producción es 4. Con el nivel de producción en 6 y 7 la utilidad sigue siendo negativa,
pero el resultado cambia:
En este caso el gerente queda debiendo, pero ahora es porque produce muchas más
unidades de las que necesita (¡casi llegando a 800!). Por lo tanto, producir 6 o 7 estufas a
diario tampoco es viable. En cambio, cuando el nivel de producción es 5:
Podemos ver que el resultado es muy similar a cuando la producción era aleatoria e
incluso, la utilidad suele ser mayor. Vemos también que es el único nivel fijo que genera
una utilidad positiva, por lo que el pobre gerente no tendrá deudas (además, el
inventario suele ser bajo).
Concluimos entonces que, si el gerente quiere maximizar su utilidad, debe producir 5

estufas diariamente.
II. SIMULACIÓN BASADA EN AGENTES.
1. Flocking.
Este modelo intenta simular el comportamiento que suelen tener las bandadas de aves,
haciendo que cada ave siga exactamente las mismas reglas para moverse que son:
 Alineación: que significa que un ave tiende a girar de manera que se mueva en la misma
dirección que las aves cercanas.
 Separación: que significa que un ave girará para evitar otras aves que se acercan
demasiado.
 Cohesión: que significa que un ave se moverá hacia otras aves cercanas.
La regla de separación prima sobre las otras, por lo que se desactivan cuando un espacio de
separación mínimo es excedido.
Las reglas solo afectan la dirección de cada ave, pues se mantienen a la misma velocidad
constante.
Realizando la simulación, podemos notar que después de un tiempo, las aves toman un mismo
rumbo, sin embargo, las bandadas que forman no siempre tienen el mismo número de
integrantes, pues cuando se acercan dos bandadas, la regla de separación y la regla de cohesión
hace que las aves de los extremos se separen de la bandada en que iban:
Implementando las sugerencias de la sección “Things to try”, queremos ver cómo cambiar los
tamaños de las bandadas. Con la configuración inicial, las bandadas suelen ser algo gruesas. Si se
disminuye el mínimo de separación, empiezan a volverse más estrechas:
La visión también juega un papel fundamental, pues cuando el campo de visión es menor se
tiende a formar un número mayor de bandadas porque las aves no encuentran las bandadas con
mayor cantidad de aves.
Cuando se aumenta la alineación las aves tienden a ir a la misma dirección más rápido de lo
normal. Cuando se aumenta la cohesión, las aves se desordenan y no suelen formar bandadas,
aunque siempre tengan cerca a alguna otra ave.
Cuando se aumenta la separación, las aves se desordenan de igual manera, pero en este caso es
porque la separación no les permite alinearse y como se encuentran tomando rumbos distintos,
suelen cambiar constantemente de dirección
Revisemos ahora qué ocurre cuando solo una regla está activa y cuando una de las reglas está
desactivada.
Cuando solo la alineación está activada, todas las aves toman el mismo rumbo, pero las
bandadas que forman no tienen ningún orden, estando dispersas por todo el mapa:
Cuando solo la cohesión está activada, las aves cambian de rumbo constantemente, pues al
encontrar aves en todos los alrededores, la cohesión hace que se desvíen del rumbo que
tomaban. Esto hace que no formen bandadas:
Cuando solo la separación está activada, las aves cambian de rumbo ligeramente, pero suelen
mantenerlo, sin embargo, como no siguen otras aves, no forma bandadas. Esto hace que el
desorden se vea un poco más simétrico, pero cada ave va por su lado:
Ahora, cuando solo la alineación está desactivada, podemos ver que las aves no toman el mismo
rumbo, pero se forman grupos muy pequeños que cambian constantemente, pues las aves se
acercan entre ellas y la separación hace que se alejen y se unan a otras aves. En otras palabras,
no se forman bandadas numerosas ni duraderas:
Cuando solo la cohesión está desactivada, podemos ver que las aves toman el mismo rumbo,
formando una gran bandada, tomando un orden fijo, pues no buscan a las otras aves, pero
manteniendo la distancia por la regla de separación. Se ve un movimiento estático, donde es
difícil que un ave se separe del gran grupo:
Finalmente, cuando solo la regla de separación está desactivada, las aves suelen tomar un
mismo rumbo, pero se desvían constantemente, formando varias bandadas pequeñas que
cambian integrantes cuando se topan con las otras. Como la separación está desactivada, es más
fácil que un ave se separe del grupo en el que va, pues al notar que hay otra ave cerca, se separa
para tomar su rumbo. De esta manera, las aves van al mismo lugar, formando bandadas
pequeñas temporales, manteniendo en desorden.
Para contestar la última pregunta de la sección, que busca saber si las aves después de un largo
tiempo, forman una bandada estática, o si siempre las aves estarán cambiando. Esta pregunta
prácticamente ya fue respondida al inicio por lo que dijimos de la regla de cohesión y de
separación que, al existir, hace que las bandadas se dividan y cambien de integrantes
constantemente. Sin embargo, cuando se elimina la regla de cohesión, la bandada termina
siendo estática… pero la regla de cohesión es necesaria así que la respuesta es que no hay
bandada estática, según este modelo.
2. Galton Box.
Una caja de Galton es un artefacto con forma triangular que tiene varias filas de plataformas
escalonadas que están igualmente espaciadas. Se dejan caer pelotas encima, que, al finalizar su
recorrido por las plataformas, empiezan a apilarse en el lugar donde hayan caído. La figura que
forma las pilas tiene un aspecto particular, pues suelen distribuirse haciendo algo similar a una
campana de Gauss, pues por la probabilidad, las pelotas tienden a ir al centro:
El modelo también permite cambiar las probabilidades de que las pelotas vayan a la derecha,
haciendo que las pilas no se concentren en el cetro sino en alguno de sus extremos. Por
ejemplo, aumentando a 75% la probabilidad de que las pelotas vayan a la derecha, las pilas,
naturalmente suelen estar a la derecha, pero como todavía pueden estar un 25% a la izquierda,
la pila central se encuentra en lo que podríamos llamar el tercer cuartil de las pilas:
Nótese que, de cualquier forma, las pelotas son independientes de las otras, lo que hace que se
presenten asimetrías. La razón de que se concentren en su mayoría en una sola pila se debe a la
probabilidad.
Revisemos ahora la sección de “Things to try”. Veamos cómo afecta que haya más o menos filas
(utilizaremos 3 y 12) de plataformas con 100 pelotas:
Vemos que, a menor cantidad de filas, mayor número de pelotas caen a los extremos (y también
al centro), pues el número de pilas de pelotas disminuye. Veamos ahora cómo afecta que haya
más o menos pelotas (utilizaremos 50 y 500) con 12 plataformas. En estas gráficas no mostraré
las pelotas porque no hay espacio, sin embargo, con los números veremos donde se deberían
concentrar:
Podemos ver que cuando se aumenta el número de pelotas, las pilas se ordenarán de manera
que cada vez se parezcan más a la campana de Gauss, pues con pocas pelotas, algunas pilas eran
iguales y hasta se parecían a las centrales, mientras que cuando se aumentan, podemos ver que
hay una mayor simetría entre los extremos y hay una notoria diferencia entre pilas que están
más cerca. Podemos decir que, a mayor número de pilas y pelotas, la precisión del modelo es
mayor.
Ahora jugaré con las probabilidades de que la pelota vaya a la derecha, utilizando 500 pelotas y
12 filas, cambiando este porcentaje a 0, 20, 40, 60, 80 y 100:
0%
20%
40%
60%
80%
100%
Vemos que cuando se polariza el porcentaje a 0 o a 100, todas las pelotas terminarán en un
extremo u otro. Ahora, con los demás porcentajes, podemos ver que se distribuyen como si
habláramos de quintiles; siendo 14 pilas, el quintil 1 estaría en la pila 3; el quintil 2, en la pila 6;

el quintil 3, en la pila 9, y el quintil 4, en la pila 12. Vemos en las simulaciones que, para cada
porcentaje, la pila donde hay mayor concentración de pelotas se encuentra en el quintil
correspondiente, generalmente.
Un experimento interesante es cambiar el porcentaje cuando las pelotas ya están cayendo, pues
las pilas dejan de tener simetría y se pueden formar figuras bimodales:
Ya habíamos mencionado que, aumentando el número de pelotas, se consigue una mejor

aproximación de una forma de campana de Gauss al final de la simulación, por lo que la mejor
manera es esa de formarla es esa, aumentar el número de pelotas.
Finalmente, nos preguntan cómo podemos calcular el promedio y la varianza de pelotas que
caerán en determinado número de pila con una configuración determinada (número de filas,
pelotas y porcentaje de desviación a la derecha). La primera idea que se me ocurrió fue hacer
varias simulaciones y luego hacer los promedios… pero me los están pidiendo antes de las
simulaciones, por lo que empecé a hacer multiplicaciones con las probabilidades.
Lo que conseguí fue bastante interesante, pues, si la probabilidad no está trucada, el promedio
de pelotas con m filas que caerán en una pila k será de n/2 m-1 donde n corresponde al número de
la posición k de la fila m del triángulo de Pascal.
Cuando la probabilidad está trucada también se puede utilizar el triángulo de Pascal, realizando
unas cuantas modificaciones, aunque puede que solo me haya funcionado en mi experimento
con 75%. No logré identificar un patrón que me permita conocer los promedios para cada
probabilidad, pero sigue siendo sorprendente cómo se relaciona con el triángulo de Pascal.
Consulté un poco y es por lo que los coeficientes binomiales se relacionan con la campana de
Gauss.
En cualquier caso, para encontrar las varianzas sí es necesario hacer varias simulaciones desde
que necesitamos varias observaciones para saber que el número de pelotas no es fijo y varía.
III. SIMULACIÓN CONTINUA.
El mafioso.
Queremos saber qué tan grande será la banda del criminal después de 6 meses, realizando una
simulación en Excel con los datos que no dan. En la siguiente tabla recolecté los datos:
Hecho eso, creé una tabla donde se van llevando los datos de los criminales a medida que pasan las
semanas, utilizando la información brindada:
Para calcular la tasa de reclutamiento de cada semana, realicé la operación de dividir entre cuatro la
diferencia entre 50 y el número de criminales del periodo anterior. Para la tasa de captura
multipliqué el número de criminales del periodo anterior por 5%. Para la tasa de escape multipliqué
el número de criminales en prisión del día anterior por la tasa de escape por 10%.
Luego utilicé el método de Euler para medir los niveles de criminales activos y capturados. Para los
del primer grupo tuve en cuenta el nivel del periodo anterior, el paso del tiempo (0.5 semanas), la
tasa de reclutamiento y de escape actuales para el aumento de criminales activos, y la tasa de
captura para su decremento. De manera similar, para los del segundo grupo tuve en cuenta el nivel
del periodo anterior, pero en esta ocasión solo tuve en cuenta la tasa de captura y la tasa de escape
actuales.
Así, obtuve la siguiente gráfica para 26 semanas:
Podemos concluir que el criminal por poco cumplirá con su meta de tener a 50 criminales
trabajando para él, pero como la tasa de reclutamiento disminuye cada vez que consigue más, se le
dificultará lograrlo. También podemos notar que, como tal, en los seis meses más de 50 personas
habrán trabajado para él, pero aproximadamente 20 estarán en prisión cuando pasen los seis
meses, además la tasa de captura sele crecer a medida que pasa el tiempo (la tasa de escape
también, pero en menor medida).
Vaya desgracia para la sociedad, ese mafioso hará mucho daño con semejante número de secuaces.
FUENTE DEL MÉTODO MONTECARLO PARA HALLAR PI: https://www.geogebra.org/m/cF7RwK3H

Taller Simulación - Harold González

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Taller Simulación - Harold González

Cargado por

Copyright:

Formatos disponibles

Departamento De Ciencias Matemáticas

Modelación y Simulación I CM0075 -001

Nombre: HAROLD STEVEN GONZÁLEZ OSSA Código 202010016101

Profesora: Paula Escudero Fecha: abril 20

a. Método Montecarlo: El método Monte Carlo es un método en el que por medio de

Para calcular π mediante este método se requiere:

 Construir un cuadrado de lado 4 (su área será de 16).

Por último, se despeja a π para conseguir una aproximación de este número.

La función que utilicé para calcular la posición X y Y de cada punto es

b. Fórmula de Wallis: La fórmula que propone Wallis para hallar π es la siguiente:

c. Fórmula de Leibniz: La fórmula que propone Leibniz para hallar π es la siguiente:

d. Fórmula de Euler: La fórmula que propone Euler para hallar π es la siguiente:

((2^i)*((FACT(i))^2))/(FACT((2*i)+1)) para cada valor de i. Recopilé la información en una

Concluimos que todas las fórmulas se aproximan bastante a π cuando el número de

Datos del problema

Graficando el inventario con respecto al día, después de realizar varias simulaciones,

Podemos ver que en el inventario suelen ir acumulándose estufas durante el año,

Concluimos entonces que, si el gerente quiere maximizar su utilidad, debe producir 5

II. SIMULACIÓN BASADA EN AGENTES.

habláramos de quintiles; siendo 14 pilas, el quintil 1 estaría en la pila 3; el quintil 2, en la pila 6;

Ya habíamos mencionado que, aumentando el número de pelotas, se consigue una mejor

III. SIMULACIÓN CONTINUA.

Así, obtuve la siguiente gráfica para 26 semanas:

FUENTE DEL MÉTODO MONTECARLO PARA HALLAR PI: https://www.geogebra.org/m/cF7RwK3H

También podría gustarte

((2^i)((FACT(i))^2))/(FACT((2i)+1)) para cada valor de i. Recopilé la información en una