-URIBE MEJIA, MAYRA -YARASCA ANTONIO ,LILIANA -VALENCIA BRUNO, KATY INTRODUCCIN El Mtodo de Monte Carlo da solucin a una gran variedad de problemas matemticos haciendo experimentos con muestreos estadsticos en una computadora. El mtodo es aplicable a cualquier tipo de problema. Generalmente en estadstica los modelos aleatorios se usan para simular fenmenos que poseen algn componente aleatorio. Pero en el mtodo Monte Carlo, por otro lado, el objeto de la investigacin es el objeto en s mismo, un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo. Fue creada para resolver integrales que no se pueden resolver por mtodos analticos, para solucionar estas integrales se usaron nmeros aleatorios. HISTORIA El mtodo fue llamado as por el principado de Mnaco por ser ``la capital del juego de azar'', al tomar una ruleta como un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 con el desarrollo de la computadora. Sin embargo hay varias instancias (aisladas y no desarrolladas) en muchas ocasiones anteriores a 1944. El uso real de los mtodos de Monte Carlo como una herramienta de investigacin, proviene del trabajo de la bomba atmica durante la Segunda Guerra Mundial. Este trabajo involucraba la simulacin directa de problemas probabilsticos de hidrodinmica concernientes a la difusin de neutrones aleatorios en material de fusin.
DEFINICIN Es una tcnica cuantitativa que hace uso de la estadstica y los ordenadores para imitar, mediante modelos matemticos, el comportamiento aleatorio de sistemas reales no dinmicos (por lo general, cuando ser trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre bien a la simulacin de eventos discretos o bien a la simulacin de sistemas continuos).
Simulacin : es el proceso de disear y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentos con este modelo con el propsito de entender el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar el sistema (Shannon Robert) Etapas del proceso de simulacin Definicin, descripcin del problema. Plan. Formulacin del modelo. Programacin . Verificacion y Validacin del modelo. Diseo de experimentos y plan de corridas. Anlisis de resultados
POR QU SIMULACIN EN INVESTIGACIN OPERATIVA?
Los responsables de la toma de decisiones necesitan informacin cuantificable, sobre diferentes hechos que puedan ocurrir. La simulacin constituye una tcnica econmica que nos permite ofrecer varios escenarios posibles de un modelo del negocio, nos permite equivocarnos sin provocar efectos sobre el mundo real. Podemos afirmar entonces, que la simulacin es una rama experimentaldentro de la Investigacin Operativa.
EJEMPLO
Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda, debemos previamente asignarle un intervalo de nmeros aleatorios a CARA y otro a CRUZ, de manera de poder interpretar el resultado de la simulacin. Tales intervalos se asignan en funcin de las probabilidades de ocurrencia de cada cara de la moneda. Tenemos as:
CARA Probabilidad: 0,50 Nmeros aleatorios: 0,000 al 0,499
CRUZ Probabilidad: 0,50 Nmeros aleatorios: 0,500 al 0,999
Despus, al generar un nmero aleatorio a partir de la funcin RAN de la calculadora, por ejemplo, obtenemos el resultado simulado. As, si obtenemos el nmero aleatorio 0,385, observamos que est incluido en el intervalo asignado a CARA.
En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las probabilidades de ocurrencia de los eventos a simular. CASO PRCTICO
Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda, debemos previamente asignarle un intervalo de nmeros aleatorios a CARA y otro a CRUZ, de manera de poder interpretar el resultado de la simulacin. Tales intervalos se asignan en funcin de las probabilidades de ocurrencia de cada cara de la moneda. Tenemos as:
CARA Probabilidad: 0,50 Nmeros aleatorios: 0,000 al 0,499 CRUZ Probabilidad: 0,50 Nmeros aleatorios: 0,500 al 0,999 Despus, al generar un nmero aleatorio a partir de la funcin RAN de la calculadora, por ejemplo, obtenemos el resultado simulado. As, si obtenemos el nmero aleatorio 0,385, observamos que est incluido en el intervalo asignado a CARA. En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las probabilidades de ocurrencia de los eventos a simular. PASOS IDEALES A SEGUIR PARA EL MTODO. B) CONSTRUIR UNA DISTRIBUCIN DE PROBABILIDAD ACUMULADA PARA CADA VARIABLE E) Simular el experimento. No es ms q poner en prctica la simulacin de dicho experimento, mediante varios ensayos para poder concluir correctamente, ya que al hacer pocos ensayos podramos comer errores que perjudicaran el experimento o en el peor de los casos echarlo a perder.
EXISTEN 5 PASOS IDEALES A SEGUIR PARA EL MTODO 1. Establecer distribuciones de probabilidad. La idea inicial es la generacin devalores para las variables que componen el modelo a efectuar. Existen una gran variabilidad de ejemplos donde se llega anotar este punto,algunos de ellos son: el tiempo de descompostura de una maquina, la demanda de un inventario sobre una base diaria o semanal, el tiempo deservicio, etc.Y una manera fcil de establecer una distribucin de probabilidad de unavariable es a travs de examen histrico. La frecuencia relativa para cadaresultado de una variable se encuentra al dividir la frecuencia de laobservacin entre el nmero total de observaciones. 2. Construir una distribucin de probabilidad acumulada para cada variable. Aqu se tiene que convertir una distribucin de probabilidad regular a una distribucin de probabilidad acumulada. Esto quiere decir que laprobabilidad acumulada para cada nivel de demanda no es ms que lasuma del nmero en la columna de la probabilidad agregada a laprobabilidad acumulada anterior. 3. Establecer intervalos de nmeros aleatorios. En este paso se debe asignar un conjunto de q represente a cada valor posible. Estos estn establecidoscomo intervalos de nmeros aleatorios que surgieron un proceso aleatorio(tomando el nmero de dgitos requeridos). 4. Generacin de nmeros aleatorios. Estos nmeros se pueden generar de dos maneras: la primera es, si se tiene un problema grande y el proceso involucra miles de ensayos, lo conveniente es utilizar algn software especializado para generarlos; la segunda, si la simulacin se tiene que hacer a mano, los nmeros se pueden seleccionar en una tabla establecida de nmeros aleatorizados. Existe una tabla para esta ltima manera. Tabla 1
En esta tabla los nmeros aleatorios se leen de arriba hacia abajo, comenzando por la esquina superior izquierda. 5. Simular el experimento. No es ms q poner en prctica la simulacin de dicho experimento, mediante varios ensayos para poder concluir correctamente, ya que al hacer pocos ensayos podramos comer erroresque perjudicaran el experimento o en el peor de los casos echarlo a perder
Se desea conocer la demanda diaria de un comercio alimenticio, donde elaboran emparedados. Por medio de la distribucin de probabilidad del mtodo deMontecarlo, en un periodo de 30 das Tabla 2
Aplicando los pasos en la tabla. El primer paso en identificar la demanda que recibe por das. El siguiente paso es construir otra columna con la sumatoria consecutiva de cada ocurrencia de los valores Tabla 3
DEMANDA FRECUENCIA (DIAS) PROBABILIDAD DE OCURRENCIA PROBABILIDAD ACUMULADA INTERVALOS
En esta tabla se hace presente el paso 3, que trata de colocar los intervalos de los nmeros aleatorios, simplemente se colocan los nmeros empezando por el 01 hasta el valor de la probabilidad acumulada. Y despus se sigue con el otro valor comenzando por nmero en el que se quedo. Una manera simple de ver la simulacin es mediante esta simplificacin del ejemplo en un periodo de 10 das. Por ltimo se emplean los pasos 4 y 5 en la tabla que continua se busca un numero aleatorio en la tabla 1 expuesta en el paso 4. Despus se compara el numero aleatorio obtenido con el intervalo de la tabla 3, a verificar en que intervalo cae se colocara el valor de la demanda en la tercer columna.
Numero de da Numero aleatorio Demanda diaria simulada 1 2 3 4 5 6 7 8 9 10 88 14 90 21 13 49 34 62 78 12 56 41 56 45 41 45 45 52 52 41 464 Total de la demanda en 10 das
Por ultimo se saca la demanda que se demuestra por la siguiente formula: Demanda esperada= (probabilidad de unidades i) x (demanda de unidades i) =(.17x41)+(.33x45)+(.20x48)+(.13x52)+(.17x56) =47.7 La demanda esperada en las mayoras de sus ensayos ser similar a la demanda promedio.