INTEGRANTES

-MEJIA VIZARRETA , AMALIA

-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

DEMANDA FRECUENCIA
(DIAS)
PROBABILIDAD
DE
OCURRENCIA
PROBABILIDAD
ACUMULADA
41
45
48
52
56
5
10
6
4
5

5/30=.17
10/30=.33
6/30=.20
4/30=.13
5/30=.17
.17
.50
.70
.83
1.00

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

41
45
48
52
56
5
10
6
4
5
5/30=.17
10/30=.33
6/30=.20
4/30=.13
5/30=.17
.17
.50
.70
.83
1.00
01-17
18-50
51-70
71-83
84-00


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.

GRACIAS