DIRECCIN GENERAL DE EDUCACIN SECRETARA DE SUPERIOR TECNOLGICA EDUCACIN PBLICA INSTITUTO TECNOLGICO DE LAZARO CARDENAS ------------------------------------------------ INGENIERIA INDUSTRIAL
MATERIA: SIMULACION ALUMNO: CERVANTES RANGELELIZABETH PROFESOR(A): MA.ALEJANDRES FARIAS N CONTROL: 10560022 SEMESTRE: VI AULA: M6
INTRODUCCION El mtodo de Monte Carlo (MC) es quiz el mtodo ms usado en mecnica estadstica computacional. El mtodo de Montecarlo es un mtodo probabilstico, en contraposicin de los mtodos determinanticos. En el transcurso de una simulacin MC las partculas que forman el sistema se mueven al azar. Se puede afirmar que el mtodo de Montecarlo emplea deliberadamente nmeros al azar en el estudio de un "proceso estocstico". Por proceso estocstico se entiende una secuencia de estados cuya evaluacin viene determinada por sucesos al azar. Se ha dicho que un mtodo como este nunca permitir obtener nada ms que una aproximacin no excesivamente buena a los valores numricos de algunas propiedades, sin embargo el mtodo ha demostrado su gran utilidad en el estudio de propiedades de muchos sistemas qumicos y sistemas de colas, etc...
OBJETIVO Est basada en el muestreo sistemtico de variables aleatorias. ORIGEN La invencin del mtodo de Monte Carlo se asigna a Stanislaw Ulam y a John von Neumann. Ulam ha explicado cmo se le ocurri la idea mientras jugaba un solitario durante una enfermedad en 1946. Advirti que resulta mucho ms simple tener una idea del resultado general del solitario haciendo pruebas mltiples con las cartas y contando las proporciones de los resultados que computar todas las posibilidades de combinacin formalmente. Se le ocurri que esta misma observacin deba aplicarse a su trabajo de Los lamos sobre difusin de neutrones, para la cual resulta prcticamente imposible solucionar las ecuaciones ntegro-diferenciales que gobiernan la dispersin, la absorcin y la fisin. La idea consista en probar con experimentos mentales las miles de posibilidades, y en cada etapa, determinar por casualidad, por un nmero aleatorio distribuido segn las probabilidades, qu sucedera y totalizar todas las posibilidades y tener una idea de la conducta del proceso fsico. Podan utilizarse mquinas de computacin, que comenzaban a estar disponibles, para efectuar las pruebas numricas y en efecto reemplazar el aparato experimental del fsico. Durante una de las visitas de von Neumann a Los lamos en 1946, Ulam le mencion el mtodo. Despus de cierto escepticismo inicial, von Neumann se entusiasm con la idea y pronto comenz a desarrollar sus posibilidades en un procedimiento sistemtico. Ulam expres que Monte Carlo comenz a tener forma concreta y empez a desarrollarse con todas sus fallas de teora rudimentaria despus de que se lo propuse a Johnny. A principios de 1947 Von Neumann envi una carta a Richtmyer a Los lamos en la que expuso de modo influyente tal vez el primer informe por escrito del mtodo de Monte Carlo. Su carta fue encuadernada junto con la respuesta de Richtmyer como un informe de Los lamos y distribuida entre los miembros del laboratorio. Von Neumann sugera aplicar el mtodo para rastrear la generacin istropa de neutrones desde una composicin variable de material activo a lo largo del radio de una esfera. Sostena que el problema era adecuado para el ENIAC y estimaba que llevara 5 horas calcular la accin de 100 neutrones a travs de un curso de 100 colisiones cada uno. Ulam estaba particularmente interesado en el mtodo Monte Carlo para evaluar integrales mltiples. Una de las primeras aplicaciones de este mtodo a un problema determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Stanislaw Ulam John Von Neumann Neumann cuando consideraron los valores singulares de la ecuacin de Schrdinger. DEFINICION 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 se trata de sistemas cuyo estado va combinado con el paso del tiempo, se recurre bien a las simulacin de eventos discretos o bien a la simulacin de sistemas continuos), que seria calcular probabilidades y otras cantidades relacionadas. ALGORITMOS
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las distribuciones acumuladas de frecuencias:
Determinar la/s V.A. y sus distribuciones acumuladas(F) Generar un nmero aleatorio uniforme (0,1). Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases que tengamos. Calcular media, desviacin estndar error y realizar el histograma. Analizar resultados para distintos tamaos de muestra.
Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es directamente el resultado de la simulacin o tenemos relaciones entre variables es la siguiente:
Disear el modelo lgico de decisin Especificar distribuciones de probabilidad para las variables aleatorias relevantes. Incluir posibles dependencias entre variables. Muestrear valores de las variables aleatorias. Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el resultado Repetir el proceso hasta tener una muestra estadsticamente representativa Obtener la distribucin de frecuencias del resultado de las iteraciones Calcular media, desvo. Analizar los resultados
Las principales caractersticas a tener en cuenta para la implementacin o utilizacin del algoritmo son:
El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad (fdp). Generador de nmeros aleatorios: como se generan los nmeros aleatorios es importante para evitar que se produzca correlacin entre los valores mustrales. Establecer lmites y reglas de muestreo para las fdp: conocemos que valores pueden adoptar las variables. Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular. Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para que una corrida sea vlida? Tcnicas de reduccin de varianza. Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia trabajar con varios procesadores paralelos para realizar la simulacin. APLICACIN Se asocian intervalos de nmeros aleatorios segn las probabilidades de ocurrencia de los eventos a simula
Criptografa Cromo dinmica cuntica Densidad y flujo de trafico Diseo de reactores nucleares Diseos de VLSL Ecologa Econometra Evolucin estelar Fsica de materiales Mtodo cuantitativo de organizacin industrial Programas de computadora Pronostico de ndice de la bolsa Prospecciones en explotaciones petrolferas Radioterapia contra el cncer Sistema de colas Sistema de inventario P y Q Valoracin de cartera de valores
ETAPAS 1. Crear un modelo matemtico del sistema que se quiere analizar
2. Identificar las variables cuyo comportamiento aleatorio determina el comportamiento global del sistema.
3. Se lleva a cabo un experimento consistente en generar muestras aleatorias para las variables
4. Tras repetir n veces este experimento, dispondremos de n observaciones sobre el comportamiento del sistema
Nuestro anlisis ser tanto mas preciso cuanto mayor sea el numero n de experimentos que llevemos a cabo
VENTAJAS
Una ventaja de la simulacin de Montecarlo seria sobre los resultados probabilsticos y grficos ya que, con los probabilsticos muestran lo que puede suceder y que tan probable es que suceda un resultado, con los grficos cuando los datos son generados por Montecarlo se hace fcil crear grficas para observar cuales son las posibilidades de que algo suceda.
Otras ventajas que se puede mencionar serian que cuando se tienen pocos resultados, se hace ms difcil ver lo que afecta el resultado, en cambio cuando se utiliza simulacin Montecarlo se hace ms fcil que vea cuales son las variables que influyen ms en los resultados.
Se sabe que cuando se hacen algunas simulaciones es muy difcil modelar diferentes combinaciones de valores de entrada, pero al utilizar la simulacin de Montecarlo se puede ver qu valores tiene exactamente cada variable, al igual que se puede relacionar distintas variables de entrada para averiguar con certeza porque ciertos valores tienen cambios repentinos paralelamente. DESVENTAJAS No siempre proporciona un resultado correcto y podemos cometer un error, ya que la simulacin nos brind un resultado incorrecto.
Hablando del mtodo de la aguja de bufn, que es una aplicacin del mtodo Montecarlo su desventaja es que solo se puede aplicar en medios que contienen geometras planas. Al tener un modelo de simulacin las salidas producidas es aleatorias y deben ser tratadas como lo que son, es decir como una estimacin solamente, tambin que al suponer valores para realizar la simulacin el sistema puede ser muy poco realista. Si son modelos de simulacin muy complejos pueden requerir mucho tiempo para construirlos
MAPA CONCEPTUAL
EJEMPLO 1 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.
CONCLUSIN
Tenemos que el metodo Monte carl a diferencia de otros mtodos que son deterministicos, es probabilsticos y adems estocstico, ya que en las simulaciones que se realicen utilizndolo se puede observar que los elementos que forman el sistema se mueven de manera aleatoria y este a su vez se aplica en pronsticos de bolsa, sistemas de colas, programas de computadoras y sistemas de inventarios P y Q etc..
BIBLIOGRAFIA Y FUENTES DE INFORMACION Licesio J. Rodrguez-Aragon Mtodos Cuantitativos Org. Ind. 9 / 39
M.H. Kalos and P.A. Whitlock en "Monte Carlo Methods. Vol I . Basics". John Wiley & Sons. New York, 1986.