VVBBB

SUBSECRETARA DE EDUCACIN SUPERIOR

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


Av. Melchor Ocampo # 2555, Col. Cuarto Sector. C.P.60950 Lzaro Crdenas, Michoacn.
Tel(s). (753) 53 21040 Fax (753) 53 21040 Correo direccion@itlazarocardenas.edu.mx
Web http://www.itlazarocardenas.edu.mx

19/MARZO/2013

INDICE


INTRODUCCION ....................................................................................... 3
OBJETIVO ................................................................................................ 4
ORIGEN ................................................................................................... 4
DEFINICION ............................................................................................. 5
APLICACIN ............................................................................................. 6
ETAPAS .................................................................................................... 7
VENTAJAS ................................................................................................ 8
DESVENTAJAS .......................................................................................... 8
MAPA CONCEPTUAL ................................................................................ 9
EJEMPLO 1 ............................................................................................. 10
CONCLUSIN ......................................................................................... 11
BIBLIOGRAFIA Y FUENTES DE INFORMACION .......................... 11









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.

http://unimeta-simulacion-alejandra-meneses.blogspot.mx/2012/08/metodo-
origen-el-de-montecarlo-un-no.html

http://nosvamosamontecarlo.blogspot.mx/2011/11/ventajas-y-desventajas-de-
montecarlo.html