You are on page 1of 15

INTRODUCCIN

La simulacin es una herramienta de la Investigacin de


Operaciones que permite estudiar los sistemas y los
problemas analizndolos experimentalmente, de forma
equivalente a la actividad que se realiza en un laboratorio.
El mtodo Montecarlo es quiz el mtodo ms usado en
mecnica estadstica computacional. Es un mtodo
probabilstico, en contraposicin de los mtodos
determinsticos. 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.
HISTORIA
La invencin del mtodo de Montecarlo se asigna
a StanislawUlam y a John von Neumann. 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. Ulam explico 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.

SIMULACIN MONTE
CARLO
La simulacin Monte Carlo es una tcnica matemtica
computarizada que permite tener en cuenta el riesgo en
anlisis cuantitativos y tomas de decisiones. Esta tcnica es
utilizada por profesionales de campos tan dispares como
los de finanzas, gestin de proyectos, energa,
manufacturacin, ingeniera, investigacin y desarrollo,
seguros, petrleo y gas, transporte y medio ambiente.
La simulacin Monte Carlo ofrece a la persona
responsable de tomar las decisiones una serie de posibles
resultados, as como la probabilidad de que se produzcan
segn las medidas tomadas. Muestra las posibilidades
extremas, los resultados de tomar la medida ms
arriesgada y la ms conservadora, as como todas las
posibles consecuencias de las decisiones intermedias.

FUNCIONAMIENTO

La simulacin Monte Carlo realiza el anlisis de riesgo con la creacin de
modelos de posibles resultados mediante la sustitucin de un rango de
valores, una distribucin de probabilidad, para cualquier factor con
incertidumbre inherente. Luego, calcula los resultados una y otra vez, cada
vez usando un grupo diferente de valores aleatorios de las funciones de
probabilidad. Dependiendo del nmero de incertidumbres y de los rangos
especificados, para completar una simulacin Monte Carlo puede ser
necesario realizar miles o decenas de miles de re clculos. La simulacin
Monte Carlo produce distribuciones de valores de los resultados posibles
El anlisis de riesgo se puede realizar cualitativa y cuantitativamente. El
anlisis de riesgo cualitativo generalmente incluye la evaluacin instintiva o
por corazonada de una situacin, y se caracteriza por afirmaciones como
Eso parece muy arriesgado o Probablemente obtendremos buenos
resultados. El anlisis de riesgo cuantitativo trata de asignar valores
numricos a los riesgos, utilizando datos empricos o cuantificando
evaluaciones cualitativas. Mediante el uso de distribuciones de
probabilidad, las variables pueden generar diferentes probabilidades de
que se produzcan diferentes resultados. Las distribuciones de probabilidad
son una forma mucho ms realista de describir la incertidumbre en las
variables de un anlisis de riesgo
FUNCIONAMIENTO

Con este ejemplo que es uno de los ms simples que se pueden ver
ms claro como se utiliza y funciona la simulacin Montecarlo:

Deseamos reproducir, mediante nmeros aleatorios, la tirada
sucesiva de una moneda, debemos entonces 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, generamos un numero aleatorio comprendido entre 0 y 1,
por ejemplo, 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
ALGORITMO
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 y para
realizar esta simulacin se deben realizar los siguientes
pasos:

1. Determinar la/s V.A. y sus distribuciones acumuladas(F)
2. Generar un nmero aleatorio uniforme.
3. Determinar el valor de la V.A. para el nmero aleatorio
generado de acuerdo a las clases que tengamos.
4. Calcular media, desviacin estndar error y realizar el
histograma.
5. Analizar resultados para distintos tamaos de muestra.
VENTAJAS
Los grficos 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.
cuando se utiliza simulacin Montecarlo se hace
ms fcil que vea cuales son las variables que
influyen ms en los resultados.
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


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.
Otra desventaja seria; 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.
si son modelos de simulacin muy complejos pueden
requerir mucho tiempo para construirlos.

EJERCICIOS
1) Una clnica rural recibe del banco de sangre local
una entrega de plasma fresco una vez por semana. El
suministro vara de acuerdo con la demanda de otras
clnicas y hospitales de la regin, pero esta entre 4 y 9
unidades de medio litro del tipo de sangre que ms se
usa, tipo 0. El nmero de pacientes por semana que
necesita este tipo desangre varia entre 0 y 4, y cada
uno puede necesitar de 1 a 4 unidades de medio litro.
Con base en las siguientes cantidades de entrega,
distribucin de pacientes y demanda por paciente,
Cul sera el nmero de unidades de medio litro
sobrante o faltante en un periodo de seis semanas?
Utilice la simulacin Montecarlo para obtener su
respuesta. Considere que puede almacenarse el
plasma y que en este momento no hay nada
disponible.

2) Una panadera se sabe que la demanda vara entre 30 y 80kilogramos por da
entre lunes y viernes y se llev el siguiente registro desde el lunes hasta el viernes
respectivamente y con sus respectivas frecuencias y nos piden simular cual sera
la demanda para un da de la semana cualquiera:



Observando el cuadro pudo determinar que su demanda no tiene una
distribucin normal, o sea que es ms bien extraa. Por tal motivo decidi utilizar
esta tcnica Montecarlo. Entonces lo primero que hay que hacer es convertir los
valores de la frecuencia relativa probabilidades y se asignan nmeros especficos
a cada valor de probabilidad para reflejar la proporcin de los nmeros
aleatorios de 00 a 99.


Ahora par simular y predecir la demanda elegimos aleatoriamente un numero
entre 0 y 100 y obtenemos 55 la cual la ubica entre el intervalo donde la
demanda de pan diaria es de 55 panes la cual nos permitira tomar una decisin
de fabricar esta cantidad de pan.

3) La panadera de Pierre hace y vende pan francs. Cada maana, la
panadera satisface la demanda del da con pan recin horneado. Pierre
puede hacer el pan nicamente en lotes de una docena de panes. Cada
pan tiene el costo de fabricacin de 25 centavos de peso. Supondremos,
por simplicidad, que la demanda diaria total de pan tambin se presenta
en mltiplos de 12. Los datos demuestran que esta demanda vara de 36 a
96 panes diarios. Un pan se vende a 40 centavos de peso y si sobra al final
del da se vende a una cocina de beneficencia a un precio de
recuperacin de 10 centavos de peso por pan. Si la demanda es mayor
que la oferta, suponemos que hay un costo de ganancia prdida de 15
centavos de peso / pan, debido a la prdida de clientes que van con los
competidores, etc. Los registros de la panadera muestran que la demanda
diaria se puede clasificar en tres tipos: alta, media y baja. Esta demanda se
presenta con probabilidades de 0.30, 0.45 y 0.25 respectivamente. La
distribucin de la demanda por categoras aparece en la tabla. Pierre
quisiera determinar el nmero ptimo de panes que debe hacer cada da
para maximizar la ganancia (ingresos + ingresos de recuperacin costo de
fabricacin- costo de ingresos perdidos).