Lecturas Matem¶ticas a Volumen 20 (1999), p¶ginas 39-60 a

Dos ejemplos de introducci¶n o de los m¶todos de simulaci¶n e o Monte Carlo en los primeros cursos de las carreras t¶cnicas e
L. M. Garc¶ ³a-Raffi, ¶ ¶ E. A. Sanchez-Perez, F. Mart¶ ³nez Gim¶nez e Universidad Polit¶cnica de Valencia, Espa~ a. e n
Abstract. In this work we present two examples of the use of Monte Carlo simulation techniques for modelling real systems. The introduction of this kind of practices in the ¯rst stage of engineering education have the purpose of producing an image of mathematics as a tool of work and analysis in a framework where mathematical concepts have a real support. Our aim is breaking with the traditional isolation between mathematics and the rest of the scienti¯c disciplines, producing a common area of knowledge that could contribute favourably to the learning of students. Keywords and phases. Monte Carlo, Didactics, Engineering statistics, ordinary di®erential equations. 1991 AMS Subject Classi¯cation. Primary: 62E25, OOA35. Secondary 62N99. Resumen. En este trabajo se presentan dos pr¶cticas de modelizaci¶n de sisa o temas reales en los que se introducen las t¶cnicas de simulaci¶n Monte Carlo. La e o introducci¶n de pr¶cticas de modelizaci¶n en los primeros cursos de Ingenier¶ o a o ³a obedece al objetivo de ofrecer una imagen de las matem¶ticas como instrumento a de trabajo y an¶lisis donde los conceptos matem¶ticos han de tener un soporte a a real y as¶ romper con el aislamiento tradicional de las matem¶ticas con el resto ³ a de las disciplinas cient¶ ³¯cas ofreciendo al alumno un ¶rea com¶n de conocimiento a u que puede contribuir muy favorablemente al aprendizaje y ¯jaci¶n del mismo o como conocimiento duradero.

40

¶ L. M. GARC¶ E. A. SANCHEZ, F. MART¶ IA, INEZ

1. Introducci¶n o
Es ya bien conocido que el ordenador ha revolucionado la ense~anza de disn ciplinas como la F¶sica y las Matem¶ticas en todos los ¶mbitos de la educaci¶n, ³ a a o especialmente el universitario. La aparici¶n de ordenadores personales cada o vez m¶s baratos y potentes, hace que esta herramienta se haya introducido de a forma masiva rompiendo con la concepci¶n tradicional de la ense~anza de las o n ciencias b¶sicas. a Hasta ahora, la metodolog¶ docente que se ha considerado adecuada es ³a la explicaci¶n mediante clases magistrales de un amplio temario en el que el o alumno ejerce de sujeto pasivo que debe asimilar las ideas de forma \natural" y mediante el estudio personal de los textos recomendados. La reforma de los planes de estudio abordada por la Universidad Espa~ola n en los ultimos a~os, ha supuesto un punto de in°exi¶n en la ense~anza de las ¶ n o n matem¶ticas. Por lo que se re¯ere al contexto en el que se desarrolla esta a experiencia, en la Universidad Polit¶cnica de Valencia, pr¶cticamente todas e a las escuelas han incorporado en las asignaturas de matem¶ticas impartidas en a los primeros cursos, pr¶cticas con el ordenador. El objetivo no es otro que la a reducci¶n de las clases magistrales y su sustituci¶n por sesiones pr¶cticas donde o o a el alumno resuelve ejercicios y problemas con una tecnolog¶ que le permite en ³a algunos casos llegar a ver, a experimentar con conceptos te¶ricos. El desarrollo o de los llamados asistentes matem¶ticos (Derive, Mathematica, Matlab, etc) a y en general de la inform¶tica que permite al usuario trabajar en un entorno a m¶s amigable, ha facilitado enormemente la introducci¶n del ordenador en esta a o disciplina. Si bien el campo es novedoso, el trabajo realizado en el mismo es amplio, siendo cada vez m¶s numerosos los textos de matem¶ticas que incluyen este a a tipo de pr¶cticas. Los ¯rmantes de este trabajo formamos parte de un grupo a de profesores de matem¶ticas que hemos elaborado este tipo de textos para la a docencia en nuestra universidad, pero que consideramos que el ordenador es una herramienta m¶s potente que permite enfoques nuevos dentro de la ense~anza a n de esta disciplina. El nuestro es un planteamiento que va m¶s all¶ del anteriora a mente expuesto. Pensamos que la gran asignatura pendiente en la ense~anza n de las matem¶ticas, especialmente en las Escuelas T¶cnicas, es su contextuaa e lizaci¶n dentro del marco del resto de las disciplinas cient¶ o ³¯cas. El marco en el que hemos trabajado se basa en ofrecer una imagen de las matem¶ticas como a instrumento de trabajo y an¶lisis. Los conceptos matem¶ticos han de tener a a un soporte real y as¶ romper con el aislamiento tradicional de las matem¶ticas ³ a

Laplace sugiri¶ varios a~os despu¶s o n e que dicho experimento pod¶ ser utilizado para el c¶lculo de la constante p. o La modelizaci¶n de sistemas \reales" mediante los principios de disciplinas o como la f¶sica. supone por parte del alumno un trabajo en el que su creaa tividad a la hora de afrontar tanto las cuestiones relativas al modelo como a su resoluci¶n. los m¶todos Monte Carlo consisten en inventar juegos de azar e cuyo comportamiento y resultado puede ser utilizado para estudiar sistemas y fen¶menos reales.. o La primera referencia documentada sobre la utilizaci¶n de mecanismos geo neradores del azar para la obtenci¶n de resultados matem¶ticos data del siglo o a XVIII. De este cociente y del c¶lculo de la u a probabilidad de intersecci¶n. en la d¶cada de o e los treinta. Adem¶s.¶ ¶ DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS . con u respecto al n¶mero total de lanzamientos. juega un papel importante aumentando la motivaci¶n por el apreno o dizaje y dominio de los conceptos matem¶ticos para su correcta aplicaci¶n. S. M¶todos Monte Carlo e Bajo el nombre de gen¶rico de M¶todos Monte Carlo se agrupan un conjunto e e de t¶cnicas matem¶ticas que tienen en com¶n la utilizaci¶n de n¶meros genee a u o u rados aleatoriamente para el c¶lculo de magnitudes. podr¶amos despejar el valor de p. Otro ³a a e ejemplo es el del matem¶tico W. que pensamos puede contribuir muy favorablemente al aprendizaje y ¯jaci¶n del mismo como conocimiento duradero1. o En esencia. Incluso Lord Kelvin o el propio Enrico Fermi. a o 2. la mec¶nica o la qu¶ ³ a ³mica y su expresi¶n a trav¶s de ecuaciones o e y funciones de la matem¶tica establece un nexo de uni¶n entre estas discia o plinas que puede ser aprovechado para el desarrollo de las ideas anteriormente expuestas. Estas pueden corresponder a tanto a fen¶menos gobernados por el azar como a fen¶menos deterministas que o o permiten una reformulaci¶n en t¶rminos estad¶sticos. Este c¶lculo o ³ a ser¶ un ejemplo paradigm¶tico del uso de las t¶cnicas Monte Carlo.. ³a a Simplemente habr¶a que realizar una serie de lanzamientos y calcular el co³ ciente entre el n¶mero de veces que la aguja a cortado una de las rectas. 41 con el resto de las disciplinas cient¶ ³¯cas ofreciendo al alumno un ¶rea com¶n a u de conocimiento. Gosset 3 (\Student\) que en 1908 utiliz¶ la a o generaci¶n de n¶meros aleatorios para estudiar la distribuci¶n del coe¯ciente o u o de correlaci¶n. hicieron c¶lculos utilizando m¶todos que hoy catalogar¶ a e ³amos como . Ejemplos del primer caso o e ³ puede ser la llegada de trabajos a una cola de impresi¶n o la energ¶ depositada o ³a por un fot¶n al atravesar la materia y ejemplos del segundo son el c¶lculo de o a integrales o la resoluci¶n de ecuaciones diferenciales en derivadas parciales. El \Comte de Bu®on en 1777 realiz¶ un experimento consistente en o lanzar una aguja de longitud L sobre un plano pautado con l¶neas rectas parale³ las a distancia d>L y ver el n¶mero de veces que la aguja ca¶a en una posici¶n u ³ o tal que intersectaba una de las rectas.

MART¶ IA. form¶tica. ³ ³ Por sistema se entiende un conjunto de entidades llamadas componentes o elementos. la Biolog¶ la In³a. el transporte de radiaci¶n o o o etc. Esta discusi¶n se hace necesaria en tanto en cuanto e o no hay en la literatura un criterio uni¯cado para las mismas. SANCHEZ. Las t¶cnicas de simulaci¶n Monte Carlo a e o son hoy en d¶a una herramienta indispensable para abordar innumerables pro³ blemas. las Telecomunicaciones. Los elementos interactuan como consecuencia . M. Muchos de los conceptos aqu¶ mostrados se han extra¶do de Rubinstein 6 . Wilson 5 . simulaci¶n o y t¶cnicas Monte Carlo. el de profesores. En el ejemplo anterior podr¶ ser el n¶mero o e ³a u de alumnos.En ¶l se aborda un problema de transporte de radiaci¶n: la e o generaci¶n de cascadas electromagn¶ticas por el paso de un electr¶n o un fot¶n o e o o (cuanto de luz) de alta energ¶a a trav¶s de un bloque de plomo. la modelizaci¶n de sistemas econ¶micos. La llegada de los grandes ordenadores digitales marc¶ un desarrollo imporo tante en este campo que se ha hecho notar especialmente en la ultima d¶cada ¶ e con el constante abaratamiento de la capacidad de c¶lculo. El nombre o ven¶a inspirado por los juegos de azar de los casinos del peque~o principado ³ n europeo de Monte Carlo. pero evidentemente no se dispon¶a de la capacidad de computaci¶n ade³ o cuada. etc. En la d¶cada de los cuarenta y los cincuenta aparecieron varios trabajos que e demostraban el gran inter¶s por estos m¶todos basados en el uso de n¶meros e e u aleatorios para la resoluci¶n de problemas relacionados con la mec¶nica eso a tad¶ ³stica. 3. simulaci¶n y o o t¶cnicas Monte Carlo. o Los elementos tienen asociadas caracter¶sticas o atributos que tiene valores ³ l¶gicos o num¶ricos bien de¯nidos. A. F. INEZ m¶todos Monte Carlo 4. GARC¶ E. El m¶todo ³ e e utilizado era mec¶nico y gr¶¯co.42 ¶ L. Un ejemplo de este tipo de trabajos lo podemos encontrar en el art¶ ³culo de R. Por ejemplo una Universidad puede ser considerado un sistema con Profesores alumnos y personal de administraci¶n como elementos de¯nitorios. El volumen de plomo se hab¶a dividido en a a ³ intervalos y el paso y destino de electrones y fotones en cada intervalo era decidido haciendo girar una peonza con un motor cuya parada presentaba un comportamiento aleatorio. R. Hoy estas t¶cnicas a e se aplican a innumerables problemas que abarcan la F¶ ³sica. etc. e Pero el nombre de Monte Carlo se debe Ulam y von Neumann que lo utilizaron como palabra clave para su trabajo secreto sobre la difusi¶n de neutrones o que realizaron en los Alamos dentro del Proyecto Manhatan para la fabricaci¶n o de la primera bomba at¶mica durante la Segunda Guerra Mundial. modelos. e En esta secci¶n vamos a discutir los conceptos de sistema. Sistemas.

Cuando un alumno u abandona o entra en la Universidad. 43 de un cierto n¶mero de relaciones existentes entre ellos que a su vez son el u resultado de una serie de actividades. El sistema recibe in°uencias del entorno a trav¶s de un e \input\ o entrada. Las internas se producen entre los elementos que de¯nen el sistema y las externos entre estos elementos y el medio que les rodea. Por ejemplo. Por ejemplo. Decimos que un sistema est¶ a en equilibrio o en un estado estacionario si la probabilidad de que se encuentre en un estado determinado no cambia con el tiempo. Modelos iconogr¶¯cos que son aquellos que representan aspectos del sisa tema de forma visual..¶ ¶ DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS . Estas actividades modi¯can el estado del sistema y producen cambios en ¶l. lo cual tiene u consecuencias sobre la estructura social del ¶rea de poblaci¶n donde ¶sta se a o e encuentra ubicada. Modelos anal¶gicos que son aquellos que emplean un conjunto de propiedao des para representar otras que el sistema estudiado posee (por ejemplo la corriente el¶ctrica que °uye por un cable para representar el °ujo de agua que pasa e por una tuber¶ ³a). El primer paso para estudiar un sistema es de¯nir un modelo. El punto crucial a la hora de construir un modelo de un sistema es de¯nir la funci¶n objetivo. 3. 2. Podemos de¯nir tanto relaciones internas como externas. entonces recurrimos a realizar observaciones sobre la probabilidad de que se produzca un cambio en el sistema. el n¶mero de u profesores limita el n¶mero de estudiantes en una Universidad. Hay acciones que pueden cambiar el sistema de un estado a otro pero la probabilidad es constante. lo cual produce cambios en el sistema que dan lugar a una respuesta o \output\ que a su vez genera un cambio en el entorno. que implica ciertos tipos de modelos l¶gicos o . que es una funci¶n matem¶tica que contiene las o o a variables de decisi¶n. ³ ¶ Naylor 9 de¯ne la simulaci¶n como una t¶cnica num¶rica para realizar expeo e e rimentos en un ordenador digital. por ejemplo el n¶mero de alumnos por aula o por profesor. Los atributos de los elementos de un sistema de¯nen un estado del mismo. Churchman et al 7 y Kiviat o 8 de¯nen las siguientes clases: 1. el sistema cambia a un nuevo estado.. Un modelo cient¶ ³¯co puede ser de¯nido como una abstracci¶n de un sistema real o que permite estudiarlo para establecer predicciones sobre su comportamiento y controlarlo. Cuando el comportamiento del sistema no se puede predecir de forma determinista o exacta. Hay varios tipos de modelo. cada n¶mero de alumnos e u tiene asignado un profesor y si no existe este profesor no se produce la actividad \recibir clase\. Modelos simb¶licos que son aquellos que requieren operaciones matem¶tio a cas y l¶gicas para formular soluciones a problemas relacionados con el comporo tamiento del sistema En este art¶culo nos vamos a referir a estos ultimos.

en general. INEZ y matem¶ticos que describen el comportamiento de los sistemas sobre un cierto a periodo de tiempo. o ¢ ¢ Por ultimo se debe ser capaz de interpretar la informaci¶n obtenida por ¶ o la simulaci¶n. As¶ pues la simulaci¶n permite establecer a priori la e¯cien³ o cia que tendr¶n determinados sistemas. o sea descrito por a variables aleatorias gobernadas seg¶n ciertas funciones de distribuci¶n y se lleva u o a cabo un muestreo de las mismas a trav¶s de la generaci¶n de n¶meros aleatoe o u rios. lo cual tiene importancia a la hora de su uso en simulaci¶n. En 1955 6 la \RAND corporation\ . seg¶n la funci¶n de densidad de u u o probabilidad: ½ 1 0·x<1 f (x) = 0 en otro caso Inicialmente se usaron m¶todos manuales para generar estos n¶meros como e u el lanzamiento de dados o m¶s so¯sticados como el que hemos descrito en el a trabajo de R. MART¶ IA. Se pensaba que s¶lo los m¶todos mec¶nicos daban o e a como resultado n¶meros verdaderamente aleatorios. ¢ ¢ Las funciones de distribuci¶n de probabilidad de las variables que involucra o el c¶lculo.44 ¶ L. deben estar perfectamente identi¯cadas y expl¶ a ³citamente de¯nidas. ¢ ¢ Se deben establecer los m¶todos para \muestrear\ (sampling). A. cosa que por otra parte. todas estas e funciones de distribuci¶n. M. Mediante o o la simulaci¶n se puede. o En las t¶cnicas matem¶ticas de simulaci¶n con m¶todos Monte Carlo. Wilson 5. La simulaci¶n o ³a o no requiere que el modelo presente una forma particular. adem¶s u e a de lentos. o sea. Hoy por hoy. La aparici¶n o o de los ordenadores digitales abri¶ la puerta de la generaci¶n de este tipo de o o n¶meros. adolecen de la posibilidad de repetir la misma secuencia aleatoria. GARC¶ E. Un m¶todo consiste en preparar una tabla con estos n¶meros y u e u almacenarlos en la memoria del ordenador. comparar diferentes con¯guraciones del mismo o ver que efecto tiene cualquier modi¯caci¶n sobre su rendimiento sin necesidad de construir cada o vez un nuevo sistema o prototipo. se ine a o e troduce un modelo de un sistema inherentemente estoc¶stico. resulta una herramienta a indispensable en la realizaci¶n de cualquier montaje tecnol¶gico. Por n¶meros aleatorios (\random number\) se entiende en la literatura u 6 n¶meros distribuidos uniformemente. Hay una serie de elementos que caracterizan un programa de simulaci¶n o Monte Carlo4 : ¢ ¢ Un declaraci¶n clara de los elementos que componen el sistema que va a o ser simulado. a trav¶s del establecimiento de un modelo del siso e tema. es obvio que es econ¶micamente inviable en la mayor¶ de los casos. F. Estos m¶todos. lo cual permite una gran libertad siempre y cuando este clara la correspondencia entre el sistema estudiado y su modelizaci¶n as¶ como los l¶ o ³ ³mites de la misma. SANCHEZ.R.

Cuando a a T = p decimos que el generador es de periodo completo . con un cierto u periodo de repetici¶n.. 6. m es el incremento. ¢ ¢ ¢ . p es un entero positivo y [modp] signi¯ca que: xi+1 = ¸ xi + ¹ ¡ pki con: ¸ xi + ¹ ki = p · ¸ representando el par¶ntesis cuadrado en este caso. p = 24. o e o o Pero casi todos los generadores que se pueden encontrar en los compiladores de lenguajes como FORTRAN. 3. n donde ¸ es el multiplicador. Los generadores m¶s usados en la actualidad son los congruentes.. 1) se obtienen directamente de: ui = xi p Para iniciar la secuencia. donde se a utiliza una f¶rmula recursiva del tipo: o xi+1 = (¸ xi + ¹) [modp] i = 1. 45 public¶ una tabla con un mill¶n de d¶ o o ³gitos aleatorios para construir este tipo de tablas. etc). si no se eligen bien los par¶metros. o sea. C. se da un valor inicial x0 llamado semilla. Los n¶meros e u aleatorios en el intervalo [0. ¸ = 3. que pueden ser generados en un ordenador.¶ ¶ DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS . 14. estas tablas se construyen a partir de procesos f¶sicos con comportamiento ³ intr¶ ³nsecamente aleatorio como los procesos cu¶nticos o fen¶menos ca¶ticos a o o (desintegraci¶n radiactiva. Adem¶s a el m¶todo de generaci¶n debe ser r¶pido y requerir poca memoria 6. Un generador de este tipo dar¶ un secuencia que se repetir¶ cada p pasos y por supuesto ser¶ a a a peri¶dica. Estos m¶todos gozan de la caracter¶ e ³stica de reproductibilidad. m = 1. Un \mal ejemplo\ de este tipo de generadores ser¶ el dado por o ³a x0 = 2. Se trata de n¶meros no aut¶nticamente aleatorios pero que u e se comportan como si lo fueran. la parte entera. Con estos valores generar¶amos la secuencia ³ 2. etc. Actualmente. 2 de nuevo. 11. Son secuencias de n¶meros. 10. la radiaci¶n c¶smica. 15. fuentes de ruido t¶rmico. corresponden a lo que se llama n¶meros u pseudoaleatorios. Todos e o a estos requisitos son dif¶ ³ciles de conseguir y se debe llegar a un compromiso. su periodo ser¶ T = 8. 7. Se dice o que los n¶meros generados de esta forma son \buenos\ si est¶n distribuidos u a uniformemente. pero son lentos en velocidad y se corre el riesgo de agotar la tabla. El periodo a desde luego no puede exceder le valor p (ya que xi < p ) pero como acabamos de ver puede ser mucho m¶s corto. son estad¶ ³sticamente independientes y reproducibles.

. INEZ Ya hemos visto como generar n¶meros aleatorios. Hay tres m¶todos b¶sicos: el de la e a transformaci¶n inversa. MART¶ IA. Referencias de todos ellos se a pueden encontrar en Rubinstein [6] y Kalos [4]. a u o partir de aqu¶. generar valores de una variable aleatoria X. Entonces: u ¡1 x = FX (U ) es una variable aleatoria que se distribuye seg¶n FX (x) . seg¶n una funci¶n ³ u o de probabilidad cumulativa cualquiera?. GARC¶ E. A. SANCHEZ. podemos de¯nir la funci¶n inversa FX (y) de la siguiente o o forma: ¡1 FX (y) = inf fx : FX (x) ¸ yg Sea U un n¶mero aleatorio distribuido uniformemente en [0.46 ¶ L. 1). F. pero >c¶mo podemos. Por ser ¶sta una funci¶n o e o ¡1 mon¶tona creciente. Sea X una variable aleatoria con funci¶n de probabilidad cumulativa FX (x) . Gr¶¯camente: u a Figura 1 Esto se puede probar f¶cilmente sin m¶s que calcular: a a P (X · x) = P (F ¡1 (U ) · x) = P (U · FX (x)) = FX (x) Este m¶todo tiene el inconveniente de que debe ser posible calcular de forma e anal¶ ³tica dicha funci¶n inversa. pero existen varias distribuciones para las cuales o es posible como el caso de la exponencial o la de Cauchy. Vamos aqu¶ a dar o o o ³ el primero de ellos por ser el m¶s ilustrativo. composici¶n y aceptaci¶n-rechazo. M.

5 Kg sino que aceptamos una cierta tolerancia. de forma sencilla.¶ ¶ DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS . 47 A continuaci¶n presentamos dos ejemplos de pr¶cticas de modelizaci¶n en o a o donde. u o ³ e en el ultimo apartado. El objetivo es. la resoluci¶n num¶rica de ecuaciones diferenciales muy ¶ o e sencillas. utilizando las t¶cnicas de simulaci¶n Monte Carlo. e o se puede predecir el comportamiento de sistemas.5 Kg con naranjas del calibre 250 g. Esto nos plantea pues un problema. la funci¶n densidad de o probabilidad que gobierna el proceso de pesado es: Ã ! ¡ (x ¡ ¹)2 1 exp f (x) = p 2 ¾2 2¼ ¾ donde ¹ es la media y ¾2 es la varianza. Supongamos que queremos lanzar al mercado bolsas de 2. 10 donde ¾i hace referencia a un cierto error que tomaremos como Gaussiano. Los conceptos matem¶ticos a involucrados en las mismas son la generaci¶n de n¶meros aleatorios y de valores o u de variables aleatorias seg¶n ciertas funciones de distribuci¶n as¶ como tambi¶n. Empaquetado de naranjas. dado un conjunto de b¶sculas. ya que cuando 10 naranjas lleguen simult¶neamente a sus respectivas b¶sculas. Evidentemente nosotros no aspiramos a que las bolsas pesen exactamente 2. El problema que se pretende modelizar es el de una bater¶ de b¶sculas que ³a a se encuentra cada una de ellas situada al ¯nal de una cinta transportadora por donde circulan naranjas clasi¯cadas como pertenecientes a un determinado calibre (250 g) y que deben ser empaquetadas en bolsas de 2. i = 1. o sea. otras a a a 247.5 Kg. 5j <R 2..5 Kg. Cuando se produzca una pesada de una naranja de por ejemplo o 250 g exactos. Instalamos por ejemplo una bater¶ de diez b¶sculas. Esta idea se puede expresar f¶cilmente a trav¶s de la a e desigualdad: jPtot ¡ 2. determinar el n¶mero de bolsas que somos a u capaces de formar con un cierto n¶mero ¯jo de pesadas. 4. o 251 g. cada una ³a a al ¯nal de una cinta transportadora de pesado. la b¶scula nos dar¶ una lectura que unas veces ser¶ 253 g. Vamos a ver como este u problema admite una modelizaci¶n en t¶rminos de funciones de distribuci¶n de o e o probabilidad habituales y que la simulaci¶n Monte Carlo nos da una estimaci¶n o o de la soluci¶n a trav¶s del estudio de la e¯ciencia del sistema y de los par¶metros o e a que lo gobiernan. Es decir. a a puede que la suma de sus pesos supere los 2. 5 . Pi = 250 + ¾i . Cada b¶scula tendr¶ una cierta a a precisi¶n .. : : : .

habr¶ naranjas cuyo peso oscilar¶ en torno a a a este valor. las naranjas e pesan una cantidad ¯ja. el negocio podr¶ ³a resultar poco lucrativo o ruinoso.5 Kg. que tomaremos como el n¶mero total de bolsas formadas con respecto a un n¶mero u u de pesadas ¯jo. Con esta modelizaci¶n de nuestro o o sistema real. Esto. u u Conocida la densidad de las naranjas la relaci¶n entre el calibre y el peso es o lineal. Las b¶sculas. M. INEZ Ese R % no puede suponer que la bolsa pese mucho menos ya que las asociaciones de consumidores considerar¶ que se estafa a los clientes pero tampoco ³a puede suponer que pese mucho m¶s que la cantidad ¯jada ya que. (ya que todas son del mismo calibre)> Es esto real? La respuesta es no. N . a o sea. Pero lo cierto es que. aunque la medida del volumen sea muy precisa. MART¶ IA. vamos a continuaci¶n a realizar un estudio de la e¯ciencia en o funci¶n de los diversos par¶metros del modelo. cuando se est¶ pensando en a e a despachar miles de bolsas. est¶ la clasi¯caci¶n a o de las naranjas seg¶n su calibre lo que equivale a decir seg¶n su volumen. por o a las cintas de pesado llegan a las 10 b¶sculas naranjas cuyo peso var¶ seg¶n a ³a u una cierta distribuci¶n. 10 . SANCHEZ. Fij¶monos que en el problema. En el origen del problema. por ejemplo cien mil ( por pesada entendemos un conjunto de 10 medidas simult¶neas). F. A. En resumen.48 ¶ L. siendo R la tolerancia del proceso. o a Para las naranjas que entran en nuestra bater¶a de b¶sculas vamos a suponer ³ a tres modelos diferentes: ¢ ¢ Naranjas de peso ¯jo 250 g. tal y como lo hemos planteado. dentro de las aproximaciones matem¶ticas al problema a que estamos planteando. como ya hemos comentado las moa a delizaremos como gaussianas con una desviaci¶n est¶ndar ¾i . se tendr¶ que agrupar juntas a todas aquellas naranjas de un calibre parecido. ¢ ¢ Naranjas distribuidas uniformemente en el intervalo [200. que caen sobre los platos de las b¶sculas que marcan o a sus pesos con un cierta precisi¶n y cuya suma no puede superar la cantidad de o 2. GARC¶ E. i = 1. ¢ ¢ ¢ . ¢ ¢ ¢ . Primero debemos de¯nir lo que entendemos por la e¯ciencia del sistema. Por simplicidad supondremos que todas las b¶sculas tienen la misma prea cisi¶n y tomaremos ¾i = 25g i = 1. si siempre actuamos por exceso. supone que los pesos de las naranjas que entran en la b¶scula tendr¶n una cierta distribuci¶n como consecuencia del proceso de a a o clasi¯caci¶n en diferentes calibres y no ser¶ un valor exacto. dentro del calibre 250 g.300] ¢ ¢ Naranjas distribuidas gaussianamente con media m= 250 g y s=50 g. 250 g. o a Se obtienen n¶meros distribuidos gaussianamente mediante la transformaci¶n u o . si bien en una a bolsa ese peso de m¶s no supone una gran p¶rdida.

¶ ¶ DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS .5 Kg.. el m¶s estrecho correspondiente al modelo a \monocrom¶tico\ (todas las naranjas del mismo peso exacto Pi¤ = 250:g ) y a el m¶s ancho al modelo gaussiano. una vez disponemos de una naranja de calibre o \peso real" o Pi¤ distribuido seg¶n uno de estos modelos. En la ¯gura 2 vemos la generaci¶n de las naranjas que van a entrar en o nuestras b¶sculas seg¶n los tres modelos descritos anteriormente donde el pico a u para el caso de las naranjas de peso ¯jo o caso \monocrom¶tico\ se ha cortado a por razones de escala para representar las tres ¯guras juntas. 1) y Z1 y Z2 son dos variables aleatorias independientes distribuidas gaussianamente con m=0 y s=1.. procedemos a su pesado en u la b¶scula correspondiente. Los resultados obtenidos para la . 49 (Box y Muller 10): Z1 = Z2 = p p ¡2 ln(U1 ) cos(2¼ U2 ) ¡2 ln(U1 ) sin(2¼ U2 ) donde U1 y U2 son dos variables aleatorias distribuidos uniformemente en [0. Número de naranjas 5000 4000 3000 2000 1000 0 0 100 200 300 400 500 g Figura 2 A continuaci¶n. Con estas distribuciones de pesos son con a las que formaremos las bolsas de 2. Con esta herramienta y con un generador de n¶meros u aleatorios estamos en condiciones de realizar un programa para el estudio de nuestro sistema. proceso que en nuestra simulaci¶n corresponde al a o sorteo de un n¶mero gaussiano con media Pi¤ y ¾ = 25: La distribuci¶n de pesos u o dados por la b¶scula n¶mero uno para estos tres modelos se muestra en la ¯gura a u 3 donde podemos observar tres picos.

el caso a o e monocrom¶tico nos permitir¶ estudiar la evoluci¶n de la e¯ciencia del sisa ia o tema en el caso de que una o varias de las b¶sculas comenzasen a dar lecturas a an¶malas. MART¶ IA. En o cualquier caso. M. INEZ e¯ciencia (n¶mero de bolsas formadas) en funci¶n de la tolerancia en el peso u o ¯nal para cada uno de los modelos descritos se puede ver en la ¯gura 4.50 ¶ L. etc. una aproximaci¶n m¶s realista al problema hubiera sido o a contar con la distribuci¶n verdadera de las naranjas que entran en nuestras o b¶sculas. o Número de naranjas 4000 3000 2000 1000 0 0 100 200 300 400 500 g Figura 3 . Esta informaci¶n podr¶ ser obtenida del proceso de catalogaci¶n de a o ³a o las mismas por calibre. como ya comentamos al principio de esta secci¶n. corresponde a la realidad cabe esperar que la e¯ciencia del sistema sea un curva que est¶ comprendida entre estas tres. F. La pr¶ctica permite en a a este punto enlazar por ejemplo con modelos que den cuenta de la producci¶n o de ¶rboles frutales y la distribuci¶n en peso de los frutos. Aunque ninguno de los tres modelos propuestos (monocrom¶tico. Tambi¶n. A. uniforme y a gaussiano). vemos que las diferentes modelizaciones de nuestro problema tienen una in°uencia determinante en el c¶lculo de la e¯ciencia de empaquetado a ya que si bien todos ellos coinciden tanto si abrimos la tolerancia como si la cerramos totalmente (comportamientos extrapolados) si que existen diferencias en la franja entre el 1 % y el 15 %. GARC¶ E. Evidentemente. SANCHEZ.

1). e En este apartado vamos a ver una aplicaci¶n de los m¶todos Monte Carlo en o e el caso de pulsos el¶ctricos que est¶ afectados de ruido. La se~al de entrada u n con la trabajaremos ser¶ una se~al tipo pulso cuadrado que puede modelizar a n la se~al que da cualquier tipo de sensor o detector. Es inmediato que: i= dVout dQ =C dt dt donde C es la capacidad del condensador y Q la carga. n Un circuito Pasa-baja o integrador RC est¶ formado por una resistencia y a un condensador dispuestos de la forma que se indica en la Figura 5.¶ ¶ DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS . Pulsos el¶ctricos con ruido. Utilizaremos dos tipos e a de circuitos muy simples como son el caso e los circuitos Pasa-baja y Pasaalta que se describir¶n a continuaci¶n y el ruido el¶ctrico lo modelizaremos a o e utilizando n¶meros distribuido uniformemente en [0. aplicando la ley de Ohm tenemos que : Vin = i R + Vout donde i es la intensidad y R es la resistencia. Si llamamos Vin al potencial o se~al de entrada y Vout al potencial o se~al n n de salida... Por lo tanto la primera ecuaci¶n quedar¶ sencillamente: o a . 51 Figura 4 5.

SANCHEZ. A. MART¶ IA. M. GARC¶ E. en el eje OX el tiempo viene expresado en segundos y en el eje OY el voltaje viene expresado en mV: 100 9 0 8 0 7 0 6 0 5 0 4 0 3 0 2 0 1 0 0 0 2 4 6 8 1 0 1 2 1 4 1 6 Figura 6 . ya que tiene dimensiones de tiempo y por lo tanto su inversa es una frecuencia. F.52 ¶ L. El comportamiento de un circuito como ¶ste frente a una se~al tipo escal¶n: e n o ½ 0: t<0 Vin = 100: t ¸ 0 se ilustra en la ¯gura 6 donde se ha tomado ¿ = RC = 1 s . INEZ Figura 5 dVout 1 1 + Vout = Vin dt ¿ ¿ donde ¿ = RC y es un periodo.

¶ ¶ DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS ... 53 Un circuito Pasa-alta o diferenciador CR est¶ formado por una resistencia y a un condensador dispuestos de la forma que se indica en la Figura 7 O sea. la se~al de salida es de la forma: n µ µ ¶¶ t Vout = Vin 1 ¡ exp ¡ ¿ Figura 7 Es inmediato ver que: Q + Vout C Si derivamos esta ecuaci¶n con respecto al tiempo obtenemos: o Vin = 1 dQ dVout dVin = + dt C dt dt Teniendo en cuenta que i = dQ y que Vout = i R se obtiene de forma inmediata dt que: dVin 1 dV = Vout + out dt RC dt El comportamiento de un circuito como el descrito frente a una se~al tipo n escal¶n: o ½ 0: t<0 Vin = 100: t ¸ 0 .

F.54 ¶ L. GARC¶ E. M. SANCHEZ. INEZ se muestra en la ¯gura 8 donde se ha tomado ¿ = RC = 10 s : 100 9 0 8 0 7 0 6 0 5 0 4 0 3 0 2 0 1 0 0 0 2 4 6 8 1 0 1 2 1 4 1 6 Figura 8 O sea. viene afectado por una o cantidad aleatoria no superior a 10 mV . A. por ejemplo. que nominalmente es de 100 mV . un esquema de diferencias ¯nitas en donde la funci¶n o potencial de entrada Vin se sustituye por un vector en el cual el valor del potencial escal¶n. El resultado se ilustra en la ¯gura 9: 1 2 0 1 0 0 8 0 6 0 4 0 2 0 0 0 2 4 6 8 1 0 1 2 1 4 1 6 Figura 9 Vamos ahora a analizar el caso de un pulso tambi¶n interesante desde el e . MART¶ IA. la se~al de salida es de la forma: n ¶ µ t Vout = Vin exp ¡ ¿ Cu¶l es el comportamiento del circuito Pasa-baja si la se~al tipo escal¶n a n o viene afectada de ruido de una decena de milivolts? Para tratar el problema del ruido lo que hacemos es resolver la ecuaci¶n diferencial de forma num¶rica o e siguiendo.

55 punto de vista pr¶ctico como es el caso de un pulso gaussiano.¶ ¶ DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS . El compora tamiento de este circuito viene re°ejado en la ¯gura 10: 100 90 80 70 60 50 40 30 20 10 0 0 2 4 6 8 10 12 14 16 Figura 10 donde se ha representado tanto el pulso de entrada como el de salida el cual es m¶s ancho y presenta un retardo respecto al primero... Qu¶ ocurre si el pulso a e gaussiano est¶ afectado de ruido? En la ¯gura 11 y la ¯gura 12 se presenta el a resultado para oscilaciones de la se~al de entrada (ruido) de 10 y 50mV: n 120 100 80 60 40 20 0 -2 0 0 2 4 6 8 10 12 14 16 Figura 11 .

A. GARC¶ E. M. MART¶ IA.5 2 2. la se~al de salida pasa por cero justo cuando el pulso de entrada alcanza n .5 3 Figura 13 O sea.5 1 1. el comportamiento del circuito para ¿ = RC = 0:1 s se muestra en la ¯gura 13: 100 80 60 40 20 0 -2 0 0 0. F. SANCHEZ. etc. si introducimos un pulso gaussiano. n Respecto al circuito Pasa-alta o diferenciador CR. INEZ Podemos observar que el comportamiento del circuito es el de dar a la se~al n 150 100 50 0 0 2 4 6 8 10 12 14 16 Figura 12 de salida una forma \agradable" para otros circuitos electr¶nicos como amo pli¯cadores de se~al.56 ¶ L.

a Pero el comportamiento m¶s interesante corresponde al caso en que acoplaa mos dos circuitos.5 1 1.¶ ¶ DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS .6 0.8 1 Figura 15 . uno CR y otro RC. La respuesta de este circuito combinado para una se~al de entrada tipo escal¶n de 100.5 2 2... Esta informaci¶n es importante por ejemplo cuando estamos traa o bajando con sensores o detectores de part¶ iculas. C¶mo afecta a la se~al de o n salida el hecho de que la se~al de entrada tenga ruido de amplitud 10 mV? El n comportamiento del circuito se ilustra en la ¯gura 14: 120 100 80 60 40 20 0 -2 0 -4 0 0 0.2 0. MV viene representada en la n o ¯gura 15 donde se ha tomado ¿1 = RC = 0:1 s para la etapa CR y ¿2 = RC = 0:01 s para la etapa RC: 8 0 7 0 6 0 5 0 4 0 3 0 2 0 1 0 0 0 0.4 0.5 3 Figura 14 Podemos observar que la informaci¶n del instante en que la se~al de entrada o n alcanza el m¶ximo se ve claramente deteriorada por la existencia de dicho ruido. 57 su m¶ximo.

2 0 . A. GARC¶ E. 8 1 Figura 16 siendo la se~al de ¡ ¢ n salida: t Vout = Vin t exp ¡ ¿ ¿ Qu¶ ocurre si la se~al escal¶n de entrada est¶ afectada de un ruido de 10.58 ¶ L. INEZ Vemos que la combinaci¶n cambia el per¯l de la se~al de entrada que pasa o n de tener forma de escal¶n a tener forma de pulso. tenemos el comportamiento que se muestra en la ¯gura 16: 4 0 3 5 3 0 2 5 2 0 1 5 1 0 5 0 0 0 .2 0.4 0. 4 0 . De hecho la se~al de salida o n vale: Vout = Vin ¿1 (¿1 ¡ ¿2 ) µ µ ¶ µ ¶¶ t t exp ¡ ¡ exp ¡ ¿1 ¿2 En el caso de que se tomen constantes de tiempo iguales para los dos circuitos. SANCHEZ. e n o a MV? El resultado se expresa en la ¯gura 17: 120 100 80 60 40 20 0 -2 0 0 0. MART¶ IA. M. 6 0 .6 0.8 1 Figura 17 . F.

. Essai d'arithm¶tique morale . 3nd -Edition. 302.. Ahlfors. 3. 59 Vemos que el ruido no afecta a la forma de la se~al pero si en la cola o restablen cimiento del cero. The Rand Corporation. mediante una modelizaci¶n del mismo. J. S. Comte de Bu®on. Basic. 1977. Acko®. New York 1981.. Pascal. New York 1966. Monte Carlo study of Shower Production.Monte Carlo Methods. T. Rubinstein. Y. J. 4. f¶cilmente realizables utilizando un asistente ³a a matem¶tico avanzado (Mathematica. Introduction to Operations Research Wiley. Burdick.. Balinfy. o Referencias 1. L.: : : ). M. Probable error of a correlation coe¯cient.A. McGraw-Hill. L. Suppl¶ment µl Histoire Naturelle. Vol. Introducci¶n de las t¶cnicas a e o e de modelizaci¶n para el estudio de la F¶ o ³sica y las Matem¶ticas en los primeros cursos a de las carreras t¶cnicas. G. Simulation and The Monte Carlo Method. W.. 1952. S¶nchez. . Kalos. K. Arno®. 86. 1979. a priori. E. Santa Monica. S¶nchez-P¶rez. Wilson. New York 1986. R. n En este trabajo hemos presentado dos ejemplos que corresponden a ¶mbitos a de la ingenier¶ muy diversos. Report RM-5378. Volume I: Basics. 1908.. o bien un programa simple a en cualquier lenguaje de programaci¶n. Whitlock.( Fortran. en donde la se~al de salida presenta un cierto rizado.: : : ) y que o introduce a los estudiantes en las t¶cnicas Monte Carlo desde la perspectiva de e la simulaci¶n de sistemas \reales".A. M. E.P¶rez. California. Churchman. La simulaci¶n ha jugado un papel esencial o o en muchas ramas de la ciencia y la t¶cnica. D. 6. 8. 5. e e a Vol. L. L. R. R. No. P. John Wiley and Sons. 10. New york 1956. Rev. e n 3. V. R. P.. Phys.V. sobre todo en e los primeros cursos. John Wiley and Sons. Kiviat. H. Complex Analysis.. Ense~naza de las Ciencias (en imprenta). J. 1967. Computer Simulation Techniques. 7.. Aqu¶ se presentan dos casos simples en donde se predice el ³ comportamiento de un sistema. Biometrika. Digital Computer Sinulation: Modeling Concepts. Student. Naylor J. 4. Garc¶ a e ³a-Ra±. Wiley. 6. Matlab. Chu. 9. C. 2.¶ ¶ DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS . pero esta todav¶ ausente de los e ³a curricula de nuestras Facultades y Escuelas T¶cnicas Superiores. L.

F. INEZ 11. Mart¶ ³a. GARC¶ E. S¶nchez. A. A note on the generation of random normal deviates. Stat. A... 610-611. revisado en febrero de 1999) L. Ann.60 ¶ L. . Box. MART¶ IA. Math. Garc¶ E. SANCHEZ. E. (Recibido en enero de 1999. P. a ³nez ¶ Departamento de Matematica Aplicada Universidad Polit¶cnica de Valencia e ~ Espana. M. Muller. M. E. G. 1958. M. F. 29.