SEP

DGEST

SEIT

INSTITUTO TECNOLGICO DE CD. JUREZ

LICENCIATURA EN INGENIERA INDUSTRIAL

MATERIA: Simulacin

TEMA: Mtodo de Montecarlo

ALUMNO: Jess Rodrigo Njera Sifuentes

No. de control: 07110550

PROFESOR: Cristina E. Prez Varela.

Cd. Jurez, Chihuahua

12/ abril /

2010ndice
Introduccin
.3

Descripcin del mtodo de Montecarlo

Paso
1
.3
Paso
2
.3
Paso
3
.4
Paso
4
.4
Paso
5
.5
pg. 2

Ejemplo
5

Conclusin
.8

pg. 3

Introduccin
La invencin del mtodo de Monte Carlo se asigna a Stan Ulam y a John von
Neumann. Ulam ha explicado cmo se le ocurri la idea mientras jugaba un
solitario durante una enfermedad en 1946.
El mtodo de Monte Carlo es un mtodo no determinstico o estadstico numrico
usado para aproximar expresiones matemticas complejas y costosas de evaluar
con exactitud. El mtodo se llam as en referencia al Casino de Montecarlo
(Principado de Mnaco) por ser la capital del juego de azar, al ser la ruleta un
generador simple de nmeros aleatorios.
El uso de los mtodos de Monte Carlo como herramienta de investigacin,
proviene del trabajo realizado en el desarrollo de la bomba atmica durante la
segunda guerra mundial en el Laboratorio Nacional de Los lamos en EUA.

Descripcin del mtodo de Montecarlo

Existen 5 pasos ideales a seguir para el mtodo.
1. Establecer distribuciones de probabilidad. La idea inicial es la generacin de
valores 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 de
servicio, etc.
Y una manera fcil de establecer una distribucin de probabilidad de una
variable es a travs de examen histrico. La frecuencia relativa para cada
resultado de una variable se encuentra al dividir la frecuencia de la
observacin 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 la

pg. 4

probabilidad acumulada para cada nivel de demanda no es ms que la

suma del nmero en la columna de la probabilidad agregada a la
probabilidad 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 establecidos
como 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

pg. 5

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 errores
que perjudicaran el experimento o en el peor de los casos echarlo a perder.

Ejemplo
Se desea conocer la demanda diaria de un comercio alimenticio, donde elaboran
emparedados. Por medio de la distribucin de probabilidad del mtodo de
Montecarlo, en un periodo de 30 das.
Tabla 2
Demanda

Frecuencia

Probabilidad de

Probabilidad

41
45
48
52
56

(das)
5
10
6
4
5

ocurrencia
5/30=.17
10/30=.33
6/30=.20
4/30=.13
5/30=.17

acumulada
.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

Probabilidad

Probabilidad

Intervalo

41
45

(das)
5
10

de ocurrencia
5/30=.17
10/30=.33

acumulada
.17
.50

s
01-17
18-50

pg. 6

48
52
56

6
4
5

6/30=.20
4/30=.13
5/30=.17

.70
.83
1.00

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.

Tabla 4
Numero de dia

Numero

Demanda diaria

1
2
3
4
5
6
7
8
9
10

aleatorio
88
14
90
21
13
49
34
62
78
12

simulada
56
41
56
45
41
45
45
52
52
41
464

Total de la demanda en 10
das

pg. 7

464/10=46.4

Demanda promedio

Por ltimo se saca la demanda esperada que se demuestra por la siguiente

frmula:

Demanda esperada= (probabilidad de

unidades i) x (demanda de unidades i)
i=1
= (.17x41)+(.33x45)+(.20x48)+(.13x52)+(.17x56)
= 47.7
La demanda esperada en las mayoras de sus ensayos ser similar a la demanda
promedio.

Conclusin
El mtodo de Montecarlo fue creado por investigadores estadounidenses para
resolver problemas fsicos y qumicos en la realizacin de la bomba atmica para
la cual se emple durante la Segunda Guerra Mundial.
Despus de esto el modelo fue empleado para la resolucin de mltiples
problemas matemticos con exitosos resultados.
Este mtodo es aplicable para cualquier tipo de problema ya sea deterministico o
estocstico.
Se emplea en problemas complejos que solamente se pueden resolver por
programas de computadora, as como problemas simples que se resolvern a
mano sin tanta dificultad.

pg. 8