Академический Документы
Профессиональный Документы
Культура Документы
Operaciones II
Método Montecarlo
El Método de Montecarlo es
un esquema que emplea
números aleatorios, con el fin
de resolver ciertos problemas
estocásticos o determinísticos
en los que el paso del tiempo
no juega un rol determinante
(sistemas “estáticos”)
Law, A. M., & Kelton, D. (1991).
Simulation modeling and analysis (2a
ed.). New York: McGraw Hill.
Definición
Se llamó así en referencia al
Casino de Montecarlo
(Mónaco) por ser “la capital
del juego de azar”, al ser la
ruleta un generador simple
de números aleatorios.
El nombre y el desarrollo
sistemático de los métodos de
Montecarlo datan
aproximadamente de 1944 y
se mejoraron enormemente
con el desarrollo de la
computadora.
Generación de Números aleatorios
Generación de Números aleatorios
Xi+1=(aXi+c) mod m
Procedimientos
Matemáticos
Fenómenos Físicos
Tablas Software
Números
Aleatorios
Validación de Variables
Series de NA U (0,1)
App…
Variables
Aleatorias
Números aleatorios
Probabilidad
Número
Parcial Acumulada
1 0.167 0.167
2 0.167 0.333
3 0.167 0.500
4 0.167 0.667
5 0.167 0.833
Demanda 6 0.167 1.000
20
56
79
45
Números aleatorios
Selección del delegado
Probabilidad Rango
Número
Parcial Acumulada Mínimo Máximo
1 0.167 0.167 0.000 0.167
2 0.167 0.333 0.167 0.333
3 0.167 0.500 0.333 0.500
4 0.167 0.667 0.500 0.667
5 0.167 0.833 0.667 0.833
6 0.167 1.000 0.833 1.000
Demanda: ocurrencia aleatoria
Probabilidad Demanda
25% 20
20% 56
35% 79
20% 45
Demanda: ocurrencia aleatoria
Función: INV:NORM(ALEATORIO(); µ; σ)
Para generar un número aleatorio con distribución normal, con media = µ y
desviación estándar = σ :
Números aleatorios en hoja de cálculo
Fórmula:
=SI(ALEATORIO() < 0.95; “APROBADO”; “DESAPROBADO”)
Números aleatorios en hoja de cálculo
Variable aleatoria discreta no uniforme (2):
Demanda Probabilidad
10 20
20 35
30 45
=SI(ALEATORIO()<C30;B30;SI(ALEATORIO()<C30:C31;B31;B32)) 10
Ejemplo: La distribución uniforme
continua teórica entre 0 y 1:
Distribución uniforme
teórica entre [0 ; 1>
0.6 (𝟏 − 𝟎)
𝑴𝒆𝒅𝒊𝒂 ∶ 𝝁 = = 𝟎. 𝟓
Probabilidad
0.5
0.4 𝟐
0.3 𝟏−𝟎
0.2 𝑫𝒆𝒔𝒗. 𝑬𝒔𝒕á𝒏𝒅𝒂𝒓∶ 𝝈 = ≈ 𝟎. 𝟐𝟖𝟖𝟔𝟕𝟓
0.1 𝟏𝟐
0
0 0.2 0.4 0.6 0.8 1
Valores posibles
Generando 100 números aleatorios
uniformemente distribuidos entre [0 ; 1>
Generando 10000 números aleatorios
uniformemente distribuidos entre [0 ; 1>
Conclusión
Respuesta:
La máxima utilidad se obtendría comprando al proveedor 16 unidades diarias.
Caso de aplicación
Modelo de Transportes
Ton % $ %
Origen Destino Tabla 1 Tabla 5
(Producción) (Demanda) 50 20% 1 45%
60 30% 2 35%
Tabla 1 Planta 1 Mercado 1 Tabla 3 70 50% 3 20%
100% 100%
Tabla 2 Tabla 6
Tabla2 Planta 2 Mercado 2 Tabla 4 20 15% 3 10%
40 30% 4 30%
60 55% 5 55%
Mercado a Exceso 100% 95%
Tabla 3 Tabla 7
15 40% 1 25%
25 35% 3 35%
Costo de/a Datos 35 25% 4 40%
P1 a M1 Tabla 5 100% 100%
P1 a M2 Tabla 6 Tabla 4 Tabla 8
P2 a M1 Tabla 7 25 60% 5 30%
P2 a M2 Tabla 8 45 30% 6 35%
P1 a Ma Media de p1 75 10% 7 35%
P2 a Ma Media de P2 100% 100%
PERT CPM - Simulación Montecarlo
Duración (días)
Actividad Precedencia
Ej:deterministico Probabilistico
A --- 5 Tabla 1
B A 9 Tabla 2
C B 12 Tabla 3
D B 5 Tabla 4
E B 4 Tabla 5
F E 6 Tabla 6
G C,F 3 Tabla 7
Tablas Datos de distribución:
Tiempo (días) 4 5 6
Tabla 1 A
Probabilidad 0.10 0.40 0.50 1.00
Tiempo (días) 6 7 8 9 10
Tabla 2 B
Probabilidad 0.25 0.20 0.15 0.25 0.15 1.00
Tiempo (días) 10 12 14 16
Tabla 3 C
Probabilidad 0.30 0.10 0.40 0.20 1.00
Tiempo (días) 3 4 5 6
Tabla 4 D
Probabilidad 0.30 0.10 0.05 0.55 1.00
Tiempo (días) 2 3 4
Tabla 5 E
Probabilidad 0.60 0.40 0.10 1.10
Tiempo (días) 4 5 6 7 8 9 10
Tabla 6 F
Probabilidad 0.10 0.13 0.30 0.20 0.10 0.07 0.10 1.00
Tiempo (días) 1 2 3 4 5
Tabla 7 G
Probabilidad 0.20 0.30 0.10 0.20 0.20 1.00