Lecturas Matemticas a Volumen 20 (1999), pginas 39-60 a

Dos ejemplos de introduccin o de los mtodos de simulacin e o Monte Carlo en los primeros cursos de las carreras tcnicas e
L. M. Garc a-Raffi, E. A. Sanchez-Perez, F. Mart nez Gimnez e Universidad Politcnica 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 scientic 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 dierential equations. 1991 AMS Subject Classication. Primary: 62E25, OOA35. Secondary 62N99. Resumen. En este trabajo se presentan dos prcticas de modelizacin de sisa o temas reales en los que se introducen las tcnicas de simulacin Monte Carlo. La e o introduccin de prcticas de modelizacin en los primeros cursos de Ingenier o a o a obedece al objetivo de ofrecer una imagen de las matemticas como instrumento a de trabajo y anlisis donde los conceptos matemticos han de tener un soporte a a real y as romper con el aislamiento tradicional de las matemticas con el resto a de las disciplinas cient cas ofreciendo al alumno un rea comn de conocimiento a u que puede contribuir muy favorablemente al aprendizaje y jacin del mismo o como conocimiento duradero.

40

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

1. Introduccin o
Es ya bien conocido que el ordenador ha revolucionado la ense~anza de disn ciplinas como la Fsica y las Matemticas en todos los mbitos de la educacin, a a o especialmente el universitario. La aparicin de ordenadores personales cada o vez ms baratos y potentes, hace que esta herramienta se haya introducido de a forma masiva rompiendo con la concepcin tradicional de la ense~anza de las o n ciencias bsicas. a Hasta ahora, la metodolog docente que se ha considerado adecuada es a la explicacin 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 inexin en la ense~anza de las n o n matemticas. Por lo que se reere al contexto en el que se desarrolla esta a experiencia, en la Universidad Politcnica de Valencia, prcticamente todas e a las escuelas han incorporado en las asignaturas de matemticas impartidas en a los primeros cursos, prcticas con el ordenador. El objetivo no es otro que la a reduccin de las clases magistrales y su sustitucin por sesiones prcticas donde o o a el alumno resuelve ejercicios y problemas con una tecnolog que le permite en a algunos casos llegar a ver, a experimentar con conceptos tericos. El desarrollo o de los llamados asistentes matemticos (Derive, Mathematica, Matlab, etc) a y en general de la informtica que permite al usuario trabajar en un entorno a ms amigable, ha facilitado enormemente la introduccin del ordenador en esta a o disciplina. Si bien el campo es novedoso, el trabajo realizado en el mismo es amplio, siendo cada vez ms numerosos los textos de matemticas que incluyen este a a tipo de prcticas. Los rmantes de este trabajo formamos parte de un grupo a de profesores de matemticas que hemos elaborado este tipo de textos para la a docencia en nuestra universidad, pero que consideramos que el ordenador es una herramienta ms potente que permite enfoques nuevos dentro de la ense~anza a n de esta disciplina. El nuestro es un planteamiento que va ms all del anteriora a mente expuesto. Pensamos que la gran asignatura pendiente en la ense~anza n de las matemticas, especialmente en las Escuelas Tcnicas, es su contextuaa e lizacin dentro del marco del resto de las disciplinas cient o cas. El marco en el que hemos trabajado se basa en ofrecer una imagen de las matemticas como a instrumento de trabajo y anlisis. Los conceptos matemticos han de tener a a un soporte real y as romper con el aislamiento tradicional de las matemticas a

 DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS ...

41

con el resto de las disciplinas cient cas ofreciendo al alumno un rea comn a u de conocimiento, que pensamos puede contribuir muy favorablemente al aprendizaje y jacin del mismo como conocimiento duradero1. o La modelizacin de sistemas \reales" mediante los principios de disciplinas o como la fsica, la mecnica o la qu a mica y su expresin a travs de ecuaciones o e y funciones de la matemtica establece un nexo de unin entre estas discia o plinas que puede ser aprovechado para el desarrollo de las ideas anteriormente expuestas. Adems, 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 resolucin, juega un papel importante aumentando la motivacin por el apreno o dizaje y dominio de los conceptos matemticos para su correcta aplicacin. a o

2. Mtodos Monte Carlo e

Bajo el nombre de genrico de Mtodos Monte Carlo se agrupan un conjunto e e de tcnicas matemticas que tienen en comn la utilizacin de nmeros genee a u o u rados aleatoriamente para el clculo de magnitudes. Estas pueden corresponder a tanto a fenmenos gobernados por el azar como a fenmenos deterministas que o o permiten una reformulacin en trminos estadsticos. Ejemplos del primer caso o e puede ser la llegada de trabajos a una cola de impresin o la energ depositada o a por un fotn al atravesar la materia y ejemplos del segundo son el clculo de o a integrales o la resolucin de ecuaciones diferenciales en derivadas parciales. o En esencia, los mtodos Monte Carlo consisten en inventar juegos de azar e cuyo comportamiento y resultado puede ser utilizado para estudiar sistemas y fenmenos reales. o La primera referencia documentada sobre la utilizacin de mecanismos geo neradores del azar para la obtencin de resultados matemticos data del siglo o a XVIII. El \Comte de Buon\2 en 1777 realiz un experimento consistente en o lanzar una aguja de longitud L sobre un plano pautado con lneas rectas parale las a distancia d>L y ver el nmero de veces que la aguja caa en una posicin u o tal que intersectaba una de las rectas. Laplace sugiri varios a~os despus o n e que dicho experimento pod ser utilizado para el clculo de la constante p. a a Simplemente habra que realizar una serie de lanzamientos y calcular el co ciente entre el nmero de veces que la aguja a cortado una de las rectas, con u respecto al nmero total de lanzamientos. De este cociente y del clculo de la u a probabilidad de interseccin, podramos despejar el valor de p. Este clculo o a ser un ejemplo paradigmtico del uso de las tcnicas Monte Carlo. Otro a a e ejemplo es el del matemtico W. S. Gosset 3 (\Student\) que en 1908 utiliz la a o generacin de nmeros aleatorios para estudiar la distribucin del coeciente o u o de correlacin. Incluso Lord Kelvin o el propio Enrico Fermi, en la dcada de o e los treinta, hicieron clculos utilizando mtodos que hoy catalogar a e amos como

42

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

mtodos Monte Carlo 4. 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 difusin de neutrones o que realizaron en los Alamos dentro del Proyecto Manhatan para la fabricacin o de la primera bomba atmica durante la Segunda Guerra Mundial. El nombre o vena inspirado por los juegos de azar de los casinos del peque~o principado n europeo de Monte Carlo. En la dcada de los cuarenta y los cincuenta aparecieron varios trabajos que e demostraban el gran inters por estos mtodos basados en el uso de nmeros e e u aleatorios para la resolucin de problemas relacionados con la mecnica eso a tad stica, la modelizacin de sistemas econmicos, el transporte de radiacin o o o etc, pero evidentemente no se dispona de la capacidad de computacin ade o cuada. Un ejemplo de este tipo de trabajos lo podemos encontrar en el art culo de R. R. Wilson 5 .En l se aborda un problema de transporte de radiacin: la e o generacin de cascadas electromagnticas por el paso de un electrn o un fotn o e o o (cuanto de luz) de alta energa a travs de un bloque de plomo. El mtodo e e utilizado era mecnico y grco. El volumen de plomo se haba dividido en a a 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. La llegada de los grandes ordenadores digitales marc un desarrollo imporo tante en este campo que se ha hecho notar especialmente en la ultima dcada e con el constante abaratamiento de la capacidad de clculo. Hoy estas tcnicas a e se aplican a innumerables problemas que abarcan la F sica, la Biolog la Ina, formtica, las Telecomunicaciones, etc. Las tcnicas de simulacin Monte Carlo a e o son hoy en da una herramienta indispensable para abordar innumerables pro blemas.

3. Sistemas, modelos, simulacin o y tcnicas Monte Carlo. e

En esta seccin vamos a discutir los conceptos de sistema, simulacin y o o tcnicas Monte Carlo. Esta discusin se hace necesaria en tanto en cuanto e o no hay en la literatura un criterio unicado para las mismas. Muchos de los conceptos aqu mostrados se han extrado de Rubinstein 6 . Por sistema se entiende un conjunto de entidades llamadas componentes o elementos. Por ejemplo una Universidad puede ser considerado un sistema con Profesores alumnos y personal de administracin como elementos denitorios. o Los elementos tienen asociadas caractersticas o atributos que tiene valores lgicos o numricos bien denidos. En el ejemplo anterior podr ser el nmero o e a u de alumnos, el de profesores, etc. Los elementos interactuan como consecuencia

 DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS ...

43

de un cierto nmero de relaciones existentes entre ellos que a su vez son el u resultado de una serie de actividades. Estas actividades modican el estado del sistema y producen cambios en l. Por ejemplo, cada nmero de alumnos e u tiene asignado un profesor y si no existe este profesor no se produce la actividad \recibir clase\. Podemos denir tanto relaciones internas como externas. Las internas se producen entre los elementos que denen el sistema y las externos entre estos elementos y el medio que les rodea. Por ejemplo, el nmero de u profesores limita el nmero de estudiantes en una Universidad, lo cual tiene u consecuencias sobre la estructura social del rea de poblacin donde sta se a o e encuentra ubicada. El sistema recibe inuencias del entorno a travs de un e \input\ o entrada, 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. Los atributos de los elementos de un sistema denen un estado del mismo, por ejemplo el nmero de alumnos por aula o por profesor. Cuando un alumno u abandona o entra en la Universidad, el sistema cambia a un nuevo estado. Cuando el comportamiento del sistema no se puede predecir de forma determinista o exacta, entonces recurrimos a realizar observaciones sobre la probabilidad de que se produzca un cambio en el sistema. 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. Hay acciones que pueden cambiar el sistema de un estado a otro pero la probabilidad es constante. El primer paso para estudiar un sistema es denir un modelo. Un modelo cient co puede ser denido como una abstraccin de un sistema real o que permite estudiarlo para establecer predicciones sobre su comportamiento y controlarlo. El punto crucial a la hora de construir un modelo de un sistema es denir la funcin objetivo, que es una funcin matemtica que contiene las o o a variables de decisin. Hay varios tipos de modelo. Churchman et al 7 y Kiviat o 8 denen las siguientes clases: 1. Modelos iconogrcos que son aquellos que representan aspectos del sisa tema de forma visual. 2. Modelos analgicos que son aquellos que emplean un conjunto de propiedao des para representar otras que el sistema estudiado posee (por ejemplo la corriente elctrica que uye por un cable para representar el ujo de agua que pasa e por una tuber a). 3. Modelos simblicos que son aquellos que requieren operaciones matemtio a cas y lgicas para formular soluciones a problemas relacionados con el comporo tamiento del sistema En este artculo nos vamos a referir a estos ultimos. Naylor 9 dene la simulacin como una tcnica numrica para realizar expeo e e rimentos en un ordenador digital, que implica ciertos tipos de modelos lgicos o

44

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

y matemticos que describen el comportamiento de los sistemas sobre un cierto a periodo de tiempo. As pues la simulacin permite establecer a priori la ecien o cia que tendrn determinados sistemas. Hoy por hoy, resulta una herramienta a indispensable en la realizacin de cualquier montaje tecnolgico. Mediante o o la simulacin se puede, a travs del establecimiento de un modelo del siso e tema, comparar diferentes conguraciones del mismo o ver que efecto tiene cualquier modicacin sobre su rendimiento sin necesidad de construir cada o vez un nuevo sistema o prototipo, cosa que por otra parte, en general, es obvio que es econmicamente inviable en la mayor de los casos. La simulacin o a o no requiere que el modelo presente una forma particular, lo cual permite una gran libertad siempre y cuando este clara la correspondencia entre el sistema estudiado y su modelizacin as como los l o mites de la misma. Hay una serie de elementos que caracterizan un programa de simulacin o Monte Carlo4 : Un declaracin clara de los elementos que componen el sistema que va a o ser simulado. Las funciones de distribucin de probabilidad de las variables que involucra o el clculo, deben estar perfectamente identicadas y expl a citamente denidas. Se deben establecer los mtodos para \muestrear\ (sampling), todas estas e funciones de distribucin. o Por ultimo se debe ser capaz de interpretar la informacin obtenida por o la simulacin. o En las tcnicas matemticas de simulacin con mtodos Monte Carlo, se ine a o e troduce un modelo de un sistema inherentemente estocstico, o sea descrito por a variables aleatorias gobernadas segn ciertas funciones de distribucin y se lleva u o a cabo un muestreo de las mismas a travs de la generacin de nmeros aleatoe o u rios. Por nmeros aleatorios (\random number\) se entiende en la literatura u 6 nmeros distribuidos uniformemente, o sea, segn la funcin de densidad de u u o probabilidad: 1 0x<1 f (x) = 0 en otro caso Inicialmente se usaron mtodos manuales para generar estos nmeros como e u el lanzamiento de dados o ms sosticados como el que hemos descrito en el a trabajo de R.R. Wilson 5. Se pensaba que slo los mtodos mecnicos daban o e a como resultado nmeros verdaderamente aleatorios. Estos mtodos, adems u e a de lentos, adolecen de la posibilidad de repetir la misma secuencia aleatoria, lo cual tiene importancia a la hora de su uso en simulacin. La aparicin o o de los ordenadores digitales abri la puerta de la generacin de este tipo de o o nmeros. Un mtodo consiste en preparar una tabla con estos nmeros y u e u almacenarlos en la memoria del ordenador. En 1955 6 la \RAND corporation\

 DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS ...

45

public una tabla con un milln de d o o gitos aleatorios para construir este tipo de tablas. Estos mtodos gozan de la caracter e stica de reproductibilidad, pero son lentos en velocidad y se corre el riesgo de agotar la tabla. Actualmente, estas tablas se construyen a partir de procesos fsicos con comportamiento intr nsecamente aleatorio como los procesos cunticos o fenmenos caticos a o o (desintegracin radiactiva, fuentes de ruido trmico, la radiacin csmica, etc). o e o o Pero casi todos los generadores que se pueden encontrar en los compiladores de lenguajes como FORTRAN, C, etc, corresponden a lo que se llama nmeros u pseudoaleatorios. Se trata de nmeros no autnticamente aleatorios pero que u e se comportan como si lo fueran. Son secuencias de nmeros, con un cierto u periodo de repeticin, que pueden ser generados en un ordenador. Se dice o que los nmeros generados de esta forma son \buenos\ si estn distribuidos u a uniformemente, son estad sticamente independientes y reproducibles. Adems a el mtodo de generacin debe ser rpido y requerir poca memoria 6. Todos e o a estos requisitos son dif ciles de conseguir y se debe llegar a un compromiso. Los generadores ms usados en la actualidad son los congruentes, donde se a utiliza una frmula recursiva del tipo: o xi+1 = ( xi + ) [modp] i = 1; ; n

donde es el multiplicador, m es el incremento, p es un entero positivo y [modp] signica que: xi+1 = xi + pki con: xi + ki = p

representando el parntesis cuadrado en este caso, la parte entera. Los nmeros e u aleatorios en el intervalo [0; 1) se obtienen directamente de: ui = xi p

Para iniciar la secuencia, se da un valor inicial x0 llamado semilla. Un generador de este tipo dar un secuencia que se repetir cada p pasos y por supuesto ser a a a peridica. Un \mal ejemplo\ de este tipo de generadores ser el dado por o a x0 = 2, = 3, m = 1, p = 24. Con estos valores generaramos la secuencia 2; 7; 6; 3; 10; 15; 14; 11; 2 de nuevo, o sea, su periodo ser T = 8. El periodo a desde luego no puede exceder le valor p (ya que xi < p ) pero como acabamos de ver puede ser mucho ms corto, si no se eligen bien los parmetros. Cuando a a T = p decimos que el generador es de periodo completo

46

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

Ya hemos visto como generar nmeros aleatorios, pero >cmo podemos, a u o partir de aqu, generar valores de una variable aleatoria X, segn una funcin u o de probabilidad cumulativa cualquiera?. Hay tres mtodos bsicos: el de la e a transformacin inversa, composicin y aceptacin-rechazo. Vamos aqu a dar o o o el primero de ellos por ser el ms ilustrativo. Referencias de todos ellos se a pueden encontrar en Rubinstein [6] y Kalos [4]. Sea X una variable aleatoria con funcin de probabilidad cumulativa FX (x) . Por ser sta una funcin o e o 1 montona creciente, podemos denir la funcin inversa FX (y) de la siguiente o o forma:
1 FX (y) = inf fx : FX (x) yg

Sea U un nmero aleatorio distribuido uniformemente en [0; 1). Entonces: u

1 x = FX (U )

es una variable aleatoria que se distribuye segn FX (x) . Grcamente: u a

Figura 1 Esto se puede probar fcilmente sin ms que calcular: a a P (X x) = P (F 1 (U ) x) = P (U FX (x)) = FX (x) Este mtodo tiene el inconveniente de que debe ser posible calcular de forma e anal tica dicha funcin inversa, pero existen varias distribuciones para las cuales o es posible como el caso de la exponencial o la de Cauchy.

 DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS ...

47

A continuacin presentamos dos ejemplos de prcticas de modelizacin en o a o donde, de forma sencilla, utilizando las tcnicas de simulacin Monte Carlo, e o se puede predecir el comportamiento de sistemas. Los conceptos matemticos a involucrados en las mismas son la generacin de nmeros aleatorios y de valores o u de variables aleatorias segn ciertas funciones de distribucin as como tambin, u o e en el ultimo apartado, la resolucin numrica de ecuaciones diferenciales muy o e sencillas.

4. Empaquetado de naranjas.
El problema que se pretende modelizar es el de una bater de bsculas que a a se encuentra cada una de ellas situada al nal de una cinta transportadora por donde circulan naranjas clasicadas como pertenecientes a un determinado calibre (250 g) y que deben ser empaquetadas en bolsas de 2.5 Kg. El objetivo es, dado un conjunto de bsculas, determinar el nmero de bolsas que somos a u capaces de formar con un cierto nmero jo de pesadas. Vamos a ver como este u problema admite una modelizacin en trminos de funciones de distribucin de o e o probabilidad habituales y que la simulacin Monte Carlo nos da una estimacin o o de la solucin a travs del estudio de la eciencia del sistema y de los parmetros o e a que lo gobiernan. Supongamos que queremos lanzar al mercado bolsas de 2.5 Kg con naranjas del calibre 250 g. Instalamos por ejemplo una bater de diez bsculas, cada una a a al nal de una cinta transportadora de pesado. Cada bscula tendr una cierta a a precisin . Cuando se produzca una pesada de una naranja de por ejemplo o 250 g exactos, la bscula nos dar una lectura que unas veces ser 253 g, otras a a a 247, o 251 g, o sea, Pi = 250 + i ; i = 1; : : : ; 10 donde i hace referencia a un cierto error que tomaremos como Gaussiano. Es decir, la funcin densidad de o probabilidad que gobierna el proceso de pesado es: ! (x )2 1 exp f (x) = p 2 2 2 donde es la media y 2 es la varianza. Esto nos plantea pues un problema, ya que cuando 10 naranjas lleguen simultneamente a sus respectivas bsculas, a a puede que la suma de sus pesos supere los 2.5 Kg. Evidentemente nosotros no aspiramos a que las bolsas pesen exactamente 2.5 Kg sino que aceptamos una cierta tolerancia. Esta idea se puede expresar fcilmente a travs de la a e desigualdad: jPtot 2; 5j <R 2; 5

48

L. M. GARC E. A. SANCHEZ, F. MART IA, 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 a puede suponer que pese mucho ms que la cantidad jada ya que, si bien en una a bolsa ese peso de ms no supone una gran prdida, cuando se est pensando en a e a despachar miles de bolsas, si siempre actuamos por exceso, el negocio podr a resultar poco lucrativo o ruinoso. Fijmonos que en el problema, tal y como lo hemos planteado, las naranjas e pesan una cantidad ja, 250 g. (ya que todas son del mismo calibre)> Es esto real? La respuesta es no. En el origen del problema, est la clasicacin a o de las naranjas segn su calibre lo que equivale a decir segn su volumen. u u Conocida la densidad de las naranjas la relacin entre el calibre y el peso es o lineal. Pero lo cierto es que, aunque la medida del volumen sea muy precisa, se tendr que agrupar juntas a todas aquellas naranjas de un calibre parecido, a o sea, dentro del calibre 250 g, habr naranjas cuyo peso oscilar en torno a a a este valor. Esto, dentro de las aproximaciones matemticas al problema a que estamos planteando, supone que los pesos de las naranjas que entran en la bscula tendrn una cierta distribucin como consecuencia del proceso de a a o clasicacin en diferentes calibres y no ser un valor exacto. En resumen, por o a las cintas de pesado llegan a las 10 bsculas naranjas cuyo peso var segn a a u una cierta distribucin, que caen sobre los platos de las bsculas que marcan o a sus pesos con un cierta precisin y cuya suma no puede superar la cantidad de o 2,5 Kg. siendo R la tolerancia del proceso. Primero debemos denir lo que entendemos por la eciencia del sistema, que tomaremos como el nmero total de bolsas formadas con respecto a un nmero u u de pesadas jo, por ejemplo cien mil ( por pesada entendemos un conjunto de 10 medidas simultneas). Las bsculas, como ya hemos comentado las moa a delizaremos como gaussianas con una desviacin estndar i ; i = 1; ; N . o a Para las naranjas que entran en nuestra batera de bsculas vamos a suponer a tres modelos diferentes: Naranjas de peso jo 250 g, Naranjas distribuidas uniformemente en el intervalo [200,300] Naranjas distribuidas gaussianamente con media m= 250 g y s=50 g. Por simplicidad supondremos que todas las bsculas tienen la misma prea cisin y tomaremos i = 25g i = 1; ; 10 . Con esta modelizacin de nuestro o o sistema real, vamos a continuacin a realizar un estudio de la eciencia en o funcin de los diversos parmetros del modelo. o a Se obtienen nmeros distribuidos gaussianamente mediante la transformacin u o

 DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS ...

49

(Box y Muller 10): Z1 = Z2 = p p 2 ln(U1 ) cos(2 U2 ) 2 ln(U1 ) sin(2 U2 )

donde U1 y U2 son dos variables aleatorias distribuidos uniformemente en [0; 1) y Z1 y Z2 son dos variables aleatorias independientes distribuidas gaussianamente con m=0 y s=1. Con esta herramienta y con un generador de nmeros u aleatorios estamos en condiciones de realizar un programa para el estudio de nuestro sistema. En la gura 2 vemos la generacin de las naranjas que van a entrar en o nuestras bsculas segn los tres modelos descritos anteriormente donde el pico a u para el caso de las naranjas de peso jo o caso \monocromtico\ se ha cortado a por razones de escala para representar las tres guras juntas.

Nmero de naranjas

5000

4000

3000

2000

1000

0 0 100 200 300 400 500

Figura 2 A continuacin, una vez disponemos de una naranja de calibre o \peso real" o Pi distribuido segn uno de estos modelos, procedemos a su pesado en u la bscula correspondiente, proceso que en nuestra simulacin corresponde al a o sorteo de un nmero gaussiano con media Pi y = 25: La distribucin de pesos u o dados por la bscula nmero uno para estos tres modelos se muestra en la gura a u 3 donde podemos observar tres picos, el ms estrecho correspondiente al modelo a \monocromtico\ (todas las naranjas del mismo peso exacto Pi = 250:g ) y a el ms ancho al modelo gaussiano. Con estas distribuciones de pesos son con a las que formaremos las bolsas de 2,5 Kg. Los resultados obtenidos para la

50

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

eciencia (nmero de bolsas formadas) en funcin de la tolerancia en el peso u o nal para cada uno de los modelos descritos se puede ver en la gura 4. Evidentemente, una aproximacin ms realista al problema hubiera sido o a contar con la distribucin verdadera de las naranjas que entran en nuestras o bsculas. Esta informacin podr ser obtenida del proceso de catalogacin de a o a o las mismas por calibre, como ya comentamos al principio de esta seccin. En o cualquier caso, vemos que las diferentes modelizaciones de nuestro problema tienen una inuencia determinante en el clculo de la eciencia 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 %. Aunque ninguno de los tres modelos propuestos (monocromtico, uniforme y a gaussiano), corresponde a la realidad cabe esperar que la eciencia del sistema sea un curva que est comprendida entre estas tres. La prctica permite en a a este punto enlazar por ejemplo con modelos que den cuenta de la produccin o de rboles frutales y la distribucin en peso de los frutos. Tambin, el caso a o e monocromtico nos permitir estudiar la evolucin de la eciencia del sisa ia o tema en el caso de que una o varias de las bsculas comenzasen a dar lecturas a anmalas, etc. o
Nmero de naranjas

4000

3000

2000

1000

100

200

300

400

500

Figura 3

 DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS ...

51

Figura 4

5. Pulsos elctricos con ruido. e

En este apartado vamos a ver una aplicacin de los mtodos Monte Carlo en o e el caso de pulsos elctricos que est afectados de ruido. Utilizaremos dos tipos e a de circuitos muy simples como son el caso e los circuitos Pasa-baja y Pasaalta que se describirn a continuacin y el ruido elctrico lo modelizaremos a o e utilizando nmeros distribuido uniformemente en [0,1). 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. 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. Si llamamos Vin al potencial o se~al de entrada y Vout al potencial o se~al n n de salida, aplicando la ley de Ohm tenemos que : Vin = i R + Vout donde i es la intensidad y R es la resistencia. Es inmediato que: i= dVout dQ =C dt dt

donde C es la capacidad del condensador y Q la carga. Por lo tanto la primera ecuacin quedar sencillamente: o a

52

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

Figura 5 dVout 1 1 + Vout = Vin dt donde = RC y es un periodo, ya que tiene dimensiones de tiempo y por lo tanto su inversa es una frecuencia. El comportamiento de un circuito como ste frente a una se~al tipo escaln: e n o 0: t<0 Vin = 100: t 0 se ilustra en la gura 6 donde se ha tomado = RC = 1 s , 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

 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 t Vout = Vin 1 exp

Figura 7 Es inmediato ver que: Q + Vout C Si derivamos esta ecuacin 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 escaln: o 0: t<0 Vin = 100: t 0

54

L. M. GARC E. A. SANCHEZ, F. MART IA, 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, la se~al de salida es de la forma: n t Vout = Vin exp

Cul es el comportamiento del circuito Pasa-baja si la se~al tipo escaln a n o viene afectada de ruido de una decena de milivolts? Para tratar el problema del ruido lo que hacemos es resolver la ecuacin diferencial de forma numrica o e siguiendo, por ejemplo, un esquema de diferencias nitas en donde la funcin o potencial de entrada Vin se sustituye por un vector en el cual el valor del potencial escaln, que nominalmente es de 100 mV , viene afectado por una o cantidad aleatoria no superior a 10 mV . 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 tambin interesante desde el e

 DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS ...

55

punto de vista prctico como es el caso de un pulso gaussiano. El compora tamiento de este circuito viene reejado 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 ms 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

-2 0 0 2 4 6 8 10 12 14 16

Figura 11

56

L. M. GARC E. A. SANCHEZ, F. MART IA, 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 electrnicos como amo plicadores de se~al, etc. n Respecto al circuito Pasa-alta o diferenciador CR, si introducimos un pulso gaussiano, el comportamiento del circuito para = RC = 0:1 s se muestra en la gura 13:
100

80

60

40

20

-2 0 0 0.5 1 1.5 2 2.5 3

Figura 13 O sea, la se~al de salida pasa por cero justo cuando el pulso de entrada alcanza n

 DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS ...

57

su mximo. Esta informacin es importante por ejemplo cuando estamos traa o bajando con sensores o detectores de part iculas. Cmo 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

-2 0

-4 0 0 0.5 1 1.5 2 2.5 3

Figura 14 Podemos observar que la informacin del instante en que la se~al de entrada o n alcanza el mximo se ve claramente deteriorada por la existencia de dicho ruido. a Pero el comportamiento ms interesante corresponde al caso en que acoplaa mos dos circuitos, uno CR y otro RC. La respuesta de este circuito combinado para una se~al de entrada tipo escaln de 100. 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 0.2 0.4 0.6 0.8 1

Figura 15

58

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

Vemos que la combinacin cambia el perl de la se~al de entrada que pasa o n de tener forma de escaln a tener forma de pulso. De hecho la se~al de salida o n vale: Vout = Vin 1 (1 2 ) t t exp exp 1 2

En el caso de que se tomen constantes de tiempo iguales para los dos circuitos, tenemos el comportamiento que se muestra en la gura 16:
4 0

3 5

3 0

2 5

2 0

1 5

1 0

0 0 0 . 2 0 . 4 0 . 6 0 . 8 1

Figura 16 siendo la se~al de n salida: t Vout = Vin t exp Qu ocurre si la se~al escaln de entrada est afectada de un ruido de 10. e n o a MV? El resultado se expresa en la gura 17:
120

100

80

60

40

20

-2 0 0 0.2 0.4 0.6 0.8 1

Figura 17

 DOS EJEMPLOS DE INTRODUCCION DE LOS METODOS ...

59

Vemos que el ruido no afecta a la forma de la se~al pero si en la cola o restablen cimiento del cero, en donde la se~al de salida presenta un cierto rizado. n En este trabajo hemos presentado dos ejemplos que corresponden a mbitos a de la ingenier muy diversos, fcilmente realizables utilizando un asistente a a matemtico avanzado (Mathematica, Matlab,: : : ), o bien un programa simple a en cualquier lenguaje de programacin,( Fortran, Pascal, Basic,: : : ) y que o introduce a los estudiantes en las tcnicas Monte Carlo desde la perspectiva de e la simulacin de sistemas \reales". La simulacin ha jugado un papel esencial o o en muchas ramas de la ciencia y la tcnica, pero esta todav ausente de los e a curricula de nuestras Facultades y Escuelas Tcnicas Superiores, sobre todo en e los primeros cursos. Aqu se presentan dos casos simples en donde se predice el comportamiento de un sistema, a priori, mediante una modelizacin del mismo. o

Referencias
1. L. V. Ahlfors, Complex Analysis, 3nd -Edition, McGraw-Hill, 1979. 2. E.A. Snchez-Prez,, L. M. Garc a e a-Ra, J.V. Snchez- Prez, Introduccin de las tcnicas a e o e de modelizacin para el estudio de la F o sica y las Matemticas en los primeros cursos a de las carreras tcnicas, Ense~naza de las Ciencias (en imprenta).. e n 3. G. Comte de Buon, Essai d'arithmtique morale , Supplment l Histoire Naturelle, e e a Vol. 4, 1977. 4. Student, Probable error of a correlation coecient., Biometrika, 6, 302, 1908.. 5. M. H. Kalos, P.A. Whitlock,Monte Carlo Methods. Volume I: Basics. John Wiley and Sons, New York 1986. 6. R. R. Wilson, Monte Carlo study of Shower Production, Phys. Rev., Vol. 86, No. 3, 1952. 7. R. Y. Rubinstein, Simulation and The Monte Carlo Method, John Wiley and Sons, New York 1981. 8. C. W. Churchman, R. L. Acko, E. L. Arno, Introduction to Operations Research Wiley, New york 1956.. 9. P. J. Kiviat, Digital Computer Sinulation: Modeling Concepts, Report RM-5378, The Rand Corporation, Santa Monica, California, 1967.. 10. T. J. Naylor J. L. Balinfy, D. S. Burdick, K. Chu, Computer Simulation Techniques, Wiley, New York 1966.

60

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

11. G. E. P. Box, M. E. Muller, A note on the generation of random normal deviates, Ann. Math. Stat., 29, 1958, 610-611..

(Recibido en enero de 1999, revisado en febrero de 1999) L. M. Garc E. A. Snchez, F. Mart a, a nez Departamento de Matematica Aplicada Universidad Politcnica de Valencia e ~ Espana.