;.
lecciones populares
.;
:.
de matemticas
:.
: ~--------- :
.~
~
MTODO
DE
MONTECARLO
l. M.Sbol
..............................................
.:
---~~:...__
________
. ~--------~
....
... .........................................
Mosc
11. M. CEOJlb
MET0,11, MOHTERAPJIO
HCl,IJ,ATEnbCTBO HAYHA
MOCHBA
I. M. SOBOL
Mi!:TODO
DE MONTECARLO
TRADUCIDO DEJ;, RUSO POR CARLOS VEGA
candidato a Doctor en Ciencias fsico-mtemati cas,
Catodrtico de Matemticas Superiores
Segunda edicin
EDITORIAL .MIFl
MOSCO
IMPRESO EN LA URSS.
Ha nenaucxoM RaYKl'
Indice
Prefacio 7
Introduccin 9
1. Generalidades del mtodo
Captulo 1. Simulacin
de variables aleatorias 15
2. Variables aleatorias 15
3. Obtencin
de variables aleatorias en las MCE 26
4. Transformaciones
de vari.ahles aleatorias 32
Captulo 2. Ejemplos
de aplicacin del mtodo
de Montecarlo 42
5. Anlisis
rle un sistema de servicios 42
6. Anlisis de la calidad
y rle la Reguridad de piezas 48
7. Anlisis del paso
el.e neutrones a tra v.~
de una placa 55
8. Clculo de la integral definida 63
Apndice 88
9. Demostracin
de algunas proposiciones 68
10. Sobre Jos nmeros seudoaleatorios 75
Tablas 78
Literatura 79
Prefacio
Hace unos aos, la Universidad Social me invit a dic.t ar
dos conferencias sobre el mtodo de Montecarlo para los
oyentes de la Facultad de Tcnica de clculo. Yo acept.
Poco antes de la primera con~erencia me enter con espanto
de q11e los oyentes, en su mayor parte, ignoraban la Teora
de las probabilidades. No habfo modo de retroceder . Sobre
la marcha hubo que incluir en la conferencia un apartado
adicional con el fin de exponer a los oyentes las noiones
principales de la Teora de las probabilidades.
El contenido de estaR conferencias, dictadas a lo largo
de varios aos, con el tiempo iba estabilizndose. En la
edicin presente se ha conservado tambin el apartado adi
cional ( 2) al que quiero dedicar unas palabras.
Cualquier persona habr empleado alguna vez las pala~
bras probabilidad y variable aleatoria. La idea intuitiva
de la probabilidad (en tanto que frecuencia) corresponde
ms o menos al contenido verdadero de este concepto. En
cambio, la idea intuitiva de la variable aleatoria est muy
lejos, como regla, de lo. definicin matemtica. Por eso, en
el 2 damos por conocido el concepto de probabilidad y
explicamos slo el concepto ms complejo de variable aleatoria. Este pargrafo no puede reemplazar el curso de la
Teora de las probabilidades: la exposicin es simplificada
y no trae demostraciones. Sin embargo, permite hacerse
una idea sobre las variables aleatorias suficiente para
comprender los aspectos elementales del mtodo de Montecarlo.
El objetivo principal de este libro es sugerir a los especialistas de las ms diversas ramas la iden de que en el
campo de sus actividades existen problemas que se pueden
resolver por el mtodo de Montecarlo.
Los problemas que se analizan en las conferencias son
variados y suficientemente simples. Sin embargo, no pueden
abarcar, claro est, todas las esferas de aplicaci6n deJ m-
8
todo. Me limitar a dar un ejemplo. En el libr no se habla
para nada de Ja medicina. No obstante, los mtodos de1 7
permiten evaluar las dosis en la radioterapa. Teniendo un
programa de clculo ele los rayos absorbidos por distintos
tejidos del cuerpo, se puede dosificar y orientar la radiacin
del modo ms efciente cuidando efe no dafiar los tejidos
sanos.
Este libro abarca todo cuanto se trat en las conferencias; contiene una exposicin ms detallada de los ejemplos;
adems, so han agregado los pargrafos 9 y 10.
l. Sbol
INTRODUCCJON
1.
GENERAL1DADES
DEL MtTODO
2-1216
10
el rea de una figura plana S. :Bsta puede ser una figura
arbtraria con un a frontera curvilnea, definida grfica o
analticamente y compuesta de uno o va rios pedazos. Supongamos que se trata de la figura representada en la fig . 1
y
"
\l'lg. 1
11
12
aleatorios. En segundo lugar, en muchos problemas matemticos, que no tienen la menor relacin con cuestiones aleatorias, se puede inventar un modelo probabiHstico artificial
(e incluso ms de un modelo) que permite resolver estos
problemas. En realidad, esto es lo que hemos hecho en el
ejemplo del punto 1.2.
Por consiguiente, se puede hablar del mtodo de Mon
tecarlo como de un mtodo universal en la solucin de problemas matemticos.
Es de especial inters el hecho de que en algunos casos
conviene abandonar la simulacin del proceso aleatorio real
y
..
..
X
Flg. i
y concentrarse en el anlisis del modelo artificial. Una situacin de esto tipo es considerada en el 7.
1.5. Algo ms sobre el ejemplo. Volvamos al ejemplo del
punto 1.2. Para poder realizar el clculo debemos escoger en
el cuadrado puntos aleatorios. Cmo realizar esto?
Imaginemos el siguiente experimento. La fg. 1 (aumentada proporcionalmente), con la figura S y el cuadrado, se
'13
CAPTULO 1
SIMULACIN
DE VARIABLES ALEATORIAS
2.
VARIABLES ALEATORIAS
- (X Xz ...
6donde x1 , x,, .. . ,
~
Xn
Xn
Pl P2 Pn
. '
(T)
16
que la variable aleatoria
esta probabilidad por P
P (S = xr} =Pi
La tabla (T) se denomina distribucin de la variable aleatoria.
Hablando en trminos generales, los nmeros x 1 , xi, ...
, Xn pueden ser cualesquiera. En cambio, las probabilidades p 1 , p 9 , , Pn deben cumplir dos condiciones:
a) todos los nmeros p 1 deben ser positivos:
p 1 >O;
(1)
+ + +
P1
Pi
Pn = 1.
(2)
La ltima condicin significa que ~ debe necesariamente
tomar en cada caso uno de los valores x 1 , x 3 , , Xn
Se denomina esperanza matemtica de la variable aleatoria
el nmero.
(3)
Ms
i-t
i -t
17
+ e)
= Ms
M (es) =
si
+ e,
(4)
cM~;
(5)
M (s
ri} = Ms + Mri.
Se denomina varianza de la variable aleatoria
mero
(6)
s el n-
(7)
Os = M l(s - Ms) 1].
Por consiguiente, la varianza Os es la esperanza matemti-
su ... ,
Ms
(8)
y la varianza
Os
D ~ = M 1 ~z
2M~s
+ Ms) 2 1 =
M (s 2 )
- 2 M~ M;
de donde
+ MsY'.
(9)
Resu1ta ms fcil, como regla, calc\llar la varianza aplicando Ja frmula (9) en ,lugar de la frm u.la (7).
Sealemos las propiedades principales de la varianza:
si e es una va.ria ble no aleatoria, se tiene
(10)
O (s + e}= Os,
2
(11)
D (et) = c Ds.
18
En la Teora de la~ probabilidades desempea un papel
importante el concepto de independencia de variables aleatorias. En realidad se trata de un c<;>ncepto bastante complejo; pero en los casos ms sencillos l a cuestin se aclara
fcilmente 1 ).
Para dos variables aleatorias i ndependientes ~ y ri son
vlidas las relaciones
(f 2)
M (~r) = Ms Mri,
(13)
D (s + r) = D~
071.
con la distribu-
6 )
Mx=1G+ .. . +66=3,5
+ .. .+ 52. 61 -
(3,5)2=2,917.
<
1.9
tidad determinada de radio. Todo tomo de radio emite
al desintegrarse nna partcula a. Su direccin puede ser
caracterizada mediante el ngulo '!> (fig. 3). Tanto desde
y
JI
Flg,
b'
P{a'<s<b'}- ) p(x)dx.
a
(14)
20
o
Plg. 6
>
O;
(15)
Jp (x) dx= 1.
(16)
M~=
Jxp(x)dz.
(17)
21
puesto que
M~ =
I>
xp(x)
rn>.
M/ (~) =
Jf
(x) p (x) dx .
(18)
Cl
l>
Cl
CI
22
o sea, es igual a la longitud de este intervalo. En .particular,
s dividimos (O, 1) en u n nmero arb itrario de intervalos
p(x)
Flg. S
Jr x2p(x)dx-(Mi)z= 31 - 41
o
12 .
1
2n a
(o:-a)
e -za-.
(19)
1).
1
) fJ os un nmero y no una variable aleatoria. S in
23
El parmetro a no influye en la forma de la curva p (x) :
su variacin slo conduce a un desplazamiento de la curva a
lo largo del eje x. En cambio, al variar CJ si se altera la forma
de la curva. En efecto, es fcil ver que
mx p (x) == p {a}=
cr
V.
2n
-3
Flg. G
eso, la curva tendr que estirarse hacia arriba en una vecindad de x = a y decrecer para t odos los valores suficiente
mente grandes de x. E n la fig. 6 hemos representado dos
densidades normales correspondientes al caso a =O y
CJ = 1 y al caso a = O y C1 = 0,5. (Otra densidad normal
ser construida en la fig. 21 de la pgina 54).
Se puede demostrar que
M~
a y Dt = cr 2
24
el error de medicin 6 es, como regla, una variable aleatoria
p (x) dx = 0,997
o-3o
{a -
Cf
= 0,997.
(20)
M~N = m,
o~N = b2
+ + ... +
PN = ~l
~11
~N
De las f6rmulas (6) y (13) se deduce que
MpN = M rn1
Dp N
25
s1 + s2+ . . . + s
P {Nm - 3bVN
<
PN
<
Nm
3bYN} ~ 0,997.
P { m--V~
3-1216
26
Podemos representar este ltimo resultado en la forma siguiente
{j !
(21>
distribucin).
27
desafortunada <le esta misma magnitud al tratarse de otros
fenmeno s.
De la misma forma, un camino qe se asemeja a una
recta (a una recta matemtica ideal ~i n anchura) en el
mapa del pas, se convierte en nna fran ja s inuosa en el
plano a gran escala de una localidnci ...
Suelen distinguirse tres procedimientos que se aplican
para obtener variables aleatorias: to. blas de nmeros a le:iLorios, generadores de nmeros aleatorios y el mtodo do
nmeros seudoalontorios.
3. t. Tablas de nmeros aleal<1rios. R.ealiccmus el experimento siguiente. Tomemos diez tarj et as iguales escribiendo
en ellas las cifras O, 1 , 2, .. ., 9, metamos todas las t.arjetas
en un sombrero y, despus de mezclarlas bien, comen cemos a
extraerlas, con la particularidad de que cada vez sacaremos
una tarjeta solamento, la vol veremos a m eter m1 el sombrero
y mezclaremos de nuevo todas las larjotas. Las cifras as
obtenidas pued en se r recogidas en una tabla semejante a l a
tabla A de la pgina 78 al final d~I libro (por l'azones de
comodidad las cifras en la tabla /\. vi enen agrupadas do cin co
en cinco).
Esta t abla lleva el nombro et c tabla de nmeros aleatorios
aunque sera ms justo denomi11arl ~ tnbfa de cifras a lea torias. Dicha tabla puede ser introd uci<l a en la m emoria de l a
1l1CE. Cad a vez que , durante los clculo!1, necesitemos un
valor de la variable aleatoria con la distribucin
0,1
0,1
(22)
28
fsico real genera variables aleatorias cuyas dis.tribucione~
difieren ligeramente de la distribucin ideal (22). Adems,
durante el experimento pueden surgir. errores (por ejemplo.
una de las tarjetas puede adherirse por cierto t iempo al
forro). Por eso, las tablas obtenidas suelen comprobarse
Jl'lg. 1
~ (v 1 -0,1N) 2
i-0
29
ranza matemtica de cada v 1 es igual a 0,1. N) ni excesivamente pequea (ya que esto equivaldria a una <cregularidad
excesiva en la distribucin. de los valores).
Las tablas de nmeros aleatorios se emplean slo cuando
los clculos correspondientes al mtodo de Montecarlo se
realizan a mano. Esto se debe a que todas las MCE poseen una
memoria interna relativamente reducida en la que no se
puede introducir una tapla grande. Por otra parte, tampoco
conviene introducir la tablit en la memoria externa y recurrir constantemente a ella ya que esto afectara considerablemente la velocidad del cl~u]o.
Sin embargo, no est ~xcluido que, con el tiempo. Ja
capacidad de memoria de las MCE aumente l:iensiblem&Qte
y entonces las tablas de nmeros aleatorios resulten de .gran
utilidad.
3.2. Generadores de nmeros aleatorios. La ruleta mencionada en el punto 3.1 podria, al parecer, combinarse con la
computadora y emplearse para generar, segn sea necesario,
nmeros nleatorios. Pero todo di~positi vo mecnico resulta
demasiado lento comparado con la .MCE. Por eso, para
generar variables aleatorias suelen emplearse los ruidos
en l as lmparas electrnicas: si durante un intervalo fijo llt
de tiempo el nivel del ruido sobrepasa el umbral escogido
un nmero par de veces, se inseribe el cero; si esto ocurre
un nmero impnr de veces, se inscrib~ el uno 1).
A primera vista, ste es un procedimiento muy cmodo.
Imaginemos m generadores de .este tipo que funcionan sin cesar paralelamente y envfan ceros y unos aleatorios a todos
los rdenes binarios de una clula especial. Cada ciclo corresponder a un nmero de m rdenes. Durante el clculo
podemos dirigirnos en cualquier momento a esta clula y
tomar de ella un valor de la variable aleatoria y. uniformemente distribuida en el intervalo (O, i ). Este valor, claro
est, ser aproximado y quedar representado por una fracci6n binaria de m rdenes O, awa<2, CXcm > donde cada
~ 1 ,1 imita la variable aleatoria con la distribuci6n
30
Sin embargo, tambin este mtodo tiene sus defectos.
En primer lugar, es difcil comprobar la calidad& de los
nmeros generados. Se hace necesario un control peridico
ya que debido a distin~os desarreglos puede surgir la as
llamada -t deri va en la distribucin (cuando los. ceros y los
unos en uno de los .rdenes dejan de aparecer C-On la misma
frecuencia). En segundo lugar, todos los clculos en las
MCE suelen realizarse dos veces para evitar intermitencias
casuales. Pero, sin recurrir durante los clculos a la memoria, es imposible reproducir los mismos nmeros aleatorios
y si recurrimos a la memoria, volvemos al caso de las t ablas.
Generadores de este t ipo resultar4n tiles, sin duda,
cuando comenzarn ~construirse MCE especializadas, adaptadas a l!t sol~ci6n de. problemas por el mtodo de Montecarlo. En las MCE universales, que raramente se aplican
para los clculos a base de nmeros aleatorios, no es econmico mantener y explotar un dispositivo especial. Resulta
ms conveniente emplear los asi llamados nmeros seudcaleatorios.
3.3. Nmeros seudaleatorlos. Como quiera que la calidado de los nmeros aleatorios empleados se controla mediante tests especiales, podemos no interesarnos por el procedimiento aplicado para obtenerlos exigiendo solamente que
verifiquen el sistema de tests adoptado. Incluso podemos
intentar. c~lcularlos a partir de una frmula dada. Por supuesto, debe ser una 'fO:rmula muy ingeniosa.
Losnme.i:os que se obtienen a partir de una frmula y que
imitan los valte.s de ln variable a.lea.tori~ y se denominan
nmeros seudalea.torlos. La palabra ~imitan significa que
ests nmeros verifican una serie de tests como si fuesen
valores de esta V.ariable aleatoria .
El primer algbritl,llO "destinado a l~ construccin de nmeros seudoaleatorios fue propuesto por J . von Neumann y se
conoce como el mtodo de centros de cuadra4os. Para explicarlo
recurriremos a u n ejemplo,
Co.nsideremos el n.1,Uero 'Yo :: 0,9876 formado por cuatro
cifras. Al elevarlo al cuadrado obtendremos el nmero
y~ = 0,97535376 de ocho cifras. Tomemos las cuatro cifras
que aparecen en el ce.ntro de este nmero y pongamos l'i =
= 0,5353.
Elevando ahora y 1 al cuadrado <-v: = 0,28654609), escojamos de nuevo las C\latro cras del centro y pongamos y 1 =
31
y:
v! =
Ejemplo. 2). Strel es una M CE de l!'es direcciones con conHt flo tan
te. La clula e n la que se inscribe el nmiero z coust:l de 43 1de11es binarios (fig. 8). La com putadora opera con nlmcros binarios en forma
normalizada: z = q2*P, dondo p es el orden y q la ma ntisa del
Montiso
Orden
e.2
835
+ .. .+ e.42 2.
P = e.312 5+ e3s2 4
La condicin de normalizaci n 0,5 ~ q < 1 significa que e1 es s iem se representa por Hl cero y ~l ~igno ~ - ~
pre igual a 1. El signo
por el uno.
. El nmero Yli+i se obtiene del umt~ro '\' realizando tres <lpcrac.JOnes:
1) Yk se multiJJlica >or una constanto grande q ue, como regla,
E-O toma igual a 10r1;
1
) Podemos resumir cs1.e algoritmo en la f rmyl
i'li+1 = P (y}, donde F r&presenta el conjuuto de operaciones (!lle
deben~os
32
2) la imagen dcJ producto 1017 Y11. se desplaz:t en siete 6rdenes hacio
la izquierda (d!! modo que fos siete primetos rdenes del producto desaparecen mipntras que en los rdenes del 36 al 42 aparecen ceros);
3) se toma el valor absoluto del nmero obtenido (despus do normarlo) que ser precisamente Yk+i
Si arrancamos de y 0 = i, este proceso permite o~tener ms de
80 000 nmeros diferentes 'Vk; despus en la suoesn surge un pOTodo
y los nmeros comienzan a repetirse. Diferentes controles de los
50 000 primeros nmeros .han dado resultados plenamente satisfactorios. Estos nmeros se hati empleado ms de una. vez para la solucin
de divers-0s problemas.
33
siguiente
(o~~ o~;s
o,;;5
o.~~s)
(22')
!'le
Ffg. 11
34
con la distribucin
X1
~= ( Pt
X2 , Xn.)
Pz Pn
+ ...
y
Flg.
to
intervalos obtenidos (fg. 10). Con esto concluyen los preparatiYos del sorteo de S Cada vez que tengamos que realizar .un experimento~ y sortear el valor de
t-0maremos un
valor de 'I' y construiremos el punto y = y. Si este punto
a parece en el intervalo correspondiente al nmero t, aceptaremos que = x 1 (en este experimento).
,Es muy ..fcH argumentar la legitimidad de este procedimiento. En efecto, puesto que la variable aleatoria 'Y est
uniformemente dist#buida en (O, 1), la probabilidad de que
'I' pertenezca a uno de los intervalos es igual a Ja longitud
del ~isino . Por consiguiente,
s,
P {O<i'<P1}=P1
P {P1 <'V< Pt + Pz} = P2.
s=
x 1 cuando
35
han sido introducidos uno trai- otro en la memoria. En la
fig. t1 do la pg. !!iguient.e representnmos el esquema
sinptico del subprograma de sorteo de S.
Ejemplo. Sortcnsc iO valores de la variable 11 lel'ttoria eon la d istribucin
x1, x 2 ,
(23)
a
y=
Jp(x)dx.
a
36
1
Determlriamos 'V
1
1
'V< Pt1
s!
no
'
Tomamo1
~=:i-1
lleconstruimos ltll
direcciones
de Pt V Xt
Flg. tt
37
De las propiedades generales (15) y (16) clo la densidad resulta
que
y (a) = O, y (b) = 1
y que la de rivada
Flg. t i
a'< x <
b'
y (a')
<
<
y (b').
38
p (:r;) dx.
a'
Es decir,
P {a'<~< b'} =
b'
p (x) dx;
(J'
Flg. t8
Yalo:
1
p(x)= - 0 -a
para
a < .x< b.
39
Para sortear los valores de 11 formamos la ecuacin (23):
b -a= ,
= a + 'V (b - a).
(24)
40
En parLicular, esto ocurre en el caso de la variable aleatoria normal ' ya que la ecuacin
1V 2:1t
x
J e--a
t
X=y
- oo
Mo' - - - - - -- - --
--.
Flg , 1'
41
= 0,5
X2
2
EJEMJ;>LOS
DE APJ... ICACION
DEL M-eTODO
DE MONTECARLO
CAPITULO
5.
ANLISI$
DE UN SISTEMA D.E SE.RVlClOS
43
{26)
La ley (26) lleva tambin el nombre de distribucin exponencial (vase la fig. 15, donde hemos representado las densidades (26) para a = 1 y a = 2).
y
2
Ftg. Hi
MT =
<'<>
xp (x) dx=
xae - 0 xdx.
Mt =[- .:re-xlo+
ae-xdx), obtenemos
-llX]"" =7
1
Jf e-axdx = [. --70
o
El parmetro a se denomina densidad. del flujo de pedidos.
La frmula correspondiente al sorteo de se obtiene
fcilm0nt0 de la ecuacin (23) que tiene en nuestro caso ln
forma
44
Calculando la integra l del primer miembro, obtenemos la
relacin
1-e - 0T--y,
de donde resulta
't =
--lu (1-i).
a
Como quiera que la variable 1 - y tiene la misma distribucin que y, podemos emplear en lugar de la ltima frmula
esta otra
1
= --ln
-y.
4
(27)
5.3. Esquema de clculo. Consideremos, pues, el funcio namiento del sistema descrito en el punto 5.1 en el caso
de un flujo elemental de pedidos.
Pongamos cada lnea en correspondencia con una clula
de la memoria interior de la MCE inscribiendo en la clula
el momento en que queda libre la linea. Sea ti el momento
en que q1eda libre la i-sima lnea. Aceptaremos que los
clculos se inician cm el momento T 1 = O en el q ue se recibe
el primer pedido. Podemos aceptar que en este momento
todos los t 1 son iguales a T 1 ya que todas las lneas estn
libres. El tiempo final del clculo ser Tun = T1 + T.
El primer pedido va a la lnea nmero 1. Por consiguiente, esta linea permanecer ocupada durante el tiempo toe
Por eso, debemos tomar en lugar de t 1 el valor nuevo (t1}nv =
toe, agregar uno al contador de los pedidos cum= T1
plidos y pasar a considerar el .segundo pedido.
Supongamos que hemos considerado ya k pedidos. Debemos entonces sortear el momento de recepcin del (k
1)simo pedido. Con este fin escogemos el valor siguiente de y
y calculamos, a partir de la frmula (27), el valor siguiente = "t'i.i despus determinamos el momeuto de recepci6n
1'k+1=T11. + '"
Estar libre para este momento la primera lnea? Para
responder, debemos comprobar la condicin
t,~Ttt+l
(28)
45
de pedidos cumplidos y pasar a considerar el pedido si-
guiente.
Si la condicin (28) no se cumple, ello significa que la
primera lnea est ocupada en el momento T1i+i Comprobamos entonces si est o no libre la segunda lnea:
t2
<
1'11.+t
(29)
+ toe
> Trin
Mcum
~ ~ ~ ~lcum V)>
j=1
N
Mre ch
~ ~ ~
J.l>rech l
i-1
46
Entrada de datos
i= 1
!
1
inv = ioJ+ 1
jnv
< N?
--
l= t
~1
_. -
_,1- --
_i,_~__r_h_?_ _
..___
110
l (t 1)nv = Th + toe
J.
Agregamos 1 al contador de
pedidos cumpl tdo1
Agregamos J al contadnr
de pedid1>s rechazado1
1--
'
Clculo d e resultados., salida
de resultados. fin del
problema
l'f1t=-+lny
T1tH""Tk+-r11
I
Flg. 16
knv=kvrl-1
1
1
41
ner en la seccin Fin del experimento los valores de 011 m rJ>
(Ji que resultan en ca-da uno de los experimentos).
5.4. Problemas ms complejos. Es fcil persuadirse de
que este mismo mtodo se puede aplicar en sistemas mucho
ms complejos.
Por ejemplo, t 00 puede ser una variable aleatoria, y no
una magnitud constante, y tomar diferentes valores para distintas lneas (lo que significa que las lneas se distinguen
por sus equipos o por la calificaci6Ii del personal). El esquema de clculo , en esencia, continuar siendo el mismo,
pero 'habr 'que sortear cada vez los valores de t 00 correspondiendo a cada lnea una frm ula de sorteo propia.
Tambin se pueden con~iderar los llam ados sistema.s
con espera que, en lugar de rechazar inmediatamente el
pedido que no pueden cum plir, lo conservan durante cierlo
tiempo tp (ttempo de permanencia del pedido en el sistema);
si en el transcurso de este tiempo se libera una de las lneas,
dicha lnea atiende el pedido.
Adems se pueden consi derar sistemas on los qul:l el
pedi do en turno es atendido por la linea que se li bera a ntes
que otras. Por otra parte, es factible tomar en consideracin
las intermitencias aleatorias de las lueas, el ti empo aleatorio de reparacin de las mismas, la variacin segn el tiempo
de In densidad del flujo de pedi dos y otros muchos factores.
Por supuesto, el a nlisis de estos sistemas exige determinados esfuerzos. Para obtener resultados de valor prctico
debe ser ideado un modelo correct.o. Esto requi ere un estudio
suficientemente minucioso de los flujos reales do pedidos, el
cro nometraje del fon cionamiento de la s secciones del sistema,
otc.
Hablando en trminos generales, os preciso conocer las
leyes probabilsticas de foncionamient-0 de las secciones del
sistema. En este caso, el mtodo de Montecarlo permite ha~
llar las leyes probabilst icas del funcionamiento de todo el
sistema por complejo que sea.
Estos mtodos de anlisis resultan muy tiles cunndo se
trata de proyectar unn empresa: en lugar de realiza r un experimento real cost oso (y a veces imposible de realizar), pode
mos exporimentar en la MCE simula ndo distintas variantes de organizacin del trabajo o del empleo de Jos
equipos.
y de ree h
48
6.
ANLISIS
DE LA GALlDAD
Y DE LA SEGURIDAD
DE PIEZAS
6.1. Esquema elemental de ~lisis de la calidad. CQnsideremos una pieza S que const.a de cierta cantidad (posiblemente grande) de elementos. Por ejemp~o, si S es un aparato
elctrico, sus elementos pueden s~r las resistencias (R<k
las capacidades (C110), las lmparas, et c. Supongamos que
~f--~-2_2_K_!2~5_%_2_W~----t~
Jl'lJ. i 1
(30)
Por ejem plo, si Ves la tensin en una seccin de un circuito elctrico, podemos considerar, basndonos en la ley de
Ohm, las ecuaciones rlel circuito y determinar U de estas
ecuacione!:.
S in embargo, los valores reales de los par me tros de los
elementos diiieren de los valores nominales. Por ejemplo, la
resistencia representada en la fig. 17 puede tomar un valor
cualquiera comprendido entre 20,9 y 23,1 kQ.
Surge la cuestin siguiente: cmo influyen en el valor
de U las desviaciones que se observan entre los valores
reales y nominales de los parmetros de todos los elementos?
Los Hmit.es de variacin de U podran estimarse escogiendo para todo elemento los valores peores de los parmetros.
Pero no siempre ni mucho menos se conoce qu coleccin
49
de parmetros ser la peori>. Adems, habiendo muchos
elementos, esta estimacin resultar exagerada por cuanto
es poco probable que todos los parmetros a la vez resulten
malos.
Por eso, es ms razonable tratar de estimar la esperanza
matemtica MU y la varianza OU considerando que tanto
los parmetros de los elementos como el propio parmetro U
son variables aleatorias. La magnitud MU representar el
valor medio de U en toda la partida de piezas y la magnitud
DU indicar qu desviaciones entre U y MU pueden presentarse realmente.
Recordemos que (segn hemos sealado en el punto 2.2)
MU
Siendo f una funcin ms o menos compleja, se hace imposible el clculo analtico de la distribuci'n de U. A veoos
se logra determinarla experimentalmente analhando una
gran partida de piezas elabora das. Pero esto no siempre es
posi.b le y jams puede realizarse en la fase de diseo de una
pieza.
Intentemos aplicar el mtodo de Montecarlo. Para ello es
necesario: a) conocer .las caractersticas probablsticas de
todos los elementos y b) conocer la funon f (mb exactamente, saber calcular el valor de U a partir de cualesquiera
valores fijos de Ru> R 1i> ; C0 ,, C 11,, ; ) .
La distribucin probahilistica de los parmetros de cualquier elemento se puede obtener experimentalmente analizando una gran partida de estos elementos. Dicha distribucin resulta muy a menudo normal. Por eso, muchos
investigadores parten de ello considerando, por ejemplo,
que la resistenci a del elemento representado en la fig. 17
es una variable aleatoria normal p con la esperanza matemtica Mp = 22 y con 3cr = 1,1 (recordemos que en un
experimento es prcticamente imposible obtener un
valor de p que difiera de Mp en ms de 3u; vase la f6rmula (20)).
El esquema del anlisis es muy sencillo: para todo elemento se sortea primero el valor del parmetro y se calcula
despds, a partir de la frmula (30), el valor de U. Este experimento se repite N veces; obtenidos los valores 0 11 U2 ,
50
.... , u,.,.,
se toma aproximadamente
MU~
~ V,
N
DU
~ N~t [ ~
(U1)'1.-
~ (~
U1rJ.
i -1
jcsJ
Flg. l8
51
El tiempo de duracin de cualquier elemento es, en realidad, una variable a leatoria 0 0 , , . Cuando decimos que el
plazo de duracin de una bombilla es de 1 000 horas, estamos hablando del valor medio M6 de la variable 8; todos
comprendemos que una bombilla se fundir antes mientras
que otra (de la misma parti da) durar ms.
Si conocemos las densidades de distribucin de 0 0.,
para todos los elementos que componen la pieza, podemos
3
5
2
4
P lg. t9
M8 ~ i~ ~ t1,
J-t
52
15
24
32
17
19
2
6
)(
Flg. 20
1<UJ<6,5.
Dividamos el intervalo 1. < x < 6,5 en 11 intervalos
iguales de longitud 6.x = 0,5 (o en otro nmero de intervalos no muy grande ni tampoco muy pequeo) y calculemos
cuntos valores u, corresponden a cada intervalo. Hemos
representado estas cantidades en la fig. 20.
Dividiendo entre N = 120 estas cantidade.s, obtendremos
las frecuencias correspondientes a cada intervalo. En nuestro
caso estas frecuencias son: 0,017, O; 0,008; 0,12; 0,20; 0,27;
0,14; 0,16; 0 ,06; 0,008 y 0,017.
En cada intervalo construimos a hora un rectngulo de
rea igual a la frecuencia de U1 correspondiente a dicho
intervalo (fig. 21). En otras palabras, la altura de todo rectn-
53
gulo es igual a la frecuencia di vdida entre l'lx. La figura
escalonada as obtenida se <tenomina histograma.
El histograma ofrece una aproximacin de la densidad
desconocida de la variable aleatoria U. P or esto, el rea del
histograma comprendida entre, digamos, x == 2,5 y x = 5,5
nos da un valor aproximado de la probabilidad
p {2,5 <
P {2,5 <
~' <
5,5}
= <1
5 ::.
2n
(x-11)'&
rJ e --za- dz.
2,S
~ <
5,5J =
,,
V 2n J e
at. Tendremos
-~
2
at,
11
donde
i
88
(:r)
= l -2n
1i
r -2
J dt.
X
As encontramos
p {2,5 <
54
6.4. Obsenaci6n. Lamentablemente son raroll, por ahora,
los casos en los que se aplican semejantes clculos. Es difcil explicar esto. Posiblemente se deba a que los diseadores
ignoran esta posibilidad.
Adems, para poder aplicar este mtodo al diseo de
piezas es necesario estudiar previamente las caractersticas
0.1
)(
Flg. 1t
55
7.
Las leyes probabilisticas de la interaccin entre una partcula elemental (neutrn , fotn, mesn, etc.) y la materia
son conocidas. Como regla, es preciso conocer las caractel'sticas macroscpicas -densidades, flujos, etc. - de procesos
en los que participa una gran cantidad do estas partculas.
Esta situacin se asemeja a la que hemos analizado en el 5
y en el 6 y resulta muy apropiada para la aplicacin del
mtodo de Montecarlo.
Posiblemente sea en la Fisica de neutrones donde se aplica
con mayor frecuencia el mtodo de Montecarlo. Analizaremos
la variante ms sencilla del problema sobre el paso de neutrones a travs de una placa.
7 .1. Planteamiento del problema. Supongamos que una
placa homognea infinita O~ x ~ h es bombardeada por
un flujo de neutl'ones de energa E 0 siendo el ngulo de incidencia igual a 90. Al chocar con los tomos de la placa, los
neutrones pueden esparcirse elsticamente o pueden ser
absorbidos. Supongamos, para simplificar, que el neutrn
conserva, al esparcirse, su energa y que cualquier cambio
en la direccin del neutrn, provocado por el choque con
un tomo, es igualmente probable (esto ltimo sucede en
materias constituidas por t.omos pesados). En la fig. 22
hemos representado las distintas suertes que pueden correr
los neutrones: el neutrn (a) atraviesa la placa , el neutrn
(b) es absorbido y el neutrn (e) es reflejado.
Es preciso calcular la prob abilidad p+ de que el neutrn
atraviese la placa, la probabilidad p- de que el neutrn
sea reflejado y la probabilidad p de que el neutrn resulte
abRorbido.
a interaccin de 1os neutrones con la materia se caracteriza en este caso mediante do~ constantes ~e y 1: . que se
denominan seccin de absorcin y seccin de dispersin, re~
pectivamente. Los ndices e y s provienen de las letras iniciales de las palabras inglesas capture (captura) y scattering (dispersin).
56
La suma de estas secciones lleva el nombre de seccin
completa
: = l:c
~
Las secciones tienen el siguiente significado fsico: al
ch ocar el neutrn con un tomo de la materia, la probabilidad
+ .
"
Ftf, H
57
recorrido libre medio
MJ. =1 / ~
t
?...=-yin "l
Resta explicar cmo se escoge la direccin aleatoria del
neutrn cuando se produce el esparcimiento. Puesto que
existe en el probJema una simet r.a respecto al ej e x, esta
direccin se determina plenament e con slo indicar el ngulo q> entre la direccin de la velocidad del neutrn y el eje
Ox. Se puede demostrar1) que la condicin de que todas las
direcciones son igualmente probables es en este caso equivalente a la condicin de que el coseno de este ngulo ==
= cos q:> est uniformemente distribuido en el intervalo
(-1, 1). Toma ndo en la frmula (24) a = -1 y b = 1,
obt enemos la frmula para el sorteo de i:
=2y-1.
7.2. Esquema de anlisis basado en 1a simulacin de
trayectorias reales. Supongamos qne el neutrn ha experimentado el k-simo esparcimiento en el punto de abscisa Xk
correspondient e al interior de la plnca y ha comenzado a
moverse en la direccin f.lll
Sorteemos el recorrido libre
A.11 = -(1/ ~) ln -y
y calculemos la abscisa del punto de
(fig. 23)
X11H
coli~in
siguiente
=X+ A,1.
> h.
< 0.
58
Si esta condicin se cumple, concluimos el anlisis de la
trayectoria y agregamos uno al contador de las partculas
reflojndas. Si tampoco se cumple esta condici6n , o sea, si
O ~ x 11 +1 ~ h, ello significAr que el neutrn expel'iro.enta
1
Flg. U
la (k
1 )-sima colisin en el interior de la placa; habr
que sortoar de nuevo el destino)) del neutrn en esta colisin.
De acuerdo con el punto 4. i escogemos el valor siguiente
de i' y comprobamos la condicin de absorcin
i'
<
Eel~.
59
Hemos escrito todos los valores de 'V sin nd ices sobrentendiendo que cada valor de 'V se emplea una vez solamente.
P ara analizar un eslabn de la trayectoria es preciso emplear
tres valores de 'V
Los valores iniciales para cada trayectoria son
x 0 =O y 0 = 1.
Despus de haber analizado de esta forma N trayectorias,
resultar que N~ neutrones han atravesado la placa, que N neutrones han sido reflej ados y que N neutrones hnn quedado
absorbidos.
Es evidente que las probabilidades buscadas son
aproximadamente iguales a las razones
N+
p ~ N
N-
YP ~
NO
60
J Entrada de datos )
~
j =1
l
.
1
A11=--Jny
.______ _,
N;v = N'V1+i
s 1
~
no
,r---y-<~Z-c/_l:_
?_
.___N_~_v_-_N...,...~1_+_1_ _1~<---==s==l~......:~LI
i
inv=vJ+'1
1 fnv < N?
.___(_,[
J no
,.:---~--~~~-
'
Cdlculo de p+, p- y p
_:_n:.=__
_,
___,
61
aceptando q ue todo el tren restante se mueve en uoa misma
direccin.
Todas las frmulas que hemos dado en el punto 7 .2 se
conservan . La nica diferencia consiste en que, despus
de cada colisin, la cantidad de neutrones en el tren disminuir, siendo
62
1Entrado~ de
dato1
k = O, x 0 -0, o=1. wo = 1
1
i
' = ""-
l ny
-Ll-----.,j
__N_ri_v_=_N_t_J_+_w_11~-'I
z11+1
<O?
'-----.,...,-----'1-~
~
I
1 N~v=N~ 1 +w11 (Zc/I)
l/nv
LJ
< N?
_ __11_+_1=_ 2y_ -_
1_ _,
no
--
knv = kvJ +i
Clculo de p", P- ll P -,
Salida de resultados , fin
del problema
Flg. 25
63
s.
CLCULO
DE LA INTEGRAL DEFJNJDA
l =
Jg (x) <lx.
(33)
Mri =
C<>nsi<ieremo~ ahora
(34)
J-t
..!.. ~ (/ (~)
N ~ PE(~)
; .. 1
~l
(35}
Drt=M(rf')-P=
J[g (x)/pdx)1dx-P.
2
65
8.3. Ejemplo numrico. Calculemos el valor aproximado de la
integral
n/2
l=
Jo
senzdz.
o
Emplearemos para el clc1.lo dos distintas variables aleatorias ':
una con la densiiiad constante P (z) = 2/n (o sea, uniformemente
distribuida en el intervalo (O, n/ 2)) y otra con la densidad lineal
Pt (z) = 8.rln". En la ig. 26 hemos representado ambas densidades as
l(
Flg. 28
como la funcin integrando !len z. La figura permite ver (\Ue la densidad lineal est en mayor consonancia con la recomendacion del punto 8.2 de que es deseable que Pt (z) y sen z sean proporcionales. Por
ello, es de esperar que el segundo procedimiento d un resultado mejor.
(a) Soa Pt (.:a:) = 2/n en el intervalo (O, n/2}. La frmula del sorteo
de ~ se puedo obtener de la frmula (24.) tomando a = O y b = n/2:
~ = ny/2.
La frmula (35) da
N
~ 2~ ~ SeD~J
i-t
66
Sea N = 10. Tomemos para los valores de y las ternas de cifras de
la tabla A (multiplicndolas por O,OOt). Los clculos auxiliares aparecen en la tabla 1.
Tabla 1
8
10
y1 jo. B6s/o, 15910. 019jo, 566jo, 1ssjo. 6641 o, 345 1o. 655 Jo, 812 j o. 332
sJ
,2751 o,s21
sen
(8x/n2) clx = y;
, -
~= 2 V'\'
La frmula (35) da
:i2
/~ BN
N
~
2.J
,...
. 1
sen E1
-~J
11
10
YJ
~j
sen~
Io,9os
0,680 O,H3fi O,!l68 0,783 0,937 0,748 0,863 0.751. 0,608 0,868
67
El resultado dt- los clculos es
1 ~1.orn.
re-
(a)
<>pr
011
0.1 03
,256
1
(b)
6cl
1
1
0,02i
0 ,016
0,048
0,016
10
Dr
~ 9~: [ ~
;-1
10
(sen s1)2-
1~ ( ~
1- 1
sen s 1
)2] =
n2
= 36(4
,604-3,670)=0,256.
68
base de estos valores y los orrorcs absolutos reales 6 0 1\1 que se han
obtenido en los clculos.
Como vemos, Bcal es efectivamente del mismo orden que lipr
11.
APENDICE
9.
DEMOSTRACION
DE ALGUNAS
PROPOSICIONES
~ p (z) dx
t
Mo (b - a)
Mo (b-a)
O') ~
10
10
2j
J-1
~
1
n;
rJ
69
<
S p (.r) dx
a'
M 0 (b- a}
Por consiguiente, entre todos los valores que hemos escogido para ~. In parte de los valores que pertenecen al ntery
o
Ftg. 27
S p (z ) dx
1
'
M o(b- a) 111o (b-a) a
,,.
1p( ) dx
X
a'
70
varianza
o~ =
Pt (x) =___!__e - T.
V2m,.
p {
Xt CJ
< e<
.Xz (J a }
Por consiguiente,
P {x1 < ~
<
1
x2} = V n
2
r
J
xi
(x2 - a}/(J
-2
dx.
(x-a)Ja
(X' -a)3
:ri
+ <Jx,
-"2(jr-
x ,
:q
de donde resulta (vase (14)) que la variable ~ es una variable normal con los parmetros M~' = a y D ~' = a 2
9.3. Distribucin uniforme de los puntos (y', y") en
el cuadrado (punto 4.5). Puesto que las coordenadas del
punto (y', y") son independientes, su densidad p (x, y)
es igual al producto de las densidades
P (x, Y) = Pv' (x) Pv (y).
71
un p unto alea torio Q uniformemente distribuido sobre la
superfi cie esfrica; es decir, la probabilidad de que ~~ pertenez ca a cualq uier elome nto dS de la superficie es igu al a:~ .
.)(
Flg. 28
T omemos en la superf icie csf l'ica las coordenadas esfricas (q, \ji) con el eje po lar Ox (fig. 28). 'l\:i n<lremos entonces
dS = sen
qi
drp clip
(36)
p (<p, \jl)= 4 n ;
(37)
72
A partir de la densidad conjunta de q> y ''" podemos calcular
fcilmente 1as densidades de esta s variables:
2n
p~(cp)=
sen q>
5o p (cp, \j))d'P=-2-,
(38)
(39)
qi
w=
2ny.
(40)
; "\sen xdx=y,
cos
<r
1 -
2y.
(41)
Las f rmulas (40) y (41) permiten escoger (sortea r) la direccin alea toria. Po r supuesto, los valores de y en estas
frmulas deben ser distintos.
La ltima f6rm ula del punto 7 .1 se obtiene de la frmula
(41) si se toma 1. - y en lugar de v; pero estas variables tienen
la misma d istribuci n.
9.5. Ventaja del mtodo <le anHsis basado en el empleo
de pesos (punto 7. 3). Consi deremos las variables aleatorias
v y v ' iguales a la cantidad (peso) de neutrones de una misma
tra yectoria que atra viesan la placa, con la particula rdad
de que la primera variable corresponde al mtodo del punto
7. 2 y la sogu nda , al mtodo del punto 7. 3.
Segn el contenido fsico del problema tenemos
Mv = Mv' = p.
(Vase Ja demostracin rigurosa de esta afirma cin en el
libro f3].)
73
(~. 1 ~p+).
, _ (w w
-
w2
w,. . . .
qo qi q?. q,. q
Los valores concretos de q, como \eremos, no nos harn fa lta.
Cualesquiera que sean podemos representar la varianza en
la forma
00
L}w11q 14
,.,.
h-0
Mv' =
[J
1u (x) v (x) j dx
J2 ~) u2 (x) dx Jr;2(z)-ik.
[ Jr
a
Ji r
(x) / dx ~ J
b
V p ~(a:), optene~s
-
g2(x)
Pt (x)
, .
b '
r
.,f g2(i) ' : .
dx J Pdx) dx ~} p(x)4oi,~
ti
:."
d_e
74
Por consgnicnte,
,
01)~ [ ~
dx]
g (x) 1
2
-
(42)
P.
l I g (z) / dx
[g (x)/pt(x)1 dx = [
J1g(x)1 dx
"
clculo de esta inLegral es, de hecho, un problema equivalente al probJema que tenemos planteado acerca del clculo de
b
la integral
J pc;(x)dx=0,5.
a-r
75
En el punto 8.1 hemos realizadoel clculo C1proxim ado de
l a variable normal p = (1/N) (11 1 + 'h + .. . + r1 /\.). Result que su esperanza matemtica es a :;::::: Mr = T y qHe
su varianza 0f; a!! = Dp = 0'1')/N. Por eso, el error probable
de la variable p es aproximadamente igual a 0,675YDlJ/lV.
10.
SO BHE LOS NMEROS
SEllDOALEATORIOS
=F
(-.,,).
(44)
Si se ha dado el nmero inicial y 0 , todos los nmeros siguientes > 1 , l'i . . . se calculau aplicando la frmula (44)
con k = O, 1, 2, ... Ambos algoritmos considerados en el
punto 3.3 son tambin de la forma (44) slo, en lugar de
sealar la forma analtica de la funcin y = F (x}, se hll
i ndicaclo el conjunto de operaciones que debe efectuarse con
el argumento x para obtener el valor de y .
10.L Cmo debe escogerse la func in F (x). El ejemplo
que sigue explica e11 qu consiste una ele las di ficolt.ades
principales que se plantea al escoger F (x).
Ejemplo. Demostremos que la funcin y = F (.:i:) cuyo grfico
aparece en la fig. 29 no se puede emplear para obtener, a partir de la
formula (44), nmeros seudoalcatorfos.
En efecto, consideremos en el cuadrado O< x < 1, O < y < 1
los puntos de coordenadas
('\'1 '\'2), (y,. )'4), (vs. Ya). - . ,
donde )' 2 = F ('y1), Y4 = P ('\'s). )'6 = F (y5 ), . Todos estos {)untos
~e cn<mentran sobre la curva !/
F (.r) y esto, por supuesto, est mu~'
mal ya que los puntos a leatorios vcrdadoros dllbcn cubrir uniformemente todo el cuadrado (vase el punto 9.3).
76
1 .
------------~
y .. F(x)
)(
.F lg. 29
77
La fnula (46) significa que el nmero m4 + 1 es igual al
resto que se obtiene al dividir 5 11 m11 entre 240 gn la teoria
de las congruencias (vase cualquier texto de Teora de los
y
'
Y={20x~
)(
Flg. 30
nmeros) este resto lleva el nombre de residuo positivo mdulo 240 mnimo . Por eso, el algoritmo suele denominarse
mtodo de congruencias o mtodo de residuos.
Es muy fcil realizar las frmula s (46) y (47) en las
MCE que funcionan con nmeros de 40 rdenes aplicando
la operacin de multiplicacin con el nmero duplicado
de 6rdenes1 ) : hay que emplear l as cifras correspondientes a
los rdenes menores del producto.
El perodo de la sucesin m,. es igual a 238
En el caso de las MCE que funcionan con nmero do 36 rdones, so
toman en las frmulas (46) y (47) los nmeros 516 y 23e en lugar de .5 17
4
y 2 0; el perodo de la sucesin
es igual entonces a 23 1
m,.
1) La MCE Strel
realizar esta operacin.
(v~ase
el punto 3. 3) no puede
Tablas
Tabla A. 400 cifras aleatorias 11
86515
69 186
41 686
86522
72 587
52452
76773
04825
87 113
84754
0,2005
t,1.609
0,5864
0, 1425
0,9516
-0,5863
1, 1572
-0,4428
-0,3924
0,831.9
0,9780
90795
03393
42163
47171
93000
42499
97 526
82134
84778
57616
1, i922
-0,6690
-0,9245
-0,2863
- 1,7708
0,8574
0,9990
-0,5564
1,7981
0,4270
-0,7679
66155
42 502
85181
88059
89 688
33346
27256
80 317
45863
38 t 32
66434
99224
38967
89342
78416
83 935
66 447
75 120
24 520
64 294
56558
88955
33 181
67 248
27 589
79130
25 731
45904
19976
15218
12 332
53 758
72 f>64
09082
99528
904'10
37 525
75601
04 925
49286
-0 ,0077
94377
9i 641
53807
12 311
14480
45 420
16 287
70492
07824
89571
57 802
i 8 867
00 607
90 316
5096t
77 757
66 181
10 274
76 044
42903
1,1803
-0,2736
0, 1012
-2, 3006
- 0,9690
- 1,2125
0,2119
--0,1557
0,0033
1,0828
-1,3566
-0,6446
-0,0831
-..J
-0,2033
1,2237
-1,1630
00
1,3846
-1 ,4647
-1.,2384
-0, 1316
-0,7003
i ,8800
1) Las cifras aleatorias Imitan los valores de Ja variable aleatoria con le d istrlbucln (22) (Yase el punto 3 .1).
~)Los valores normales imitan los valores de la variable aleatoria Mrmal ((aussiena) t con los pnrmetros a ~ o
y O=
t.
LITERATURA
A NUESTROS LECTORES:
lecciones populares
~
~
~
~
de matemticas
::
E. Ventsel
Elementos de la teorla de los juegos
L . Golovin e l. Yaglom
Induccin en la Geometrfa
A .G. Krosch
Ecuaciones algebraicas de grados arbitrarios
A.I. Markushvich
Sucesiones recurrentes
l. Natanson
Problemas elementales d e mximo y mlnimo
V. Shervtov
Funciones hiperblicas
I.M. Yaglom
lgebra extrao rdinaria
L...~~~~~~~~~~~~~~~~~~~~~~~~~~~~~--'
Editorial MIR
Mosc