Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pub Doc Tabla Aen 4232 1
Pub Doc Tabla Aen 4232 1
la simulacin de
Monte Carlo
Juan Carlos Lpez Ag
ndice
Captulo 1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
16
31
35
51
4.1.
53
4.2.
53
4.3.
54
4.4.
55
4.5.
56
4.6.
58
4.7.
59
4.8.
60
4.9.
63
Captulo 2.
Captulo 4.
10
ndice
67
71
79
87
Captulo 5.
8.1.
Distribucin normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.1.1. Mtodo de Box-Muller, o mtodo polar . . . . . . . . . . .
88
8.1.2.
89
8.1.3.
90
8.1.4.
Mtodo de Ahrens-Dieter . . . . . . . . . . . . . . . . . . . . . . . . .
91
8.1.5.
92
8.1.6.
93
8.1.7.
93
8.2.
Distribucin de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
103
8.3.
104
8.3.1.
106
8.3.2.
106
8.3.3.
107
8.3.4.
107
Distribucin beta (a ; b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
108
8.4.1.
110
8.4.2.
Algoritmo de Fox . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Algoritmo de Johnk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.4.3.
Algoritmo de Cheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
112
8.4.
88
112
8.5.
112
8.6.
114
ndice
11
8.7.
115
8.8.
116
8.9.
116
119
135
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
155
Captulo 10.
Introduccin
Para los objetivos de esta gua bsica, simulacin ser sinnimo de generacin
de datos artificiales en un ordenador. Entre sus objetivos podemos destacar los
siguientes (DAVISON, A.C. Cambridge Series in Statistical and Probabilistic
Mathematics. Cambridge. 2003 {12}):
a) estudiar la variabilidad que puede esperarse al muestrear en un determinado
modelo estadstico,
b) evaluar el grado de adecuacin de una aproximacin terica determinada,
c) realizar anlisis de sensibilidad de las conclusiones de un estudio en relacin
con las hiptesis adoptadas,
d) aportar mayor luz respecto de un supuesto o intuicin, sobre la base de que
es preferible una respuesta incompleta a una cuestin correctamente formulada, que una respuesta precisa a una cuestin incorrecta,
e)
f)
14
Introduccin
15
describiese el sistema real o incluso un prototipo del mismo. Por definicin, las
ecuaciones constitutivas del modelo es decir, su especificacin son conocidas,
de modo que el proceso interno de transformacin de las variables de entrada en
variables de salida es conocido y fijo una vez construido el modelo, y generalmente establecido en forma de algoritmo.
16
f(x) dx % 1.
[1.1]
x f (x) dx,
D
[1.2]
17
Introduccin
[1.3]
f (x) dx,
[1.4]
1
0
si
si
x S
x S ( x S1 ).
[1.5]
[1.6]
S(x)f(x) dx %
D
1 f(x) dx !
S
0 f(x) dx %
S1
f(x) dx,
[1.7]
[1.8]
que identifica la probabilidad de que X pertenezca a S con la esperanza matemtica de la funcin indicadora de pertenencia de X a S. Esta expresin es clave en la
18
g(x) dx,
[1.9]
siendo g(x) una funcin de la que se va a suponer que no tiene primitiva expresable analticamente, lo que hace que a no sea calculable por mtodos analticos
en particular por la regla de Barrow. El camino tradicional seguido en tales
casos es el de utilizar algn mtodo de integracin numrica para calcular a con
una precisin prefijada. Muchos son los mtodos competidores, pudindose mencionar entre otros la aproximacin de Riemann, la regla del trapecio o de Simpson, el procedimiento de Newton-Cotes, el mtodo de Romberg, etc. Se trata en
todos los casos de mtodos deterministas aplicados a un problema de enunciado
puramente determinista como es [1.9].
Sin embargo, a pesar de que el sistema real es determinista y de que los mejores
procedimientos de resolucin de [1.9] son tambin en este caso los del anlisis
numrico de base determinista, es posible construir un modelo de simulacin de base estocstica que permita estimar a mediante la metodologa Monte
Carlo.
Considrese al efecto la variable aleatoria auxiliar X z U V Unif (0 ; 1) distribuida
uniformemente en el intervalo [0 ; 1]. La funcin de densidad en dicho caso es:
0
f (x) % 1
0
;
;
;
x m 0,
0 a x m 1,
1 a x.
[1.10]
Introduccin
19
Eso hace que se pueda interpretar [1.9], es decir la integral a calcular, como la
esperanza matemtica de g(X), siendo X una variable aleatoria uniforme en el
intervalo [0 ; 1]:
a % E[g(X)],
[1.11]
X V Unif (0 ; 1).
[1.12]
La Figura 1.3 muestra el modelo de simulacin sugerido para estimar el parmetro del sistema real a mediante la metodologa Monte Carlo.
1 m
; g(xi).
m i%1
[1.13]
Ntese que si g( ) es integrable en [0 ; 1], entonces por la ley fuerte de los grandes nmeros se obtiene el importante resultado de que a4 m tiende a a con probabilidad 1 cuando m tiende a .
Si adems el cuadrado de g(x) es integrable en [0 ; 1] y se define,
p2g % var [g(X)] %
[1.14]
20
[1.15]
[1.16]
mr
Introduccin
m
1
; [g(xi) . a4 m]2,
m . 1 i%1
sg %
21
[1.17]
para lo que slo es necesario utilizar resultados del modelo de simulacin. Con
ayuda de sg se puede establecer un intervalo de confianza de nivel 100(1 . d)%
para a. Dicho intervalo, que tiene el carcter de aproximado, es a4 m u zd/2 sg /m,
pues al ser m un nmero elevado en las aplicaciones de los modelos de simulacin
est justificado utilizar el cuantil zd/2 de la N(0 ; 1). Se puede as poner,
Pr a4 m . zd/2
sg
m
m a m a4 m ! zd/2
sg
m
^1.d,
[1.18]
h(y) dy,
[1.19]
h[a ! (b . a)x] dx %
g(x) dx,
[1.20]
con g(x) % (b . a)h[a ! (b . a)x]. Esta integral coincide con [1.9], lo que hace
aplicable inmediamente la metodologa de Monte Carlo para su resolucin. Incluso
22
si alguno de los lmites no es finito existe una transformacin adecuada para utilizar los resultados anteriores. Sea por ejemplo la integral
a%
t(y) dy,
[1.21]
I A B
1
a%
1
dx
t
%
1 ! x (1 ! x)2
g(x) dx,
[1.22]
t( y) dy,
[1.23]
m(y) dy,
[1.24]
se transforman fcilmente en integrales del tipo [1.9] mediante el cambio de variable y % b ! ln (x) con dy % dx/x. Es claro que en tal caso la funcin g(x) de [1.9]
sera g(x) % m[b ! ln (x)]/x.
Por ltimo, las integrales del tipo
a%
n( y) dy
[1.25]
Introduccin
23
II I
[1.26]
24
cin. Para fijar ideas se comentar a continuacin la aplicacin del muestreo por
importancia al clculo de integrales.
Supngase que se quiere estimar como antes la integral [1.9]. Si la funcin g(x)
difiere mucho de la funcin de densidad de la distribucin uniforme en forma,
no en altura o valor entonces var [g(x)] dado por [1.14] toma un valor elevado,
incidiendo negativamente en la precisin de la estimacin a4 m. La Figura 1.4 es til
para entender que el hecho de que el muestreo se lleve a cabo en la distribucin
uniforme tiene una relacin directa en la varianza de g(x) y por tanto en la precisin de la estimacin. Se ha elegido una funcin g(x) particular marcadamente decreciente en el intervalo (0 ; 1). Ntese que a representa a la vez el rea bajo la
curva g(x) en el intervalo (0 ; 1) y el valor medio de g(x) en dicho intervalo por ser
de ancho unidad.
Esta ltima es la razn por la que a aparezca representado en la Figura 1.4 como
una ordenada que, aunque desconocida por hiptesis, existe, y su inclusin es til
porque facilita la exposicin. Es evidente que la mayor parte del rea que representa a se encuentra en la parte ms a la izquierda del intervalo (0 ; 1), donde las ordenadas de g(x) son altas, mientras que una parte pequea de dicha rea se encuentra en la zona de la derecha del intervalo (0 ; 1) por la razn contraria. Eso
significa que cuando una extraccin aleatoria de la Unif (0 ; 1) ha ocurrido en una
parte de la izquierda del intervalo (0 ; 1) la contribucin de dicha extraccin al
rea estimada a4 m, medida por g(xi)/m segn [1.13], tiende a sobrevalorar la contribucin media, y que la contribucin de dicha extraccin a sg2 vase [1.17]
Introduccin
25
tiende a ser muy alta. De forma parecida, cuando una extraccin aleatoria de la
Unif (0 ; 1) tiene lugar en la parte derecha del intervalo (0 ; 1), la contribucin de
dicha extraccin al rea estimada a4 m tiende a infravalorar la contribucin media
pero a aumentar el valor de sg2.
Si el muestreo se hubiera concentrado en los aledaos de x0 (vase la Figura 1.4)
las cosas hubieran ido mejor, pues al ser prximos a a los valores g(xi) correspondientes a las extracciones realizadas, sus contribuciones individuales a a4 m habran estado cerca de la media, a4 m/m, y la contribucin de g(xi) a s g2 habra sido
pequea. Sin embargo tal tipo de muestreo privilegiado, o muestreo por importancia no puede darse utilizando la distribucin uniforme, que tender a repartir uniformemente, como es lgico, el conjunto de todas las extracciones en el intervalo
(0 ; 1). Pero existe, afortunadamente, una manera indirecta de llevar a cabo ese
muestreo por importancia, que consiste en ponderar de manera diferente las contribuciones de g(xi) en a4 m y en sg2. Esa ponderacin distinta de la cuota uniforme
1/m se puede llevar a cabo utilizando otra mtrica de probabilidad en [1.9] diferente de la uniforme. El cambio de mtrica no es especialmente difcil como se
ver a continuacin.
El desarrollo siguiente se realiza partiendo de la expresin [1.3] que permite hacerlo ms general prcticamente sin esfuerzo adicional. nicamente se necesita
aclarar que la esperanza matemtica es un operador que utiliza una determinada
mtrica de probabilidad, la de la distribucin cuya funcin de densidad interviene
en el clculo de dicha esperanza. En la expresin [1.3] la mtrica viene inducida
por f(x) y tal vez hubiera sido ms adecuado expresar dicha integral en la forma
a % E f [g(X)] %
g(x)f(x) dx.
[1.27]
26
Sea ahora h(x) una funcin de densidad auxiliar, cuyo soporte se va a designar por
H, de modo que D H, es decir que el soporte D de f(x) queda incluido en H
o, lo que es igual, que f(x) b 0 implica que h(x) b 0 para todo x. Esta exigencia
tambin implica que h(x) b 0 para x D, de modo que la siguiente transformacin en [1.27] es vlida:
a % E f [g(X)] %
IC
D
g(x) f (x)
h(x) dx.
h(x)
[1.28]
D IC
g(x)f (x)
%
h(x)
g(x) f (x)
h(x) dx,
h(x)
[1.29]
IC
H
IC
g(x) f (x)
h(x)dx %
h(x)
I C
g(x) f (x)
h(x)dx !
h(x)
HD1
g(x) f (x)
h(x)dx,
h(x)
[1.30]
y si se observa que por ser D el soporte de f (x) debe ser necesariamente f (x) % 0
para x D1 y por tanto para x H D1 , se concluye que la ltima integral de este
desarrollo es nula, por lo que se obtiene:
a % E f [g(X)] %
IC
D
g(x) f (x)
g(x) f (x)
h(x) dx % E h
.
h(x)
h(x)
[1.31]
Introduccin
27
Si se designan por xf1, xf2, ..., xfm ciertas extracciones aleatorias e independientes
de la distribucin f(x), y por xh1, xh2, ..., xhm ciertas extracciones aleatorias e independientes de la distribucin h(x), se pueden construir dos estimaciones diferentes de a, que van a ser designadas por a4 f, m y a4 h, m :
a4 f, m %
a4 h, m %
1 m
; g(xf i),
m i%1
[1.32]
C D
[1.33]
1 m f (xhi)
;
g(xhi).
m i%1 h(xhi)
Estas dos estimaciones de Monte Carlo son realizaciones de estimadores centrados en a por [1.31], pero la varianza del error de estimacin puede ser muy diferente en uno y otro caso. Una eleccin adecuada de la distribucin auxiliar h(x)
puede hacer que la varianza del error de estimacin a4 h, m . a sea sensiblemente
inferior a la varianza del error de estimacin a4 f, m . a. Para ello es conveniente que
la densidad h(x) sea prxima al producto de g(x) f (x) por una constante de proporcionalidad que no es necesario determinar. En tal caso los trminos del
sumatorio [1.33] sern prximos a esa constante de proporcionalidad aludida y
como consecuencia la varianza de f(x)g(x)/h(x) ser pequea. Ntese que en el
caso particular de que h(x) f (x)g(x) todos los trminos de [1.33] seran constantes y la varianza nula. Sin embargo en este caso la constante de proporcionalidad que al ser aplicada al producto f(x)g(x) la hace coincidir con h(x) es 1/a, el
inverso de la integral a calcular, de modo que esa eleccin tan precisa de h(x)
cuando es posible es equivalente al clculo de la integral solicitada y no es
necesario continuar con ningn tipo de muestreo. Ni que decir tiene que una
eleccin desafortunada de h(x) puede conducir a un resultado distinto del deseado: que la varianza de a4 h, m . a sea superior a la de a4 f, m . a.
En el caso particular de que f (x) sea la funcin de densidad de la distribucin uniforme Unif (0 ; 1), la integral [1.27] coincide con [1.9] pues f (x) % 1 para
0 a x m 1 y f (x) % 0 para x fuera del intervalo (0 ; 1]. En ese caso las extracciones
xfi de la expresin [1.32] son uniformes Unif (0 ; 1). Ntese que la expresin
[1.33] en tal caso no puede simplificarse sustituyendo f (xhi) por la unidad, pues
esto sucede slo en el caso de que 0 a xhi m 1, pero como el soporte H de h(x)
puede contener valores de xhi fuera del intervalo (0 ; 1], en tales casos ser
f(xhi) % 0, por lo que f (xhi) debe permanecer como tal en [1.33] a pesar de que
f(x) sea la distribucin uniforme. Slo cuando el soporte H de h(x) coincida con
28
g(x)f (x)
s(x)f (x)
%
% f (x 8 S),
Pr (X S)
a
[1.34]
es decir la funcin de densidad de X condicionada por el suceso X S. Una eleccin de h(x) lo ms prxima que se pueda a f(x 8 S) provocar una disminucin
notable de la varianza del error de estimacin.
El muestreo por importancia pone de manifiesto que en muchos casos ser conveniente muestrear de distribuciones h(x) cualesquiera y no slo de la distribucin
uniforme. No obstante, el muestreo de la distribucin uniforme es muy importante la en simulacin de Monte Carlo, tanto porque es la base de la resolucin de
algunos problemas tpicos de la metodologa Monte Carlo como la integracin
y la optimizacin de funciones como por ser un paso previo para la generacin
de otro tipo de variables aleatorias, en tanto que los algoritmos ideados para llevar
a cabo esa generacin se apoyan siempre en la extraccin de variables aleatorias
uniformemente distribuidas.
La importancia que tiene el muestreo de la distribucin uniforme en la simulacin
estadstica hace aconsejable que se le dedique un epgrafe, aunque el estudio del
mismo se puede omitir sin prdida importante de continuidad. Si as se hace, se
puede pasar directamente al captulo 3 dando por hecho que los ordenadores son
Introduccin
29
capaces de generar secuencias de nmeros aleatorios en realidad pseudoaleatorios del tipo U1, U2, ..., Ui , que se comportan como extracciones independientes de la distribucin uniforme Unif (0 ; 1). En ExcelTM, por ejemplo, cada
vez que se ejecuta la funcin ALEATORIO( ) la mquina devuelve un nmero
aproximadamente aleatorio de la secuencia referida.
La intencin de este libro es hacer que la auditora sea algo positivo, plantear un enfoque participativo
sobre el terreno, ayudar a controlar las emociones que suscita, etc.
Esta nueva obra de Genievive Krebs es una recopilacin real de situaciones vividas a lo largo de las
auditoras donde la autora comparte su experiencia respondiendo a las preguntas planteadas con mayor
frecuencia tanto por los auditores como por los auditados:
Cmo puedo ser innovador durante la auditora?
Tengo miedo de que se audite al estudiante en prcticas y nos ponga en un aprieto. Qu debo hacer?
No me caen bien los auditores que vienen de la central, de la sede principal. Qu puedo hacer?
,6%1