UNIVERSIDAD POLITECNICA DE NICARAGUA UPOLI SEDE-ESTELI

Manual de simulacin Montecarlo

Elaborado por:

Josy Karina Mendieta Castellano

Asignado por: Ing. Pastrana Moreno

Fecha: 22/02/2011

Asignatura:

Simulacin por computadora

IV Ao de Ingeniera en sistema de Informacin

TEMARIO II CONTENIDO:

Historia ***************************************************************************************1

Qu es la simulacin Monte Carlo? ****************************************************************2

Cmo funciona la simulacin Monte Carlo? *********************************************************2

Las distribuciones de probabilidad ms comunes ******************************************************3

Ventajas **************************************************************************************3

Orgenes del mtodo *****************************************************************************4

Ejemplo ***************************************************************************************5

Historia La invencin del mtodo de Montecarlo se asigna a Stanislaw Ulam y a John von Neumann. Ulam ha explicado cmo se le ocurri l a idea mientras jugaba un solitario durante una enfermedad en 1946. Advirti que resulta mucho ms simple tener una idea del resultado general del solitario haciendo pruebas mltiples con las cartas y contando las proporciones de los resultados que computar todas las posibilidades de combinacin formalmente. Se le ocurri que esta misma observacin deba aplicarse a su trabajo de Los lamos sobre difusin de neutrones, para la cual resulta prcticamente imposible solucionar las ecuaciones ntegro-diferenciales que gobiernan la dispersin, la absorcin y la fisin. La idea consista en probar con experimentos mentales las miles de posibilidades, y en cada etapa, determinar por casualidad, por un nmero aleatorio distribuido segn las probabilidades, qu sucedera y totaliza r todas las posibilidades y tener una idea de la conducta del pr oceso fsico. Podan utilizarse mquinas de computacin, que comenzaban a estar disponibles, para efectuar las pruebas numricas y en efect o reemplazar el aparato experimental del fsico. Durante una de las visitas de von Neumann a Los lamos en 1946, Ul am le mencion el mtodo. Despus de cierto escepticismo inicial, von Neumann se entusiasm con la idea y pronto comenz a desarrollar sus posibilidades en un procedimiento sistemtico. Ulam expres que Montecarlo comenz a tener forma concreta y empez a desarrollarse con todas sus fallas de teora rudimentaria despus de que se lo propuse a Johnny. A principios de 1947 Von Neumann envi una carta a Richtmyer a Los lamos en la que expuso de modo influyente tal vez el prim er informe por escrito del mtodo de Montecarlo. Su carta fue encuadernada junto con la respuesta de Richtmyer como un informe de Los lamos y distribuida entre los miembros del laboratorio. Von Neumann sugera aplicar el mtodo para rastrear la generacin istropa de neutrones desde una composicin variable de material activo a lo largo del radio de una esfera. Sostena que el problema era adecuado para el ENIAC y estimaba que llevara 5 horas calcular la accin de 100 neutrones a travs de un curso de 100 colisiones cada uno. Ulam estaba particularmente interesado en el mtodo Montecarlo para evaluar integrales mltiples. Una de las primeras aplicaciones de este mtodo a un problema determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando consideraron los valores singulares de la ecuacin de Schrdinger.

Simulacin Monte Carlo El anlisis de riesgo forma parte de todas las decisiones que tomamos. Nos enfrentamos continuamente a la incertidumbre, la ambigedad y la variabilidad. Y aunque tenemos un acceso a la informacin sin precedentes, no podemos predecir con precisin el futuro. La simulacin Monte Carlo permite ver todos los resultados posibles de las decisiones que tomamos y evaluar el impacto del riesgo, lo cual nos permite tomar mejores decisiones en condiciones de incertidumbre. Qu es la simulacin Monte Carlo? La simulacin Monte Carlo es una tcnica matemtica computarizada que permite tener en cuenta el riesgo en anlisis cuantitativos y tomas de decisiones. Esta tcnica es utilizada por profesionales de campos tan dispares como los de finanzas, gestin de proyectos, energa, manufacturacin, ingeniera, investigacin y desarrollo, seguros, petrleo y gas, transporte y medio ambiente. La simulacin Monte Carlo ofrece a la persona responsable de tomar las decisiones una serie de posibles resultados, as como la probabilidad de que se produzcan segn las medidas tomadas. Muestra las posibilidades extremas los resultados de tomar la medida ms arriesgada y la ms conservadora as como todas las posibles consecuencias de las decisiones intermedias. Es un mtodo no determinstico o estadstico numrico usado para aproximar expresiones matemticas complejas y costosas de evaluar con exactitud. El mtodo se llam as en referencia al Casino de Montecarlo (Principado de Mnaco) por ser la capital del juego de azar, al ser la ruleta un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mto dos de Montecarlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora. El uso de los mtodos de Montecarlo como herramienta de investigacin, proviene del trabajo realizado en el desarrollo de la bomba atmica durante la segunda guerra mundial en el Laboratorio Nacional de Los lamos en EE.UU. Este trabajo conllevaba la simulacin de problemas probabilsticos de hidrodinmica concernientes a la difusin de neutrones en el material de fisin. Esta difusin posee un comportamiento eminentemente aleatorio. En la actualidad es parte fundamental de los algoritmos de Raytracing para la generacin de imgenes 3D. El mtodo de Montecarlo proporciona soluciones aproximadas a una gran variedad de problemas matemticos posibilitando la realizacin de experimentos con muestreos de nmeros pseudoaleatorios en una computadora. El mtodo es aplicable a cualquier tipo de problema, ya sea estocstico o determinista. A diferencia de los mtodos numricos que se basan en evaluaciones en N puntos en un espacio M-dimensional para producir una solucin aproximada, el mtodo de Montecarlo tiene un error absoluto de la estimacin que decrece como en virtud del teorema del lmite central. Los cientficos que trabajaron con la bomba atmica utilizaron esta tcnica por primera; y le dieron el nombre de Monte Carlo, la ciudad turstica de Mnaco conocida por sus casinos. Desde su introduccin durante la Segunda Guerra Mundial, la simulacin M onte Carlo se ha utilizado para modelar diferentes sistemas fsicos y conceptuales. Cmo funciona la simulacin Monte Carlo? La simulacin Monte Carlo realiza el anlisis de riesgo con la creacin de modelos de posibles resultados mediante la sustitucin de un rango de valores una distribucin de probabilidad para cualquier factor con incertidumbre inherente. Luego, calcula los resultados una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las funciones de probabilidad. Dependiendo del n mero de incertidumbres y de los rangos especificados, para completar una simulacin Monte Carlo puede ser necesario realizar miles o decenas de miles de reclculos. La simulacin Monte Carlo produce distribuciones de valores de los resultados posibles. El anlisis de riesgo se puede realizar cualitativa y cuantitativamente. El anlisis de riesgo cualitativo generalmente incluye la eva luacin instintiva o por corazonada de una situacin, y se caracteriza por afirmaciones como Eso parece muy arriesgado o Proba blemente obtendremos buenos resultados. El anlisis de riesgo cuantitativo trata de asignar valores numricos a los riesgos, utilizan do datos empricos o cuantificando evaluaciones cualitativas. Vamos a concentrarnos en el anlisis de riesgo cuantitativo. Mediante el uso de distribuciones de probabilidad, las variables pueden generar diferentes probabilidades de que se produzcan diferentes resultados. Las distribuciones de probabilidad son una forma mucho ms realista de describir la incertidumbre en las variables de un anlisis de riesgo.

Las distribuciones de probabilidad ms comunes son: Normal O curva de campana : El usuario simplemente define la media o valor esperado y una desviacin estndar para describir la variacin con respecto a la media. Los valores intermedios cercanos a la media tienen mayor probabilidad de producirse. Es una distribucin simtrica y describe muchos fenmenos naturales, como puede ser la estatura de una poblacin. Ejemplos de varia bles que se pueden describir con distribuciones normales son los ndices de inflacin y los precios de la energa. Lognormal: Los valores muestran una clara desviacin; no son simtricos como en la distribucin normal. Se utiliza para representar valores que no bajan por debajo del cero, pero tienen un potencial positivo ilimitado. Ejemplos de variables descritas por la distribucin Lognormal son los valores de las propiedades inmobiliarias y bienes races, los precios de las acciones de bolsa y las reservas de petrleo. Uniform: Todos los valores tienen las mismas probabilidades de producirse; el usuario slo tiene que definir el mnimo y el mximo. Ejemplos de variables que se distribuyen de forma uniforme son los costos de manufacturacin o los ingresos por las ventas futuras de un nuevo producto. Triangular: El usuario define los valores mnimo, ms probable y mximo. Los valores situados alrededor del valor ms probable tienen ms probabilidades de producirse. Las variables que se pueden describir con una distribucin triangular son el historial de ventas pasadas por unidad de tiempo y los niveles de inventario. PERT: El usuario define los valores mnimo, ms probable y mximo, como en la distribucin triangular. Los valores situados alrededor del ms probable tienen ms probabilidades de producirse. Sin embargo, los valores situados entre el ms probable y los extremos tienen ms probabilidades de producirse que en la distribucin triangular; es decir, los extremos no tienen tanto peso. Un ejemplo de uso de la distribucin PERT es la descripcin de la duracin de una tarea en un modelo de gestin de un proyecto. Discrete: El usuario define los valores especficos que pueden ocurrir y la probabilidad de cada uno. Un ejemplo podra ser los resultados de una demanda legal: 20% de posibilidades de obtener un veredicto positivo, 30% de posibilidades de obtener un veredicto negativo, 40% de posibilidades de llegar a un acuerdo, y 10% de posibilidades de que se repita el juicio. Durante una simulacin Monte Carlo, los valores se muestrean aleatoriamente a partir de las distribuciones de probabilidad introducidas. Cada grupo de muestras se denomina iteracin, y el resultado correspondiente de esa muestra queda registrado. La simulacin Monte Carlo realiza esta operacin cientos o miles de veces, y el resultado es una distribucin de probabilidad de posibles resultados. De esta forma, la simulacin Monte Carlo proporciona una visin mucho ms completa de lo que puede suceder. Indica no slo lo que puede suceder, sino la probabilidad de que suceda. La simulacin Monte Carlo proporciona una serie de ventajas sobre el an lisis determinista o estimacin de un solo punto: Resultados probabilsticos: Los resultados muestran no slo lo que puede suceder, sino lo probable que es un resultado. Resultados grficos: Gracias a los datos que genera una simulacin Monte Carlo, es fcil crear grficos de diferentes resultados y las posibilidades de que sucedan. Esto es importante para comunicar los resultados a otras personas interesadas. Anlisis de sensibilidad: Con slo unos pocos resultados, en los anlisis deterministas es ms difcil ver las variables que ms afectan el resultado. En la simulacin Monte Carlo, resulta ms fcil ver qu variables introducidas tienen mayor influencia sobre los resultados finales. Anlisis de escenario: En los modelos deterministas resulta muy difcil modelar diferentes combinaciones de valores de diferentes valores de entrada, Con el fin de ver los efectos de situaciones verdaderamente diferentes. Usando la simulacin Monte Carlo, los analistas pueden v er exactamente los valores que tienen cada variable cuando se producen ciertos resultados. Esto resulta muy valioso para profundizar en los anlisis.

Correlacin de variables de entrada: En la simulacin Monte Carlo es posible modelar relaciones interdependientes entre diferentes variables de entrada. Esto es importante para averiguar con precisin la razn real por la que, cuando algunos factores suben, otros suben o bajan paralelamente. Una ventaja de la simulacin Monte Carlo es el uso del muestreo Latino Hipercbico, que muestrea con mayor precisin a partir de un rango completo de funciones de distribucin. Orgenes del mtodo

Ejemplo Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda, debemos previamente asignarle un inter valo de nmeros aleatorios a CARA y otro a CRUZ, de manera de poder interpretar el resultado de la simulacin. Tales intervalos se asignan en funcin de las probabilidades de ocurrencia de cada cara de la moneda. Tenemos as:

CARA Probabilidad: 0,50 Nmeros aleatorios: 0,000 al 0,499 CRUZ Probabilidad: 0,50 Nmeros aleatorios: 0,500 al 0,999 Despus, al generar un nmero aleatorio a partir de la funcin RAN de la calculadora, por ejemplo, obtenemos el resultado sim ulado. As, si obtenemos el nmero aleatorio 0,385, observamos que est incluido en el intervalo asignado a CARA. En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las probabilidades de ocurrencia de los eventos a si mular.

A continuacin se presenta un ejemplo de la utilizacin del mtodo de Monte Carlo en la planilla de Microsoft Excel: Estos son los datos del Ejercicio:

Luego se comienza a construir el Modelo: Para cada tipo de gaseosa se calcula: El Acumulando de las probabilidades el promedio y el riesgo se aplica la funcin aleatorio () y buscar ()Se aplica la funcin estocstica para determinar la cantidad.

Luego y en funcin de estos valores se procede al clculo del Valor Actual Neto, utilizando la funcin predeterminada del Excel VNA; recuerde que la inversin inicial correspondiente al momento 0, va leteando a esta funcin.

Una vez que se tiene la estructura para el clculo del Valor Actual Neto, se puede realizar una macro que valla acumulando los regi stros de cada valor puntual que correspondan al Valor Actual Neto, a medida que se activa la funcin aleatoria para cada simulacin. Adems se puede ir calculando los valores correspondientes del promedio y del desvo, a fin de poder estudiar el comportamiento del modelo.

Se puede construir el Histograma correspondiente a los valores del Valor Actual Neto, para ello se recurre a la opcin Histograma localizada en el Anlisis de los datos, que se encuentra en Herramientas del asistente. Utilizando la funcin de Anlisis de datos

Con los datos de la tabla que se encuentran el promedio y el riesgo del Valor Actual Neto, se construye el grfico del Promedio y del desvo muestral por nmero de simulaciones.

Al construir el Histograma se cuenta con la opcin de realizar el grfico automticamente y adems adicionar el porcentaje ac umulado. El resultado se muestra en la siguiente imagen.