Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apunte Teorico MC 2005 PDF
Apunte Teorico MC 2005 PDF
SIMULACIN
Mtodos de simulacin
Simulacin estadstica o Monte Carlo: Est basada en el muestreo sistemtico de
variables aleatorias.
Simulacin continua: Los estados del sistema cambian continuamente su valor. Estas
simulaciones se modelan generalmente con ecuaciones diferenciales.
Simulacin por eventos discretos: Se define el modelo cuyo comportamiento vara en
instantes del tiempo dados. Los momentos en los que se producen los cambios son los que
se identifican como los eventos del sistema o simulacin.
Simulacin por autmatas celulares: Se aplica a casos complejos, en los que se divide al
comportamiento del sistema en subsistemas ms pequeos denominadas clulas. El
resultado de la simulacin est dado por la interaccin de las diversas clulas.
NO
Programar el modelo
NO
Est validada?
Est verificada?
SI
S
Disear el experimento
NO
Documentar y
Est completa? Poner en prctica
S
Lenguajes de simulacin
2
Facultad de Ciencias Exactas Investigacin Operativa I
Universidad Nacional del Centro Cursada 2005
de la Pcia de Buenos Aires
Nmeros aleatorios
Deben tener igual probabilidad de salir elegidos.
No debe existir correlacin serial
Se generan por tablas (Rand 1955), o por dispositivos especiales: ruleta. En la
prctica se utilizan algoritmos y se generan nmeros pseudo aleatorios..
Los mtodos de Monte Carlo abarcan una coleccin de tcnicas que permiten obtener
soluciones de problemas matemticos o fsicos por medio de pruebas aleatorias repetidas. En
la prctica, las pruebas aleatorias se sustituyen por resultados de ciertos clculos realizados
con nmeros aleatorios.
3
Facultad de Ciencias Exactas Investigacin Operativa I
Universidad Nacional del Centro Cursada 2005
de la Pcia de Buenos Aires
INTRODUCCIN
Bajo el nombre de Mtodo Monte Carlo o Simulacin Monte Carlo se agrupan una
serie de procedimientos que analizan distribuciones de variables aleatorias usando simulacin
de nmeros aleatorios.
El Mtodo de Monte Carlo da solucin a una gran variedad de problemas
matemticos haciendo experimentos con muestreos estadsticos en una computadora. El
mtodo es aplicable a cualquier tipo de problema, ya sea estocstico o determinstico.
Generalmente en estadstica los modelos aleatorios se usan para simular fenmenos
que poseen algn componente aleatorio. Pero en el mtodo Monte Carlo, por otro lado, el
objeto de la investigacin es el objeto en s mismo, un suceso aleatorio o pseudo-aleatorio se
usa para estudiar el modelo.
A veces la aplicacin del mtodo Monte Carlo se usa para analizar problemas que no
tienen un componente aleatorio explcito; en estos casos un parmetro determinista del
problema se expresa como una distribucin aleatoria y se simula dicha distribucin. Un
ejemplo sera el famoso problema de las Agujas de Bufn.
La simulacin de Monte Carlo tambin fue creada para resolver integrales que no se
pueden resolver por mtodos analticos, para solucionar estas integrales se usaron nmeros
aleatorios. Posteriormente se utiliz para cualquier esquema que emplee nmeros aleatorios,
usando variables aleatorias con distribuciones de probabilidad conocidas, el cual es usado
para resolver ciertos problemas estocsticos y determinsticos, donde el tiempo no juega un
papel importante.
HISTORIA
El mtodo fue llamado as por el principado de Mnaco por ser ``la capital del juego
de azar'', al tomar una ruleta como un generador simple de nmeros aleatorios. El nombre y el
desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 con el
desarrollo de la computadora. Sin embargo hay varias instancias (aisladas y no desarrolladas)
en muchas ocasiones anteriores a 1944.
El uso real de los mtodos de Monte Carlo como una herramienta de investigacin,
proviene del trabajo de la bomba atmica durante la Segunda Guerra Mundial. Este trabajo
involucraba la simulacin directa de problemas probabilsticos de hidrodinmica
concernientes a la difusin de neutrones aleatorios en material de fusin.
An en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ulam
refinaron esta curiosa ``Ruleta rusa'' y los mtodos``de divisin''. Sin embargo, el desarrollo
sistemtico de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en 1948.
Aproximadamente en el mismo ao, Fermi, Metropolos y Ulam obtuvieron estimadores para
los valores caractersticos de la ecuacin de Schrdinger para la captura de neutrones a nivel
nuclear.
Alrededor de 1970, los desarrollos tericos en complejidad computacional comienzan
a proveer mayor precisin y relacin para el empleo del mtodo Monte Carlo. La teora
identifica una clase de problemas para los cuales el tiempo necesario para evaluar la solucin
exacta al problema crece con la clase, al menos exponencialmente con M. La cuestin a ser
resuelta era si MC pudiese o no estimar la solucin al problema de tipo intratable con una
adecuacin estadstica acotada a una complejidad temporal polinomial en M. Karp(1985)
4
Facultad de Ciencias Exactas Investigacin Operativa I
Universidad Nacional del Centro Cursada 2005
de la Pcia de Buenos Aires
muestra esta propiedad para estimar en una red plana multiterminal con arcos fallidos
aleatorios. Dyer(1989) utiliza MC para estimar el volumen de un convex body en el espacio
Euclidiano M-dimensional. Broder(1986), Jerrum y Sinclair (1988) establecen la propiedad
para estimar la persistencia de una matriz o en forma equivalente, el nmero de matching
perfectos en un grafo bipartito.
ALGORITMOS
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la
generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en
las distribuciones acumuladas de frecuencias:
Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulacin o tenemos relaciones entre variables es la siguiente:
Establecer lmites y reglas de muestreo para las fdp: conocemos que valores
pueden adoptar las variables.
Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a
simular.
Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para
que una corrida sea vlida?
EJEMPLO PRACTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y
queremos ver que sucede con el promedio de la demanda en varias iteraciones:
Demanda
1.00
0.80
Frecuencia
0.60 0.40
0.40 0.20 0.20
0.20 0.10 0.10
0.00
42 45 48 51 54
Unidades
Frecuencia
Unidades Frecuencia
Acumulada
42 0.10 0.10
45 0.20 0.30
48 0.40 0.70
51 0.20 0.90
54 0.10 1.00
Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda
para cada da, interesndonos en este caso como es el orden de aparicin de los valores. Se
busca el nmero aleatorio generado en la tabla de probabilidades acumuladas, una vez
6
Facultad de Ciencias Exactas Investigacin Operativa I
Universidad Nacional del Centro Cursada 2005
de la Pcia de Buenos Aires
encontrado( si no es el valor exacto, ste debe se menor que el de la fila seleccionada pero
mayor que el de la fila anterior), de esa fila tomada como solucin se toma el valor de las
unidades (Cuando trabajamos en Excel debemos tomar el lmite inferior del intervalo para
busca en las acumuladas, para poder emplear la funcin BUSCARV(), para 42 sera 0, para 43
0,100001 y as sucesivamente). Ejemplo: Supongamos que el nmero aleatorio generado sea
0,52, a qu valor de unidades corresponde? Nos fijamos en la columna de frecuencias
acumuladas, ese valor exacto no aparece,
Demanda el siguiente mayor es 0,70 y corresponde
a 48 unidades.
1.20
Se puede apreciar mejor en el
1.00 1.00
0.90 grfico, trazando una recta desde el eje de
Frecuencias
0.80
0.70 la frecuencia hasta que intersecta con la
0.60
lnea de la funcin acumulada, luego se
0,52
0.40
0.30 baja a la coordenada de unidades y se
0.20
0.10
obtiene el valor correspondiente; en este
0.00 caso 48.
42 45 48 51 54 Cuando trabajamos con variables
Unidades discretas la funcin acumulada tiene un
intervalo o salto para cada variable( para
casos prcticos hay que definir los intervalos y luego con una funcin de bsqueda hallar el
valor). Para funciones continuas se puede hallar la inversa de la funcin acumulada.
Cantidad de
Media Desvo Error
simulaciones
7
Facultad de Ciencias Exactas Investigacin Operativa I
Universidad Nacional del Centro Cursada 2005
de la Pcia de Buenos Aires
EJEMPLO PRACTICO II
Analizaremos ahora una propuesta para la fabricacin de un nuevo artculo durante 4
aos. Con los datos de la siguiente tabla:
75% de
Costos de puesta
$ 150000 Costos variables los
en marcha
ingresos
Precio de Venta $ 35000 Costos del capital 10%
Costos fijos $ 15000 Tasa Fiscal 34%
Amortizacin Demanda 10
$ 10000
anual promedio anual unidades
Ao 0 Ao 1 Ao 2 Ao 3 Ao 4
ENTERO(8+5*ALE
Demanda 12 9 9
ATORIO())
Precio de
Ingresos 420000 315000 315000
Venta*Demanda
Costo Fijo Costo fijo 15000 15000 15000
Costo Variable 75% Ingresos 315000 236250 236250
Amortizacin 10000 10000 10000 10000
Ingresos -
Utilidad antes de Impuestos 80000 53750 53750
Suma(costos)
Impuestos 34 % anterior 27200 18275 18275
Utilidad -
Flujo neto de efectivo -150000 62800 45475 45475
Amortizacin
Valor Neto Actual -21160
8
Facultad de Ciencias Exactas Investigacin Operativa I
Universidad Nacional del Centro Cursada 2005
de la Pcia de Buenos Aires
Ahora realizaremos varias corridas con diferentes tamaos de muestra para ver que
sucede con el VNA.
Armamos en otra hoja un cuadro con dos columnas y tantas filas como
iteraciones(tamao de la muestra) deseemos realizar. En la columna VNA copiamos con
pegado especial(frmula) la celda del modelo en la cual se calcula el VNA. Seleccionamos
toda la tabla y con la herramienta Tabla en Datos se forma una tabla dinmica que contendr
las simulaciones para la cantidad de iteraciones que hagamos.
9
Facultad de Ciencias Exactas Investigacin Operativa I
Universidad Nacional del Centro Cursada 2005
de la Pcia de Buenos Aires
Ahora
Cantidad de Desviacin
Iteraciones
Media
Estndar
Mximo Mnimo Error realizamos una
sntesis de las
10 13253.55 18445.01 44294.82 -9711.94 5832.82 simulaciones
100 13515.19 13395.87 44728.71 -14567.50 1339.59 desarrolladas
500 12686.22 13208.55 49067.55 -19817.50 590.70 para poder ver
1000 12147.81 12999.81 49067.55 -24156.34 411.09 que sucedi con
5000 12612.65 13085.18 49067.55 -24156.34 185.05
el modelo:
10000 12537.13 12954.22 49067.55 -24156.34 129.54
4.5 120.00%
4 100.00%
3.5
Frecuencia
3 80.00% Frecu
2.5 60.00%
2 encia
1.5 40.00%
1 20.00%
0.5
0 .00% %
acum
10 0
...
-2 000
-1 00
00
20 00
30 00
40 00
y 500 0
ay 0
00
m 0
or
00
00
0
0
0
ulado
0
-3
Clase
10
Facultad de Ciencias Exactas Investigacin Operativa I
Universidad Nacional del Centro Cursada 2005
de la Pcia de Buenos Aires
Resumen
60000
50000
Valores de la variables aleatorias
40000
30000
20000
10000
0
10
00
00
es
-10000
10
50
on
10
50
ci
ra
Ite
-20000
de
ad
-30000
tid
an
C
N Experimentos
APLICACIONES
SINTESIS
REFERENCIAS
13