Apunte Teorico MC 2005 PDF

Facultad de Ciencias Exactas Investigacin Operativa I
Universidad Nacional del Centro Cursada 2005

de la Pcia de Buenos Aires
SIMULACIN
MTODO MONTE CARLO
Simulacin : es el proceso de disear y desarrollar un modelo computarizado de un

sistema o proceso y conducir experimentos con este modelo con el propsito de entender
el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar
el sistema (Shannon Robert)
Modelo de simulacin: conjunto de hiptesis acerca del funcionamiento del sistema
expresado como relaciones matemticas y/o lgicas entre los elementos del sistema.
Proceso de simulacin: ejecucin del modelo a travs del tiempo en un ordenador
para generar muestras representativas del comportamiento.
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.
Etapas del proceso de simulacin

Definicin, descripcin del problema. Plan.
Formulacin del modelo.
Programacin .
Verificacion y Validacin del modelo.
Diseo de experimentos y plan de corridas.
Anlisis de resultados
Diagrama de flujo del modelo de simulacin

1
Reunir datos y elaborar el modelo
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
Simulacin Continua: 1130/CSMP, 360 CSMP y DYNAMO, MISTRAL

Simulacin a Eventos Discretos: GPSS, SIMSCRIPT, SDL/SIM.
Para casos simples podemos recurrir a la utilizacin de planillas de clculo.
Tambin podemos implementar aplicaciones en los lenguajes Fortran, C++,
Java, Dephi,...
2
Por qu Sim ulacin en Investigacin Operativa?
Los responsables de la toma de decisiones necesitan informacin

cuantificable, sobre diferentes hechos que puedan ocurrir.
La simulacin constituye una tcnica econmica que nos permite ofrecer
varios escenarios posibles de un modelo del negocio, nos permite
equivocarnos sin provocar efectos sobre el mundo real.
Podemos afirmar entonces, que la simulacin es una rama experimental
dentro de la Investigacin Operativa.
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..
Nmeros Pseudo aleatorios

Sustituyen a los nmeros aleatorios..
Se generan por algoritmos o frmulas.
Se debe asegurar la existencia de secuencias largas y densas.
Generacin de Nmeros Pseudo aleatorios

Centros Cuadrados:
442 = 1936 93
Mtodos Congruenciales:
xn =(axn-1 + c) (mod m
Transformacin Inversa
x=F-1(x) siendo F(x)=Prob(X<=x)
SIMULACIN MONTE CARLO
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
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
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:
Determinar la/s V.A. y sus distribuciones acumuladas(F)

Generar un nmero aleatorio
uniforme (0,1). Iterar tantas veces como
Determinar el valor de la V.A. para el nmero muestras necesitamos
aleatorio generado de acuerdo a las clases que
tengamos.
Calcular media, desviacin estndar error y realizar el histograma.
Analizar resultados para distintos tamaos de muestra.
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:
Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias
relevantes.
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin) y
registrar el resultado
Repetir el proceso hasta tener una muestra estadsticamente representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados
Las principales caractersticas a tener en cuenta para la implementacin o utilizacin

del algoritmo son:
El sistema debe ser descripto por 1 o ms funciones de distribucin de
probabilidad (fdp)
Generador de nmeros aleatorios: como se generan los nmeros aleatorios es
importante para evitar que se produzca correlacin entre los valores muestrales.
5
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?
Tcnicas de reduccin de varianza.

Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia
trabajar con varios procesadores paralelos para realizar la simulacin.
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
Utilizando la distribucin acumulada(F(x) es la probabilidad que la variable aleatoria

tome valores menores o iguales a x) podemos determinar cual es el valor obtenido de
unidades cuando se genera un nmero aleatorio a partir de una distribucin continua
uniforme. Este mtodo de generacin de variable aleatoria se llama Transformacin Inversa.
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
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.
De esta forma logramos a partir de la distribucin de densidad calcular los valores de

la variable aleatoria dada. Nmero de Nmeros Valor de
Simulacin aleatorios la Demanda
1 0.92 54
2 0.71 51
3 0.85 51
... ... ...
n 0.46 48
En la siguiente tabla, vemos como a medida que aumenta el numero de simulaciones,

el valor simulado se acerca al valor original de la media y desviacin estndar, adems de la
disminucin del error tpico.
Cantidad de
Media Desvo Error
simulaciones
10 48.60 3.41 1.08

100 48.12 3.16 0.32
1000 47.87 3.28 0.10
10000 47.87 3.30 0.03
7
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
La demanda es la variable aleatoria de nuestro modelo, ya que puede tomar los

siguientes valores: 8,9,10,11,12, es una distribucin discreta uniforme. Para poder simular los
valores de esta variable utilizaremos la frmula ENTERO(8+5*ALEATORIO()). Debido a
que los intervalos son todos de igual tamao (1/5), es igualmente posible que ALEATORIO()
llegue a cada uno de ellos, y por lo tanto es igualmente posible que la frmula de cualquiera
de los cinco valores posibles. La funcin ALEATORIO() de Excel genera un nmero en el
intervalo (0:1) de una distribucin uniforme continua. A travs de la simulacin veremos que
valores va a tomar el valor neto actual (VNA, El VNA es calculado mediante la formula
n
valores
correspondiente del Excel con un inters del 10% (VNA = ( 1 + tasai)i ). En la columna
i =1
correspondiente al ao 1 se han indicado las formulas que definen cada valor) en los 4 aos,
utilizando el siguiente modelo matemtico de la situacin:
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 despus de impuestos Utilidad - Impuestos 52800 35475 35475
Utilidad -
Flujo neto de efectivo -150000 62800 45475 45475
Amortizacin
Valor Neto Actual -21160
8
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.
Luego para cada tamao de muestra aplicaremos Estadstica descriptiva(En

herramientas, Anlisis de datos) e Histograma (las clases que utilizamos son: -30000, -20000,
-10000, 0, 10000, 20000, 30000)
9
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
Histograma para 10 iteraciones
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
El valor de la media y desviacin estndar se estacionan a medida que aumenta la

cantidad de iteraciones. Tambin, como podemos observar en el grfico, disminuye
notablemente el error. Tambin el modelo nos presenta mayor variabilidad para los valores
mximo y mnimo.
10
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
Media Desviacin Estandar Maximo Minimo Error
APLICACIONES
Criptografa. Mtodos cuantitativos de organizacin

Cromo dinmica cuntica. industrial.
Densidad y flujo de trfico. Programas de computadora.
Diseo de reactores nucleares. Pronstico del ndice de la bolsa.
Diseo de VLSI. Prospecciones en explotaciones
Ecologa. petrolferas.
Econometra. Radioterapia contra el cncer.
Evolucin estelar. Sistemas de colas.
Fsica de materiales. Sistemas de inventario P y Q.
Valoracin de cartera de valores.
SINTESIS
El mtodo de Monte Carlo es una herramienta de investigacin y planeamiento;

bsicamente es una tcnica de muestreo artificial, empleada para operar numricamente
sistemas complejos que tengan componentes aleatorios o determinsticos, manteniendo tanto
11
la entrada como la salida un cierto grado de incertidumbre. En Investigacin Operativa,

Monte Carlo es utilizado con fines experimentales, es decir se pueden elaborar distintos
modelos e ir intercambiando parmetros para estudiar cuales son los posibles
resultados.
Cuando el tamao de las muestras es relativamente reducido, los resultados obtenidos
No debemos confundir la simulacin con un mtodo de optimizacin, como por

ejemplo el Simplex. En los mtodos de Optimizacin las variables de decisin son las
salidas de la tcnica a las cuales buscamos calcular el/los valor/es ptimo/s, por el
contrario en Monte Carlo u otro tipo de simulacin dichas variables constituyen las
entradas del mismo; el modelo simulado propuesto evala distintas alternativas para un
conjunto particular de soluciones.
en la simulacin pueden ser muy sensibles a las condiciones iniciales.

Un rea de investigacin est constituida por los mtodos Quasi-Monte Carlo, estos
mtodos bsicamente acotan la generacin de los nmeros aleatorios.
REFERENCIAS
[1] A brief overview of what the Monte-Carlo method is and does.

http://www.physics.gla.ac.uk/~donnelly/files/montecarlo/
[2] Arsham H. System Simulation: The Shortest Route to Applications.
http://home.ubalt.edu/ntsbarsh/Business-stat/simulation/sim.htm.
[3] Barreto H. and Howland F. Introductory Econometrics via Monte Carlo Simulation
with Microsoft Excel. http://www.wabash.edu/econometrics
[4] Bong D. Monte Carlo Simulation.
http://www.visionengineer.com/mech/monte_carlo_simulation.shtml.
[5] Bustamante A. Evaluacin de riesgos mediante simulacin Monte Carlo.
http://www.cema.edu.ar/~alebus/riesgo/MONTECARLO.PPT
[6] Deutsch, Leuangthong, Nguyen, Norrena, Ortiz, Oz, Pyrcz, and Zanon. Principles of
Monte Carlo Simulation. http://www.ualberta.ca/~cdeutsch/MCS-course.htm
[7] Eppen G., Gould F., Schmidt C., Mootre J., y Weatetherford L. Investigacin de
Operaciones en la Ciencia Administrativa. Editorial Prentice Hall. 5 Edicin. 2000.
[8] Hillier F, Lieberman G. Introduccin a la Investigacin de Operaciones. McGraw-Hill
Editores. 1997.
[9] Impact of Monte Carlo methods on scientific research. http://www.csm.ornl.gov/ssi-
expo/MChist.html
[10] Introduction to Monte Carlo Methods. http://csep1.phy.ornl.gov/mc/mc.html
12
[11] Monte Carlo Simulation of Stochastic Processes. http://www.puc-

rio.br/marco.ind/sim_stoc_proc.html
[12] Padilla Shannon Ho. Monte Carlo Method.
http://www.ccs.uky.edu/~douglas/Classes/cs521-01/montecarlo/MonteCarloMethod2.ppt
[13] Quasi Monte Carlo Simulation. http://www.puc-rio.br/marco.ind/quasi_mc.html
[14] Real options with Monte Carlo Simulations. http://www.puc-rio.br/marco.ind/monte-
carlo.html
[15] Silvestre, Moreno, Toscana y Luis. Curso de Simulacin Monte Carlo. III Encuentro
Nacional de docentes de Investigacin Operativa. Facultad de Cs. Econmicas. Universidad
Nacional del Centro de la Provincia de Buenos Aires. 1990
[16] Simulacin. Introduccin a la investigacin de Operaciones. Facultad de Ingeniera .
UDELAR. http://www.fing.edu.uy/inco/cursos/io/archivos/teorico/simulacion.pdf
[17] Taha H. Investigacin de Operaciones una introduccin. Ed. Prentice Hall. 6 edicin.
1998.
[18] Tcnicas de Monte Carlo. http://mural.uv.es/juanama/astronomia/montecarlo.htm
[19] THE WWW VIRTUAL LIBRARY: RANDOM NUMBERS and MONTE CARLO
METHODS SUBSECTION: MONTE CARLO METHODS.
http://random.mat.sbg.ac.at/links/monte.html
[20] Winston W. (2005) Investigacin de Operaciones. Aplicaciones y algoritmos. 4ta
edicin. International Thomson Editores.
[21] Woller J. Basics of Monte Carlo Simulations. Univ. of Nebraska-Lincoln
http://www.chem.unl.edu/zeng/joy/mclab/mcintro.html
13

Apunte Teorico MC 2005 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apunte Teorico MC 2005 PDF

Cargado por

Copyright:

Formatos disponibles

Facultad de Ciencias Exactas Investigacin Operativa I

Universidad Nacional del Centro Cursada 2005

MTODO MONTE CARLO

Simulacin : es el proceso de disear y desarrollar un modelo computarizado de un

Etapas del proceso de simulacin

Diagrama de flujo del modelo de simulacin

Reunir datos y elaborar el modelo

Simulacin Continua: 1130/CSMP, 360 CSMP y DYNAMO, MISTRAL

Por qu Sim ulacin en Investigacin Operativa?

Los responsables de la toma de decisiones necesitan informacin

Nmeros Pseudo aleatorios

Generacin de Nmeros Pseudo aleatorios

SIMULACIN MONTE CARLO

Determinar la/s V.A. y sus distribuciones acumuladas(F)

Disear el modelo lgico de decisin

Las principales caractersticas a tener en cuenta para la implementacin o utilizacin

Tcnicas de reduccin de varianza.

Utilizando la distribucin acumulada(F(x) es la probabilidad que la variable aleatoria

De esta forma logramos a partir de la distribucin de densidad calcular los valores de

En la siguiente tabla, vemos como a medida que aumenta el numero de simulaciones,

10 48.60 3.41 1.08

La demanda es la variable aleatoria de nuestro modelo, ya que puede tomar los

Utilidad despus de impuestos Utilidad - Impuestos 52800 35475 35475

Luego para cada tamao de muestra aplicaremos Estadstica descriptiva(En

-10000, 0, 10000, 20000, 30000)

Histograma para 10 iteraciones

El valor de la media y desviacin estndar se estacionan a medida que aumenta la

Media Desviacin Estandar Maximo Minimo Error

Criptografa. Mtodos cuantitativos de organizacin

El mtodo de Monte Carlo es una herramienta de investigacin y planeamiento;

la entrada como la salida un cierto grado de incertidumbre. En Investigacin Operativa,

No debemos confundir la simulacin con un mtodo de optimizacin, como por

en la simulacin pueden ser muy sensibles a las condiciones iniciales.

[1] A brief overview of what the Monte-Carlo method is and does.

[11] Monte Carlo Simulation of Stochastic Processes. http://www.puc-

También podría gustarte