MODELO DE SIMULACIN

MONTECARLO.

INTEGRANTES

Julio Tamayo.
Marco Hidrobo.
Daniel Carrera.
Cristian Perugachi.

MODELO DE
SIMULACIN
MONTECARLO.

INTRODUCCIN.

LA Simulacin de Montecarlo es una tcnica q

combina conceptos estadsticos (muestreo
aleatorio) con la capacidad q tienen los
ordenadores para generar nmeros pseudoaleatorios y automatizar clculos.
Los orgenes de esta tcnica estn ligados al
trabajo aplicando una infinidad de mbitos
como alternativas a los modelos matemticos
exactos o inclusos como nico medio de
estimar soluciones para problemas complejos.

INTRODUCCIN.

En la actualidad es posible encontrar modelos de

simulacin Montecarlo en las reas informticas,
empresarial, econmica, industrial e incluso social.
En otras palabras, la simulacin de Montecarlo
est presente en todos los mbitos en la q el
comportamiento
aleatorio
o
probabilstico
desempee un papel fundamental.
El nombre de Montecarlo proviene de la famosa
ciudad de Mnaco, donde abundan los casinos de
juegos y donde el azar la probabilidad y el
comportamiento aleatorio conforman todo un estilo
de vida.

Qu es la simulacin de
Montecarlo?

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.

VENTAJAS.
Es un mtodo directo y flexible.
Cuando
el modelo
matemtico es
demasiado
complicado
la
simulacin
permite obtener una simulacin.
La simulacin permite resolver problemas q
no tiene solucin analtica.
La simulacin no interviene en el mundo
real, permite experimentar.

Desventajas.
La simulacin
no genera soluciones
Optimas globales.
Una buena simulacin puede resultar muy
complicada, gran nmero de variables.
No proporciona la decisin a tomar, sino
que resuelve el problema mediante
aproximacin
para
unas
condiciones
iniciales.
Cada simulacin es nica, interviene el azar.

Mtodo de Montecarlo
El mtodo de Montecarlo permite resolver problemas
matemticos mediante la simulacin de variables
aleatorias.
John Von Neumann, en los aos 40 y con los primeros
ordenadores, aplica la simulacin para resolver
problemas complejos que no podan ser resueltos de
forma analtica.
Montecarlo y su casino estn relacionados con la
simulacin. La ruleta, juego estrella de los casinos, es
uno de los aparatos mecnicos ms sencillos que nos
permiten obtener nmeros aleatorios para simular
variables aleatorias.

Ejemplo: Clculo de Integrales

Una aplicacin inmediata del mtodo, el el clculo
de integrales definidas.

Ejemplo: Clculo de Integrales

Consideremos un caso ms sencillo:

Siempre podremos considerar que el rea se encuentra inscrita en

un cuadrado de rea 1. Podremos considerar en el cuadrado de rea
1
un nmero N de puntos aleatorios (x, y), y un nmero N que
aparecen
dentro de la superficie a determinar.

Precisin en el Clculo
El procedimiento de Montecarlo tiene N puntos aleatorios de los que N
resultan corresponder al rea que deseamos calcular.

Luego S es proporcional a la probabilidad de que un punto aleatorio caiga en

la
superficie.
Estimaremos esa probabilidad como:

Que ser la probabilidad de N xitos en N intentos y que viene dada por la

distribucin binomial:

La distribucin binomial se puede aproximar mediante una normal

cuando: N p > 5 y
N q > 5.
La distribucin normal por la que aproximamos tendr media = N
p y varianza =
N p q.
Adems para una distribucin normal N(,
) sabemos que el 95%
de las
observaciones se encuentran en el intervalo:

Con lo que suponiendo N p > 5 y N q > 5 tendremos que el

intervalo de confianza al
95% del nmero de aciertos N en S estar en:

Tamao de la Simulacin

En nuestro ejemplo sabemos que:

y calculamos el rea bajo la curva mediante el mtodo de

Montecarlo:

Cuntas simulaciones son necesarias para estimar S con 2 cifras

significativas
correctas?

Esto equivale a que el nmero de aciertos N con un 95% de

confianza:

La distribucin Binomial la hemos aproximado mediante una Normal:

Para una variable aleatoria Z N(0, 1) tenemos que,

entonces tendremos que siendo p = 1/3 :

Obtencin de Nmeros
Aleatorios
Generadores

de nmeros aleatorios.
Nmeros pseudo aleatorios.

Generadores de nmeros
aleatorios.

Los nmeros aleatorios son la base esencial de la

simulacin. Usualmente, toda la aleatoriedad
involucrada en el modelo se obtiene a partir de un
generador de nmeros aleatorios que produce
una sucesin de valores que supuestamente son
realizaciones de una secuencia de variables
aleatorias
independientes
e idnticamente
distribuidas (i.i.d.) U (0; 1).

Nmeros pseudoaleatorios

El mtodo mas conveniente y mas estable de

generar nmeros aleatorios es utilizar
algoritmos determinativos que posean alguna
base matemtica solida. Estos algoritmos
producen una sucesin de nmeros que se
asemeja a la de una sucesin de realizaciones
de variables aleatorias iid U(0; 1), aunque
realmente no lo sea. Es por ello que este tipo
de nmeros se denominan pseudo-aleatorios
y el algoritmo que los produce se llama
generador de nmeros pseudo-aleatorios.

Un buen generador de nmeros pseudoaleatorios

deber
tener
las
siguientes
propiedades:

Por encima de todo, la sucesin de valores que proporcione

deber asemejarse a una sucesin de realizaciones
independientes de una variable aleatoria U(0; 1).
Los resultados deben ser reproducibles, en el sentido de que
comenzando con las mismas condiciones inciales debe ser
capaz de reproducir la misma sucesin. Esto nos puede
permitir depurar fallos del modelo o simular diferentes
alternativas del modelo en las mismas condiciones
obteniendo
una
comparacin
mas
precisa.
Los
procedimientos fsicos no permiten que los resultados sean
reproducibles.
la sucesin de valores generados debe tener un ciclo no
repetitivo tan largo como sea posible el generador debe ser
rpido y ocupar poca memoria interna

Mtodos de generacin de
nmeros pseudoaleatorios
Mtodo de los centros de los cuadrados.
Mtodos congruenciales.
Generador multiplicativo.
Generador mixto.

Mtodo de los centros de los

cuadrados.

El mtodo comienza tomando un numero al

azar, x0, de 2n cifras. Si es necesario se
aaden ceros a la izquierda para que el
numero resultante tenga exactamente 4n
cifras. Sea x1 el numero resultante de
seleccionar las 2n cifras centrales de x2 0; el
primer numero aleatorio u1 se obtiene
poniendo un punto decimal delante las 2n
cifras de x1. A continuacin x2 y u2 se
generan a partir de x1 del mismo modo. As
sucesivamente.

Este
metodo
tiene
inconvenientes principales:

dos

Tiene una fuerte tendencia a degenerar a

cero rpidamente
Los nmeros generados pueden repetirse
clicamente despus de una secuencia corta.

Ejemplo:

Mtodos congruenciales

Diremos que dos nmeros x e y son congruentes

modulo m si:
x y mod(m)
Esto equivale a que x e y producen el mismo
resto al ser divididos por m
La expresin ms comn a la hora de calcular
nmeros aleatorios es la dada por:

Donde a y b son nmeros elegidos

convenientemente y se denomina

semilla.

Mtodo multiplicativo

Es una modificacin del mtodo congruencial

en el que b = 0.

Normalmente m se elige tal que m =

donde c
es el numero de dgitos diferentes del sistema
usado (binario, 2) y p es el tamao de una
palabra.

El perodo mximo de repeticin es m/4 con m

=
y tomando como 0 una semilla impar.

Generador mixto

En el mtodo congruencial, la eleccin

adecuada de a y b hacen que el perodo de
repeticin de los nmeros aleatorios
obtenidos se incremente hasta m:
a y b primos.
(a 1) mltiplo de cada factor primo de m.
(a 1) ha de ser mltiplo de 4 si m lo es.

Ventajas de los nmeros pseudo

aleatorios
Basta con realizar operaciones aritmticas
sencillas.
Computacionalmente esta tarea no necesita
de elevados recursos.
Los nmeros aleatorios se pueden
reproducir, permitiendo comprobar la
calidad de la secuencia y aplicarla en
diferentes problemas.

Simulacin de
V.A.

Simulacin
de V.A.
Nmeros Aleatorios U(0, 1):
Yk U(0, 1)
Esta distribucin tendr la funcin de
densidad:

y funcin de distribucin:

Transformacin de Variables Aleatorias

Cuando un sistema o un proceso esta regido en su comportamiento por el
azar, entonces podemos aplicar tcnicas de simulacin basadas en el mtodo
de Montecarlo.
La idea bsica del mtodo es simular valores que toman las variables que
forman parte del proceso en lugar de experimentar u observar la realidad.
Ejemplos de esas variables a simular:
Demanda.
Tiempo de respuesta, entre ocurrencias, de servicio,..
Cantidad de empleados ausentes.
Presin de un neumtico.
Velocidad y direccin del aire.
Existen dos tipos de variables aleatorias:
Variables Aleatorias Discretas: Demanda, Numero de Empleados, etc.
Variables Aleatorias Continuas: Tiempos, etc.

Simulacin de V. A. Discretas
Una primera aproximacin a la simulacin de una V.A. Discreta, X,
que siga una determinada distribucin de probabilidad dada por su
funcin de probabilidad:

sera construir una ruleta a los sectores asignados a cada

posible valor de la V.A. fuese proporcional a la probabilidad de
ocurrencia de dicho valor.
Supongamos que deseamos simular una V.A.D., X, con una
distribucin de probabilidad dada por: