Revista Cap&Cua Comit editorial SIMULACIN MONTECARLO

SIMULACIN MONTECARLO: LA ALEATORIEDAD COMO SOLUCIN DE MODELOS MATEM TICOS !REALES"

Jess Alberto Rodrguez Segua
Jess Alberto Rodrguez Segua, Estudiante Ingeniera Industrial VIII Semestre, Calle 25B# 2 !"", #2 2"$$%&#, 'rodriguez($ 5)*otmail+,om+

#$

CONTENIDO DEL ENSA%O

INTRODUCCIN$ En la descripcin de un sistema por medio de un modelo, encontramos casos en que el sistema es demasiado complicado para describirlo o que el modelo, una vez deducido, no permite una solucin analtica. En estos casos, la simulacin puede ser un instrumento valioso para obtener la respuesta de un problema particular. Ha diversas clases de simulacin! por e"emplo los modelos de escala de aviones que se ensa an en un tnel de viento, el circuito el#ctrico empleado para describir un circuito $idr%ulico, la descripcin de un sistema mediante un modelo matem%tico. En esta ltima clase de simulacin se manipula el modelo matem%tico de algn sistema real se observan los resultados. Entonces estas manipulaciones observaciones se utilizan para $acer deducciones con respecto al sistema real. Si el modelo involucra muestreo aleatorio a partir de una distribucin de probabilidad el procedimiento se denomina &Simulacin 'ontecarlo&. (a t#cnica de la simulacin de 'onte )arlo se basa en simular la realidad a trav#s del estudio de una muestra, que se $a generado de *orma totalmente aleatoria. Resulta, por tanto, de gran utilidad en los casos en los que no es posible obtener in*ormacin sobre la realidad a analizar, o cuando la e+perimentacin no es posible, o es mu costosa. As, permite tener en cuenta para el an%lisis un elevado nmero de escenarios aleatorios, por lo que, se puede decir que $ace posible llevar la t#cnica del an%lisis de escenarios

al in*inito ampliando la perspectiva de los escenarios posibles. ,e esta *orma, se pueden realizar an%lisis que se a"usten en ma or medida a la variabilidad real de las variables consideradas. -ara poder entender el '#todo 'ontecarlo, es necesario tener claramente de*inidos ciertos conceptos b%sicos de estadstica, de lo contrario, no se encontrara utilidad debido, a que este m#todo es una aplicacin avanzada del campo estadstico. / (a 0uncin de probabilidad 10,-2 de una variables +1p1+22 es aquella *uncin que contiene la probabilidad de acierto para cada valor de 3. ,e antemano se sabe que no debe poseer valores negativos debes estar normalizada dentro de un intervalo 14alor min , 4alor ma+2 / (a 0uncin de probabilidad acumulada 10-A2 de una variable + es la *uncin que contiene la probabilidad de acierto dentro del intervalo 53min, +6. Es por tanto una *uncin montona creciente con valor inicial -13min27 8 -13mas279. (a aplicacin de la simulacin 'ontecarlo est% basada en identi*icar las variables que se consideran m%s signi*icativas, as como las relaciones e+istentes entre ellas! de tal *orma que se pueda e+plicar la realidad a estudiar mediantes la sustitucin del universo real, por un universo terico utilizando nmeros aleatorios. METODOLO&'A$ Aunque el m#todo 'ontecarlo no posee una serie de pasos que se deban seguir de manera mec%nica

S:';(A):<= '>=?E)AR(>. (A A(EA?>R:E,A, )>'> S>(;):<= ,E '>,E(>S 'A?E'A?:)>S

Revista Cap&Cua

para el desarrollo de los distintos modelos que se quieran simular! se puede utilizar como $erramientas ciertos criterios en comn que se obtienen de su an%lisis del desarrollo de sus procedimientos. / / ES?:'A):<= ,E (AS 4AR:A@(ES ,E?ER':=A):<= ,E( ?A'AAA ,E (A ';ES?RA

del E+cel o algn generador autom%tico, siendo necesarios tanto como variables se consideren en el modelo multiplicado por el nmero de simulaciones que se deseen realizar. F. ;na vez se dispone de los nmeros aleatorios, estos se llevan sobre el e"e de ordenadas, se pro ectan $orizontalmente sobre las correspondientes *unciones de distribucin *1+2 de las variables o la variable del modelo$ G. el valor as calculado de 1+2 ser% el primer valor de la muestra simulada. H. Este proceso $abr% de repetirse el nmero de veces necesario para poder disponer del nmero adecuado de valores muestrales. I. A continuacin, se sustitu en los valores simulados en el modelo matem%tico para ver el resultado obtenido para las simulaciones realizadas. 98. -osteriormente, se agrupan clasi*ican los resultados. Se comparan los casos *avorables, con los casos posibles, se agrupan por categoras de resultados. 99. -ara *inalizar la primer etapa se debe llevar a cabo el an%lisis estadstico de in*erencia sobre el comportamiento de la realidad, siendo interesante calcular la media, la varianza la desviacin tpica. ESTIMACIN MUESTRA DEL TAMA*O DE LA

ESTIMACIN DE LAS (ARIA)LES: 9. En primer lugar se debe seleccionar el modelo matem%tico que se va a utilizar, para la determinacin del valor de re*erencia. B. A continuacin $abr% que identi*icar las variables cu o comportamiento se va a simular 1+2. es decir, aquellas que se consideran que no van a tomar un valor *i"o, sino que pueden tomar un rango de valores por no tratarse de variables ciertas, as como las relaciones que e+isten entre ellas, en este punto se debe de*inir los coe*icientes de correlacin e+istente entre las variables. Si no se tienen en cuenta dic$as interrelaciones, se simulan las variables de *orma independiente, se incurrira en un error en los resultados obtenidos, lo que estara reduciendo la variabilidad de los resultados al tener lugar el e*ecto de compensacin en la interaccin de las variables. C. ,espu#s de que se identi*ican las variables que se simularan, se debe determinar la *uncin de probabilidad *1+2 asociada a cada una de estas. D. ;na vez $ec$o esto se obtendr%n las *unciones de distribucin asociadas a las variables o variables si se trata de una sola. E. Se procede a la generacin de nmeros aleatorios comprendidos entre 18,92. Estos nmeros se pueden obtener utilizando algn algoritmo de generacin por medio

9. -ara determinar el tamaJo de la muestra, se debe empezar por utilizar un nmero no demasiado elevado de simulaciones, que se sustituir%n en el modelo matem%tico seleccionado, de esta *orma se procede a calcular la media la desviacin tpica correspondiente al mismo. ,e esta *orma se debe ampliar el tamaJo de la muestra $asta que la media la desviacin tpica no varen signi*icativamente en relacin

)omo presentar artculos en la Revista )ap K )ua

Revista Cap&Cua Comit editorial SIMULACIN MONTECARLO

con los resultados obtenidos con la muestra anterior. -ara esta etapa se pueden aplicar dos procedimientos independientes que *acilitara la estimacin de la tamaJa de la muestra. / -rocedimiento aditivo. se parte de un numero inicial de simulaciones 1n2, se calcula la media la desviacin tpica del modelo matem%tico utilizado. -osterior se procede a aJadir el numero nuevo de simulaciones equivalentes al bloque inicial 1n2, de tal *orma que a$ora se calcula la media la desviacin tpica del modelo matem%tico utilizando para ello un numero de simulacin que asciende a LBnM. +aso #: ?amaJa delo bloque de simulaciones LnM. +aso ,: tamaJo del bloque de simulaciones LnNn 7 BnM. Si no $a convergencia, entonces paso C, sino *inalizar. +aso -: ?amaJo del bloque de simulaciones LBnNn7CnM. Si no $a convergencia, entonces paso D, sino *inalizar. O as, sucesivamente $asta alcanzar la convergencia. / -rocedimiento multiplicativo. para este se debe partir de un numero inicial de simulaciones 1n2, se calcula la media la desviacin tpica del modelo matem%tico utilizado. Se debe proceder a aJadir un nmero de nuevas simulaciones equivalente a las acumuladas $asta ese momento de tal *orma que a$ora se calcula la media la desviacin tpica del modelo matem%tico utilizando para ello un nmero de simulaciones que es el doble de las utilizadas en el paso anterior. (a nueva media desviacin tpica as calculadas se comparan con las anteriores,

repiti#ndose el proceso $asta que la media la desviacin tpica no diver"an en m%s de 8,E 8 9P. +aso #: ?amaJo del bloque de simulaciones LnM. +aso,: tamaJo del bloque de simulaciones LBQn7BnM. Si no $a convergencia, entonces paso C, sino *inalizar. +aso-: ?amaJo del bloque de simulaciones LBQBn7DnM. Si no $a convergencia, entonces paso D, sino *inalizar. O as, sucesivamente $asta alcanzar la convergencia.

Fuente: introduccion a la simulacin, humberto alvarez. De u.a ma.era resumida los pasos so.: 9. ,iseJar el modelo lgico de decisin. B. Especi*icar distribuciones de probabilidad para las variables aleatorias relevantes. C. :ncluir posibles dependencias entre variables.

S:';(A):<= '>=?E)AR(>. (A A(EA?>R:E,A, )>'> S>(;):<= ,E '>,E(>S 'A?E'A?:)>S

Revista Cap&Cua

D. )alcular el resultado del modelo segn los valores del muestreo 1iteracin2 registrar el resultado. E. Repetir el proceso $asta tener una muestra estadsticamente representativa. F. >btener la distribucin de *recuencias del resultado de las iteraciones. G. )alcular media, desvo curva de percentiles acumulados. TI+OS DE (ARIA)LES (a idea b%sica del m#todo es simular valores que toman las variables que *orman parte del proceso en lugar de e+perimentar u observar la realidad. E"emplos. / ,emanda. / ?iempo de respuesta, entre ocurrencias, de servicio. / )antidad de empleados ausentes. / -resin de un neum%tico. / 4elocidad direccin del aire. E+isten dos tipos de variables aleatorias. 4ariables aleatorias discretas. ,emanda, =mero de empleados, etc. 4ariables aleatorias continuas. ?iempos, etc. A+LICACIONES )riptogra*a )romo din%mica cu%ntica ,ensidad *lu"o de tra*ico ,iseJo de reactores nucleares. ,iseJo de 4(S:. Ecologa. Econometra Evolucin estelar 0sica de materiales '#todos cuantitativos de organizacin industrial. -rogramas de computadora. -ronostico de ndice de la bolsa -rospecciones en e+plotaciones petrol*eras Radioterapia contra el c%ncer. Sistema de colas. Sistemas de inventario - R

4aloracin de cartera de valores (a simulacin de 'ontecarlo se $a venido aplicando a una in*inidad de %mbitos como alternativa a los modelos matem%ticos e+actos o incluso como nico medio de estimar soluciones para problemas comple"os. As, en la actualidad es posible encontrar modelos que $acen uso de simulacin ') en las %reas in*orm%tica, empresarial, econmica, industrial e incluso social. En otras palabras, la simulacin de 'ontecarlo est% presente en todos aquellos %mbitos en los que el comportamiento aleatorio o probabilstico desempeJa un papel *undamental precisamente. A veces la aplicacin del m#todo 'ontecarlo se usa para analizar problemas que no tienen un componente aleatorio e+plicito! en estos casos un par%metro determinista del problema se e+presa como una distribucin aleatoria se simula dic$a distribucin. E/emplo. Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda, debemos previamente asignarle un intervalo de nmeros aleatorios a )ARA otro a )R;S, de manera de poder interpretar el resultado de la simulacin. ?ales intervalos se asignan en *uncin de las probabilidades de ocurrencia de cada cara de la moneda. ?enemos as. )ARA -robabilidad. 8,E8 =meros aleatorios. 8,888 al 8,DII )R;S -robabilidad. 8,E8 =meros aleatorios. 8,E88 al 8,III ,espu#s, al generar un nmero aleatorio a partir de la *uncin RA= de la calculadora, por e"emplo, obtenemos el resultado simulado. As, si obtenemos el nmero aleatorio 8,CHE, observamos que est% incluido en el intervalo asignado a )ARA. En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las probabilidades de ocurrencia de los eventos a simular

)omo presentar artculos en la Revista )ap K )ua

Revista Cap&Cua Comit editorial SIMULACIN MONTECARLO

IM+ORTANCIA ,$ (a importancia actual del m#todo 'ontecarlo se basa en la e+istencia de problemas que tienen di*cil solucin por m#todos e+clusivamente analticos o num#ricos, pero que dependen de *actores aleatorios o se pueden asociar a un modelo probabilstica arti*icial 1resolucin de integrales de muc$as variables, minimizacin de *unciones, etc.2. Tracias al avance en diseJo de los ordenadores, c%lculos 'ontecarlo que en otro tiempo $ubieran sido inconcebibles, $o en da se presentan como asequibles para la resolucin de ciertos problemas. En estos m#todos el error U 9VW=, donde = es el nmero de pruebas , por tanto, ganar una ci*ra decimal en la precisin implica aumentar = en 988 veces. (a importancia de 'ontecarlo es que abri la posibilidad de utilizar el azar para c%lculos analticos! adem%s es un m#todo num#rico de integracin lento que se puede me"orar con un cambio adecuado de variables. (ENTA0AS / Es un m#todo directo *le+ible / )uando el modelo matem%tico es demasiado complicado la simulacin permite obtener una simulacin. (a simulacin permite resolver problemas que no tiene solucin analtica. (a simulacin no interviene en el mundo real, permite e+perimentar. RE1ERENCIAS )I)LIO&R 1ICAS Robert, C.P. y Casella, G., Monte Carlo statistical methods. SpringerVerlag, London, (2 !". R#binstein, R.$. y %roese, &.P., Sim#lation and the Monte Carlo method. 'iley, (obo)en, *+, (2

,".

Monte carlo sim#lation in statistical physics, ).binder, &.-. (eermann, Springer, .//0 http122---.palisadelta.com2ris)2sim#lacion3monte3carlo.a sp http122---.slideshare.net2g4o-er2sim#l acion-mc http122---.slideshare.net25le6androCl aro22metodos-de-montecarlo-enmecanica-estadistica http122es.-i)ipedia.org2-i)i2M 7C875/todo3de3Montecarlo http122---.#cema.ed#.ar29aleb#s2ries go2montecarlo.PP: http122---.slideshare.net2Cryptic(ern nde;<rtega2res#men-sim#lacion-demontecarlo

/ /

DES(ENTA0AS / (a simulacin no genera soluciones ptimas globales. / ;na buena simulacin puede resultar mu complicada, gran nmero de variables. / =o proporciona la decisin a tomar, sino que resuelve el problema mediante apro+imacin para unas condiciones iniciales. / )ada simulacin es nica, interviene el azar.

S:';(A):<= '>=?E)AR(>. (A A(EA?>R:E,A, )>'> S>(;):<= ,E '>,E(>S 'A?E'A?:)>S

Revista Cap&Cua

)omo presentar artculos en la Revista )ap K )ua