UNIVERSIDAD NACIONA DE SANTA

UNIVERSIDAD NACIONAL DEL SANTA

Simulacin De Monte Carlo
Cesar Augusto Rodrguez Rodrguez

Ingeniera De Sistemas e Informtica

DINAMICA DE SISTEMAS

UNIVERSIDAD NACIONA DE SANTA Ingeniera De Sistemas e In!orm"tica

INTRODUCCION
El origen de la dinmica de sistemas se encuentra ligado al desarrollo de una aplicacin para analizar los pedidos de una empresa fabricante de componentes electrnicos. Se observaba que aunque el nmero de clientes era pequeo y por lo tanto el flujo de pedidos se esperaba constante, aparec an no obstante grandes oscilaciones en el mismo. Se investigaron t!cnicas de investigacin operativa y se realizaron simulaciones bajo el m!todo de "onte#$arlo, dirigido todo por el grupo de %. &orrester. Este m!todo result ser insuficiente para dar una e'plicacin razonable al tiempo que se descubri que una combinacin de retrasos en la trasmisin de informacin con estructuras de realimentacin que se produc an dentro del modelo, eran el origen de las oscilaciones. (os m!todos num!ricos conocidos como m!todos de "onte $arlo son m!todos estad sticos de la simulacin que utiliza secuencias de nmeros aleatorios para realizar la modelacin de los sistemas que estn siendo analizados. (os m!todos de "onte $arlo se )an utilizado por siglos, pero solamente en las ltimas d!cadas pasadas la t!cnica )a ganado el estatus de un m!todo num!rico capaz de tratar las aplicaciones mas complejas.

Pgina #

UNIVERSIDAD NACIONA DE SANTA Ingeniera De Sistemas e In!orm"tica

Simulacin *e "onte $arlo

(os "!todos estad sticos de la simulacin se pueden poner en contraste con los m!todos num!ricos convencionales de desratizacin, que se aplican t picamente a las ecuaciones diferenciales ordinarias o parciales que describen un cierto sistema f sico o matemtico. En muc)as aplicaciones de "onte $arlo el proceso f sico de simula directamente, y no )ay necesidad de encontrar las ecuaciones diferenciales que describen el comportamiento del sistema. El nico requisito es que el sistema f sico +o matemtico, sea descrito por las funciones de densidad de probabilidad +pdf,. -or a)ora se asume que el comportamiento de un sistema se puede describir por los pdf. .na vez que se conocen los pdf, la simulacin "onte $arlo puede proceder a realizar un muestreo aleatorio del mismo, entonces, se realiza ensayos mltiples de la simulacin y se toma el resultado deseado de un promedio sobre el nmero de observaciones. El uso de los m!todos de "onte $arlo como )erramienta de investigacin, proviene del trabajo realizado en el desarrollo de la bomba atmica durante la Segunda /uerra "undial en el (aboratorio 0acional de (os 1lamos en EE. ... Este trabajo conllevaba la simulacin de problemas probabil sticos de )idrodinmica 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 2aytracing para la generacin de imgenes 3*. En la primera etapa de estas investigaciones, %o)n von 0eumann y Stanisla4 .lam refinaron esta ruleta rusa y los m!todos 5de divisin5 de tareas. Sin embargo, el desarrollo sistemtico de estas ideas tuvo que esperar al trabajo de 6arris y 6erman 7a)n en 89:;. <pro'imadamente en el mismo ao, Enrico &ermi, 0ic)olas "etropolis y .lam obtuvieron estimadores para

Pgina $

UNIVERSIDAD NACIONA DE SANTA Ingeniera De Sistemas e In!orm"tica

los valores caracter sticos de la ecuacin de Sc)r=dingerpara la captura de neutrones a nivel nuclear usando este m!todo.

El m!todo de "onte $arlo proporciona soluciones apro'imadas a una gran variedad de problemas con matemticos de posibilitando la realizacin en de una e'perimentos muestreos nmeros pseudoaleatorios

computadora. El m!todo es aplicable a cualquier tipo de problema, ya seaestocstico o determinista. < diferencia de los m!todos num!ricos que se basan en evaluaciones en 0 puntos en un espacio "#dimensional para producir una solucin apro'imada, el m!todo de "onte $arlo tiene un error absoluto de la estimacin que decrece teorema del l mite central. En resumen (a simulacin "onte $arlo es una t!cnica matemtica computarizada que permite tener en cuenta el riesgo en anlisis cuantitativos y tomas de decisiones. Esta t!cnica es utilizada por profesionales de campos tan dispares como los de finanzas, gestin de proyectos, energ a, manufacturacin, ingenier a, investigacin y desarrollo, seguros, petrleo y gas, transporte y medio ambiente. (a simulacin "onte $arlo 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. "uestra las posibilidades e'tremas >los resultados de tomar la medida ms arriesgada y la ms conservadora> as como todas las posibles consecuencias de las decisiones intermedias. (os cient ficos que trabajaron con la bomba atmica utilizaron esta t!cnica por primera? y le dieron el nombre de "onte $arlo, la ciudad tur stica de "naco conocida por sus casinos. *esde su introduccin durante la Segunda /uerra "undial, la simulacin "onte $arlo se )a utilizado para modelar diferentes sistemas f sicos y conceptuales. como en virtud del

Pgina %

UNIVERSIDAD NACIONA DE SANTA Ingeniera De Sistemas e In!orm"tica

@$mo funciona la simulacin "onte $arloA

(a simulacin "onte $arlo 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 in)erente. (uego, calcula los resultados una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las funciones de probabilidad. *ependiendo del nmero de incertidumbres y de los rangos especificados, para completar una simulacin "onte $arlo puede ser necesario realizar miles o decenas de miles de re clculos. (a simulacin "onte $arlo 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 evaluacin instintiva o Bpor corazonadaC de una situacin, y se caracteriza por afirmaciones como BEso parece muy arriesgadoC o B-robablemente obtendremos buenos resultadosC. El anlisis de riesgo cuantitativo trata de asignar valores num!ricos a los riesgos, utilizando datos emp ricos o cuantificando evaluaciones cualitativas. Damos a concentrarnos en el anlisis de riesgo cuantitativo. "ediante el uso de distribuciones de probabilidad, las variables pueden generar diferentes probabilidades de que se produzcan diferentes resultados. (as distribuciones de probabilidad son una forma muc)o ms realista de describir la incertidumbre en las variables de un anlisis de riesgo. (as distribuciones de probabilidad ms comunes sonE 0ormal F G Bcurva de campanaC. El usuario simplemente define la media o valor esperado y una desviacin estndar para describir la variacin con respecto a la media. (os valores intermedios cercanos a la media tienen mayor probabilidad de producirse. Es una distribucin sim!trica y describe

Pgina &

UNIVERSIDAD NACIONA DE SANTA Ingeniera De Sistemas e In!orm"tica

muc)os fenmenos naturales, como puede ser la estatura de una poblacin. Ejemplos de variables que se pueden describir con distribuciones normales son los ndices de inflacin y los precios de la energ a. (ognormal F (os valores muestran una clara desviacin? no son sim!tricos 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 ra ces, los precios de las acciones de bolsa y las reservas de petrleo. .niform F Hodos los valores tienen las mismas probabilidades de producirse? el usuario slo tiene que definir el m nimo y el m'imo. 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. Hriangular F El usuario define los valores m nimo, ms probable y m'imo. (os valores situados alrededor del valor ms probable tienen ms probabilidades de producirse. (as variables que se pueden describir con una distribucin triangular son el )istorial de ventas pasadas por unidad de tiempo y los niveles de inventario. -E2H F El usuario define los valores m nimo, ms probable y m'imo, como en la distribucin triangular. (os valores situados alrededor del ms probable tienen ms probabilidades de producirse. Sin embargo, los valores situados entre el ms probable y los e'tremos tienen ms probabilidades de producirse que en la distribucin triangular? es decir, los e'tremos no tienen tanto peso. .n ejemplo de uso de la distribucin -E2H es la descripcin de la duracin de una tarea en un modelo de gestin de un proyecto. *iscrete F El usuario define los valores espec ficos que pueden ocurrir y la probabilidad de cada uno. .n ejemplo podr a ser los resultados de una demanda legalE IJK de posibilidades de obtener un veredicto positivo, 3JK

Pgina '

UNIVERSIDAD NACIONA DE SANTA Ingeniera De Sistemas e In!orm"tica

de posibilidades de obtener un veredicto negativo, :JK de posibilidades de llegar a un acuerdo, y 8JK de posibilidades de que se repita el juicio. *urante una simulacin "onte $arlo, los valores se muestrean aleatoriamente a partir de las distribuciones de probabilidad introducidas. $ada grupo de muestras se denomina iteracin, y el resultado correspondiente de esa muestra queda registrado. (a simulacin "onte $arlo realiza esta operacin cientos o miles de veces, y el resultado es una distribucin de probabilidad de posibles resultados. *e esta forma, la simulacin "onte $arlo proporciona una visin muc)o ms completa de lo que puede suceder. Lndica no slo lo que puede suceder, sino la probabilidad de que suceda. (a simulacin "onte $arlo proporciona una serie de ventajas sobre el anlisis determinista o Bestimacin de un solo puntoCE

2esultados probabil sticos. (os resultados muestran no slo lo que puede suceder, sino lo probable que es un resultado.

2esultados grficos. /racias a los datos que genera una simulacin "onte $arlo, es fcil crear grficos de diferentes resultados y las posibilidades de que sucedan. Esto es importante para comunicar los resultados a otras personas interesadas.

<nlisis de sensibilidad. $on slo unos pocos resultados, en los anlisis deterministas es ms dif cil ver las variables que ms afectan el resultado. En la simulacin "onte $arlo, resulta ms fcil ver qu! variables introducidas tienen mayor influencia sobre los resultados finales.

<nlisis de escenario. En los modelos deterministas resulta muy dif cil modelar diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones verdaderamente diferentes. .sando la simulacin "onte $arlo, los analistas pueden ver e'actamente los valores que tienen cada variable cuando se producen ciertos resultados. Esto resulta muy valioso para profundizar en los anlisis.

Pgina (

UNIVERSIDAD NACIONA DE SANTA Ingeniera De Sistemas e In!orm"tica

$orrelacin de variables de entrada. En la simulacin "onte $arlo 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.

Ejemplo 1
Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda, debemos previamente asignarle un intervalo de nmeros aleatorios a $<2< y otro a $2.M, de manera de poder interpretar el resultado de la simulacin. Hales intervalos se asignan en funcin de las probabilidades de ocurrencia de cada cara de la moneda. Henemos as E $<2< -robabilidadE J,NJ 0meros aleatoriosE J,JJJ al J,:99 $2.M -robabilidadE J,NJ 0meros aleatoriosE J,NJJ al J,999 *espu!s, al generar un nmero aleatorio a partir de la funcin 2<0 de la calculadora, por ejemplo, obtenemos el resultado simulado. <s , si obtenemos el nmero aleatorio J,3;N, observamos que est incluido en el intervalo asignado a $<2<. En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las probabilidades de ocurrencia de los eventos a simular.

Ejemplo 2
(a simulacin en agua mediante el cdigo "onte $arlo -E0E(G-E de )aces de electrones conformados complejos con aleacin de bajo punto de fusin y de energ as comprendidas entre O y 8; "eD de un acelerador lineal Siemens 7*S. *ic)os resultados fueron comparados con medidas e'perimentales y con las predicciones de un planificador 3* H"S 6ela' D N.8, obteni!ndose una muy buena correlacin entre la simulacin "onte $arlo y las medidas e'perimentales, mientras que los resultados obtenidos con el planificador

Pgina )

UNIVERSIDAD NACIONA DE SANTA Ingeniera De Sistemas e In!orm"tica

presentan, en ciertas condiciones, diferencias muy significativas respecto a las medidas e'perimentales efectuadas.

Pgina *