Introducción a la Simulación Método Monte Carlo
Investigación Operativa I
Informática de Gestión
Agenda
Números aleatorios y pseudoaleatorios
Simulaciones
Monte Carlo
Caso Práctico
Aplicaciones
Conclusiones
Informática de Gestión
Números aleatorios
Deben tener igual probabilidad de salir elegidos.
No debe existir correlación serial
Se generan por tablas (Rand 1955), o por dispositivos especiales: ruleta.
En la práctica se utilizan algoritmos y se generan números pseudoaleatorios.
Informática de Gestión
Números Pseudoaleatorios
Sustituyen a los números aleatorios.
Se generan por algoritmos o fórmulas.
Se debe asegurar la existencia de secuencias largas y densas.
Informática de Gestión
Generación de Números pseudoaleatorios
Centros cuadrados : 44
2= 1936 ⇒ 93
Métodos Congruenciales: x
n=(ax
n-1+ c) (mod m
Transformación Inversa: x=F
-1(x) siendo F(x)=Prob(X<=x)
Informática de Gestión
Simulación: Concepto
Simulación : es el proceso de diseñar y
desarrollar un modelo computarizado de un
sistema o proceso y conducir experimentos con
este modelo con el propósito de entender el
comportamiento del sistema o evaluar varias
estrategias con las cuales se puede operar el
sistema (Shannon)
Informática de Gestión
Simulación: Modelo y Proceso
Modelo de simulación : conjunto de hipótesis acerca del funcionamiento del sistema expresado como relaciones matemáticas y/o lógicas entre los elementos del sistema.
Proceso de simulación : ejecución computacional del modelo a través del tiempo para generar muestras representativas del comportamiento del sistema.
Informática de Gestión
¿Cuándo usamos Simulación?
Se requiere analizar diferentes cambios en la información y su efecto.
Se desea experimentar con diferentes diseños o políticas.
Se desea verificar soluciones analíticas.
Un modelo analítico es imposible o dificil de construir.
Se desea estudiar un sistema real y resulta peligroso o costoso hacerlo en el propio sistema real; la posibilidad de hacerlo mediante un modelo análitico resulta imposible ó inconveniente.
Informática de Gestión
Métodos de Simulación
Eventos discretosSe define el modelo cuyo comportamiento varía 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 simulación.
Montecarlo o simulación estadística Está basada en el muestreo sistemático de variables aleatorias.
Continuas: Los estados del sistema cambian continuamente su valor. Estas simulaciones se modelan generalmente con ecuaciones diferenciales.
Autómatas celulares: Se aplica a casos complejos, en los que se divide al comportamiento del sistema en subsistemas más pequeños denominadas células. Elresultado de la simulación está dado por la interacción de las diversas células.
Informática de Gestión
Etapas del proceso de Simulación
Definición, descripción del problema. Plan.
Formulación del modelo.
Programación .
Validación del modelo.
Diseño de experimentos y plan de corridas.
Análisis de resultados
Informática de Gestión
Etapas de la simulación
SI Formular el problema Reunir datos y elaborar el modelo
Programar el modelo
Diseñar el experimento Desarrollar corridas
Analizar los datos obtenidos
Documentar y poner en práctica Está completa?
Está validada? SI Está verificada?
NO
NO NO
SI
Informática de Gestión
Simulación: Ventajas
Es un proceso relativamente eficiente y flexible.
Puede ser usada para analizar y sintetizar una compleja y extensa situación real.
En algunos casos la simulación es el único método disponible.
Los directivos requieren conocer como se avanza y que opciones son atractivas; el directivo con la ayuda del computador puede obtener varias opciones de decisión.
La simulación no interfiere en sistemas del mundo real.
La simulación permite estudiar los efectos interactivos de los componentes individuales o variables para determinar las más importantes.
La simulación permite la inclusión de complicaciones del mundo real y realizar comparaciones entre distintos
escenarios y/ alternativas posibles.
Informática de Gestión
Simulación: Desventajas
Un buen modelo de simulación puede resultar bastante costoso; a menudo el proceso de desarrollar un modelo es largo y complicado.
La simulación no genera soluciones óptimas a problemas de análisis cuantitativos, en técnicas como cantidad económica de pedido, programación lineal o PERT. Por ensayo y error se producen diferentes resultados en repetidas corridas en el computador.
Los directivos generan todas las condiciones y restricciones para analizar las soluciones. El modelo de simulación no produce respuestas por si mismo.
Cada modelo de simulación es único. Las soluciones e inferencias no son usualmente transferibles a otros problemas.
Siempre quedarán variables por fuera y esas variables (si hay mala suerte) pueden cambiar completamente los resultados en la vida real que la simulación no previó... en ingeniería se "minimizan riesgos, no se evitan".
Informática de Gestión
Lenguajes de Simulación
Simulación Continua: 1130/CSMP, 360 CSMP y DYNAMO, MISTRAL
Simulación a Eventos Discretos: GPSS, SIMSCRIPT, SDL/SIM.
Para casos simples podemos recurrir a la utilización de planillas de cálculo.
También podemos implementar aplicaciones en los lenguajes Fortran, C++, Java, Dephi,...
Informática de Gestión
¿Por qué Simulación en Investigación Operativa?
Los responsables de la toma de decisiones necesitan información cuantificable, sobre en diferentes hechos que puedan ocurrir.
La simulación constituye una técnica económica que nos permite ofrecer varios escenarios posibles de un modelo del negocio.
Podemos afirmar entonces, que la simulación es una rama experimental dentro de la Investigación Operativa.
Informática de Gestión
Método Monte Carlo :
Surge en 1940, para verificar el comportamineto de los electrones y su difusión.
El primer trabajo con el nombre “MonteCarlo method” es de Von Neumann y Ulam, en 1949.
Metodología para realizar simulaciones basada en muestras aleatorias.
Se aplica a casos probabilísticos o determinísticos.
Informática de Gestión
Algoritmo Monte Carlo Puro
• Determinar la/s V.A. y sus distribuciones acumuladas(F)
• Generar un número aleatorio uniforme ∈(0,1).
• Determinar el valor de la V.A. para el número aleatorio generado.
• Calcular media y desviación estándar.
Iterar N veces o hasta converger. La convergencia se logra cuando el error = Mediareal - Mediasimulada ≤ α, α
dado como
parámetro
Informática de Gestión
Algoritmo Monte Carlo II
− Diseñar el modelo lógico de decisión
− 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 según los valores del muestreo (iteración) y registrar el resultado
− Repetir el proceso hasta tener una muestra estadísticamente representativa( o converger)
− Obtener la distribución de frecuencias del resultado de las iteraciones
− Calcular media, desvío
Informática de Gestión
Caso práctico
− Utilizaremos Monte Carlo Puro.
− Supongamos la siguiente distribución de probabilidades para la V. A. Demanda
− Realizaremos varias iteraciones, calcularemos media, desviación y error. También histograma.
Frecuencia Acumulada Unidades
0,10 0,10 42,00
0,20 0,30 45,00
0,40 0,70 48,00
0,20 0,90 51,00
0,10 1,00 54,00
Informática de Gestión
Caso práctico
Transformacion del N° Aleatorio generado en el valor de la V.A.
Demanda
0.10 0.30
0.70 0.90
1.00
0.00 0.20 0.40 0.60 0.80 1.00 1.20
42 45 48 51 54
Unidades
Frecuencias
48 0,52
Informática de Gestión
Caso práctico
Resumen de las iteraciones
Cantidad de
simulaciones Media Desvio Error
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
Informática de Gestión
Cálculo aproximado de π
Tomamos un círculo de radio 1 centrado en el origen.
El área del cuarto de círculo inscrito en el ortante positivo es igual a π/4.
X
Y
Contaremoslos puntos que caen en este cuarto del circulo Ejemplo hecho en el
pizarrón, fue para que vieran un caso de MonteCarlo determinístico, no estaba en las filminas originales que di pero si en las que dejé en la fotocopiadora
Informática de Gestión
Cálculo aproximado de π
Sorteamos un par de puntos (x, y) entre 0 y 1.
Contamos cuantos puntos caen dentro del área del cuarto de círculo (In).
Sabemos que si x
2+ y
2≤ ≤ ≤ ≤ 1 el punto está adentro
Repetimos ese procedimiento N veces.
El valor estimado del área que queremos hallar es In/N ~ π/4, π ~ 4* In/N.
Para este caso MC es lento y poco preciso, es simplemente es un ejemplo del procedimiento.
Informática de Gestión
Areas de Aplicación
Diseño de reactores nucleares
Evolución estelar
Física de materiales
Métodos cuantitati-vos de organización industrial
Teoría de Colas
Criptografía
Diseño de VLSI
Ecología
Econometría
Pronóstico del índice de la Bolsa de valores
Inventarios
Informática de Gestión
Conclusiones
Puntos importantes del método Monte Carlo:
* Orden de aparicionde los elementos en la simulación
*Cantidad de iteraciones para lograr la convergencia
Método económico con buenos resultados para realizar simulaciones , de fácil comprensión.
Es una técnica para generar distintos escenarios.
No es una técnica de Optimización
Informática de Gestión
Introduccion a la Simulación Método Monte Carlo
Fin Fin
Informática de Gestión
Preguntas
Informática de Gestión
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. Evaluación de riesgos mediante simulación 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. Investigación de Operaciones en la Ciencia Administrativa. Editorial Prentice Hall. 5° Edición. 2000.
8) Hillier F, Lieberman G. Introducción a la Investigación 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
Informática de Gestión
Referencias
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 Simulación Monte Carlo. III Encuentro Nacional de docentes de Investigación Operativa. Facultad de Cs. Económicas. Universidad Nacional del Centro de la Provincia de Buenos Aires. 1990
16) Simulación. Introducción a la investigación de Operaciones. Facultad de Ingeniería . UDELAR. http://www.fing.edu.uy/inco/cursos/io/archivos/teorico/simulacion.pdf 17) H. Investigación de Operaciones una introducción. Editorial Prentice Hall. 6° edición. 1998.
18) Técnicas de Monte Carlo. http://mural.uv.es/juanama/astronomia/montecarlo.htm 19) WWW VIRTUAL LIBRARY: RANDOM NUMBERS and MONTE CARLO METHODS
SUBSECTION: MONTE CARLO METHODS.
http://random.mat.sbg.ac.at/links/monte.html
20) Woller J. Basics of Monte Carlo Simulations. Univ. of Nebraska-Lincoln http://www.chem.unl.edu/zeng/joy/mclab/mcintro.html .