c bx ax x P
2
) (
VI. Resolucin Analtica vs Simulacin
Simulacin de Monte Carlo
La simulacin de Monte Carlo es un mtodo que emplea nmeros aleatorios uniformemente
distribuidos en el intervalo [0,1] que es utilizado para resolver problemas donde la evolucin
con el tiempo no es de importancia.
A continuacin, se analizarn dos ejemplos para comparar una solucin analtica con una
solucin obtenida por simulacin.
Determinacin del rea de una figura
Cuando se desea calcular el rea de un crculo de radio r = 10 cm no existen mayores
problemas, ya que tanto el rea a como su permetro p pueden evaluarse analticamente
con las siguientes frmulas:
En este caso la solucin es a = 314.16 cm2 y p = 62.83 cm.
2
r a
r p 2
VI. Resolucin Analtica vs Simulacin
Sin embargo, cuando se desea determinar el rea de una forma irregular, por
ejemplo la superficie plana de Argentina, el problema debe necesariamente ser
resuelto con un mtodo numrico; es decir, simulacin.
La determinacin del rea del crculo utilizando la simulacin de Monte Carlo implica
la siguiente secuencia:
1. Crear un cuadrado de lado 2.r que encierre al crculo (ver Figura).
2. Colocar n puntos al azar dentro del cuadrado.
3. Asignar a c el nmero de puntos que quedaron dentro del crculo.
4. Como la probabilidad de colocar un punto dentro del crculo es igual al cociente del rea del crculo
dividida el rea del cuadrado, el rea del crculo se puede estimar en funcin del rea del cuadrado
(fcilmente calculable) con:
Es importante notar que para un dado n, el resultado ser distinto cada vez que se realice la
simulacin. Es decir, que el resultado ser un nmero aleatorio. A medida que n aumente, la varianza
del resultado disminuir y el valor medio se aproximar a la solucin analtica. Para un n = 100, el
resultado de una simulacin es = 320 cm2; mientras que para n = 10000, un resultado es = 313 cm2.
) 4 (
2
r
n
c
a
n
c
a
cuadrado circulo
VI. Resolucin Analtica vs Simulacin
El mismo principio se puede aplicar para figuras complejas o irregulares
Conociendo la escala, se puede fijar un cuadrado arbitrario y calcular el rea de
Argentina.
Sin embargo, la determinacin del permetro de la figura es un problema de mayor
magnitud para el cual se necesita recurrir a la teora de fractales.
SIMULACION DE MONTE CARLO
La simulacin de Monte Carlo es una tcnica cuantitativa que hace uso de la estadstica y
los ordenadores para imitar, mediante modelos matemticos, el comportamiento aleatorio de
sistemas reales no dinmicos.
Ejemplo:
Se cuenta con los datos histricos de 200 das sobre el nmero de consultas diarias realizadas
en un sistema de informacin empresarial (EIS) residente en un servidor central. La tabla
siguiente incluye el nmero de consultas diarias (0 a 5) junto con las frecuencias absolutas,
frecuencias relativas, y las frecuencias relativas acumuladas.
Deseamos conocer el nmero esperado de consultas por da mediante la teora de la
probabilidad y la Simulacin de Monte Carlo
DIAS 200
Cant. Consultas Frecuencia Absoluta Frecuencia Relativa Frecuencia Relativa
EIS Das das/200 Acumulada
0.00 10 0.05 0.05
1.00 20 0.10 0.15
2.00 40 0.20 0.35
3.00 60 0.30 0.65
4.00 40 0.20 0.85
5.00 30 0.15 1.00
total 200 1.00
SIMULACION DE MONTE CARLO
Solucin:
Mediante la teora de la Probabilidad
N esperado de Consulta por da
n
i
i
x p x X E
x X P x p
0
) ( ] [
) ( ) (
Valor esperado
x 0 1 2 3 4 5
p(x) 10/200 20/200 40/200 60/200 40/200 30/200
x.p(x) 0 x 0.05 1 x 0.10 2 x 0.20 3 x 0.30 4 x 0.20 5 x 0.15
0 0.1 0.4 0.9 0.8 0.75
5
0
295 ) 15 . 0 ( 5 ) 20 . 0 ( 4 ) 30 . 0 ( 3 ) 20 . 0 ( 2 ) 10 . 0 ( 1 ) 15 . 0 ( 0 ) ( ] [
i
i
x p x x E
SIMULACION DE MONTE CARLO
Solucin:
Mediante Simulacin de Monte Carlo
N esperado de Consulta por da
Cuando se conoce la distribucin de
probabilidad asociada a una variable
discreta, es posible usar la columna de
frecuencias relativas acumuladas para
obtener los llamados intervalos de nmeros
aleatorios asociados a cada suceso.
En este caso, los intervalos obtenidos son:
Tabla: Transformada Inversa
Rango Entonces Caras
0 < RND <= 0.05 X=0 Consultas
0.05 < RND <= 0.15 X=1 Consultas
0.15 < RND <= 0.35 X=2 Consultas
0.35 < RND <= 0.65 X=3 Consultas
0.65 < RND <= 0.85 X=4 Consultas
0.85 < RND <= 1.00 X=5 Consultas
Grfico de probabilidad
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
1 2 3 4 5 6
Consultas
F
r
a
c
u
e
n
c
i
a
s
R
e
l
a
t
i
v
a
s
FR
Grafico de Distribucin Acumulada
0.00
0.50
1.00
1.50
1 2 3 4 5 6
Consultas
F
R
A
Serie1
Distribucin Acumulada
x 0 1 2 3 4 5
f(x) 0.05 0.10 0.20 0.30 0.20 0.15
F(x) 0.05 0.15 0.35 0.65 0.85 1.00
Generamos 100 nmeros Peseudo-aleatorios
Clasificamos cada uno de ellos comparando en los intervalos luego asignamos la cantidad
de consultas a la que pertenece mediante la Siguiente frmula
Formula de Asignacin =
SI(J1<E$15,B$15,SI(J1<E$16,B$16,SI(J1<E$17,B$17,SI(J1<E$18,B$18,SI(J1<E$19,B$19,SI(J1<E$20,B$20))))))
De los nmeros asignados calculamos la media aritmetica usando la funcin PROMEDIO
Donde nos da el V(E)=2.915
SIMULACION DE MONTE CARLO
Ejemplo 2:
Supongamos que trabajamos en un gran almacn informtico, y que nos piden consejo para
decidir sobre el nmero de licencias de un determina sistema operativo que conviene adquirir
las licencias se suministran con los ordenadores que se vendan durante el prximo trimestre,
y es lgico pensar que en pocos meses habr un nuevo sistema operativo en el mercado de
caractersticas superiores. Cada licencia de sistema operativo la cuesta al almacn un total de
75 Euros, mientras que el precio al que la vende es de 100 Euros. Cuando salga al mercado la
nueva versin del sistema operativo, el almacn podr devolver al distribuidor las licencias
sobrantes, obteniendo un total de 25 euros por cada una. Basndose en los datos histricos
de los ltimos meses, los responsables del almacn han sido capaces de determinar la
siguiente distribucin de probabilidades por lo que las ventas de licencias del nuevo sistema
operativo refiere
Cant. Licencias Probabilidad Probabilidad Ext.Inf. Ext.Sup Cant.Licencias
Vendidas Acumulada Intervalo Intervalo Vendidas
100 0.30 0.30 0.00 0.30 100
150 0.20 0.50 0.30 0,50 150
200 0.30 0.80 0,50 0.80 200
250 0.15 0.95 0.80 0.95 250
300 0.05 1.00 0.95 1.00 300
Mediante la simulacin de Monte Carlo, deseamos conocer el pedido de unidades para conseguir el mximo beneficio
VIII. Etapas de la Simulacin
En el desarrollo de una simulacin se pueden distinguir las siguientes etapas
(Banks et al.,1996):
1. Formulacin del Problema
2. Definicin del Sistema
3. Formulacin del Modelo
4. Coleccin de Datos
5. Implementacin del Modelo en la Computadora
6. Verificacin
7. Validacin
8. Diseo de Experimentos
9. Experimentacin
10.Interpretacin
11.Implementacin
12.Documentacin
VIII. Etapas de la Simulacin
1.Formulacin del Problema:
En este paso debe quedar perfectamente establecido el objeto de la simulacin.
El cliente y el desarrollador deben acordar lo ms detalladamente posible los
siguientes factores:
- los resultados que se esperan del simulador,
- el plan de experimentacin,
- el tiempo disponible,
- las variables de inters,
- el tipo de perturbaciones a estudiar,
- el tratamiento estadstico de los resultados,
- la complejidad de la interfaz del simulador, etc.
Se debe establecer si el simulador ser operado por el usuario o si el usuario slo
recibir los resultados.
Finalmente, se debe establecer si el usuario solicita un trabajo de simulacin o un
trabajo de optimizacin.
VIII. Etapas de la Simulacin
2. Definicin del Sistema:
El sistema a simular debe estar perfectamente definido.
El cliente y el desarrollador deben acordar dnde estar la frontera del sistema a
estudiar y las interacciones con el medioambiente que sern consideradas.
VIII. Etapas de la Simulacin
3. Formulacin del Modelo:
Esta etapa es un arte y ser discutida ms adelante.
La misma comienza con el desarrollo de un modelo simple que captura los aspectos
relevantes del sistema real.
Los aspectos relevantes del sistema real dependen de la formulacin del problema;
para un ingeniero de seguridad los aspectos relevantes de un automvil son
diferentes de los aspectos considerados por un ingeniero mecnico para el mismo
sistema.
Este modelo simple se ir enriqueciendo como resultado de
varias iteraciones.
VIII. Etapas de la Simulacin
4. Coleccin de Datos:
La naturaleza y cantidad de datos necesarios estn determinadas por la formulacin
del problema y del modelo.
Los datos pueden ser provistos por registros histricos, experimentos de laboratorios
o mediciones realizadas en el sistema real.
Los mismos debern ser procesados adecuadamente para darles el formato exigido
por el modelo.
VIII. Etapas de la Simulacin
5. Implementacin del Modelo por Computadora:
El modelo es implementado utilizando algn lenguaje de computacin.
Existen lenguajes especficos de simulacin que facilitan esta tarea; tambin, existen
programas que ya cuentan con modelos implementados para casos especiales.
VIII. Etapas de la Simulacin
6. Verificacin:
En esta etapa se comprueba que no se hayan cometidos errores durante la
implementacin del modelo.
Para ello, se utilizan las herramientas de debugging provistas por el entorno de
programacin..
VIII. Etapas de la Simulacin
7. Validacin:
En esta etapa se comprueba la exactitud del modelo desarrollado.
Esto se lleva a cabo comparando las predicciones del modelo con: mediciones
realizadas en el sistema real, datos histricos o datos de sistemas similares.
Como resultado de esta etapa puede surgir la necesidad de modificar el modelo o
recolectar datos adicionales.
VIII. Etapas de la Simulacin
8. Diseo de Experimentos:
En esta etapa se decide las caractersticas de los experimentos a realizar: el tiempo
de arranque, el tiempo de simulacin y el nmero de simulaciones.
No se debe incluir aqu la elaboracin del conjunto de alternativas a probar para
seleccionar la mejor, la elaboracin de esta lista y su manejo es tarea de la
optimizacin y no de la simulacin.
Debe quedar claro cuando se formula el problema si lo que el cliente desea es un
estudio de simulacin o de optimizacin
VIII. Etapas de la Simulacin
9. Experimentacin:
En esta etapa se realizan las simulaciones de acuerdo al diseo previo.
Los resultados obtenidos son debidamente recolectados y procesados
VIII. Etapas de la Simulacin
10. Interpretacin:
Se analiza la sensibilidad del modelo con respecto a los parmetros que tienen
asociados la mayor incertidumbre.
Si es necesario, se debern recolectar datos adicionales para refinar la estimacin de
los parmetros crticos.
VIII. Etapas de la Simulacin
11. Implementacin:
Conviene acompaar al cliente en la etapa de implementacin para evitar el mal
manejo del simulador o el mal empleo de los resultados del mismo.
VIII. Etapas de la Simulacin
12. Documentacin:
Incluye la elaboracin de la documentacin tcnica y manuales de uso.
La documentacin tcnica debe contar con una descripcin detallada del modelo y de
los datos; tambin, se debe incluir la evolucin histrica de las distintas etapas del
desarrollo.
Esta documentacin ser de utilidad para el posterior perfeccionamiento del
simulador.
RECURSOS COMPUTACIONALES.
Se sugiere considerar el uso de alguno (s) de los siguientes recursos: EXCEL
(qu pasa si...?), STELLA (procesos de simulacin dinmica), ARENA
(procesos de simulacin discreta) MICROMUNDO PROFESIONAL y CLIC
(gratuito en Internet http://www.xtec.es/recursos/clic/esp/act/index.htm), FLASH,
JAVA, DIRECTOR o algn otro que est justificado.
Pensamientos
Es mejor una respuesta aproximada al problema correcto que una respuesta
correcta al problema aproximado
Los paradigmas de un pasado quieto y estable son inadecuados en un
presente turbulento e inestable.
Abraham Lincoln.
La construccin del modelo de simulacin es en muchos casos
ms un arte que una ciencia, que combina aspectos matemticos y
lgicos.
SUMULADORES
-WITNESS: Taller de Manufactura
-ARENA: Simulador de procesos de cualquier tipo: Colas
-SIMUL8 WITNESS
-GPSS, SIMSCRIPT, SLAM, SIMAN, ProModel