Facultad de Ciencias Exactas Investigación Operativa

Universidad Nacional del I Cursada 2005

Centro de la Pcia de Buenos
Aires

SIMULACIÓN

MÉTODOMONTECARLO

 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 Robert)
 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 del modelo a través del tiempo en un ordenador
para generar muestras representativas del comportamiento.

Métodos de simulación
 Simulación estadística o Monte Carlo: Está basada en el muestreo sistemático de
variables aleatorias.
 Simulación continua: Los estados del sistema cambian continuamente su valor. Estas
simulaciones se modelan generalmente con ecuaciones diferenciales.
 Simulación por eventos discretos: Se 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.
 Simulación por autómatas celulares: Se aplica a casos complejos, en los que se divide
al comportamiento del sistema en subsistemas más pequeños denominadas células. El
resultado de la simulación está dado por la interacción de las diversas células.

Etapas del proceso de simulación

 Definición, descripción del problema. Plan.
 Formulación del modelo.
 Programación .
 Verificaciçon y Validación del modelo.
 Diseño de experimentos y plan de corridas.
 Análisis de resultados

Diagrama de flujo del modelo de simulación

1
 Reunir datos y elaborar el modelo

NO
Programar el modelo
NO

Está validada?
Está verificada?

SI
SÍ
Diseñar el experimento

NO

Documentar y Poner en práctica

Está completa?

SÍ

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,...
 ¿Por qué Simulación en Investigación
Operativa?

 Los responsables de la toma de decisiones necesitan información

cuantificable, sobre diferentes hechos que puedan ocurrir.
 La simulación constituye una técnica económica que nos permite ofrecer
varios escenarios posibles de un modelo del negocio, nos permite
equivocarnos sin provocar efectos sobre el mundo real.
 Podemos afirmar entonces, que la simulación es una rama experimental
dentro de la Investigación Operativa.
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 pseudo aleatorios..

Números Pseudo aleatorios

 Sustituyen a los números aleatorios..
 Se generan por algoritmos o fórmulas.
 Se debe asegurar la existencia de secuencias largas y densas.

Generación de Números Pseudo aleatorios

 Centros Cuadrados:
▪ 442 = 1936 ⇒ 93
 Métodos Congruenciales:
▪ xn =(axn-1 + c) (mod m
 Transformación Inversa
▪ x=F-1(x) siendo F(x)=Prob(X<=x)

S I M ULA CI ÓN M ONT E CA RL O

btener soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias repetidas. En la práctica, las pruebas aleatorias se
I NTR O D U C C I ÓN

Bajo el nombre de Método Monte Carlo o Simulación Monte Carlo se agrupan una
serie de procedimientos que analizan distribuciones de variables aleatorias usando
simulación de números aleatorios.
El Método de Monte Carlo da solución a una gran variedad de problemas
matemáticos haciendo experimentos con muestreos estadísticos en una computadora. El
método es aplicable a cualquier tipo de problema, ya sea estocástico o determinístico.
Generalmente en estadística los modelos aleatorios se usan para simular fenómenos
que poseen algún componente aleatorio. Pero en el método Monte Carlo, por otro lado, el
objeto de la investigación es el objeto en sí mismo, un suceso aleatorio o pseudo-aleatorio
se usa para estudiar el modelo.
A veces la aplicación del método Monte Carlo se usa para analizar problemas que
no tienen un componente aleatorio explícito; en estos casos un parámetro determinista del
problema se expresa como una distribución aleatoria y se simula dicha distribución. Un
ejemplo sería el famoso problema de las Agujas de Bufón.
La simulación de Monte Carlo también fue creada para resolver integrales que no se
pueden resolver por métodos analíticos, para solucionar estas integrales se usaron números
aleatorios. Posteriormente se utilizó para cualquier esquema que emplee números
aleatorios, usando variables aleatorias con distribuciones de probabilidad conocidas, el cual
es usado para resolver ciertos problemas estocásticos y determinísticos, donde el tiempo no
juega un papel importante.

HI S T ORI A
El método fue llamado así por el principado de Mónaco por ser ``la capital del juego
de azar'', al tomar una ruleta como un generador simple de números aleatorios. El nombre y
el desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de 1944
con el desarrollo de la computadora. Sin embargo hay varias instancias (aisladas y no
desarrolladas) en muchas ocasiones anteriores a 1944.
El uso real de los métodos de Monte Carlo como una herramienta de investigación,
proviene del trabajo de la bomba atómica durante la Segunda Guerra Mundial. Este trabajo
involucraba la simulación directa de problemas probabilísticos de hidrodinámica
concernientes a la difusión de neutrones aleatorios en material de fusión.
Aún en la primera etapa de estas investigaciones, John von Neumann y Stanislao
Ulam refinaron esta curiosa ``Ruleta rusa'' y los métodos``de división''. Sin embargo, el
desarrollo sistemático de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn
en 1948. Aproximadamente en el mismo año, Fermi, Metropolos y Ulam obtuvieron
estimadores para los valores característicos de la ecuación de Schrödinger para la captura de
neutrones a nivel nuclear.
Alrededor de 1970, los desarrollos teóricos en complejidad computacional
comienzan a proveer mayor precisión y relación para el empleo del método Monte Carlo.
La teoría identifica una clase de problemas para los cuales el tiempo necesario para evaluar
la solución exacta al problema crece con la clase, al menos exponencialmente con M. La
cuestión a ser resuelta era si MC pudiese o no estimar la solución al problema de tipo
intratable con una adecuación estadística acotada a una complejidad temporal polinomial en
M. Karp(1985)
muestra esta propiedad para estimar en una red plana multiterminal con arcos fallidos
aleatorios. Dyer(1989) utiliza MC para estimar el volumen de un convex body en el espacio
Euclidiano M-dimensional. Broder(1986), Jerrum y Sinclair (1988) establecen la propiedad
para estimar la persistencia de una matriz o en forma equivalente, el número de matching
perfectos en un grafo bipartito.

AL GOR I T MOS
El algoritmo de Simulación Monte Carlo Crudo o Puro está fundamentado en la
generación de números aleatorios por el método de Transformación Inversa, el cual se basa
en las distribuciones acumuladas de frecuencias:

 Determinar la/s V.A. y sus distribuciones

acumuladas(F)
 Generar un número aleatorio
 uniforme  (0,1). Iterar tantas veces como
muestras necesitamos
 Determinar el valor de la V.A. para el número
aleatorio generado de acuerdo a las clases que
tengamos.
 Calcular media, desviación estándar error y realizar el histograma.
 Analizar resultados para distintos tamaños de muestra.

Otra opción para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulación o tenemos relaciones entre variables es la siguiente:

 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
 Obtener la distribución de frecuencias del resultado de las iteraciones
 Calcular media, desvío.
 Analizar los resultados

Las principales características a tener en cuenta para la implementación o utilización

del algoritmo son:
 El sistema debe ser descripto por 1 o más funciones de distribución
de probabilidad (fdp)
 Generador de números aleatorios: como se generan los números aleatorios es
importante para evitar que se produzca correlación entre los valores muestrales.
  Establecer límites y reglas de muestreo para las fdp: conocemos que valores
pueden adoptar las variables.
 Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a
simular.
 Estimación Error: Con que error trabajamos, cuanto error podemos aceptar para
que una corrida sea válida?

 Técnicas de reducción de varianza.

 Paralelización y vectorización: En aplicaciones con muchas variables se estudia
trabajar con varios procesadores paralelos para realizar la simulación.

EJ E MP L O P RAC TI C O I
Tenemos la siguiente distribución de probabilidades para una demanda aleatoria y
queremos ver que sucede con el promedio de la demanda en varias iteraciones:

Demanda
Frecuencia

1.00
0.80
0.60
0.40
0.40
0.20 0.20 0.20
0.10 0.10
0.00
4245485154
Unidades

Utilizando la distribución acumulada(F(x) es la probabilidad que la variable

aleatoria tome valores menores o iguales a x) podemos determinar cual es el valor obtenido
de unidades cuando se genera un número aleatorio a partir de una distribución continua
uniforme. Este método de generación de variable aleatoria se llama Transformación
Inversa.

Frecuencia
Unidades Frecuencia Acumulada
42 0.10 0.10
45 0.20 0.30
48 0.40 0.70
51 0.20 0.90
54 0.10 1.00

Generando los valores aleatorios vamos a ver como se obtiene el valor de la

demanda para cada día, interesándonos en este caso como es el orden de aparición de los
valores. Se busca el número aleatorio generado en la tabla de probabilidades acumuladas,
una vez
 encontrado( si no es el valor exacto, éste debe se menor que el de la fila seleccionada pero
mayor que el de la fila anterior), de esa fila tomada como solución se toma el valor de las
unidades (Cuando trabajamos en Excel debemos tomar el límite inferior del intervalo para
busca en las acumuladas, para poder emplear la función BUSCARV(), para 42 sería 0, para
43 0,100001 y así sucesivamente). Ejemplo: Supongamos que el número aleatorio generado
sea 0,52, ¿a qué valor de unidades corresponde? Nos fijamos en la columna de
frecuencias
acumuladas, ese valor exacto no aparece,
Demanda el siguiente mayor es 0,70 y corresponde
a 48 unidades.
1.20
1.00 Se puede apreciar mejor en el
1.00
0.80 0.90 gráfico, trazando una recta desde el eje de
Frecuencias

0.60
0.70 la frecuencia hasta que intersecta con la
00.4,50 2
0.20
línea de la función acumulada, luego se
0.00
0.30
baja a la coordenada de unidades y se
obtiene el valor correspondiente; en este
0.10
caso 48.
4245 48 51 54 Cuando trabajamos con variables
Unidades
discretas la función acumulada tiene un
intervalo o salto para cada variable( para
casos prácticos hay que definir los intervalos y luego con una función de búsqueda hallar el
valor). Para funciones continuas se puede hallar la inversa de la función acumulada.

De esta forma logramos a partir de la distribución de densidad calcular los valores de

la variable aleatoria dada. Número de Números Valor de
Simulación aleatorios la
Demanda
1 0.92 54
2 0.71 51
3 0.85 51
... ... ...
n 0.46 48
En la siguiente tabla, vemos como a medida que aumenta el numero de
simulaciones, el valor simulado se acerca al valor original de la media y desviación
estándar, además de la disminución del error típico.

Cantidad de
Media Desvío Error
simulaciones

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
EJ E MP L O P RAC TI C O I I
Analizaremos ahora una propuesta para la fabricación de un nuevo artículo durante 4
años. Con los datos de la siguiente tabla:

75% de
Costos de puesta
$ 150000 Costos variables los
en marcha ingresos
Precio de Venta $ 35000 Costos del 10%
capital
Costos fijos $ 15000 Tasa Fiscal 34%
Amortización Demanda 10
$ 10000
anual promedio anual unidades

La demanda es la variable aleatoria de nuestro modelo, ya que puede tomar los

siguientes valores: 8,9,10,11,12, es una distribución discreta uniforme. Para poder simular
los valores de esta variable utilizaremos la fórmula ENTERO(8+5*ALEATORIO()).
Debido a que los intervalos son todos de igual tamaño (1/5), es igualmente posible que
ALEATORIO() llegue a cada uno de ellos, y por lo tanto es igualmente posible que la
fórmula de cualquiera de los cinco valores posibles. La función ALEATORIO() de Excel
genera un número en el intervalo (0:1) de una distribución uniforme continua. A través de
la simulación veremos que valores va a tomar el valor neto actual (VNA, El VNA es
calculado mediante la formula
n
correspondiente del Excel con un interés del 10% (VNA  valoresi ). En la columna
i
∑
i1 ( 1  tasa )
correspondiente al año 1 se han indicado las formulas que definen cada valor) en los 4 años,
utilizando el siguiente modelo matemático de la situación:

Año 0 Año 1 Año 2 Año 3 Año 4

ENTERO(8+5*ALE
Demanda 12 9 9
ATORIO())
Precio de
Ingresos 420000 315000 315000
Venta*Demanda
Costo Fijo Costo fijo 15000 15000 15000
Costo Variable 75% Ingresos 315000 236250 236250
Amortización 10000 10000 10000 10000
Ingresos -
Utilidad antes de Impuestos 80000 53750 53750
Suma(costos)
Impuestos 34 % anterior 27200 18275 18275

Utilidad después de Utilidad - 52800 35475 35475

impuestos Impuestos
Utilidad -
Flujo neto de efectivo -150000 62800 45475 45475
Amortización
Valor Neto Actual -21160
 Ahora realizaremos varias corridas con diferentes tamaños de muestra para ver que
sucede con el VNA.
Armamos en otra hoja un cuadro con dos columnas y tantas filas como
iteraciones(tamaño de la muestra) deseemos realizar. En la columna VNA copiamos con
pegado especial(fórmula) la celda del modelo en la cual se calcula el VNA. Seleccionamos
toda la tabla y con la herramienta Tabla en Datos se forma una tabla dinámica que
contendrá las simulaciones para la cantidad de iteraciones que hagamos.

Luego para cada tamaño de muestra aplicaremos Estadística descriptiva(En

herramientas, Análisis de datos) e Histograma (las clases que utilizamos son: -30000,
-20000,

-10000, 0, 10000, 20000, 30000)

 Ahora realizamos una
Cantidad de Desviación
síntesis
Iteraciones
Media
Estándar
Máximo Mínimo Error de las
simulaciones desarrolladas para poder ver
10 13253.55 18445.01 44294.82 -9711.94 5832.82 que sucedió con
100 13515.19 13395.87 44728.71 -14567.50 1339.59 el modelo:
500 12686.22 13208.55 49067.55 -19817.50 590.70
1000 12147.81 12999.81 49067.55 -24156.34 411.09
5000 12612.65 Histograma
13085.18 para 10 iteraciones
49067.55 -24156.34 185.05
10000 12537.13 12954.22 49067.55 -24156.34 129.54
Frecuencia

4.5 120.00%
4 100.00%
3.5 80.00%
3 60.00% Frecu encia
2.5 40.00%
2 20.00%
1.5 .00%
1
5
0.
0
%
acum ulado

Clase

El valor de la media y desviación estándar se estacionan a medida que aumenta la

cantidad de iteraciones. También, como podemos observar en el gráfico, disminuye
notablemente el error. También el modelo nos presenta mayor variabilidad para los valores
máximo y mínimo.
 Resumen
Valores de la variables aleatorias

60000

50000

40000

30000

20000

10000

-10000

-20000

-30000

N°Experimentos
MediaDesviación EstandarMaximoMinimoError

APLICACIONES

 Criptografía.  Métodos cuantitativos de organización

 Cromo dinámica cuántica. industrial.
 Densidad y flujo de tráfico.  Programas de computadora.
 Diseño de reactores  Pronóstico del índice de la bolsa.
nucleares.  Prospecciones en explotaciones
 Diseño de VLSI. petrolíferas.
 Ecología.  Radioterapia contra el cáncer.
 Econometría.  Sistemas de colas.
 Evolución estelar.  Sistemas de inventario P y Q.
 Física de materiales.  Valoración de cartera de valores.

SINTESIS

El método de Monte Carlo es una herramienta de investigación y planeamiento;

básicamente es una técnica de muestreo artificial, empleada para operar numéricamente
sistemas complejos que tengan componentes aleatorios o determinísticos, manteniendo
tanto
la entrada como la salida un cierto grado de incertidumbre. En Investigación Operativa,
Monte Carlo es utilizado con fines experimentales, es decir se pueden elaborar
distintos modelos e ir intercambiando parámetros para estudiar cuales son los posibles
resultados.
Cuando el tamaño de las muestras es relativamente reducido, los resultados obtenidos

No debemos confundir la simulación con un método de optimización, como

por ejemplo el Simplex. En los métodos de Optimización las variables de decisión son
las salidas de la técnica a las cuales buscamos calcular el/los valor/es óptimo/s, por el
contrario en Monte Carlo u otro tipo de simulación dichas variables constituyen las
entradas del mismo; el modelo simulado propuesto evalúa distintas alternativas para
un conjunto particular de soluciones.

en la simulación pueden ser muy sensibles a las condiciones iniciales.

Un área de investigación está constituida por los métodos Quasi-Monte Carlo, estos
métodos básicamente acotan la generación de los números aleatorios.

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
[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] Taha H. Investigación de Operaciones una introducción. Ed. Prentice Hall. 6°
edición. 1998.
[18] Técnicas de Monte Carlo. http://mural.uv.es/juanama/astronomia/montecarlo.htm
[19] THE WWW VIRTUAL LIBRARY: RANDOM NUMBERS and MONTE CARLO
METHODS SUBSECTION: MONTE CARLO METHODS.
http://random.mat.sbg.ac.at/links/monte.html
[20] Winston W. (2005) Investigación de Operaciones. Aplicaciones y algoritmos. 4 ta
edición. International Thomson Editores.
[21] Woller J. Basics of Monte Carlo Simulations. Univ. of Nebraska-Lincoln
http://www.chem.unl.edu/zeng/joy/mclab/mcintro.html