La simulacin es una herramienta de la Investigacin de
Operaciones que permite estudiar los sistemas y los problemas analizndolos experimentalmente, de forma equivalente a la actividad que se realiza en un laboratorio. El mtodo Montecarlo es quiz el mtodo ms usado en mecnica estadstica computacional. Es un mtodo probabilstico, en contraposicin de los mtodos determinsticos. Se puede afirmar que el mtodo de Montecarlo emplea deliberadamente nmeros al azar en el estudio de un proceso estocstico. Por proceso estocstico se entiende una secuencia de estados cuya evaluacin viene determinada por sucesos al azar. HISTORIA La invencin del mtodo de Montecarlo se asigna a StanislawUlam y a John von Neumann. El mtodo fue llamado as por el principado de Mnaco por ser la capital del juego de azar'', al tomar una ruleta como un generador simple de nmeros aleatorios. Ulam explico cmo se le ocurri la idea mientras jugaba un solitario durante una enfermedad en 1946. Advirti que resulta mucho ms simple tener una idea del resultado general del solitario haciendo pruebas mltiples con las cartas y contando las proporciones de los resultados que computar todas las posibilidades de combinacin formalmente. Se le ocurri que esta misma observacin deba aplicarse a su trabajo de Los lamos sobre difusin de neutrones, para la cual resulta prcticamente imposible solucionar las ecuaciones ntegro-diferenciales que gobiernan la dispersin, la absorcin y la fisin. La idea consista en probar con experimentos mentales las miles de posibilidades, y en cada etapa, determinar por casualidad, por un nmero aleatorio distribuido segn las probabilidades, qu sucedera y totalizar todas las posibilidades y tener una idea de la conducta del proceso fsico.
SIMULACIN MONTE CARLO La simulacin Monte Carlo es una tcnica matemtica computarizada que permite tener en cuenta el riesgo en anlisis cuantitativos y tomas de decisiones. Esta tcnica es utilizada por profesionales de campos tan dispares como los de finanzas, gestin de proyectos, energa, manufacturacin, ingeniera, investigacin y desarrollo, seguros, petrleo y gas, transporte y medio ambiente. La simulacin Monte Carlo 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. Muestra las posibilidades extremas, los resultados de tomar la medida ms arriesgada y la ms conservadora, as como todas las posibles consecuencias de las decisiones intermedias.
FUNCIONAMIENTO
La simulacin Monte Carlo 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 inherente. Luego, calcula los resultados una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las funciones de probabilidad. Dependiendo del nmero de incertidumbres y de los rangos especificados, para completar una simulacin Monte Carlo puede ser necesario realizar miles o decenas de miles de re clculos. La simulacin Monte Carlo 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 por corazonada de una situacin, y se caracteriza por afirmaciones como Eso parece muy arriesgado o Probablemente obtendremos buenos resultados. El anlisis de riesgo cuantitativo trata de asignar valores numricos a los riesgos, utilizando datos empricos o cuantificando evaluaciones cualitativas. Mediante el uso de distribuciones de probabilidad, las variables pueden generar diferentes probabilidades de que se produzcan diferentes resultados. Las distribuciones de probabilidad son una forma mucho ms realista de describir la incertidumbre en las variables de un anlisis de riesgo FUNCIONAMIENTO
Con este ejemplo que es uno de los ms simples que se pueden ver ms claro como se utiliza y funciona la simulacin Montecarlo:
Deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda, debemos entonces previamente asignarle un intervalo de nmeros aleatorios a CARA y otro a CRUZ, de manera de poder interpretar el resultado de la simulacin. Tales intervalos se asignan en funcin de las probabilidades de ocurrencia de cada cara de la moneda. Tenemos as: CARA Probabilidad: 0,50 Nmeros aleatorios: 0,000 al 0,499 CRUZ Probabilidad: 0,50 Nmeros aleatorios: 0,500 al 0,999 Despus, generamos un numero aleatorio comprendido entre 0 y 1, por ejemplo, obtenemos el nmero aleatorio 0,385, observamos que est incluido en el intervalo asignado a CARA. En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las probabilidades de ocurrencia de los eventos a simular ALGORITMO El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las distribuciones acumuladas de frecuencias y para realizar esta simulacin se deben realizar los siguientes pasos:
1. Determinar la/s V.A. y sus distribuciones acumuladas(F) 2. Generar un nmero aleatorio uniforme. 3. Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases que tengamos. 4. Calcular media, desviacin estndar error y realizar el histograma. 5. Analizar resultados para distintos tamaos de muestra. VENTAJAS Los grficos probabilsticos muestran lo que puede suceder y que tan probable es que suceda un resultado, con los grficos cuando los datos son generados por Montecarlo se hace fcil crear grficas para observar cuales son las posibilidades de que algo suceda. cuando se utiliza simulacin Montecarlo se hace ms fcil que vea cuales son las variables que influyen ms en los resultados. cuando se hacen algunas simulaciones es muy difcil modelar diferentes combinaciones de valores de entrada, pero al utilizar la simulacin de Montecarlo se puede ver qu valores tiene exactamente cada variable
DESVENTAJAS No siempre proporciona un resultado correcto y podemos cometer un error, ya que la simulacin nos brind un resultado incorrecto. Hablando del mtodo de la aguja de bufn, que es una aplicacin del mtodo Montecarlo su desventaja es que solo se puede aplicar en medios que contienen geometras planas. Otra desventaja seria; al tener un modelo de simulacin las salidas producidas es aleatorias y deben ser tratadas como lo que son, es decir como una estimacin solamente. si son modelos de simulacin muy complejos pueden requerir mucho tiempo para construirlos.
EJERCICIOS 1) Una clnica rural recibe del banco de sangre local una entrega de plasma fresco una vez por semana. El suministro vara de acuerdo con la demanda de otras clnicas y hospitales de la regin, pero esta entre 4 y 9 unidades de medio litro del tipo de sangre que ms se usa, tipo 0. El nmero de pacientes por semana que necesita este tipo desangre varia entre 0 y 4, y cada uno puede necesitar de 1 a 4 unidades de medio litro. Con base en las siguientes cantidades de entrega, distribucin de pacientes y demanda por paciente, Cul sera el nmero de unidades de medio litro sobrante o faltante en un periodo de seis semanas? Utilice la simulacin Montecarlo para obtener su respuesta. Considere que puede almacenarse el plasma y que en este momento no hay nada disponible.
2) Una panadera se sabe que la demanda vara entre 30 y 80kilogramos por da entre lunes y viernes y se llev el siguiente registro desde el lunes hasta el viernes respectivamente y con sus respectivas frecuencias y nos piden simular cual sera la demanda para un da de la semana cualquiera:
Observando el cuadro pudo determinar que su demanda no tiene una distribucin normal, o sea que es ms bien extraa. Por tal motivo decidi utilizar esta tcnica Montecarlo. Entonces lo primero que hay que hacer es convertir los valores de la frecuencia relativa probabilidades y se asignan nmeros especficos a cada valor de probabilidad para reflejar la proporcin de los nmeros aleatorios de 00 a 99.
Ahora par simular y predecir la demanda elegimos aleatoriamente un numero entre 0 y 100 y obtenemos 55 la cual la ubica entre el intervalo donde la demanda de pan diaria es de 55 panes la cual nos permitira tomar una decisin de fabricar esta cantidad de pan.
3) La panadera de Pierre hace y vende pan francs. Cada maana, la panadera satisface la demanda del da con pan recin horneado. Pierre puede hacer el pan nicamente en lotes de una docena de panes. Cada pan tiene el costo de fabricacin de 25 centavos de peso. Supondremos, por simplicidad, que la demanda diaria total de pan tambin se presenta en mltiplos de 12. Los datos demuestran que esta demanda vara de 36 a 96 panes diarios. Un pan se vende a 40 centavos de peso y si sobra al final del da se vende a una cocina de beneficencia a un precio de recuperacin de 10 centavos de peso por pan. Si la demanda es mayor que la oferta, suponemos que hay un costo de ganancia prdida de 15 centavos de peso / pan, debido a la prdida de clientes que van con los competidores, etc. Los registros de la panadera muestran que la demanda diaria se puede clasificar en tres tipos: alta, media y baja. Esta demanda se presenta con probabilidades de 0.30, 0.45 y 0.25 respectivamente. La distribucin de la demanda por categoras aparece en la tabla. Pierre quisiera determinar el nmero ptimo de panes que debe hacer cada da para maximizar la ganancia (ingresos + ingresos de recuperacin costo de fabricacin- costo de ingresos perdidos).