Академический Документы
Профессиональный Документы
Культура Документы
Simulacin Montecarlo
Tcnica cuantitativa para analizar un sistema, a travs de un
modelo, en la que las variables inciertas en el modelo se
representan por distribuciones de probabilidad.
El modelo se recalcula varias veces con diferentes conjuntos
de datos de las distribuciones de probabilidad de los datos de
las variables inciertas para simular todos los posibles
resultados.
El resultado es una distribucin de los posibles resultados y de
su probabilidad de ocurrencia.
La idea
Cul es la probabilidad de un dardo lanzado aleatoriamente
de en el rea roja?
(1,1)
(0,0)
1/2
P(rea) = 1/2
La idea
Cul es la probabilidad de un dardo lanzado uniformemente
al azar de en el rea roja?
(1,1)
(0,0)
1/2
P(rea) = r2 /4r2= /4
Haga un modelo en
Excel para estimar
con esta idea.
Estimacin de
Ensayo
1
2
3
4
5
994
995
996
997
998
999
1000
Circulo
1
1
1
1
1
1
1
0
1
1
1
0
784
Estimado de
3.136
'=SI(0.25>=(ALEATORIO()-0.5)^2+(ALEATORIO()-0.5)^2,1,0)
La idea
Cul es la probabilidad de un dardo lanzado uniformemente
al azar de en el rea roja?
(1,1)
(0,0)
1/2
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
Variables relevantes
Muestreo Aleatorio
Entradas aleatorias
Entradas
controlables
Modelo
Resultados
Estadsticas
Anlisis
Simulacin vs Optimizacin
Generadores de nmeros
aleatorios
KISS
9.24
5
127
2
Generador
Aleatorio()
9.64
1
31
2
Periodo
7
Tiempo de CPU para generar 10 nmeros
Fuente: Matsumoto & Nishimura, Keio University, 1998
MT19937
10.18
624
19937
2
-1
F(x)
xo
F(x)
1
r
F(x)
a
xo
F (x)
1.0
Demanda
Probabilidad
8
9
10
11
12
13
0.1
0.2
0.3
0.2
0.1
0.1
1.0
Numero Aleatorio
Asignado
0.00000 - 0.09999
0.10000 - 0.29999
0.30000 - 0.59999
0.60000 - 0.79999
0.80000 - 0.89999
0.90000 - 0.99999
0.9
0.8
0.7
Aleatorio u
0.6
0.5
0.4
0.3
0.2
En general:
0.1
entero [8
+ 6 . Aleatorio() ]
10
11
12
13
14
demanda generada
Muestreo Montecarlo
Muestreo puro aleatorio.
Comparacin de muestreos
Muestreo de 300 ensayos de triangular(0,10,20)
triangular
3.08
0.10
5.0%
16.77
90.0%
5.0%
0.09
0.08
0.07
triangular
0.06
Minimum
0.6230
Maximum 19.8089
Mean
10.0007
Std Dev
4.0910
Values
300
0.05
0.04
0.03
0.02
Montecarlo
20
18
16
14
12
10
0.01
0.00
Hipercubo Latino
Convergencia a la media
Ejemplo
Freddy es un vendedor de peridicos.
Freddy paga S/. 1.50 por ejemplar recibido.
Freddy cobra S/. 2.50 por ejemplar vendido.
El reembolso de Freddy es de S/. 0.50 por ejemplar no vendido.
Problema de reposicin
de stock con demanda
incierta
x
Muestreo Aleatorio
Variables relevantes
Demanda de Peridicos
Cantidad a ordenar
(variable controlable)
Modelo de
Beneficio
Beneficio
Estadsticas
(Riesgo del Proyecto)
Introduccin de Nuevo
Producto
Variables relevantes
Muestreo Aleatorio
Precio de Venta
Flujo de Caja
VAN
(variable controlable)
Estimacin de
Probabilidad (VAN<0)
(Riesgo del Proyecto)
8
280000
15,000
210000
10,000
45,000
15,300
29,700
39,700
Modelo
9
315000
15,000
236250
10,000
53,750
18275
35,475
45,475
10
350000
15,000
262500
10,000
62,500
21250
41,250
51,250
11
385000
15,000
288750
10,000
71,250
24225
47,025
57,025
12
420000
15,000
315000
10,000
80,000
27200
52,800
62,800
Prueba
1
2
3
4
5
6
7
8
Ao 1
8
10
11
8
11
11
12
9
Entrada Aleatoria
Ao 2
Ao 3
8
9
8
8
9
12
11
9
10
8
12
10
12
8
8
10
Ao 4
8
11
11
10
12
9
8
10
(150,000)
(150,000)
(150,000)
(150,000)
(150,000)
(150,000)
(150,000)
(150,000)
39700
51250
57025
39700
57025
57025
62800
45475
39700
39700
45475
57025
51250
62800
62800
39700
45475
39700
62800
45475
39700
51250
39700
51250
39700
57025
57025
51250
62800
45475
39700
51250
VNA
(18,016)
(1,657)
23,232
2,172
15,379
21,188
14,486
(2,127)
No.Ensayos
10
100
500
0.3
X <= 12.000
100.0%
0.25
0.2
0.15
0.1
0.05
0
7.5
8.5
9.5
10
10.5
11
11.5
12
12.5
(150,000)
11,323.28
Ao 1
10
350000
15,000
262,500
10,000
62,500
21,250
41,250
51,250
Ao 2
10
350000
15,000
262,500
10,000
62,500
21,250
41,250
51,250
Ao 3
10
350000
15,000
262,500
10,000
62,500
21,250
41,250
51,250
Ao 4
10
350000
15,000
262,500
10,000
62,500
21,250
41,250
51,250
4.5
X <=27338.2
95%
Con 1000
ensayos, se
estima una
probabilidad
de 13.5% de
obtener un
VAN
negativo.
M ean = 11323.09
Values in 10^ -5
3.5
3
2.5
2
1.5
1
0.5
0
-20
-10
10
20
Values in Thousands
30
40
50
Incorporacin de la
opinin de expertos
en el modelo de
riesgos
Taller de Anlisis de Riesgos
Por: H. Gutirrez V.
Introduccin
Involucrar expertos.
Distribuciones usadas en la
modelacin de la opinin de expertos
Distribuciones paramtricas
Distribuciones no-paramtricas
Distribuciones notables
Distribucin triangular
La ms comn para la
modelacin de la opinin
de expertos.
Definida a partir de sus
valores mnimo (a), ms
probable(b) y mximo (c)
Puede
ser
simtrica,
sesgada a la derecha o a
la izquierda.
Atractiva por la facilidad de
pensar en base a tres
valores.
Media
( a b c)
3
(a 2 b 2 c 2 ab ac bc )
DesvEst
18
Distribucin triangular
Cundo usarla:
Cuando no usarla:
Distribucin TriGen
Es una variacin de la
triangular, con cinco
parmetros.
TriGen(a, b, c, p, q)
a: mnimo prctico
b: valor ms probable
c: mximo prctico.
p: probabilidad que el
parmetro sea menor que
a
q: probabilidad que el
parmetro sea menor que
c
Distribucin TriGen
Distribucin Uniforme
Generalmente es un
modelador muy pobre de
la opinin de un experto.
Todos los valores entre
el mximo y el mnimo
tienen
la
misma
probabilidad.
Es raro que un experto
que puede opinar sobre
el mnimo y mximo no
pueda opinar sobre un
valor ms probable.
Distribucin Pert
Derivada de la distribucin
Beta y requiere los mismos
tres parmetros que la
distribucin Triangular: un
valor mnimo (a), ms
probable (b) y mximo (c).
Su media es ms sensible
al valor ms probable que
en el caso de la Triangular.
Su desviacin estndar es
menos sensible a los
extremos que la Triangular.
12
5.0%
10.8%
0.1743
90.0%
84.8%
5.0%
4.4%
10
Pert(0,0.1247,0.2)
Minimum
Maximum
Mean
Std Dev
0.0000
0.2000
0.1165
0.0373
6
Triang(0,0.1247,0.2)
Minimum
Maximum
Mean
Std Dev
0.0000
0.2000
0.1082
0.0412
a *b c
2
15
54
12
57
17
25
23
14
19.5868056
0.04
Minimum
Maximum
Mean
Std Dev
0.03
0.02
0.01
0.00
70
10
General(2,60,
{4;7;9;12;17;23},
{10;15;54;57;25;14})
60
0.05
50
pi
40
Xi
5.0%
0.06
30
60
20
90.0%
10
Max
5.0%
Min
44.9
2.0000
60.0000
19.5868
11.9556
Distribucin Acumulativa
30
25
20
pi
0.1
0.4
0.65
0.87
0.93
0.99
15
Xi
4
7
9
12
17
23
10
Max
60
Min
2
Distribucin Discreta
Especial
pi
10
15
54
57
25
14
12
95
90
85
80
75
70
65
60
55
50
70
65
60
55
50
45
40
35
45
5.0%
74.32
90.0%
5.0%
0.06
0.05
Pert(50,65,80)
0.04
0.03
Minimum
Maximum
Mean
Std Dev
50.0000
80.0000
65.0000
5.6695
0.02
0.01
90
85
80
75
70
65
60
55
50
45
40
35
0.00
12
10
La discrepancia
se debe a la
necesidad de
pensar en el
espacio
logartmico.
-2
Algoritmos Genticos
f ( x) x 2
Paso 1
Pasos 2 al 6
Cadena No.
1
2
3
4
Suma
Promedio
Mximo
Poblacin Inicial
(seleccionada al azar)
01100
11001
00101
10011
Paso 2 Paso 3
Valor de x
12
25
5
19
Fitness
f(x) = x
144
625
25
361
1155
288.75
625
Soluciones generadas
aleatoriamente
Paso 4
Prob i
Probabilidad
0.1247
0.5411
0.0216
0.3126
1.0000
0.2500
0.5411
12.47%
54.11%
2.16%
31.26%
100%
25%
54.11%
Paso 5
Conteo
Esperado
0.4987
2.1645
0.0866
1.2502
4.0000
1.0000
2.1645
Paso 6
Conteo
Real
1
2
0
1
4
1
2
Pasos 2 al 6
Pasos 7 al 10
Cadena N
1
2
3
4
Suma
Promedio
Maximo
Paso 8
Camara de
Punto de
cruces
01100
11001
11001
10011
cruce
4
4
3
3
Hijos
01101
11000
11011
10001
Paso 9
Paso 10
Valor de x
29
24
27
20
Fitness
f(x) = x
841
576
729
400
2546
636.5
841
Pasos 8 y 9
01100
11001
01101
11000
Paso 10 - Mutacin
Continuacin
Cadena N
1
2
3
4
Suma
Promedio
Maximo
Cadena N
1
2
3
4
Suma
Promedio
Maximo
Hijos (nueva
generacin)
11101
11000
11011
10100
Valor de x
29
24
27
20
Camara de
Punto de
cruces
11101
11101
11000
11011
cruce
4
4
0
0
Fitness
f(x) = x
841
576
729
400
2546
636.5
841
Hijos
11101
11101
11000
11011
Probabilidad
Conteo
Conteo
%
33.0%
22.6%
28.6%
15.7%
100.0%
esperado
1.32
0.90
1.15
0.63
4.00
real
2
1
1
0
4
de mutacin
11101
11101
11100
11111
Valor de x
29
29
28
31
El mximo
valor de f(x)
es 961,
cuando x=31.
Fitness
f(x) = x
841
841
784
961
3427
856.8
961
Operadores Genticos
Mtodos especializados
para solucionar
problemas con
Algoritmos Genticos
Referencia: Programa Evolver de
Palisade Decision Tools
Mtodo:
Agrupamiento(grouping)
Mtodo: Presupuesto(budget)
Mtodo: Proyecto(project)
Mtodo: Programacin
(Sceduling)
Similar a un agrupamiento
(grouping), es la
asignacin de tareas a tiempos.
Se asume que cada tarea dura la misma cantidad de
tiempo, como las clases en una universidad.
Sin embargo, a diferencia del agrupamiento, la caja de
dilogo de Celdas Ajustables para el mtodo de
solucin por calendarizacin le permite a usted
especificar directamente el nmero de bloques de
tiempo (o grupos) a ser utilizados.