SIMULACIN DE MONTECARLO

MODELOS DE SIMULACIN
En la administracin de operaciones se utilizan
dos tipos de modelos:
Modelos de Optimizacin
Modelos de Simulacin

Modelo de Responde a la pregunta

Optimizacin Cul es la mejor decisin ?

Modelo de Responde a la pregunta

Simulacin Qu pasara si ............ ?
 SIMULACIN
Es observar el comportamiento de un sistema a
travs de un modelo, ante diferentes situaciones
que se ensayan. Esto implica experimentacin
Se simulan los experimentos usando relaciones
matemticas (determinsticas o probabilsticas),
para medir los resultados representativos de la
realidad
Simulacin no es una tcnica optimizante ni
busca la mejor solucin o decisin, aunque al
menos debe proporcionar soluciones cercanas a
la ptima
 MODELOS DE SIMULACIN
Ventajas de los modelos de simulacin:
El modelo de simulacin es ms fcil de
construir y comprender que uno de optimizacin
Los modelos de optimizacin, generalmente, no
evalan todas las soluciones subptimas. En
cambio, los modelos de simulacin si las evalan
El modelo de simulacin hace experimentacin
en computadores, lo que le otorga:
Mayor rapidez para procesar la informacin
Capacidad de anticipar resultados posibles
en situaciones nuevas o imprevistas
 MODELOS DE SIMULACIN
Desventajas de los modelos de simulacin:

El modelo de simulacin requiere personal

especializado para su realizacin y anlisis
Es imprescindible el uso de computadores
No necesariamente alcanza resultados ptimos
SIMULACIN DE MONTECARLO
Es una tcnica de muestreo aleatorio simple
(M.A.S.) en la que el muestreo se hace en un
espacio finito a partir de la generacin de
nmeros aleatorios: la poblacin son todos los
nmeros aleatorios y el muestreo consiste en
determinar valores sucesivamente a partir de los
nmeros aleatorios
Que tiene un
comportamiento
X : Variable aleatoria segn alguna
distribucin de
probabilidades
SIMULACIN DE MONTECARLO
Se obtienen valores para X ( X1, X2, X3, ........., Xn )

X1
X2
Son valores generados utilizado un
X3
M.A.S. de los nmeros aleatorios ri

Xn
 NMEROS ALEATORIOS
Es cualquier nmero entre 0 y 99, con igual
ri probabilidad de seleccin: todos los
nmeros tienen la misma probabilidad de
ser escogidos en cualquier instante, es
decir que tienen una distribucin de
probabilidades uniforme
f (r)

ri U ( 0, 99 )

0 99
ri
 EJEMPLO DE SIMULACIN
Una sucursal bancaria canjea cierta cantidad de
cheques cada da, segn el siguiente
comportamiento en un mes:

Cheques Frecuencia
canjeados Frecuencia Frecuencia Relativa
por da (miles) Absoluta Relativa Acumulada Media
1 - 500 2 0.05 0.05 250,5
501 - 1000 6 0.15 0.2 750,5
1001 - 1500 18 0.45 0.65 1250,5
1501 - 2000 10 0.25 0.9 1750,5
2001 - 2500 4 0.1 1 2250,5
 EJEMPLO DE SIMULACIN
Histograma de Frecuencia Relativa:
fi
0,45

0,25

0,15
0,1
0,05
Qcheques / da
500 1000 1500 2000 2500
 EJEMPLO DE SIMULACIN
Mediante el uso de los nmeros aleatorios es
posible simular una muestra (de M.A.S.)

Frecuencia Relativa Nmero

Acumulada Aleatorio Clase n
0,05 00 - 04 (1)
0,20 05 - 19 (2)
0,65 20 - 64 (3)
0,9 65 - 89 (4)
1 90 - 99 (5)
 EJEMPLO DE SIMULACIN
Pertenece a
N aleatorio la clase n Esta es una corrida de
84 (4) 12 nmeros aleatorios
18 (2)
31 (3) Clase fi fi / n
61 (3)
04 (1) (1) 1 0,08
52 (3) (2) 2 0,16
40 (3) (3) 5 0,42
75 (4)
89 (4) (4) 3 0,25
16 (2) (5) 1 0,08
37 (3)
97 (5) n = 12
 EJEMPLO DE SIMULACIN
Histograma de Frecuencia Relativa:
fi
Al obtener el histograma
0,42 de frecuencia relativa, el
comportamiento se
mantiene, aunque no es
igual, debido a que se
0,25
trata de una muestra
0,16

0,08
Qcheques / da
500 1000 1500 2000 2500
 EJEMPLO DE SIMULACIN
Pertenece a
N aleatorio la clase n Esta es otra corrida de
48 (3) 12 nmeros aleatorios
70 (4)
19 (2) Clase fi fi / n
36 (3)
87 (4) (1) 0 0,00
50 (3) (2) 2 0,16
07 (2) (3) 6 0,50
24 (3)
78 (4) (4) 3 0,25
91 (5) (5) 1 0,08
37 (3)
59 (3) n = 12
 EJEMPLO DE SIMULACIN
Histograma de Frecuencia Relativa:
fi
0,50 Al obtener el histograma de
frecuencia relativa, una vez
ms el comportamiento se
mantiene, sin ser igual,
debido a que se trata de
0,25
otra muestra
0,16

0,08
Qcheques / da
500 1000 1500 2000 2500
 GENERACIN DE VALORES PARA
DISTINTAS DISTRIBUCIONES A PARTIR
DE LOS NMEROS ALEATORIOS

En los modelos de simulacin, cada variable de

decisin tiene una distinta distribucin
(determinstica o probabilstica). Cada distribucin
tiene una corrida diferente de nmeros aleatorios
Un mismo nmero aleatorio no puede ser usado
para simular dos variables a la vez, porque las
variables son independientes entre s
Para determinar los valores simulados se utiliza la
distribucin de probabilidades acumulada
GENERACIN DE VALORES CON
DISTRIBUCIN DISCRETA
Muchas variables de decisin no son continuas,
entonces se utilizan las categoras de frecuencia
relativa acumulada para generar los valores a
partir de los nmeros aleatorios, siendo muy til
para variables con distribuciones determinsticas
Ejemplo: Supongamos que para el precio de una
accin existe una probabilidad del 20% de que
baje, 50% de que se mantenga igual, y 30% de que
suba su valor; en la siguiente transaccin burstil
Entonces, se asigna un intervalo 0, 1
proporcional a cada probabilidad
GENERACIN DE VALORES CON
DISTRIBUCIN DISCRETA
Frecuencia
Frecuencia Relativa Nmeros
Relativa Acumulada Aleatorios
Accin Baja 0,2 0,2 00 - 19
Accin Igual 0,5 0,7 20 - 69
Accin Sube 0,3 1 70 -99

Se asume que el precio

Si 00 < ri < 19 de la accin baja
Se asume que el precio de
Si 20 < ri < 69 la accin se mantiene igual
Si 70 < ri < 99 Se asume que el precio
de la accin sube
GENERACIN DE VALORES CON
DISTRIBUCIN UNIFORME
En el caso de una distribucin uniforme en el
intervalo a, b , se consideran 99 nmeros
aleatorios pertenecientes al intervalo 0, 1

fi (X)
X U (a,b)

P (Xi < X) = ri
Xi - a
P (Xi < X) =
X b-a
a Xi b
GENERACIN DE VALORES CON
DISTRIBUCIN UNIFORME

Xi - a
ri = b-a

con ri ( b - a ) = Xi - a

Xi = a + ri ( b - a ) 0 < ri < 1

a+b ( b - a )2
E (X) = 2 V (X) = 2
GENERACIN DE VALORES CON
DISTRIBUCIN EXPONENCIAL
fi (X)
) -x
X exp ( f (X) = e
x>0
>0
1
E (X) =

X
Xi
1
V (X) = 2
P (Xi < X) = ri 0 < ri < 1
GENERACIN DE VALORES CON
DISTRIBUCIN EXPONENCIAL
P (Xi < X) = ri con 0< ri < 1
Distribucin de - x
probabilidad acumulada
P (Xi < X) = 1- e
1 - e - x
= ri
- x
e = 1 - ri / ln
- Xi = ln ( 1 - ri )
ln ( 1 - ri )
i =-
con 0 < ri < 1 X
GENERACIN DE VALORES CON
DISTRIBUCIN DE WEIBULL
fi (X)
X W( , )
>1

=1
<1 X
Su funcin de densidad de probabilidades es:
( - 1) - ( x )

f (X, , ) = X e X >0
GENERACIN DE VALORES CON
DISTRIBUCIN DE WEIBULL
Ntese que si = 1, entonces la distribucin de
Weibull corresponde a la distribucin exponencial
La funcin de densidad acumulada es:
- ( xi )
P (Xi < X) = 1 - e

Luego, para generar ri = 1-e
- ( xi )

valores de Xi de una
e - ( xi
)
variable aleatoria con = 1 - ri
distribucin de Weibull,
- ( Xi ) = ln ( 1 - ri )

a partir de un nmero
aleatorio ri
 GENERACIN DE VALORES CON
DISTRIBUCIN DE WEIBULL

1 ( 1
- ln ( 1 - ri ) ) < ri <
Xi = con 0 1

Obs: La distribucin de Weibull se utiliza en la

descripcin de las 3 etapas (rodaje, vida
til y desgaste) de la curva de fallas
( t ) Rodaje Desgaste
( t ) Proba- <1 Vida til >1
bilidad
=1
de falla t
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL
fi (X)
X N( , 2)

La funcin de
probabilidad
acumulada
corresponde a

Xi
- x 2
e (
- )
1
x 1
P (Xi < X)
2 dx
= 2
8
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL
La funcin de probabilidad acumulada de la
distribucin normal no puede ser resuelta por
mtodos de integracin corrientes, lo que impide
tener una frmula cmoda para despejar
observaciones aleatorias simuladas de Xi a partir
de los nmeros aleatorios ri

No obstante, las observaciones

se pueden generar mediante el
siguiente razonamiento:
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL
Los nmeros aleatorios tienen una distribucin
uniforme en el intervalo 0 , 1
f (ri) Para un E ( ri ) =
a+b 1
2 = 2
nmero
(b - a) 1
aleatorio V ( ri ) = =
12 12
ri 0 < ri < 1
Para una muestra de n nmeros aleatorios,
se puede inferir su comportamiento gracias
al teorema del lmite central
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL
Si X N Xi N
n
Por lo tanto
ri N ( n, n
2 12 )
i=1

Vlido, solo en la medida en que n es un valor

bastante grande, lo que se asume cuando n > 12
n
Entonces
Xi - ri - n
2
i=1
Z = =
n
12
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL

( )
n
ri - n
2 0< ri < 1
= +
i=1
Xi
n si n > 12
12

Aunque la expresin es vlida para cualquier n >12,

tpicamente se usa n = 12 para el muestreo de las
observaciones de variable con distribucin normal
ya que se simplifica un clculo
 EJEMPLO DE GENERACIN DE
VALORES CON DISTRIBUCIN NORMAL
X tiene distribucin normal, con = 460 y = 36
Observacin para X con los nmeros aleatorios:
r1 = 0,46 r4 = 0,61 r6 = 0,74 r8 = 0,13 r10 = 0,55
r2 = 0,95 r5 = 0,39 r7 = 0,26 r9 = 0,92 r11 = 0,07
r3 = 0,23 r 12 = 0,48

( )
n
ri- n
2
Xi = +
i=1
n
12
36 ( 5,79 - 6 )
Xi = 460 + Xi = 467,56
1