METODA MONTE CARLO APLICATII ALE METODEI MONTE CARLO IN ECONOMIE Metoda Monte Carlo sta la baza procedurilor

de generare a proceselor stohastice sau de cautare a unor puncte intr-un anumit domeniu. Ea constituie o componenta a simularii. Pe baza rezultatelor obtinute prin metoda Monte Carlo, in cadrul programului de simulare se obtin diferite evaluari, ierarhizari care permit fundamentarea deciziei economice. Putem evidentia cu prioritate urmatoarele domenii: procese de stocare complexe, in care ritmul de aprovizionare are caracter aleator sau sezonier, suprafata de depozitare este limitata, intervin penalizari pentru lipsa de stoc, in general, in acele situatii cand optimizarea nu mai este posibila cu ajutorul modelelor clasice din teoria stocurilor; Metoda Monte Carlo permite obtinerea repartitiilor principalilor parametri ai procesului de stocare; procese de asteptare in care au loc evenimete care se interconditioneaza, iar rezolvarea lor cu ajutorul modelelor de asteptare (Teoria firelor de asteptare) nu este posibila; procese de reparatii analizate in legatura cu activitatea de productie si de investitii. Fiind data structura graficului retea si repartitiile duratelor, simularea cosnta in a aplica algoritmul de calcul al drumului critic pentru un numar suficient de mare de generari ale duratelor activitatilor conform repartitiei stabilite. Simularea ajuta la estimarea parametrilor repartitiei duratei totale si da posibilitatea determinarii frecventei caracterului critic pentru fiecare activitate; Simularea ajuta la estimarea parametrilor repartitiei duratei totale si da posibilitatea determinarii frecventei caracterului critic pentru fiecare activitate; procese de munca complexe privind adoptarea unor decizii legate de problemele programarii operative a productiei (incarcarea utilajelor, lansarea in fabricatie, urmarirea realizarii productiei), de la loc de munca, la atelier/instalare/sectie; procese macroeconomice, atunci cand se doreste cunoasterea unor corelatii intre 2 sau mai multe ramuri, studiul fluxurilor intre ramuri, probleme de crestere economica. PREZENTAREA GENERALA A METODEI In situatia in care unei probleme deterministe i se asociaza un model aleator (probabilist) si prin generarea unor variabil aleatoare legate functional de solutie se realizeaza experiente pe model si se furnizeaza informatii despre solutia problemei deterministe , se foloseste simularea Monte Carlo. Aparitia ideii utilizarii fenomenelor aleatoare in domeniul calculelor de aproximare s-a produs in anul 1878 odata cu lucrarea luli Hall despre determinarea numarului cu ajutorul aruncarilor intamplatoare ale unui ac pe o hartie pe care s-au trasat drepte paralele. Esenta metodei consta in realizarea experimentala a unui eveniment,a carui probabilitate sa fie exprimata prin numarul ai estimarea aproximativa a acestei probabilitati. Termenul metoda Monte Carlo este de fapt sinonim cu metoda experimentarilor statistice. Metoda Monte Carlo poate fi definita ca metoda modelarii variabilelor aleatoare, in scopul calcularii caracteristicilor repartitiilor lor. Prima lucrare in care este expusa sistematic metoda Monte Carlo The Monte Carlo Method. J. Amer. Stat. Assoc , apartine lui Metropolis si Ulam, si a aparut in anul 1949. La inceput, metoda Monte Carlo s-a aplicat in principal in rezolvarea problemelor fizicii neutronului, in care metodele numerice traditionale nu numai erau utile, dupa care s-a extins asupra unei clase largi de probleme ale fizicii statice.

Ulterior, metoda de simulare Monte Carlo s-a dovedit a fi deosebit de utila in rezolvarea unor probleme economice la nivelul unitatilor economice, cand, din cauza complexitatii problemei, metodele analitice devin inoperante. Metoda Monte Carlo are la baza unele concluzii rezultate din teoremele limita ale teoriei probabilitatilor. Pentru calcularea unei variabile aleatoare se pleac de la o variabila aleatoare care are o repartitie uniforma pe intervalul [0,1] din campul de probabilitate constructiv. Prin camp de probabilitate constructiv se intelege campul cu o aplicatie de forma: = f ( x), x [0,1] cu proprietatea ca:

f ( x)dx = 1
0

metoda presupune estimarea parametrilor repartitiei unei variabile aleatoare pe baza realizarior acesteia. Astfel, problema principala care se rezolva prin metoda Monte Carlo consta in estimarea valorii medii a unei variabile aleatoare in functie de o eroare admisibila si o proabilitate data. Datorita faptului ca metoda conduce la construirea prin experiment statistic a imaginii unor procese se impune ca variabilele aleatoare care intervin sa fie estimate cu o abatere cat mai mica in probabilitate in raport cu acelea ce ar putea fi considerate reale. Aceasta revine la necesitatea construirea unor estimatoare satisfacatoare. Fie variabila aleatoare M() valoarea medie a variabilei. Fie parametrul asociat lui , ce urmeaza a fi reprezentat prin estimabila pe baza unui esantion , = (1, ..., n), atunci estimatorul f() va fi sa satisfaca conditia: M ( f ( ) ) , unde este o abatere acceptabila a estimatorului fata de variabila aleatoare teoretica . In cazul in care M(.) = , atunci estimatorul este nedeplasat. Daca f() converge in probabilitate catre , f() se numeste estimator consistent al lui . In metoda Monte Carlo se utilizeaza frecvent ca estimator media aritmetica simpla sau ponderata. 2 Pentru o variabila aleatoare , cu o distributie normala, cu media m si dispersia , functia de verosimilitate in raport cu m este:
F ( x1 ,..., x n ; m ) =
2 2

(2 )
n/2

1 xi m exp[ ( )]; xi , i = 1, n n 2 i =1
n 2 2

daca:

F (x1, ..., xn; m, ) este maxima in raport cu m si pentru realizarile x1, x2, ..., xn ale lui
ln F =0 m ln F =0 2

de unde rezulta:
m= 1 n n i =1 xi = i n ( m) n i =1 xi

pentru variabila aleatoare cu distributie normala media m este estimator de maxima verosimilitate. Calitatea esantionului poate fi apreciata prin testele de concordanta care masoara apropierea repartitiei empirice de repartitia teoretica. Testele de concordanta se pot baza pe mai multe criterii si anume: Criteriul Kolmogorov Pentru () >0,

lim P(sup | F ( x) F n ( x) |< n ) =

* n

k =

(1) e
k

2k
2

Criteriul Smirnov

lim P(sup | F n ( x) F ( x) |< I n ) =

* n

k =

1 e 2

Criteriul Pearson (x ) Daca i sunt parti disjuncte ale axei reale pentru n , variabile aleatoare:

= n{[ d F i ( x) dF ( x)] l dF ( x)}

* 2
i =1

are o reputatie x2 cu (n-1) grade de libertate. Criteriul se utilizeaza pentru n dF ( x) > 10

l

Valorile corespunzatoare repartitiei teoretice fiind tolerate, pentru acceptarea lui F*n(n) se foloseste criteriul apropierii lui F*n(n) peste un nivel prestabilit de valorile repartitiei teoretice. In caz contrar daca diferenta dintre valorile celor doua repartitii este mai mare, F*n(n) se respinge. La aproximarea mediei variabilei aleatoare prin media valorilor realizate de estimator, eroarea se poate aprecia aplicand inegalitatea lui Cebirsev.

s n = realizarile lui
n k =1 k

unde,

m = M ( )
k

Astfel, se obtine inlocuirea valorilor variabilei aleatoare cu o multime de valori cu proprietatile statistice ale acesteia.
PRECIZIA SI PROPRIETATILE METODEI MONTE CARLO

Pentru ca rezultatele obtinute cu ajutorul metodei Monte Carlo sa poata fi concludente trebuie sa tinem seama de urmatoarele aspecte: a) Daca dupa n simulari frecventa de aparitie a unui anumit eveniment a fost egala cu f*, atunci, in mod real, aceasta (f) se va situa in limitele: f * (1 f *) f = f * 2 n b) Pentru ca eroarea maxima admisibila in determinarea probabilitatii aparitiei evenimentului considerat sa nu depaseasca o valoare data este necesar ca experimentarea sa se faca de un numar de ori dat de relatia: 4 p (1 p) n= 2

p = valoarea cautata a probabilitatii de aparitie a unui eveniment

Valoarea p se poate lua, ca valoare orientativa, egala cu frecventa aparitiei evenimentului in prima serie de incercari, precizandu-se ulterior pe masura numarului acestora. c) Daca dupa n experimentari s-a determinat o valoare medie statistica (m) a unei variabile aleatoare V, atunci valoarea medie reala se va situa in limitele: m=m iar daca vi este valoarea particulara a variabilei aleatoare V in cadrul experimentului i, atunci prin insumare se obtine media aritmetica a rezultatelor generarilor, adica: 1 n m = vi n i=n d) In cazul in care se doreste obtinerea valorii medii m a variabilei aleatoare V cu o eroare cel mult egala cu dat, atunci experimentul respectiv trebuie repetat de un numar n de ori calculat cu relatia: 4 DV n= 2

unde Dv reprezinta dispersia marimii V, care poate fi determinata pornind de la rezultatele primei serii de (n1) experimentari cu relatia : 2 1 n1 2 = ( m ) V1 DV

1 i =1

dupa care se corecteaza treptat pe masura obtinerii datelor. Simularea procedurii unui anumit eveniment simplu (E) a carui aparitie este apreciata prin probabilitatea p se determina din indeplinirea inegalitatii i<q, unde i este un numar aleator 0<=i<=1. Ca urmare evenimentul E este definit prin egalitatea: E = 1 daca E a avut loc 0 daca E nu a avut loc sau E = 1 daca i<=p 0 daca i>p e) Precizia metodei Monte Carlo se poate estima statistic, cu un grad de certitudine finit (se va considera suficient 0,99-0,997). f) Precizia metodei Monte Carlo variaza cu N1/2 (N = numarul total de incercari), deci o crestere a preciziei cu un ordin de marime mareste timpul de calcul cu doua ordine de marime. In concluzie, retinem in legatura cu metoda Monte Carlo ca aceasta este o metoda aproximativa si poate fi adaptata problemelor economice. Precizia metodei este determinata de numarul de incercari independente si variatia lor. Ea se poate estima corect numai pe parcursul efectuarii calculelor. Numarul de incercari variaza proportional cu probabilitatea. Metoda Monte Carlo nu este adaptata studiului unor procese cu probabilitate foarte mica, deoarece rezulta un numar imens de cicluri de simulare.
SIMULARREA PROCESULUI DE STOCARE (CAZ GENERAL)

Cererea Q dintr-un anumit material in unitatea de timp si perioada T intre doua reaprovizionari sunt variabile aleatoare cu distributii cunoscute. Atunci cand nivelul stocului devine mai mic sau egal cu nivelul critic C trebuie sa se lanseze o comanda economica q, care va intra in stoc numai la sfarsitl perioadei T. Putem reprezenta grafic un astfel de proces in fig. 1.

CANTITATI PE STOC

Q1 q2

Q4

q3 Q5

Q8 Q9

q4 Q10

Q13 q5 Q14

Q2 Q3

Q6 Q7

Q11 Q12 Q15

TIMP T1 T2 T3 T4

Fig. 1 Variabilele de intrare: Qi = cererea in unitatea de timp i = 1,2,... Tj = aj a perioada intre 2 reaprovizionari Parametrii de intrare: ci = costul de lansare cs = costul de stocare cp = costul de penalizare, (de rupere, de penurie) k = o constanta care arata ca probabilitatea ruperii stocului este SI = stocul initial = intervalul de timp pentru care facem simularea Figura 28 Variabilele de stocare CLOCK = variabila ceas Z = momentul la care intra comanda S = nivelul stocului QM = cererea medie in unitatea de timp TM = perioada medie intre doua reaprovizionari SQ = abaterea medie patratica a cererii medii fata de cele m cereri in n unitati de timp q = lotul optim de reaprovizionat C = nivelul critic al stocului Variabilele de iesire TCi = costul total de lansare TCs = costul total de stocare TCp = costul total al ruperii de stoc Caracteristici operative f(Q) = densitate de probabilitate pentru cerere g(T) = densitate de probabilitate pentru perioada T Identitati QM =

Q
i =1

m
n i =1

; SQ =
j

Q
i =1

2 i

m 2Q ci

( i =1 m

2 i

TM =

T
n

;q =

c +c c
s p

C = TQ + k T SQ Schema logica a algoritmului este prezentata in fig. 2.

START CLOCK CITESTE ce, cs, cp, k, si, m, n <= = t: CLOCK INITIALIZARE Tce - Tcs - Tcp - 0 CLOCK - t - O S - Si i - j - 1 = S - S - QJ STOP

t: CLOCK

S-S+q

<= Tcs - Tcb + Cce

SE GENEREAZA Tj A

S
<0

>=0 t - CLOCK+Tj

j - j+1 Tcp - Tcp - Scp SE GENEREAZA Qj S-0 Tcs - Tcs + Scs i - i+1 CLOCK - CLOCK+1 >= SE GENEREAZA Tj

C:S
A < SE CALCULEAZA QM, TM, SQ c, q LANSAREA COMENZII

Fig. 2 Dupa cum se observa la un moment dat se comanda ceea ce s-a consumat in intervalul precedent. Din aceasta cauza lotul de reaprovizionare q este o variabila aleatoare. Intrucat variabila CLOCK se mareste cu cate o unitate, modelul reprezentat este un ceas constant.
STUDIUL DE CAZ S.C. Sano S.A. realizeaza obiecte sanitare si doreste sa introduca un nou procedeu de turnare a produselor din portelan prin folosirea unui utilaj realizat in atelierele proprii, ale carui performante nu sunt cunoscute. Pentru intocmirea programului de productie pentru perioada urmatoare, conducerea doreste sa cunoasca performatele utilajului (speranta matematica). Operatia de evaluare a performantelor se face prin observatii in timpul a 100 ore de lucru. In felul acesta se inregistreaza in fiecare ora, productia realizata de noul utilaj. La sfarsitul intervalului de studiu s-au centralizat datele obtinute. Sinoptic, acest lucru este prezentat in tabelul 1. Tabelul 1 Nr Portelan turnat (kg/h) Numar cazuri observate Total 100 cazuri (100 ore)

1 2 3 4 5 6 7 8 9 10

1 0 20 4 21 40 9 41 60 14 61 80 18 81 100 20 101 120 26 121 140 12 141 160 5 161 180 1 181 - 200 Rezolvare: 1. Se calculeaza probabilitatea si probabilitatea cumulata (tabelul 2)

Tabelul 2 Nr 1 2 3 4 5 6 7 8 9 10 Portelan turnat (kg/h) Probabilitatea de realizare 0,01 0 20 0,04 21 40 0,09 41 60 0,14 61 80 0,18 81 100 0,20 101 120 0,16 121 140 0,12 141 160 0,05 161 180 0,01 181 - 200 2. Se reprezinta grafic probabilitatea cumulata:
Probabilitate

Probabilitatea cumulata 0,01 0,05 0,14 0,28 0,46 0,66 0,82 0,94 0,99 1,00

1 0.99 0.94 0.94 0.82 0.66 0.66 0.46 0.46 0.28 0.28 0.14 0.05 0.05 0.01 0 20 40 60 80 100 120 140 160 180 200 220 0.14 0.82 0.99 1

Kg/h

Figura. 3 3. Extragem dintr-un tabel cu numere aleatoare intre 0 si 1, 20 numere si calculam media x , abaterea medie patratica (r2) si coeficientul de variatie (Cv). x =2060/20=103, cv=34,8/103=0,34 r2=24220/20=12111, r=34,8 4. Rezolvarea in sistem conversational cu modulul Simulation Monte Carlo din produsul informatic QM ne ofera media in functie de numarul de rulari solicitat. Se constata ca pentru un numar mare de cicluri (4000 - 9000) media in cazul problemei considerate se stabilizeaza in jurul valorii de 113. Tabelul 3 Nr Numar aleator Cantitate turntata x x ^2

(x

(x

1 2 3 4 5 6 7 8 9

0,10 0,11 0,63 0,85 0,49 0,64 0,17 0,37 0,30

60 60 120 160 120 120 60 100 100

-43 -43 17 57 17 17 -43 -3 -3

1849 1849 289 3249 289 289 1849 9 9

10 11 12 13 14 15 16 17 18 19 20

0,38 0,67 0,36 0,95 0,36 0,25 0,63 0,03 0,08 0,40 0,48

100 140 120 180 100 80 120 40 60 100 120 2060

-3 37 17 77 -3 -23 17 -63 -43 -3 17

9 1369 289 5929 9 529 289 3969 1849 9 289 24220

STUDIUL DE CAZ Intrarile/iesirile de materiale din depozitul unei firme sunt extrase din fisa de magazie pentru o perioada de 25 zile. Stiind ca stocarea implica un cost de stocare de 0,34 u.m./U.M./zi stocare, iar lipsa materialelor in stoc un cost de penalizare de 0,12 u.m./U.M./zi lipsa din stoc, corespunzator pierderilor generate firmei prin neproducerea cantitatii programate conform contractelor incheiate cu clientii, va fi aleasa acea varianta careia ii corespunde un cost total minim. Calculele se vor face pentru un an plecand de la patru variante ce difera prin marimea stocului initial de 6; 12, 17, 35 U.M. Intrarile in zile succesive sunt: 3, 7, 9, 12, 10, 5, 8, 11, 13, 11, 7, 3, 3, 9, 11, 13, 6, 3, 8, 13, 6, 7, 9, 12, 13, 15. Iesirile in zile succesive sunt: 0, 2, 5, 7, 11 8, 11, 13, 13 15, 7, 9, 11, 11 15, 8 3, 9, 6, 14, 10, 9, 6, 14, 10, 9, 11 13, 15.