Simularea Monte Carlo

Simularea Monte Carlo asociaz problemei reale un model probabilist i prin generarea unor variabile aleatoare legate funcional de soluie se realizeaz experiene pe model furnizndu-se informaii asupra soluiei problemei. Este una dintre cele mai generale metode de analiz a fenomenelor care se produc n sistemele caracterizate printr-un numr mare de variabile, parametri, prin relaii complexe ntre componente, prin factori perturbatori etc. Sub denumirea de metoda Monte Carlo (MC) se gsesc mai multe metode sau modele de simulare, elementul comun l constituie faptul c fenomenul real este nlocuit cu un fenomen artificial. In esen, se nlocuiete ansamblul fenomenului real (mulimea complet N) cu un eantion reprezentativ fcndu-se aproximarea c acest eantion va da o imagine suficient de clar i adecvat asupra ansamblului. Aplicarea metodei const n asocierea problemei descrise cu un proces stochastic de calcul. Aceasta const apoi, n efectuarea unui volum mare de calcule aritmetice, pe baza unor relaii logice descrise printr-un model economico-matematic, n funcie de valorile unor variabile generate ntmpltor (variabile aleatoare). Exist cazuri n care metoda Monte Carlo constituie un auxiliar al unor instrumente matematice devenite clasice (de exemplu, metoda lanurilor Markov) sau al unor tehnici folosite n teoria deciziilor multidimensionale etc. Elaborarea unui model de simulare MC este legat de principiul metodei cu acelai nume: fie o funcie de variabile aleatoare Z F ( x1 , x 2 ,..., x n ) unde fiecare variabil urmeaz o repartiie bine definit. Atunci pentru fiecare xi se extrage o valoare aparinnd repartiiei respective i se evalueaz o valoare a lui Z. Aceasta se repet de n ori, cnd n valoarea astfel obinut aproximeaz (n sensul teoriei probabilitilor) adevrata valoare a repartiiei lui Z . Metoda MC se bazeaz pe o tehnic stochastic care utilizeaz numere aleatoare i statistica probabilist. Ideea central const n: generarea de numere aleatoare, urmnd repartiii predeterminate carese introduc n forma analitic a lui Z i apoi calculul valorii acesteia. Operaiunea se repet de multe ori, algoritmul oprindu-se conform unui criteriu (de convergen).

-1-

Aplicaii ale metodei Monte Carlo Cu ajutorul Metodei Monte Carlo i pornind de la valorile nregistrate aleunei variabile se pot realiza estimri cu privire la valorile parametrilor cecaracterizeaz respectiva variabil investigat. Considernd urmtoarea distribuie a variabilei cercetate: Frecvene absolute: fi f1 f2 . . fi . . fr f

Valorile nregistrate ale variabilei investigate x x1 x2 . . xi . . xr Total

Estimarea mediei variabilei investigate pe baza valorilor nregistrate i prezentate n tabelul anterior presupune parcurgerea urmtorului algoritm: sunt determinate frecvenele relative i frecvenele relative cumulate, care de fapt indic probabilitile de apariie a unei anumite valori avariabilei cercetate (pi):

Valorile nregistrate ale variabilei investigate x x1 x2 . . xi . . xr Total Probabiliti pi p1 p2 . . pi . . pr 1 Probabiliti cumulate: pi p1=p1 p2=p1+p2 . . pi= p1+p2++pi . . pi= p1+p2++pi++pr=1 -

-2-

 se reprezint grafic valorile nregistrate ale variabilei investigatei probabilitile cumulate corespunztoare. Consider m, pentruexemplificare, un numr de 6 valori xi gaficul se prezint astfel:

se realizeaz un anumit numr de selecii n cu ajutorul unui generator denumere aleatoare. La ndemna oricui este funcia RAND() din Excel, careeste un generator de numere aleatoare. Valoarea xi corespunz toarea fiecrei valori aleatoare generate se citete cuajutorul graficul reprezentat anterior. Numrul generat constituie un punct pe axa Oy. Se traseaz o paralel la Ox din respectivul punct pn n loculde intersecie cu prima coloan ce constituie valoare nregistrat alevariabilei cercetate. Considernd un numr de 10 repetiii rezultatele se prezint astfel: Numr repetiii 1 2 3 4 5 Numr aleator Valoare xi

0.003720 0.564794 0.845475 0.765157 0.573366

-3-

x1 x5 x6 x5 x5

6 7 8 9 10

0.974748 0.518146 0.664828 0.103953 0.741919

x6 x4 x5 x1 x5

Cu ajutorul acestor date se pot realiza estimri ale parametrilor variabilei investigate (media, dispersia, coeficientul de variaie, abaterea medie ptratic).

Exemplu:
Considerm un eantion de 300 persoane supus unei cercetri, pentru care s-a nregistrat frecvena de cumprare (numrul de cumprturi) al unuei ciocolate poiana, n cursul unei luni. Rezultatele centralizate se prezint astfel:

Numrul de ciocolate poiana cumprte ndecursul unei luni (buci)

0 1 2 3 4 5 6 7 8

Frecvene absolute (persoane)

26 53 57 71 48 24 11 8 2

Pe baza acestor date se dorete a se estima evoluia pentru perioada urmtoare a cumprrilor de ciocolate poiana. Se consider un nivel de semnificaie de 0,05. determinm probabilitile de apariie a fiecrei valori xi, precum i probabilitile cumulate:

-4-

Numrul de ciocolate poiana cumprte n decursul unei luni (buci)

0 1 2 3 4 5 6 Total

Frecvene absolute (persoane)

Probabiliti

Probabiliti cumulate

26 53 65 71 48 24 13 300

0.087 0.177 0.217 0.237 0.160 0.080 0.043 1

0.087 0.263 0.480 0.717 0.877 0.957 1.000

se reprezint grafic valorile nregistrate ale variabilei investigate i probabilitile cumulate corespunz toare:
1.000 0.900 0.800 0.700 0.600 0.500 0.400 0.300 0.200 0.100 0.000 1 2 3 4 5 6 7 0.087 0.263 0.480 0.717 0.877 0.957 1.000

se realizeaz un numr de 30 selecii cu ajutorul funciei RAND() i seataeaz valoarea xi corespunztoare citit cu ajutorul graficului:

-5-

Numr repetiii 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Numr aleator xi 0.2358 1 0.8323 4 0.1164 1 0.6223 3 0.1093 1 0.7468 4 0.4674 2 0.2135 1 0.8502 4 0.429 2 0.0605 0 0.808 4 0.561 3 0.5253 3 0.5703 3 0.3209 2 0.7703 3 0.5933 3 0.978 6 0.05 0 0.8813 5 0.5798 3 0.9352 5 0.0104 0 0.3902 2 0.7301 4 0.1861 1 0.1283 1 0.2343 1 0.0156 0

Cu ajutorul acestei distribuii se pot realiza estimri cu privire la cumprturile medii realizate de ctre consumatorii bine neles i a altor indicatori de caracterizare a distribuiei:

-6-

Numr repetiii 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Numr aleator xi 0.2358 1 0.8323 4 0.1164 1 0.6223 3 0.1093 1 0.7468 4 0.4674 2 0.2135 1 0.8502 4 0.429 2 0.0605 0 0.808 4 0.561 3 0.5253 3 0.5703 3 0.3209 2 0.7703 3 0.5933 3 0.978 6 0.05 0 0.8813 5 0.5798 3 0.9352 5 0.0104 0 0.3902 2 0.7301 4 0.1861 1 0.1283 1 0.2343 1 0.0156 0 Total 72 2,4

1,96 2,56 1,96 0,36 1,96 2,56 0,16 1,96 2,56 0,16 5,76 2,56 0,36 0,36 0,36 0,16 0,36 0,36 12,96 5,76 6,76 0,36 6,76 5,76 0,16 2,56 1,96 1,96 1,96 5,76 79,2

Media celor 30 de valori selectate:

Intervalul n care se va ncadra media real:

-7-

t0,05;30-1 citit din tabelul repartiiei Student = 2,05;

estimator al abaterii medii ptratice

Coeficientul de variaie:

-8-