Sunteți pe pagina 1din 9

3

SIMULAREA STOCHASTIC
CU TEHNICA MONTE CARLO

3.1 Aplicaii ale metodei de simulare Monte Carlo n economie


n cadrul temei 2 s-a artat c simularea este o tehnic de rezolvare a
problemelor complexe pentru care nu exist metode analitice corespunztoare.
Astfel de probleme manageriale complexe apar n situaiile n care intervin
mrimi i variabile aleatoare care sunt influenate de factori necontrolabili de ctre
decident.
Cele mai frecvente probleme de decizie n care intervin mrimi aleatoare i
care pot fi abordate prin simularea stochastic (probabilistic) sunt urmtoarele:
Lansarea unui nou produs pentru care cererea i/sau preul sunt variabile
aleatoare.
Determinarea politicilor de control al stocurilor (mrimea comenzii de
aprovizionat, nivelul stocului curent la care se lanseaz o nou comand de
aprovizionare, nivelul stocului de siguran etc.) n cazul n care ritmul de
aprovizionare i/sau cererea de consum sunt variabile aleatoare.
Dimensionarea unor faciliti de servire (numrul staiilor de servire,
ritmul de servire) n procesele de ateptare caracterizate prin intervale aleatoare
ntre sosiri (solicitri de servicii) i durate aleatoare de servire. Astfel de procese de
ateptare apar: n cazul produciei n flux, n controlul calitii produciei, la
punctele de control din aeroporturi sau din vam, la ncrcarea i descrcarea
mijloacelor de transport, n magazine, la punctele de achitare a mrfurilor, la
serviciile publice ( secretariate, bnci, oficiile de achitare a taxelor) etc.
Analiza proceselor de reparaii ale utilajelor n vederea programrii
produciei i/sau investiiilor n funcie de distribuia de probabilitate a
defeciunilor i a ritmului de efectuare a reparaiilor.
Estimarea duratei totale de finalizare a unui proiect complex n care
duratele activitilor sunt mrimi aleatoare.
Probleme de programare operativ a produciei n care intervin mrimi
aleatoare referitoare la durata prelucrrii pe diferite maini, ritmul aprovizionrii cu
materiale, produse intermediare etc.
Pentru ca deciziile elaborate pe baza rezultatelor simulrii unui proces
economic s fie viabile, este necesar ca i caracteristicile aleatoare (preul, cererea
de produse, durata de servire etc.) s fie incluse n modelul de simulare.
O mrime aleatoare are mai multe valori posibile, fiecare valoare avnd
asociat o anumit probabilitate. Rezult c, nu poate fi cunoscut cu certitudine
care va fi, la un moment dat, valoarea variabilei aleatoare.

Pentru realizarea experimentelor de simulare n vederea determinrii


valorilor unui indicator economic, este necesar o metod special care s permit
generarea la ntmplare a valorilor pentru fiecare factor aleator care influeneaz
indicatorul respectiv.
Pentru a nelege mai bine cum se poate obine o valoare la ntmplare a
unei variabile aleatoare se va analiza exemplul 3.1.

"Exemplul 3.1
Pentru realizarea unui studiu de marketing, Firma Gama dorete s simuleze
vnzrile zilnice ale televizorului color Gama1. Din evidena vnzrilor din trecut, rezult c
numrul de televizoare vndute zilnic este o mrime aleatoare cu distribuia de probabilitate
din tabelul 3.1.
Tabelul 3.1
Numr televizoare (xi)
(buci/zi)
60
70
80
90

Probabilitatea (pi)
0,1
0,3
0,4
0,2

Pentru a obine la ntmplare una din cele patru valori: 60, 70, 80 sau 90, care
reprezint numrul posibil de vnzri dintr-o zi, se poate proceda astfel:
- Se pregtesc 100 bilete de hrtie de aceeai culoare i dimensiune. Pe 10 dintre
ele se scrie numrul 60, pe 30 de bilete se scrie numrul 70, pe 40 de bilete se
scrie numrul 80, iar pe 20 de bilete se scrie numrul 90.
- Se mpturesc biletele cu partea scris spre interior i se amestec ntr-un bol.
- Se extrage un bilet i se citete numrul de pe bilet. Evident, ansa cea mai mare
de a fi extras i aparine numrului 80.
Pentru realizarea simulrii ar fi necesare foarte multe extrageri de acest fel. De
aceea, este necesar o alt metod, care s poat fi implementat pe calculator i care s
selecteze, la ntmplare, valorile unei mrimi aleatoare descrise printr-o distribuie de
probabilitate. Aceast metod se numete metoda Monte Carlo. n locul biletelelor de
aceeai culoare i dimensiune se va utiliza un generator de numere aleatoare uniform
distribuite n intervalul [0, 1]. Despre astfel de generatoare s-a discutat n tema 2.

3.2 Prezentarea general a metodei


Ideea de baz a metodei Monte Carlo este urmtoarea:
Metoda Monte Carlo genereaz, la ntmplare, valorile unei variabile
aleatoare, prin utilizarea:
- unui generator de numere aleatoare uniform distribuite n intervalul
[0, 1] i
- a distribuiei de probabilitate cumulat asociat variabilei aleatoare
respective.
Metoda a fost inventat de ctre cercettorii americani de la Los Alamos
National Laboratory prin anii 1940, cnd a fost utilizat pentru simularea
traiectoriei unui neutron n plutoniu sau uraniu1.
Metoda Monte Carlo poate fi definit ca metod de modelare a variabilelor
aleatoare n vederea determinrii caracteristicilor repartiiei lor, atunci cnd aceste
caracteristici nu pot fi stabilite prin expresii analitice pe baza funciilor teoretice de
densitate de probabilitate.
Prin metoda Monte Carlo, procesul real este nlocuit cu un proces artificial.
Pentru obinerea unor rezultate corecte, se impune ca variabilele aleatoare generate
n timpul experimentelor de simulare s reproduc fidel variabila aleatoare real.
Calitatea eantionului obinut prin simulare poate fi apreciat prin teste de
concordan (Kolmogorov, Smirnov, Pearson sau 2) care msoar apropierea
dintre repartiia teoretic specificat pentru o anumit variabil aleatoare i
repartiia simulat.
n cazul variabilelor aleatoare descrise prin distribuii empirice discrete de
probabilitate, datele pot fi organizate prin grupri statistice conform tabelului 3.2.
Tabelul 3.2.

Valoarea variabilei aleatoare


x1
x2
.
.
.
xm

http://www.cs.jmu.edu/users/pomykajj/isat341/

Frecvena de apariie
f1
f2
.
.
.
fm

n general, n cazul distribuiilor discrete de probabilitate, pentru


obinerea de selecii simulate cu metoda Monte Carlo se poate aplica
urmtoarea procedur:
Pasul 1. Se calculeaz:

probabilitile relative pi = fi/

f i , i=1,...,m; p0=0,
i =1
k

probabilitile cumulate Pk =

pi , k=1,...,m.

i =0

Probabilitatea cumulat Pk reprezint probabilitatea ca valoarea variabilei


aleatoare X s fie mai mic sau egal cu valoarea xk, adic Pk = P(X xk).
Pasul 2. Se asociaz intervale de numere aleatoare fiecrei valori a variabilei
aleatoare. Acest lucru se poate realiza grafic sau tabelar.
Grafic. Pe un sistem de dou axe de coordonate, pe orizontal se reprezint
valorile variabilei aleatoare, iar pe vertical probabilitile cumulate. Pentru fiecare
valoare a variabilei aleatoare se construiete cte o bar vertical care are nlimea
egal cu probabilitatea cumulat corespunztoare acelei valori. n figura 3.1 sunt
reprezentate probabilitile cumulate calculate pe baza datelor din exemplul 3.1.
Tabelar. n tabelul 3.3, fiecrei valori xk i se asociaz intervalul [Pk-1, Pk).
Tabelul 3.3

Valoarea
variabilei
aleatoare X
x1
x2
.
.
.
xm

Probabilitate
relativ

Probabilitate
cumulat

Intervale

p1
p2
.
.
.
pm

P1 = p0 + p1
P2 = P1 + p2
.
.
.
Pm = Pm-1 + pm

[P0, P1)
[P1, P2)
.
.
.
[Pm-1, Pm)

Pasul 3. Se genereaz un numr aleator ui uniform repartizat n intervalul


[0,1] utiliznd un generator de numere aleatoare (de exemplu, unul din programele
GENER1, GENER2, GENER3, GENER4, GENER5 care pot fi apelate prin
MANAGER2 sau cu funcia RAND() din Excel).
Pasul 4. Obinerea valorilor simulate se poate realiza grafic sau tabelar.
Grafic. Numrul generat ui se reprezint printr-un punct pe axa vertical din
figura 3.1. Din acel punct se duce o paralel la axa orizontal pn cnd ntlnete
prima bar vertical i se citete valoarea de la baza acelei bare. In tabelul 3.4, n
dreptul numrului aleator generat se scrie valoarea gsit pe grafic.

1
P3

Probabiliti

0.8
0.6
P2

0.4
0.2

P1

0
0

x1

x2

x3

x4

Valori ale variabilei aleatoare


Figura 3.1

Tabelar. Se caut n tabelul 3.3, intervalul [Pk-1, Pk) cruia i aparine


numrul aleator ui. Se scrie, n tabelul 3.4, n dreptul numrului aleator utilizat,
valoarea xj creia n corespunde intervalul [Pj-1, Pj) identificat n tabelul 3.3.
Pasul 5. Se reia procedura de la Pasul 3 pn cnd se obine volumul dorit al
seleciei simulate. In tabelul 3.4 sunt prezentate rezultatele obinute dup 10 generri
de numere aleatoare.
Tabelul 3.4

Nr. aleator
0.296281
0.928927
0.205136
0.852845
0.005645
0.651622
0.799931
0.333693
0.416841
0.011913

Valoare variabil
aleatoare
x2
x4
x2
x4
x1
x3
x3
x2
x3
x1

Numr televizoare
(buci/zi)
70
90
70
90
60
80
80
70
80
60

Datele seleciei simulate pot fi folosite ca date exogene pentru alte modele
sau pot fi utilizate pentru calculul caracteristicilor distribuiei de probabilitate a
variabilei aleatoare cercetate: media, abaterea standard, coeficientul de variaie i
intervalul de ncredere pentru medie.

xi
- Media = x = i =1 ;
N

(x i x) 2

Abaterea standard = =

i =1

N 1

- Coeficientul de variaie = Cv = / x
- Intervalul de ncredere (1-) pentru media x poate fi construit cu relaia:
( x - t/2, N-1

, x + t/2, N-1

unde t/2, N-1 se obine din tabelele distribuiei t, este de obicei 0,05, iar N
reprezint numrul de experimente de simulare.
Cu ct intervalul de ncredere este mai ngust cu att este mai precis
rezultatul. Se observ c lungimea intervalului se va reduce dac va crete numrul
N al experimentelor de simulare. Precizia metodei variaz invers proporional cu
N.

*Observaie: Metoda Monte Carlo este implementat n toate programele


de simulare numeric pentru obinerea valorilor variabilelor aleatoare utilizate de
modelele de simulare. De aceea, n general, nu exist programe comerciale care s
implementeze numai metoda Monte Carlo. Dintre programele de care dispune
Laboratorul de modelare i simulare a proceselor economice, numai QM2 are un
modul special intitulat Monte Carlo Simulation, dar acesta furnizeaz ca rezultat
final numai media variabilei aleatoare descris prin distribuia sa empiric.
Procedura prezentat n seciunea 3.2 poate fi implementat foarte uor ntr-un
program Excel.
3.3 Precizia i proprietile metodei
Metoda Monte Carlo este sinonim cu metoda experimentelor statistice.
n acest context, precizia metodei Monte Carlo se refer la frecvena
relativ sau probabilitatea de apariie a unei valori a variabilei aleatoare simulate i
la media valorilor respectivei variabile aleatoare.
Precizia frecvenei relative sau a probabilitii de apariie a unei valori a
variabilei aleatoare.
- Dac, dup n experimente, frecvena relativ de apariie a unei valori
specificate este f* atunci frecvena real f ar putea avea orice valoare
2

Produsul informatic Quantitative Analysis for Management, succint prezentare n


lucrarea Raiu - Suciu Camelia: Modelarea & simularea proceselor economice. Teorie i
practic. Editura Economic, Bucureti 2002, pag. 377 - 381

n intervalul:
(f* - 2

f * (1 f *)
f * (1 f *)
)
; f* + 2
n
n

De exemplu, dac n=10 i f* = 0,4 => f (0,09; 0,71).


- Dac, se dorete s se obin o probabilitate p cu precizia =
p(1 p)
2
, atunci numrul necesar de experimente este:
N
N = 4p(1-p)/2
De exemplu, creterea preciziei de 10 ori, de la 0,31 la 0,031 pentru
probabilitatea p = 0,4 conduce la creterea de la 10 la 999 103 experimente de
simulare. Deci creterea preciziei de 10 ori, conduce la creterea numrului de
simulri de 102 = 100 ori.
Media este o caracteristic a repartiiei variabilei aleatoare simulate.
Pentru utilizarea acestei caracteristici n analizele economice sau pentru calculul
unor indicatori economici de performan, este important s se determine intervalul
de ncredere asociat mediei valorilor obinute prin simulare.
- Dac

m=

1 n
v i = media valorilor obinute dup n experimente
n
i =1

de simulare, media m a variabilei V ar putea fi orice valoare n intervalul:

(m - , m + ), unde =

2
n

( v i m) 2

i =1

n 1

De exemplu, dup n = 10 experimente, media m = 74, abaterea standard


= 9,66, iar = 6,11, prin urmare: m (67,89; 80,11).
- Dac se dorete s se obin o medie cu precizia 1 = 2
unde

Dv
,
N

n
D v = ( ( v i m) 2 )/(n-1) = dispersia valorilor obinute dup n
i =1

experimente de simulare, atunci numrul necesar de experimente de simulare este:


N = 4 D v /(1)2
De exemplu, dup 10 experimente de simulare, dispersia valorilor este
D v = 93,33 i se dorete creterea preciziei de 10 ori, de la = 6,11 la 1 = 0,611,
atunci numrul necesar de experimente este N 1000. Deci i n acest caz,

creterea preciziei de 10 ori a condus la creterea numrului de simulri de 102 =


100 ori.
Rezult c, o cretere a preciziei metodei Monte Carlo de ori, se poate
obine prin creterea numrului experimentelor de simulare de 2 ori.
Deoarece simularea proceselor economice reale presupune realizarea unui
numr mare de experimente, utilizarea calculatorului este o necesitate.
Metoda Monte Carlo nu este recomandat pentru simularea unor procese n
care apar valori cu probabilitate foarte mic deoarece, pentru obinerea unei
precizii adecvate ar fi necesar un numr extrem de mare de experimente de
simulare.
Precizia metodei Monte Carlo se poate estima cu un grad de ncredere finit
de 0,99 pn la 0,997. De exemplu, se poate determina un interval pentru media
unei variabile aleatoare simulate, cu nivelul de ncredere de cel mult 0,997.
3.4 ntocmirea programului de producie n funcie de performanele
echipamentului existent

ntocmirea unui program de fabricaie presupune evaluarea prealabil a


resurselor disponibile i n special evaluarea performanelor echipamentelor de
producie. Performana unui echipament poate fi influenat de factori
necontrolabili de ctre managerul de producie. De aceea, ar putea fi util realizarea
unor experimente de simulare att pentru verificarea unor ipoteze ct i pentru a
determina intervalul de ncredere pentru diferite caracteristici de performan.

Acest tip de probleme ct i probleme nrudite sunt tratate n lucrrile


care completeaz aceast sintez i anume: [1], Studiul de caz 1 de la
pag. 54 58, [2], Studiul de caz 2 de la pag. 14 17.

 Rezumat
Sunt prezentate mai nti principalele aplicaii economice ale metodei
Monte Carlo la rezolvarea unor probleme de decizie managerial.
Prezentarea metodei Monte Carlo se face pornind de la ideea de baz a
metodei care const n utilizarea unui generator de numere aleatoare uniform
distribuite n [0, 1] i a distribuiei de probabilitate cumulate a variabilei simulate.
Sunt descrise etapele necesare pentru obinerea seleciilor simulate n cazul
variabilelor aleatoare cu distribuii discrete de probabilitate.
Precizia i proprietile metodei Monte Carlo se refer la frecvena relativ
sau probabilitatea de apariie a unei anumite valori a variabilei simulate i la media
valorilor respectivei variabile. Se discut influena preciziei metodei asupra
timpului de calcul.
Pentru aplicarea simulrii la analiza performanelor unui echipament se fac
trimiteri la bibliografia de baz.

y Cuvinte cheie
abatere standard
aplicaii economice ale metodei
Monte Carlo
coeficient de variaie
distribuie de probabilitate
frecven relativ
generator de numere aleatoare
uniform repartizate n [0, 1]
interval de ncredere

medie
metoda Monte Carlo
numr de experimente
precizia metodei Monte Carlo
probabilitate cumulat
probabilitate relativ
test de concordan
variabil aleatoare

Bibliografie suplimentar
[1] pag. 47 58
[2] pag. 14 17

# ntrebri recapitulative
1. Prin ce se caracterizeaz modelele de simulare stochastic aplicabile
ntr-o organizaie?
2. Ce este o mrime economic aleatoare? Exemplificai din practica unei
organizaii.
3. Descriei cteva probleme manageriale n care intervin mrimi aleatoare.
4. Care este ideea de baz a metodei Monte Carlo?
5. Descriei paii procedurii de aplicare a metodei Monte Carlo n
problemele manageriale ale unei organizaii.
6. Care este rolul calculatorului n aplicarea metodei Monte Carlo?
7. De ce sunt necesare testele de concordan?
8. Cum se determin intervalul de ncredere pentru media unei variabile
aleatoare? De ce este important cunoaterea intervalului de ncredere
n analizele economice ale rezultatelor simulrii?
9. La ce se refer precizia metodei Monte Carlo?
10. De cte ori crete timpul de calcul necesar pentru creterea preciziei de Z
ori?
11. Cum se poate construi distribuia de probabilitate a produciei zilnice
realizate de un utilaj?
12. Cum se poate obine distribuia de probabilitate a profitului care ar putea
fi realizat de un produs pentru care cererea i preul sunt aleatoare?