SIMULAREA PROCESELOR ECONOMICE

CURSUL 1
1. Introducere
Termenul simulare deriva din latinescul simulatio care inseamna
capacitatea a simula un anumit proces, fenomen sau o anumita situatie cu
un anumit scop. Nu exista o semnificatie unica care sa fie acceptata de
toate stiintele particulare. In viata de toate zilele omul simuleaza si
modeleaza pentru a rezolva diverse probleme sau a atinge un anumit
scop, modelele utilizate depinzand de nivelul sau de educatie si
cunoastere stiintifica. Cea mai simpla simulare este modelarea si
simularea de tip mental. Ca exemplu putem considera urmatoarea situatie.
Un individ care a absolvit opt clase vrea sa mearga la un interviu pentru
angajare. Inainte de a se prezenta, el se gandeste cum sa se imbrace, cum
sa raspunda intrebarilor care i se vor adresa etc. Aceasta inseamna ca el
modelaza mental evenimentele cele mai probabile care vor avea loc cu
ocazia interviului si imita (simuleaza) printr-un proces mental cum se vor
desfasura aceste evenimente in timpul interviului. Astfel individul isi
imagineaza desfasurarea fenomenului inante ca acesta sa aiba loc si fara
a cunoaste cu precizie evenimentele care fac parte din fenomen.
Evenimentele luate in considerare in modelare sunt doar probabile, nu
sigure.
Exista trei tipuri de simulare:

Simularea analogica a fost initial aplicata in domeniul tehnic dar

astazi se aplica si in cel economic. Un sistem real, notat X, greu de
cercetat va fi studiat prin intermediul unui alt sistem real, notat Y,
cu conditia ca intre cele doua sisteme sa existe analogii si, evident,
Y sa fie usor de analizat. Se spune ca intre X si Y exista analogii
daca cele doua sisteme sunt guvernate de aceleasi legi, chiar daca
cele doua sisteme nu opereaza cu aceleasi concepte. De exemplu,
intre sistemele hidraulice si sistemele electrice exista analogii, intre
sistemul de transport feroviar si sistemele electrice exista analogii
(notiunea de flux intr-o retea de transport se defineste cu
respectarea legii de conservare a fluxului in fiecare nod al retelei,
similar Legii a doua a lui Kirchoff). Fiecarei variabile din X i se
ataseaza prin corespondenta bijectiva o variabila dinY, aleasa astfel
incat sa poata fi masurata cu erori mici. Conditia de bijectivitate
impusa asupra acestor corespondente de la X la Y este necesara
pentru ca rezultatele obtinute in studierea lui Y sa poate fi folosite
pentru analiza si optimizarea functionarii sistemului X care
constitue, de fapt, obiectul cercetarii.

Simularea cu ajutorul unor modele fizice prin care se imita

functionarea unor procese sau fenomene reale. De exemplu??????
Simularea numerica are doua ramuri distincte: simularea de tip joc,
destinata formarii de buni manageri (importata din jocurile de
razboi, utilizate pentru formarea ofiterilor) si simularea
probabilistica, cunoscuta sub denumirea de simulare Monte Carlo.
Tehnicile de simulare Monte-Carlo fac obiectul acestui curs.
Simulare inseamna deci inlocuirea studierii unui proces real cu
studierea unui alt proces real (simulare analogica) sau a unui model
matematic a carui schema de functionare va fi miscata pe un
calculator, scopul fiind proiectarea unui sistem real eficient
(simulare numerica).
2. Scurt istoric al Simularii Monte Carlo ca ramura de stiinta
Justificarea denumirii de simulare probabilistica sau simulare
Monte-Carlo (S.M.C.) provine din utilizare sirurilor de numere
aleatoare, primul tabel continand astfel de numere fiind construit
prin notarea numerelor care rezultau la o ruleta din Monte-Carlo.
Inceputurile experimentale ale tehnicilor de simulare MonteCarlo dateaza din zorii secolului al XIX. Matematicianul Hall
furnizeaza in 1876 o metoda Monte-Carlo simpla pentru calculul
aproximativ al numarului irational , utilizand o problema celebra
de caculul probabilitatilor: Problema acului lui Buffon,formulata
pentru prima data in secolul al XVIII-lea de Georges-Louis Leclerc,
conte de Buffon (1707-1788) . Raileigh face legatura intre mersul la
intamplare si solutiile unei ecuatii diferentiale parabolice, iar
Kolmogorov a evidentiat in 1931 legatura intre procese Markov si
ecuatii cu derivate partiale.
Desi ideea de a utiliza fenomene aleatoare in domeniul
calculelor cu aproximatie a aparut inca din secolul al XIX-lea, se
poate spune ca simularea Monte-Carlo a fost putin utilizata pana in
timpul celui de-al doilea razboi mondial cand a fost folosita in fizica
nucleara, mai exact in studiul bombei atomice. Fenomenul de
difuzie a neutronului in materiale capabile sa sustina un lant de
reactii de fisiune nucleara (fissile materials), cum este, de exemplu,
izotopul 235 al uraniului, a fost studiat prin simulare Monte-Carlo.
De altfel, cercetarea pentru realizarea bombei atomice era
cunoscuta in 1944 sub codul Monte-Carlo.
Versiunea moderna a tehnicilor Monte-Carlo a fost elaborata de
matematicianul american de origine poloneza Stanislav Ulam (19091985) in 1948 cand lucra la proiectarea armelor nucleare in
Laboratorul National din Los Alamos. Denumirea a fost data de

colegul sau de la Los Alamos, matematician si fizician, Nicholas

Constantine Metropolis (1915-1999) dupa cazinoul din Monte-Carlo,
unde unchiul lui Ulam obisnuia sa joace. Ideea lui Ulam a fost
imediat preluata de celebrul savant american de origine ungara John
von Neumann (1903-1957), prezent si el la Los Alamos in acea
vreme, care a implementat metoda pe computerul ENIAC (Electronic
Numerical Integrator And Computer) , primul calculator electonic.
Fizicianul italian Enrico Fermi (1901-1954), Metropolis si Ulam
obtin cu SMC estimatii pentru valorile proprii ale ecuatiei
Schrodinger in 1948.
Bazele teoretice ale SMC au fost puse la incepulul anilor 50 si
numeroase aplicatii in modele de fizica statistica au aparut.
Anii 1960-1980 marcheaza utilizarea SMC pentru studiul
tranzitiilor de faza, a defectelor de material, a
macromoleculelor( polimeri) etc.
Din 1980 pana in prezent, SMC se utilizeaza in optimizarea
globala, teoria campului cuantic, genetica, dinamica moleculara,
biologie computationala si calcul statistic etc.
Zecile de mii de lucrari stiintifice aparute pana in prezent au
demonstrat eficienta folosirii tehnicilor MC in aproape toate
domeniile stiintifice,vietii sociale, domeniul militar, ori de cate ori
fenomenul ce face obiectul cercetarii admite o descriere
probabilistica.
3. Descrierea metodelor Monte- Carlo
In proiectarea, realizarea si conducerea sistemelor complexe
cu evolutie dinamica, simularea probabilistica sau de tip Monte- Carlo
( SMC) are un rol ce nu mai poate fi contestat, dovada amploarea
cercetarilor stiintifice in acest domeniu. Un sondaj efectuat la 1000 dintre
cele mai mari companii din S.U.A. arata ca (SMC) este una dintre tehnicile
cantitative cele mai folosite in management. Aceasta larga utilizare poate
fi motivata de o lista foarte lunga de situatii in care (SMC) ofera
posibilitatea fundamentarii unei decizii, in timp ce alte metode esueaza.
Consemnam cateva situatii din acesta lista, dupa cum urmeaza:

Adesea in rezolvarea unei probleme de optimizare nu este

posibila gasirea unei solutii analitice. De exemplu, in timp ce o
problema de optimizare liniara este relativ usor de rezolvat
chiar si atunci cand dimensiunile sale sunt mari, cautarea
solutiei optime a unei probleme de optimizare neliniara poate
fi un proces greoi si mult prea lent iar uneori imposibil.
Experimentarea reala a unui sistem dinamic economic, social,
biologic, fizic etc. poate fi un proces cu costuri foarte mari sau
imposibil de realizat.

Nu este justificata intreruperea functionarii unui proces real

pentru verificarea eficacitatii unei politici economice.
Evolutia unor sisteme sociale sau economice dinamice este
lenta si nu este timp suficient pentru a permite sistemului sa
evolueze in extenso. In acest caz (SMC) permite previzionarea
evolutiei sistemului.
Potivit tehnicilor Monte-Carlo, se asociaza sistemului real (SR)
un model adecvat, numit model de simulare (MS) care reprezinta
dependentele dintre componentele sistemului real dar si
mecanismul schimbarii lor in timp. Modelul de simulare este folosit
pentru a reproduce pe un sistem fizic, calculatorul (C), suscesiuni de
stari ale sistemului real. Aceste succesiuni de stari definesc evolutia
sistemului intr-o anumita perioada, ceea ce permite crearea unor
imagini care pot reprezenta prelungirea in timp si spatiu a
desfasurarii procesului real. O calitate esentiala a SMC este aceea
ca, rulata pe computer, da posibilitatea reducerii sau dilatarii
duratelor de evolutie a starilor sistemului real.
Un experiment de simulare presupune realizarea unor
experiente arficiale asupra sistemului real sau care se doreste a fi
proiectat cu scopul de a stabili valori optime ale unor caracteristici
ale sistemului. De exemplu, in analiza si proiectarea functionarii
unui sistem de asteptare cu mai multe statii de servire in paralele,
un experiment de simulare poate conduce la evaluarea, ca date de
iesire, a timpului mediul de asteptare al unui client si a costului total
de functionare a sistemului intr-o perioada de timp arbitrara,
cunoscand ritmul de servire al fiecarei statii si, desigur, ritmul sosirii
clientilor in sistem. Experimente de simulare diferite pentru doua,
trei sau mai multe statii de servire cu acelasi ritm de servire si
acelasi ritm de sosire a clientilor in sistem, permit luarea unei decizii
multicriteriale privind numarul optim de statii de servire cu scopul
minimizarii timpului mediul de asteptare al unui client si a costului
total de functionare a sistemului.
Tripletul (SR)(MS)(C) Utilizarea metodei Monte-Carlo
pentru cercetarea stiintifica a unui sistem real (SR) presupune mai
intai stabilirea scopului cercetarii sistemului real, construirea unui
model de simulare (MS) adecvat scopului stabilit si apoi
experimentarea artificiala a modelului real prin implementarea (MS)
si rularea lui pe computer (C) , adica efectuarea experimentelor de
simulare. In elaborarea (MS) se stabilesc datele de intrare constante
si variabilele aleatoare caracteristice ale sistemului real si datele de
iesire corespunzatoare scopului definit al cercetarii. Modelul
matematic care sta la baza (MS) trebuie sa fie relativ simplu dar
trebuie sa tina seama de interdependentele dintre caracteristicile

sistemului real. (MS) se misca in timp prin modificarea valorilor

posibile ale variabilelor aleatoare date
de intrare si produce astfel datele de iesire care sunt apoi prelucrate
statistic si permit stabilirea unor decizii pentru proiectarea unui (SR)
eficient.
!!!!!!!!!!!!!!!!Comentarii asupra tripletului (SR)(MS)(C):
Modelul de simularea (MS) este privit ca un sistem echivalent
cu cel aflat sub observatie (SR), a carui comportare poate fi
analizata cu efort mai mic din parte cercetatorului decat cea a (SR).
Concluziile rezultate in urma analizei (MS) trebuie sa fie valabile atat
pentru (SR) cat si pentru orice alt sistem analog.
Prin intermediul (MS) se executa exercitii de simulare in diferite
circumstante, prin modificarea valorilor variabilelor de intrare si se
obtin concluzii in anumite intervale de incredere. Computerul(C)
faciliteaza reproducerea comportamentului (SR) intr-un timp relativ
mic (timp condensat).
Prin intermediul (MS) se realizeaza experimentarea
alternativelor viitoare ale evolutiei (SR). Prin modificarea modelului
matematic sau a schemei de functionare in sensul maririi
complexitatii sale, printr-o noua simulare se poate determina reactia
(SR) la aceste schimbari. Observand desfasurarea experimentelor
de simulare, cercetatorul are imaginea desfasurarii in timp a
procesului de evolutie a (SR). Modelul de simulare a unui proces
economic complex imita functionare unui sistem economic dinamic
in aceeasi masura in care un simulator de zbor imita zborul real al
unui avion. Spre deosebire de alte metode analitice de optimizare
cunoscute ca cele de cercetari operationale,de exemplu, (SMC) nu
presupune determinarea unei solutii optime prin rezolvarea unui
sistem de ecuatii ce caracterizeaza (SR), ci reproducerea evolutiei
(SR) pe o perioada data si in conditii specificate. Modificare starii
curente a sistemului este provocata de realizarea sau nonrealizarea
unor evenimente posibile.

4. Avantajele si dezavantajele metodelor Monte- Carlo

Ca orice metoda de cercetare stiintifica, (SMC) prezinta numerose
avantaje dar si dezavantaje. Mentionam cateva dintre acestea mai
jos:
Dezavantaje:
- Convergenta in probabilitate asigurata prin (SMC) este
lenta
- Realizarea unui model de simulare de buna calitate si
implementarea acestuia poate implica uneori costuri
foarte mari

(SMC) asigura o descriere mai fidela a (SR) si a

evolutiei acestuia decat un model analitic dar solutia
obtinuta prin experimente de simulare nu este
neaparat optima.
Avantaje:
- Rapiditatea cu care se excuta un exercitiu de simulare
dupa implementarea (MS) permite luarea unor decizii
in timp real si evitarea pierderilor.
- (SMC) permite o experimentare controlata a (SR).
- (SMC) permite investigarea (SR) fara a perturba
activitatea acestuia
- (SMC) permite verificarea calitatilor unor solutii pe
care managerul le intuieste.
5. Pasi in studiul (SR) printr-o tehnica de simulare MonteCarlo

Pas 1: Se formuleaza problema;

Se defineste scopul cercetarii;
Se studiaza (SR) si dupa o buna intelegere a acestuia
se modifica eventual scopul cercetarii;
Pas 2: Se aduna date numerice si se realizeaza modelul sau
schema de functionare ( exprimarea matematica si/sau logica
a relatiilor dintre variabilele sistemului, relatii ce reflecta
structura procesului real);
Recomandari: A se porni de la un model redus care sa fie
completat treptat pana la complexitatea dorita;
A se specifica ce aspecte ale functionarii sau
descrierii (SR) au fost neglijate, ce aproximatii au fost facute si
cu ce eroare;
Observatie: Se recomanda ca la acst pas
echipa de cercetare sa tina permanent legatura cu
beneficiarul care este sursa unor informatii importante.
Pas 3: Se proiecteaza (MS): algoritmul de calcul, eventual
schema logica a programului ce urmeaza a fi implementat
Se verifica daca (MS) este corect: corectitudinea si
complexitatea algoritmului proiectat;
Pas 4: Se valideaza (MS) utilizand una dintre urmatoarele
tehnici:
(T1): Se utilizeaza date reale, istorice (cunoscute) in
cazul in care se cunosc performantele (SR).
Performantele (MS) sunt comparate cu performantele
(SR) si daca rezultatele (MS) constitue o buna
aproximatie a rezultatelor reale, observate si inregistrate
ale (SR), atunci se declara (MS) valid.

(T2): Se modifica cel putin un parametru care produce o

variatie cunoscuta a unei variabile de iesire. Daca reactia
(MS) la aceasta modificare este corecta, atunci se
declara (MS) valid si se trece la pasul 5. In caz contrar,
se revine la pasul 2;
Exemplu : Se stie ca intr-un sistem de asteptare cu mai
multe statii de servire in paralele, cresterea numarului se
statii de servire produce scaderea timpului mediul de
asteptare in sistem al unui client. Utilizarea (T2) in acest
caz presupune cresterea cu o unitate a numarului de
statii de servire in (MS), rularea programului si
inregistrare timpului mediu de asteptare in sistem,
urmata de o crestere arbitrara a numarului de statii de
servire si o noua rulare pentru determinarea timpului
mediu de asteptare in sistem inregistrat in noile conditii.
Daca valorile inregistrate in urma experimentelor de
simularea realizate ale variabilei de iesire timp mediu de
asteptare in sistem descresc semnificativ, atunci (MS) se
declara valid.
Pas 5: Se proiecteaza experimentul de simulare ( se stabilesc
valorile variabilelor de intrare si ale parametrilor (MS) pentru
care se va rula programul);
Se realizeaza experimentul de simulare ( se ruleaza
programul pentru valorile stabilite ale variabilelor de intrare si
ale parametrilor (MS);
Pas 6 ( Simularea propriu-zisa): Reproducerea evolutiei in
timp a (SR) prin intermediul unor seturi de valori posibile ale
unor variabile de intrare ale (MS), rularea programului pentru
aceste seturi de date si inregistrarea valorilor datelor de ieire
ale (MS);
Pas 7: Analiza statistica si interpretarea economica a datelor
de ieire;
Observaie: Acest pas trebuie s stabileasc, printre altele i
dac simularea efectuat raspunde scopului cercetrii. Dac
nu, se revine la pasul 5.

6. Variabilele si parametrii modelului de simulare

(MS) utilizeaza urmatoarele tipuri de variabile:
o Varibile de intrare, variabile exogene care pot fi
controlabile sau nu;

De exemplu, intr-un model de gestiune a stocurilor

cererea pentru un anumit produs poate fi constanta
r=300t/saptaman sau aleatoare, de exemplu o
variabila aleatoare de tip discret cu repartiia r:

(150
0,3

200 320
0,5 0,2

. n primul caz variabila de intrare este

controlabil (determinist) iar n cel de al doilea caz,

varabila de intrare este necontolabil.
Observaie: Varialilele de intrare deterministe pot fi
citite de pe calculator sau de pe un mediu extern sau
daca este nevoie determinate cu ajutorul unor formule
matematice. Modelele cu toate variabilele de intrare
deterministe se pot rezolva analitic.
Daca cel puin o variabil de intrare este aleatoare,
atunci simularea probabilistic (de tip Monte-Carlo)
este metoda adecvata de abordare. Valorile posibile
ale variabilelor aleatoare se vor genera prin anumite
procedee specifice care depind de legea de
probabilitate a variabilei.
o Parametrii (MS) sunt variabile de intrare crora li se
dau valori constante pentru un exerciiu de simulare.
Observaie: Complexitatea proceselor economice
poate fi descris cu ajutorul unui numar foarte mare de
parametrii. ntr-un (MS) sunt reinui o parte dintre
acetia n funcie de anumite criterii de apreciere i de
apartenea la una dintre clasele:
Parametrii clasa I care au u mare importan fa
de scopul simulrii i sunt reinui n (MS)
Parametrii clasa a II-a care au importan medie
fa de scopul simulrii i a cror selecie pentru a fi
reinui n (MS) se face introducnd criterii de
apreciere. Pentru fiecare astfel de parametru se rein
numai valoarea maxim, cea mai probabil i valoarea
minim
Parametrii clasa a III-a care au importan
relativ mic fa de scopul simulrii i a cror selecie
pentru afi reinui n (MS) se face introducnd criterii
de apreciere dar pentru care se rein valoarea medie i
abaterea medie ptratic;
Observaie: Selecia parametrilor de clasa a II-a i a
III-a se face cu scopul de a reduce timpul de simulare i
costul, far a denatura problema.

o Variabilele de stare, n general sunt incluse n

ecuaiile modelului i descriu starea sistemului.
o Variabilele de ieire furnizez rezultaul de interes al
cercetrii. Ele depind de variabilele i parametrii de
intrare. Dependena dintre ele este dat de structura
logic a (SR), de relaiile funcionale cu ajutorul crora
se specificce operaii trebuie efectuate asupra
variabilelor de intrare pentru a le obine pe cele de
ieire.
Observaie: Dac o variabil de intrare are
comportare probabilistic, atunci cel puin o variabil
de ieire are comportare probabilistic. Pentru a
caracteriza variabilele de ieire cu comportare
probabilistic este nevoie de un studiu statistic riguros
al valorilor sale obinute n urma executrii exerciiului
de simulare.