| Artículo | ||||||||||||||||||||
| Simulación de Monte Carlo con Excel | ||||||||||||||||||||
|
Javier Faulín |
||||||||||||||||||||
|
ffaulin@uoc.edu |
||||||||||||||||||||
|
Ángel A. Juan |
||||||||||||||||||||
|
ajuanp@uoc.edu |
||||||||||||||||||||
|
Resumen |
||||||||||||||||||||
| El trabajo presenta a la simulación de Monte Carlo como técnica cuantitativa que hace uso de la estadística y cuáles son los procesos en los ordenadores para imitar, mediante modelos matemáticos, el comportamiento aleatorio de sistemas reales no dinámicos. Concretamente haciendo uso de la planilla de cálculo de Microsoft Excel, se describe cómo es posible obtener un número pseudo-aleatorio -proveniente de una distribución uniforme entre el 0 y el 1- usando la función ALEATORIO. Avanzando en ejemplos mas complejos se construyen modelos de simulación Monte Carlo cuando las variables aleatorias son discretas o continuas. |
||||||||||||||||||||
|
Palabras Clave: simulación, Monte Carlo, comportamiento aleatorio o probabilístico, número pseudo-aleatorio. |
||||||||||||||||||||
|
1.- Introducción La simulación de Monte Carlo es una técnica que combina conceptos estadísticos (muestreo aleatorio) con la capacidad que tienen los ordenadores para generar números pseudo-aleatorios y automatizar cálculos. Los orígenes de esta técnica están ligados al trabajo desarrollado por Stan Ulam y John Von Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando investigaban el movimiento aleatorio de los neutrones [W1]. En años posteriores, la simulación de Monte Carlo se ha venido aplicando a una infinidad de ámbitos como alternativa a los modelos matemáticos exactos o incluso como único medio de estimar soluciones para problemas complejos. Así, en la actualidad es posible encontrar modelos que hacen uso de simulación Monte Carlo en las áreas informática, empresarial, económica, industrial e incluso social [5, 8]. En otras palabras, la simulación de Monte Carlo está presente en todos aquellos ámbitos en los que el comportamiento aleatorio o probabilístico desempeña un papel fundamental -precisamente, el nombre de Monte Carlo proviene de la famosa ciudad de Mónaco, donde abundan los casinos de juego y donde el azar, la probabilidad y el comportamiento aleatorio conforman todo un estilo de vida. Son muchos los autores que han apostado por utilizar hojas de cálculo para realizar simulación Monte Carlo [1, 6, 7]. La potencia de las hojas de cálculo reside en su universalidad, en su facilidad de uso, en su capacidad para recalcular valores y, sobre todo, en las posibilidades que ofrece con respecto al análisis de escenarios (“what-if anaylisis”). Las últimas versiones de Excel incorporan, además, un lenguaje de programación propio, el Visual Basic for Applications, con el cual es posible crear auténticas aplicaciones de simulación destinadas al usuario final. En el mercado existen de hecho varios complementos de Excel (Add-Ins) específicamente diseñados para realizar simulación Monte Carlo, siendo los más conocidos: @Risk, Crystall Ball, Insight.xla, SimTools.xla, etc. [W2 – W5].
Conceptos fundamentales La función ALEATORIO() de Excel Las hojas de cálculo como Excel (y cualquier lenguaje de programación estándar) son capaces de generar números pseudo-aleatorios provenientes de una distribución uniforme entre el 0 y el 1. Este tipo de números pseudo-aleatorios son los elementos básicos a partir de los cuales se desarrolla cualquier simulación por ordenador. En Excel, es posible obtener un número pseudo-aleatorio -proveniente de una distribución uniforme entre el 0 y el 1- usando la función ALEATORIO:
Los números generados mediante la función ALEATORIO tienen dos propiedades que los hacen equiparables a números completamente aleatorios:
La función ALEATORIO es una función volátil de Excel. Esto significa que cada vez que pulsamos la tecla F9 o cambiemos alguno de los inputs del modelo, todas las celdas donde aparezca la función ALEATORIO serán recalculadas de forma automática. Se pueden encontrar ejemplos del uso de ALEATORIO en el propio menú de ayuda de Excel. ¿Qué es la simulación de Monte Carlo? La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la estadística y los ordenadores para imitar, mediante modelos matemáticos, el comportamiento aleatorio de sistemas reales no dinámicos (por lo general, cuando se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre bien a la simulación de eventos discretos o bien a la simulación de sistemas continuos). La clave de la simulación Monte Carlo consiste en crear un modelo matemático del sistema, proceso o actividad que se quiere analizar, identificando aquellas variables (inputs del modelo) cuyo comportamiento aleatorio determina el comportamiento global del sistema. Una vez identificados dichos inputs o variables aleatorias, se lleva a cabo un experimento consistente en (1) generar – con ayuda del ordenador-muestras aleatorias (valores concretos) para dichos inputs, y (2) analizar el comportamiento del sistema ante los valores generados. Tras repetir n veces este experimento, dispondremos de n observaciones sobre el comportamiento del sistema, lo cual nos será de utilidad para entender el funcionamiento del mismo –obviamente, nuestro análisis será tanto más preciso cuanto mayor sea el número n de experimentos que llevemos a cabo. Veamos un ejemplo sencillo: En la imagen inferior se muestra un análisis histórico de 200 días sobre el número de consultas diarias realizadas a un sistema de información empresarial (EIS) residente en un servidor central. La tabla incluye el número de consultas diarias (0 a 5) junto con las frecuencias absolutas (número de días que se producen 0, 1, ..., 5 consultas), las frecuencias relativas (10/200 = 0,05, ...), y las frecuencias relativas acumuladas.
Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado, en este caso, la probabilidad de un determinado número de consultas (así, p.e., la probabilidad de que se den 3 consultas en un día sería de 0,30), por lo que la tabla anterior nos proporciona la distribución de probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el número de consultas al EIS, que sólo puede tomar valores enteros entre 0 y 5). Supongamos que queremos conocer el número esperado (o medio) de consultas por día. La respuesta a esta pregunta es fácil si recurrimos a la teoría de la probabilidad: Denotando por X a la variable aleatoria que representa el número diario de consultas al EIS, sabemos que:
Por otra parte, también podemos usar simulación de Monte Carlo para estimar el número esperado de consultas diarias (en este caso se ha podido obtener el valor exacto usando teoría de probabilidad, pero ello no siempre será factible). Veamos cómo: Cuando se conozca la distribución de probabilidad asociada a una variable aleatoria discreta, será posible usar la columna de frecuencias relativas acumuladas para obtener los llamados intervalos de números aleatorios asociados a cada suceso. En este caso, los intervalos obtenidos son:
El gráfico siguiente nos muestra cada una de las probabilidades sobre el número de consultas. En él, se aprecia claramente la relación existente entre probabilidad de cada suceso y el área que éste ocupa.
Esto significa que, al generar un número pseudo-aleatorio con el ordenador (proveniente de una distribución uniforme entre 0 y 1), estaremos llevando a cabo un experimento cuyo resultado, obtenido de forma aleatoria y según la distribución de probabilidad anterior, estará asociado a un suceso. Así por ejemplo, si el ordenador nos proporciona el número pseudo-aleatorio 0,2567, podremos suponer que ese día se han producido 2 consultas al EIS. Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen):
Seleccionando la celda y “arrastrando” con el ratón desde el borde inferior derecho de la misma podemos obtener un listado completo de números pseudo-aleatorios:
A continuación, podemos usar la función SI de Excel para asignar un suceso a cada uno de los números pseudo-aleatorios generados (como veremos, otra forma de hacer esta asignación será usando la función BUSCARV):
Repitiendo el proceso de seleccionar y “arrastrar” obtendremos algo similar a:
Finalmente, usando la función PROMEDIO será posible calcular la media de los valores de la columna H:
En este caso, hemos obtenido un valor estimado que corresponde exactamente con el valor real anteriormente calculado vía la definición teórica de la media. Sin embargo, debido a la componente aleatoria intrínseca al modelo, normalmente obtendremos valores “cercanos” al valor real, siendo dichos valores diferentes unos de otros (cada simulación proporcionará sus propios resultados). Se puede comprobar este hecho pulsando repetidamente sobre la función F9 (cada vez que se pulsa dicha tecla, Excel genera nuevos valores aleatorios y, por tanto, nuevos valores para la columna H y la casilla I1). Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubiésemos usado una formada por 10, los valores que obtendríamos al pulsar repetidamente F9 no serían estimaciones tan buenas al valor real. Por el contrario, es de esperar que si hubiésemos usado 1.000 (o mejor aún 10.000) observaciones, los valores que obtendríamos en la casilla I1 estarían todos muy cercanos al valor real. Casos prácticos con software Monte Carlo con variables discretas Veamos un ejemplo algo más complejo del uso de Excel para construir modelos de simulación Monte Carlo cuando las variables aleatorias sean discretas: Supongamos que trabajamos en un gran almacén informático, y que nos piden consejo para decidir sobre el número de licencias de un determinado sistema operativo que conviene adquirir – las licencias se suministrarán con los ordenadores que se vendan durante el próximo trimestre, y es lógico pensar que en pocos meses habrá un nuevo sistema operativo en el mercado de características superiores. Cada licencia de sistema operativo le cuesta al almacén un total de 75 Euros, mientras que el precio al que la vende es de 100 Euros. Cuando salga al mercado la nueva versión del sistema operativo, el almacén podrá devolver al distribuidor las licencias sobrantes, obteniendo a cambio un total del 25 Euros por cada una. Basándose en los datos históricos de los últimos meses, los responsables del almacén han sido capaces de determinar la siguiente distribución de probabilidades por lo que a las ventas de licencias del nuevo sistema operativo se refiere:
Construimos nuestro modelo usando las fórmulas que se muestran en la figura inferior. En la casilla H2 usaremos la función ALEATORIO para generar el valor pseudo-aleatorio que determinará el suceso resultante; en la celda I2 usamos la función BUSCARV para determinar el suceso correspondiente asociado al valor pseudo-aleatorio obtenido –notar que usamos también la función MIN, ya que en ningún caso podremos vender más licencias que las disponibles. El resto de fórmulas son bastante claras:
En la imagen anterior se muestra cómo construir el modelo con una observación (iteración). A fin de generar nuevas observaciones, deberemos seleccionar el rango H2:N2 y "arrastrar" hacia abajo (tantas casillas como iteraciones deseemos realizar):
Finalmente, es posible estimar el valor esperado de la variable aleatoria que proporciona los beneficios sin más que hallar la media de las 100 observaciones que acabamos de realizar. Asimismo, usaremos las funciones DESVEST e INTERVALO.CONFIANZA para hallar, respectivamente, la desviación estándar de la muestra obtenida y el intervalo de confianza (a un nivel del 95%) para el valor esperado:
A partir del modelo anterior es posible también realizar “what-if” análisis (análisis de escenarios o preguntas del tipo “¿qué pasaría si cambiamos tal o cual input?”). Para ello es suficiente con ir cambiando los valores de las celdas con fondo amarillo o rojo (inputs del modelo en este ejemplo). Asimismo, podemos ampliar fácilmente el número de iteraciones (observaciones muestrales) sin más que repetir los procesos de seleccionar y “arrastrar”. En el caso actual, hemos optado por tomar 1.000 iteraciones para cada una de los posibles inputs asociados a la cantidad de pedido (estos posibles inputs son: 100, 150, 200, 250, y 300). Si se realizase el experimento, se obtendrían unos resultados similares a los que se muestran a continuación (ya que 1.000 es un número ya bastante considerable para este ejemplo):
A partir de los resultados, parece claro que la decisión óptima es hacer un pedido de 150 unidades, ya que con ello se consigue el beneficio máximo. Generación de números aleatorios provenientes de otras distribuciones Las últimas versiones de Excel incorporan un Add-In llamado Análisis de datos. Este complemento proporciona nuevas funcionalidades estadísticas a la hoja de cálculo. Entre ellas, nos interesa destacar la de Generación de números aleatorios:
Con esta opción, es posible generar fácilmente observaciones provenientes de diversas distribuciones de variable discreta (Bernoulli, Binomial, Poisson, Frecuencia relativa, y Discreta) o de variable continua (Uniforme y Normal). Independientemente del complemento Análisis de datos, es posible usar un resultado muy conocido de la teoría estadística, llamado método de la transformada inversa, para derivar las fórmulas que permiten obtener valores pseudo-aleatorios provenientes de distribuciones como la Weibull o la Lognormal. En la tabla siguiente se muestran algunas fórmulas que, implementadas en celdas de Excel, nos permiten obtener valores pseudo-aleatorios de algunas de las distribuciones continuas más usadas:
Añadir, finalmente, que es relativamente sencillo implementar funciones VBA que, haciendo uso del método de la transformada inversa o de otros métodos similares, permitan la generación de valores provenientes de casi cualquier distribución teórica. Simulación Monte Carlo con variables continuas Como hemos comentado, es posible usar las fórmulas anteriores para generar, a partir de la función ALEATORIO(), valores pseudo-aleatorios provenientes de otras distribuciones continuas. En las páginas siguientes, veremos dos ejemplos de modelos que hacen uso de la distribución normal (la distribución estadística más importante y utilizada): Ejemplo 1: Tiempo de consultas a servidores en paralelo Supongamos que desde un ordenador cliente se realiza consultas SQL a bases de datos situadas en dos servidores distintos. Nuestro objetivo será estimar el tiempo esperado (tiempo medio) que deberemos esperar para recibir la respuesta de ambos servidores. Dada la complejidad de la consulta que queremos realizar, y basándonos en experiencias anteriores, se calcula que el tiempo necesario para que cada uno de los servidores responda a la misma sigue una distribución normal con los parámetros (media y desviación estándar, en minutos) que se indican a continuación:
Pediremos a Excel que genere valores pseudo-aleatorios provenientes de dichas distribuciones. Asimismo, usaremos la función MAX para obtener el tiempo de respuesta (que será el máximo de los tiempos de respuesta de cada servidor), y la función SI para determinar qué servidor ha sido el más rápido en responder:
Usaremos también las funciones CONTAR y CONTAR.SI para contar el número de iteraciones y el número de veces que un servidor es más rápido que el otro:
Finalmente, las funciones PROMEDIO, DESVEST, e INTERVALO.CONFIANZA nos servirán para obtener, respectivamente, el tiempo muestral medio (esperado) de respuesta, la desviación estándar de la muestra (observaciones que generaremos), y un intervalo de confianza, a un nivel del 95%, para el tiempo medio (este intervalo nos permitirá saber si nuestra estimación es buena o si, por el contrario, necesitaremos más iteraciones). Una vez introducidas las fórmulas anteriores, bastará con seleccionar y “arrastrar” hacia abajo el rango de celdas G3:J3, con lo que se generarán nuevas iteraciones. En la imagen siguiente se muestra el resultado obtenido al generar 2.077 iteraciones. Observar que el tiempo medio estimado de respuesta es de 22,9 minutos, y podemos asegurar, con un nivel de confianza del 95%, que dicho tiempo medio estará entre 22,8 y 23,0 minutos.
Finalmente, se observa también que el servidor 1 ha respuesto más rápido que el servidor 2 en el 67% de las iteraciones. Ejemplo 2: Inversión inicial y flujo de caja Consideremos ahora un nuevo problema: supongamos que disponemos de un capital inicial de 250 Euros que deseamos invertir en una pequeña empresa. Supondremos también que los flujos de caja -tanto los de entrada como los de salida- son aleatorios, siguiendo éstos una distribución normal.
Para el primer mes, el valor esperado del flujo de entrada es de 500 Euros, mientras que el valor esperado para el flujo de salida es de 400 Euros. En meses posteriores, el valor esperado será el valor obtenido para en el mes anterior. Por su parte, las desviaciones estándar valdrán, en todos los casos, un 25% del valor medio (esperado) asociado. En base a lo anterior, podemos construir un modelo como se muestra en las siguientes imágenes:
Seleccionando y “arrastrando” hacia abajo el rango G3:O3, hemos obtenido los siguientes resultados para 5.859 iteraciones:
Observamos que el valor esperado para el capital final es de unos 544 Euros, y que podemos afirmar, con un nivel de confianza del 95%, que dicho valor estará entre 528 y 560 Euros. Referencias Bibliográficas [1] Seila, A.F. (2001): Spreadsheet Simulation. Proceedings of the 2001 Winter Simulation Conference, pp. 74 – 78. [2] Savage, S.L. (1998): "Insight.xla: Business Analysis Software for Microsoft Excel". Duxbury Press. [3] Camm, J.D.; Evans, J.R. (1996): "Management Science: Modelling, Analysis and Interpretation". South – Western College Publishing. [4] Winston, W.L.; Albright, S.C. (1997): "Practical Management Science: Spreadsheet Modeling and Applications". Duxbury Press. [5] Gedam, S.G.; Beaudet, S.T. (2000): Monte Carlo Simulation using Excel Spreadsheet for Predicting Reliability of a Complex System. Proceedings Annual Reliability and Maintainability Symposium. [6] Evans, J.R. (2000): Spreadsheets as a Tool for Teaching Simulation<. Informs Transactions On Education Volume 1, Number 1. http://ite.informs.org/Vol1No1/evans/evans.html [7] Eckstein, J; Riedmueller, S.T. (2002): YASAI: Yet Another Add-in for Teaching Elementary Monte Carlo Simulation in Excel. Informs Transactions On Education. Volume 2, Number 2. http://ite.informs.org/vol2no2/EcksteinRiedmueller/ [8] Judge, G. (1999):Simple Monte Carlo studies on a spreadsheet. Computers in Higher Education Economics Review (CHEER). Volume 13, Issue 2. http://www.economics.ltsn.ac.uk/cheer/ch13_2/ch13_2p12.htm [9] Hwarng, H.B. (2001): A Modern Simulation Course for Business Students. Interfaces, 31:3, Part 1 of 2, May-June 2001, pp. 66-75. [10] Nance, R.E., Sargent, R.G. (2002): Perspectives on the Evolution of Simulation. Operations Research, Vol. 50, No. 1, January-February 2002, pp. 161-172. ENLACES [W1]
http://www.geocities.com/CollegePark/Quad/2435/index.html [W2]
http://www.palisade.com/ [W3]
http://www.crystalball.com/ [W4]
http://www.kellogg.nwu.edu/faculty/myerson/ftp/addins.htm [W6]
http://www.projectware.com.au/tutorials/Tu08.pdf [W7]
http://www.barringer1.com/MC.htm [W8]
http://random.mat.sbg.ac.at/links/index.html [W9]
http://csep1.phy.ornl.gov/mc/mc.html [W10]
http://www.geocities.com/WallStreet/9245/vba.htm [W11]
http://www.csun.edu/~vcmgt0j3/Ch12Notes.pdf [W12]
http://www.wabash.edu/depart/economic/EconExcel/home.htm |
||||||||||||||||||||
|
Financidado Secretaría de Estado de Educación y Universidades MECD |
||||||||||||||||||||
|
Técnica Administrativa, Buenos Aires, V. 5, nº 1, julio/septiembre 2005 - ISSN 1666-1680 - http://www.cyta.com.ar |
||||||||||||||||||||
