CARACTERÍSTICA DE CONVERGENCIA En donde 𝜎(𝐸(𝐹)) corresponde a
DEL MONTE CARLO desviación estándar de 𝐸(𝐹), determina por la La convergencia se define como la situación ecuación: en la cual los valores que se presentan como respuesta a una simulación o un experimento. Se 𝜎 2 (𝐹) 𝜎(𝐸(𝐹)′) = √ acercan a un valor constante definido por la 𝑁𝑀 respuesta real de tal experimento o simulación. Así mismo, el valor de 𝜎 2 (𝐹) también Como se ha presentado, el método de Monte es desconocido Carlo considera el cálculo de una estimación de la esperanza de la función de prueba, E(F), Por lo que es necesario utilizar el mediante el promedio de aquellas funciones estimador definido en la ecuación: calculadas para una cantidad determinada de períodos simulados, E(F)’. ∑𝑁𝑀 𝑗=1(𝐹(𝑋𝑗 ) − 𝐸(𝐹)′ 2 𝜎 2 (𝐹)′ = (𝑁𝑀 − 1) A. Criterio de Convergencia
La aplicación del método de Monte Carlo,
arroja un cierto número de valores los cuáles son Por otra parte, una medida de la incertidumbre igual al número de veces que se realizó el asociada al estimador de la esperanza de la función de prueba, usualmente representada experimento, para ello es necesario un análisis como una incertidumbre relativa, o coeficiente de estadístico de los estados simulados y de los variación representado por la ecuación: valores obtenidos. Para así saber cuándo la simulación ha alcanzado un valor aceptable, un √𝜎 2 (𝐸(𝐹)′) 𝛽= valor que sea real y que pueda ser de utilidad para 𝐸(𝐹)′ el usuario.
Esta incertidumbre relativa corresponde,
entonces, el cociente entre la desviación estándar del estimador de la esperanza de la función de prueba y el valor del estimador de la esperanza de la función de prueba. Finalmente, el coeficiente de variación β puede redefinirse en función del número de simulaciones de la forma que muestra la Ecuación: 2 √𝜎 (𝐹) Fig1. Proceso de Convergencia en la evaluación 𝑁𝑀 𝛽= del Método de Monte Carlo 𝐸(𝐹)′
Su precisión de la simulación de Monte Carlo es
determinada por los factores probabilísticos y el B. Reducción de Varianza número de muestras requeridas, lo que hace que La variación de la estimación de la esperanza el método sea independiente del tamaño del de la función de prueba es proporcional a la sistema, y apropiado para sistemas de gran variación de la función de prueba e inversamente escala. proporcional al número de muestras. Una buena simulación puede resultar muy La obtención de un coeficiente de variación compleja, debido al gran número de variables determinado depende de tres variables, las que son: que intervienen y requiere gran esfuerzo de computo. La varianza de la función de prueba,
En este sentido, es posible demostrar El número de muestras
que el valor de E(F) se encuentra en el rango La estimación de la esperanza de la determinado por la ecuación: función de prueba. 𝐸(𝐹)′ − 1,96 ∙ 𝜎(𝐸(𝐹)′) ≤ 𝐸(𝐹) Un menor coeficiente de variación, al ser éste ≤ 𝐸(𝐹)′ + 1,96 ∙ 𝜎(𝐸(𝐹)′) definido como un cociente, se necesita que el numerador sea relativamente pequeño o que el denominador sea relativamente grande. El inconveniente radica en que la variable del denominador es el estimador de la esperanza de la función de prueba, sobre el cual no se puede influir directamente. Esto limita a dos las posibilidades de obtención de un coeficiente de variación reducido. La más directa de estas posibilidades corresponde a incrementar el número de muestras, sin embargo, es muy costosa desde el punto de vista de los recursos computacionales y lo que se quiere es obtener resultados precisos con el menor número de muestras posibles. Sí en cualquier punto de la implementación es posible reemplazar el valor de una estimación por el valor real del parámetro estimado, esto se traduce en una reducción del error final de muestreo. Así, la reducción de varianza es una forma de hacer mejor uso de la información existente conocida. La forma que toma tal información determina el tipo de técnica de reducción de varianza que puede ser utilizada, mientras mayor sea cantidad de información existente conocida, más efectiva será la reducción de varianza. Tres métodos de reducción de varianza ampliamente aplicados en evaluación de la confiabilidad: Variables antitéticas Variables de control Muestreo por importancia de estados.
II. REFERENCIAS
[1] F. A. Imbarack Charad, «Elaboración
de una herramienta computacional para la evaluación de la confiabilidad de sistemas de transmisión electricos,» PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE, Santiago de Chile, 2006.