Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Teoria de La Simulacion
Teoria de La Simulacion
Bernal Garca, Juan Jess Martnez Mara Dolores, Soledad Mara Snchez Garca, Juan Francisco Dpto. Mtodos Cuantitativos e Informticos Universidad Politcnica de Cartagena
RESUMEN
En la Teora de Colas, en ocasiones, es preciso recurrir a la simulacin de fenmenos de espera generando valores de entrada y salida de acuerdo con los distintos modelos existentes. Para realizar dicha simulacin es posible recurrir a determinadas aplicaciones informticas especializadas en este tipo de clculos o hacer uso de aplicaciones de uso general como las hojas de clculo. En el presente trabajo probamos la idoneidad de dicha simulacin utilizando las funciones estadsticas propias de la versin 2003 de la conocida aplicacin Microsoft Excel. Adems de comprobar el funcionamiento de dichas funciones, se han programando mediante el uso de Visual Basic para Aplicaciones (VBA) aquellas otras que son necesarias para tener recogidas todas las posibilidades y que no son incorporadas por Excel, probando tambin que cumplen todos los requisitos que son exigibles para este tipo de clculos.
Juan J. Bernal Garca, Soledad M. Martnez Mara Dolores, Juan F. Snchez Garca
1. INTRODUCCIN
Junto con los resultados proporcionados por la Teora de Colas, en ocasiones, es preciso recurrir a la simulacin de fenmenos de espera generando valores de entrada y de salida de acuerdo con diferentes modelos que existen en la Teora. Para realizar dicha simulacin se pueden usar aplicaciones especficas, o bien utilizar aplicaciones de uso general como las hojas de clculo.
pseudoaleatorios: 1. Mtodo de los cuadrados medios. 2. Tcnica de mitad del producto. 3. Mtodo del multiplicador constante. 4. Mtodo congruencial. 5. Mtodo congruencial aditivo. 6. Mtodo congruencial lineal.
2.2. Validacin de los nmeros pseudoaleatorios generados Una vez que se han generado los valores pseudoaleatorios segn la distribucin uniforme se debe comprobar que efectivamente estn uniformemente distribuidos, lo que significa que son uniformes e independientes. Para probar la uniformidad se aplica la prueba de Kolmogorov-Smirnov, la prueba de la 2 y la prueba de los promedios; mientras que para probar la independencia se utiliza el test de rachas y la prueba de poker.
2
XIII Jornadas de ASEPUMA
En las figuras 1 a 4 se muestran, para un nivel de confianza del 95%, las pruebas de Kolmogorov-Smirnov, 2 , de rachas y de los promedios que se han realizado sobre 1000 valores simulados utilizando la funcin ALEATORIO() de Excel. Tras efectuar diversas tiradas aleatorias comprobamos que las pruebas resultan satisfactorias en todos los casos.
CLASE 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 TOTAL
F.R.ACUM. 0,081 0,187 0,283 0,379 0,489 0,596 0,695 0,779 0,886 1
TERICA 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
DIFERENCIA 0,019 0,013 0,017 0,021 0,011 0,004 0,005 0,021 0,014 0,000
TEST KOLMOGOROV-SMIRNOV Diferencia mxima 0,021 Estimador Kolmogorov-Smirnov D0,05;1000 0,043 NO SE RECHAZA LA HIPTESIS DE UNIFORMIDAD
Figura 1
CLASE 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 TOTAL
F. TERICA CHI CUADRADO 100 3,610 100 0,360 100 0,160 100 0,160 100 1,000 100 0,490 100 0,010 100 2,560 100 0,490 100 1,960 10,8
TEST CHI CUADRADO CHI-CUADRADO 10,800 Estimador 2 0,05;9 16,919 NO SE RECHAZA LA HIPTESIS DE UNIFORMIDAD
Figura 2
TEST DE RACHAS U 667 MEDIA 666,333 DESV.TPICA 13,321 Z 0,050 Z0,025 1,960 NO SE RECHAZA LA HIPTESIS DE UNIFORMIDAD
TEST DE LOS PROMEDIOS MEDIA 0,513 Z 1,447 Z0,025 1,960 NO SE RECHAZA LA HIPTESIS DE UNIFORMIDAD
Figura 3
Figura 4
Juan J. Bernal Garca, Soledad M. Martnez Mara Dolores, Juan F. Snchez Garca
3.
GENERACIN
DE
VARIABLES
ALEATORIAS
CON
DISTRIBUCIN NO UNIFORME
3.1. Mtodos de generacin Existen diversas tcnicas para generar variables aleatorias cuya distribucin no es uniforme. 3.1.1. Tcnica de la transformada inversa (figura 5).
Figura 5
Esta tcnica utiliza nmeros aleatorios uniformes para generar variables aleatorias con una distribucin especfica. Los pasos a seguir son: 1. Decidir la funcin de densidad f (x) que se desea para la variable a generar.
2. Calcular la funcin acumulada de probabilidad F (x ) para la variable aleatoria deseada. 3. Formular la ecuacin F ( x) = U i . 4. Resolver la ecuacin anterior, es decir, calcular F 1 (U i ) = x .
5. Generar los valores de la variable deseada. La principal limitacin de este mtodo es que la funcin de densidad de la distribucin debe ser fcilmente integrable.
Figura 6
Este mtodo se utiliza cuando las variables aleatorias no se comportan de forma continua o no tienen una distribucin conocida. Los pasos a seguir son: 1. Generar un histograma que exprese las probabilidades deseadas en las variables a generar. 2. Encontrar la probabilidad acumulada a partir del histograma. 3. Localizar algn U i en el intervalo [0,1] en el eje de ordenadas de la grfica de probabilidad acumulada. 4. Proyectar hasta el polgono de la curva de probabilidad acumulada y despus reflejar sobre el eje de coordenadas, encontrando el valor de una variable aleatoria con la distribucin deseada. Si la variable aleatoria buscada es discreta, x tomar el valor de la marca de clase correspondiente, y, si es continua, el valor se calcular mediante interpolacin lineal.
3.1.3. Mtodo polar. Esta tcnica se utiliza cuando la distribucin no es integrable en todos los intervalos, como es el caso de la distribucin normal. Su razonamiento es que al representar pares de coordenadas (Z1 , Z 2 ) normales estndar seleccionadas al azar de una tabla, se obtiene un diagrama de dispersin con correlacin aproximada de cero, es decir, los puntos representados estn distribuidos homogneamente en todos los cuadrantes.
Juan J. Bernal Garca, Soledad M. Martnez Mara Dolores, Juan F. Snchez Garca
el valor inverso de la distribucin acumulativa normal para la media y desviacin tpica especificadas, siendo la probabilidad un valor pseudoaleatorio uniformemente distribuido entre 0 y1.
La primera de las tcnicas puede suponer el problema de que existan clculos intermedios que es necesario realizar para obtener el valor final. En este caso, para cada tirada aleatoria habra que recalcular la simulacin y guardarla mediante macros en una tabla, en la cual se vera solamente el valor obtenido. Adicionalmente, en el caso de que se necesitara efectuar otra simulacin mediante la misma distribucin de probabilidades se deberan rehacer los clculos nuevamente. Por otra parte, esta posibilidad tiene como ventaja que no precisa conocimiento alguno en programacin para poder efectuarla. La segunda tcnica, que implica conocer programacin en Visual Basic para Aplicaciones (VBA), plantea la ventaja de que mediante una funcin que se aade a la hoja de clculo como cualquier otra funcin de las que trae incorporadas la propia aplicacin, puede ser llamada tantas veces como sea necesario y en tantas celdas como sea preciso simular sin ninguna limitacin. Adicionalmente, se puede proteger su contenido para que no sea visible por el usuario de forma que ste slo tenga que conocer la sintaxis de la funcin para su utilizacin. De esta forma, tambin, se evitan manipulaciones que puedan arrojar resultados incorrectos.
Juan J. Bernal Garca, Soledad M. Martnez Mara Dolores, Juan F. Snchez Garca
Figura 5
1 xi = ln U i
0 1 2 3 4 5 6 7 8 9 10 11 12 TOTAL
SIMULACIN POISSON
10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0 1 2 3 4 5 6 7 8 9 10 11 12
POISSON SIMULADA
POISSON TERICA
0 1 2 3 4 5 6 7 8 9 10 11 12 TOTALES
FRECUENCIA TERICA 1208 4228 7398 8631 7552 5287 3084 1542 675 262 92 29 9 40000
F.REL.SIM. ACUMULADA 0,02800 0,13450 0,31743 0,53498 0,72368 0,85670 0,93345 0,97310 0,99073 0,99705 0,99893 0,99980 1,00000
F.REL.TER. ACUMULADA 0,03020 0,13589 0,32085 0,53663 0,72544 0,85761 0,93471 0,97326 0,99013 0,99669 0,99898 0,99971 0,99992
DIFERENCIA F.REL.ACUM. 0,00220 0,00139 0,00342 0,00166 0,00177 0,00091 0,00126 0,00016 0,00060 0,00036 0,00006 0,00009 0,00008
CLCULOS 2 6,41060 0,24219 0,88686 0,58406 0,00212 0,21865 0,06355 1,25551 1,33333 0,30916 3,14130 1,24138 0,11111
TEST CHI CUADRADO 0,003 CHI-CUADRADO Estimador 2 0,007 0,05;12 NO SE RECHAZA LA HIPTESIS
15,800 21,026
Figura 6
XIII Jornadas de ASEPUMA
Juan J. Bernal Garca, Soledad M. Martnez Mara Dolores, Juan F. Snchez Garca
4.7.1. Inversa de la distribucin de Poisson Para comprobar la validez de los mtodos de simulacin de la funcin Poisson, se han realizado 40.000 tiradas aleatorias para cada uno de los mtodos analizados (figura 6), y a continuacin se han aplicado las pruebas de Kolmogorov-Smirnov y de la 2. Se puede observar, en dicha figura, que no existe razn para rechazar la hiptesis de que la frecuencia terica y la frecuencia simulada pertenecen a la misma distribucin.
4.7.2. Inversa de la distribucin exponencial Dado el mtodo de clculo de la simulacin para la distribucin exponencial, mediante la transformada inversa, no existe ninguna posibilidad de error, siempre y cuando la generacin de nmeros aleatorios se corresponda efectivamente con una distribucin uniforme, y es conveniente recordar que la generacin de nmeros pseudoaleatorios utilizando la funcin propia de la hoja de clculo cumpla todos los requisitos exigibles. Como era previsible, tampoco existen diferencias entre las frecuencias simuladas y las frecuencias tericas.
4.7.3. Inversa de la distribucin Erlang No existen diferencias entre las frecuencias simuladas y las frecuencias tericas, lo que revela que dicha funcin es vlida para realizar la simulacin de valores de acuerdo con una distribucin gamma (y por extensin con una distribucin Erlang), por lo que no se necesita recurrir a la programacin de ninguno de los algoritmos relacionados en el apartado 4.5.
5. CONCLUSIONES
Podemos comprobar que la hoja de clculo Microsoft Excel, siendo una herramienta de tipo ofimtico, se revela como una aplicacin que permite la simulacin de todo tipo de distribuciones estadsticas. En particular, es posible efectuar la simulacin de las funciones de distribucin propias de la Teora de Colas, cumpliendo los parmetros obligados de rigor que se debe exigir a este tipo de clculos. Adems, la utilizacin de su editor de Visual Basic para Aplicaciones (VBA) permite dotarla de aquellas distribuciones de las que carece, utilizando para ello una programacin orientada a objetos.
10
XIII Jornadas de ASEPUMA
6. REFERENCIAS BIBLIOGRFICAS
lvarez Madrigal, M. (1997). Curso virtual de Investigacin de Operaciones. Instituto Tecnolgico y de Estudios Superiores de Monterrey. Campus Estado de Mxico. http://webdia.cem.itesm.mx/ac/alvarez/acceso.html Bernal Garca, J. J. (1990). Simulacin de un modelo real de circulacin de documentos administrativos. Tesis doctoral. Universidad de Murcia. Cheng R. C. H. (1978). Generating beta variates with non-integral shape parameters, Communications of the Association for Computing Machinery, 21, 317-322. Coss Bu, R. (1982). Simulacin. Un enfoque prctico. Limusa, Mxico D.F. Escudero, L. F. (1973). La simulacin en la empresa. Ediciones Deusto, Bilbao. Fishman, G. S. (1976). Sampling from the gamma distribution on a computer, Communications of the Association for Computing Machinery, 19, 407-409. Fishman, G. S. (1978). Principles of Discrete Event Simulation. John Wiley & Sons, New York. Jhnk, M. D. (1964). Erzeugung von Betraverteilten y Gammaverteilten Zuffalszahlen, Metrika, 8, 5-15. Rubinstein, R. Y. (1981). Simulation and the Monte Carlo Method. John Wiley & Sons, New York. Tadikamalla, P. R. (1978). Computer generation of gamma random variables, Communications of the Association for Computing Machinery, 21, 419-422. Tadikamalla, P. R. (1978). Computer generation of gamma random variables II, Communications of the Association for Computing Machinery, 21, 925-928. Wallace, N.D. (1974). Computer generation of gamma random variables with nonintegral shape parameters, Communications of the Association for Computing Machinery, 17, 691-695.
11