Aplicacin de la simulacin con hoja de clculo a la Teora de Colas

APLICACIN DE LA SIMULACIN CON HOJA DE CLCULO A LA TEORA DE COLAS

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.

XIII Jornadas de ASEPUMA

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.

2. GENERACIN DE NMEROS PSEUDOALEATORIOS

2.1. Mtodos de generacin de nmeros pseudoaleatorios Se necesita en primer lugar un procedimiento que genere valores aleatorios uniformemente distribuidos entre 0 y 1. A tal fin, la hoja de clculo dispone de una funcin que recibe el nombre de ALEATORIO(). Realmente, los nmeros generados no son nmeros aleatorios, sino pseudoaleatorios pues no son debidos realmente al azar, sino que proceden de clculos matemticos que tratan de imitar dicho azar. Existen otros mtodos comnmente utilizados en la literatura (lvarez Madrigal, Coss, Escudero y Rubinstein), que tambin sirven para generar valores

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

Aplicacin de la simulacin con hoja de clculo a la Teora de Colas

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

FRECUENCIA 81 106 96 96 110 107 99 84 107 114 1000

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

FRECUENCIA 81 106 96 96 110 107 99 84 107 114 1000

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

XIII Jornadas de ASEPUMA

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.

XIII Jornadas de ASEPUMA

Aplicacin de la simulacin con hoja de clculo a la Teora de Colas

3.1.2. Tcnica grfica de la transformada inversa (figura 6).

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.

XIII Jornadas de ASEPUMA

Juan J. Bernal Garca, Soledad M. Martnez Mara Dolores, Juan F. Snchez Garca

3.2. Validacin de los valores generados

Para validar los valores simulados de una variable se utilizan la prueba de la 2 y la prueba de Kolmogorov-Smirnov con datos agrupados.

4. SIMULACIN MEDIANTE HOJA DE CLCULO

4.1. Funciones estadsticas: Distribuciones probabilsticas
Hasta hace algunos aos las funciones de tipo estadstico que incorporaban las distintas aplicaciones de hoja de clculo eran muy limitadas, obligando al usuario a programar aquellas funciones que necesitaba (Bernal Garca), o bien era preciso adquirir programas complementarios como @RISK, Analyze-It, Crystal Ball y otros, que incorporan funciones adicionales a la hoja de clculo. As, en la ltima versin de la hoja de clculo Excel aparece una amplia serie de funciones estadsticas relacionadas con las distribuciones probabilsticas. Con todas estas funciones se pueden realizar simulaciones basadas en las distribuciones beta, F, gamma, logartmico-normal, normal y t de Student, ya que para todas ellas existen funciones inversas, las cuales a partir de la probabilidad acumulada y de los parmetros propios de cada distribucin devuelven el valor que hace que se obtenga dicha probabilidad. El procedimiento para ello consiste en generar nmeros aleatorios de acuerdo con la distribucin uniforme y a partir de dicho valor (que siempre ser mayor o igual que cero y menor que 1) aplicar la correspondiente funcin inversa para obtener el valor al que le corresponde la probabilidad obtenida aleatoriamente1.

4.2. Construccin de funciones en Excel mediante VBA

Dado que en determinadas simulaciones las variables a simular no siguen ninguna de las distribuciones que incorporan las aplicaciones de hoja de clculo, se debe proceder a su simulacin. Bsicamente, existen dos posibilidades: Realizacin manual de los clculos necesarios en la propia hoja de clculo.

Por ejemplo, la funcin DISTR.NORM.INV(probabilidad, media, desviacin tpica) devuelve

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.

XIII Jornadas de ASEPUMA

Aplicacin de la simulacin con hoja de clculo a la Teora de Colas

Programacin de la funcin adecuada mediante VBA.

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.

4.3. Simulacin de la inversa de la distribucin de Poisson

Para poder determinar el nmero de llegadas que ocurren en una unidad de tiempo se necesitara una funcin, que a partir de la probabilidad simulada mediante la distribucin uniforme y, a partir de la tasa media de llegadas calcule el valor correspondiente al nmero de llegadas que se han producido. La complicacin principal consiste en que al tratarse de una funcin discreta los valores deben ser nmeros enteros. Dicha funcin no existe como tal en las aplicaciones de hoja de clculo, por lo que se debe recurrir a tcnicas de simulacin para su clculo, y al ser una funcin no integrable no se puede utilizar la tcnica de la transformada inversa. En la literatura existen diversas opciones, de las cuales se ha seleccionado la propuesta por Escudero, que ha sido incorporada siguiendo el organigrama siguiente:

XIII Jornadas de ASEPUMA

Juan J. Bernal Garca, Soledad M. Martnez Mara Dolores, Juan F. Snchez Garca

Figura 5

4.4. Simulacin de la inversa de la distribucin exponencial

En este caso el proceso es mucho ms sencillo ya que esta funcin no es discreta y adems es fcil obtener el valor buscado a partir de la expresin de su funcin de distribucin, utilizando la tcnica de la transformada inversa:

1 xi = ln U i

4.5. Simulacin de la inversa de la distribucin de Erlang

Esta funcin s se encuentra disponible entre las funciones que incorpora la mayora de las aplicaciones de hoja de clculo. En el caso concreto de Microsoftr Excel, existe la funcin DISTR.GAMMA.INV (probabilidad; alfa; beta), donde alfa y beta son los parmetros de la distribucin. En este punto, se ha de recordar que la distribucin de Erlang es un caso particular de la distribucin gamma, siendo alfa un nmero entero positivo (que en la distribucin de Erlang recibe el nombre de parmetro k). Pese al hecho de que ya se dispone de dicha funcin, tambin se podra construir a partir de los mtodos propuestos por Rubinstein, Jhnk, Wallace, Fishman, Cheng y Tadikamalla.

XIII Jornadas de ASEPUMA

Aplicacin de la simulacin con hoja de clculo a la Teora de Colas

4.6. Simulacin de distribuciones no conocidas

En mltiples estudios puede ocurrir que los valores observados no se corresponden con ninguna funcin de distribucin conocida. Este hecho no debe impedir el efectuar la simulacin requerida para el estudio del sistema en el que se han producido esas observaciones. Para efectuar este tipo de clculos ya no se puede utilizar ninguna funcin estadstica propia de la hoja de clculo, ni tan siquiera una funcin programada mediante VBA puesto que la cantidad de parmetros que se necesitara es desconocida, ya que variara de unos sistemas a otros. Se debe poder generar valores de acuerdo con la distribucin de frecuencias observadas, para lo cual se recurre a la tcnica grfica de la transformada inversa.

4.7. Contraste de los valores simulados

Una vez que se han analizado los procedimientos para simular valores para las distribuciones de frecuencias que se necesitan, se deben validar sus resultados.
SIMULACIN POISSON INVERSA Mtodo: Laureano F. Escudero lambda = 3,5 FRECUENCIA 1120 4260 7317 8702 7548 5321 3070 1586 705 253 75 35 8 40000 FRECUENCIA SIMULADA 1120 4260 7317 8702 7548 5321 3070 1586 705 253 75 35 8 40000

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 KOLMOGOROV-SMIRNOV Diferencia mxima Estimador Kolmogorov-Smirnov D0,05;40000 NO SE RECHAZA LA HIPTESIS

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

Aplicacin de la simulacin con hoja de clculo a la Teora de Colas

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.

XIII Jornadas de ASEPUMA

11