Tcnicas de simulacin mediante el

mtodo de Montecarlo

Qu es la simulacin?
Proceso de simulacin
Simulacin de eventos discretos
Nmeros aleatorios
Anlisis estadstico del resultado

224

Qu es la simulacin?

Simulacin = tcnica que imita el comportamiento de un

sistema del mundo real cuando evoluciona en el tiempo.
Modelo de simulacin = conjunto de hiptesis acerca del
funcionamiento del sistema expresado como relaciones
matemticas y/o lgicas entre los elementos del sistema.
Proceso de simulacin: ejecucin del modelo a travs del
tiempo en un ordenador para generar muestras
representativas del comportamiento del sistema.
Es una tcnica para estimar la bondad de un modelo. NO
ES UNA TCNICA DE OPTIMIZACIN.

225

Qu es la simulacin?

Se basa en un muestreo aleatorio: la salida

de la simulacin est sujeta a variaciones
aleatorias y debe ser examinada utilizando
pruebas de inferencia estadstica.
Un sistema es una coleccin de elementos
que actan e interactan para lograr algn fin
lgico.
El estado de un sistema es el conjunto de
variables necesarias para describir el estado
del sistema en un momento dado.
226

Tipos de simulacin

Un modelo de simulacin esttica (simulacin de

Monte Carlo) es una representacin de un sistema
en un instante de tiempo determinado.
Una simulacin dinmica es una representacin de
un sistema cuando evoluciona con el tiempo.
Un modelo de simulacin determinista no contiene
variables aleatorias.
Un modelo de simulacin estocstica contiene una o
ms variables aleatorias.

227

Tipos de simulacin

Modelos continuos: su comportamiento

cambia continuamente con el tiempo. Se
suelen representar mediante ecuaciones
diferenciales que describen las interacciones
entre los elementos del sistema
Modelos discretos: su comportamiento
cambia solo en instantesconcretos de tiempo:
eventos.

228

Proceso de simulacin

Enunciado explcito de los objetivos que se persiguen: preguntas que

se han de contestar, hiptesis que se quiere probar, posibilidades a
considerar.
Creacin del modelo y reunin de datos
Disear un programa de ordenador para el modelo
Verificar el programa
Validar el modelo
Utilizar el modelo para experimentar y contestar a las preguntas
iniciales.
Reunir, procesar y analizar los datos generados como soluciones del
modelo y en trminos de validez y confiabilidad estadstica.

229

Elementos de una simulacin

Salidas: objetivos del estudio expresadas mediante valores numricos.

Entradas: valores numricos que permiten iniciar la simulacin y
obtener las salidas:
Condiciones iniciales: valores que expresan el estado del sistema al
principio de la simulacin
Datos determinsticos: valores conocidos necesarios para realizar los
clculos que producen las salidas
Datos probabilsticos: cantidades cuyos valores son inciertos pero
necesarios para obtener las salidas de la simulacin. Los valores
especficos de estos datos deben conocerse a travs de una
distribucin de probabilidad.

230

Simulacin de eventos
discretos

Todas las simulaciones de eventos discretos

describen situaciones de colas.
Cualquier modelo de eventos discretos est formado
por una red de colas interrelacionadas.
Los dos principales eventos son la llegada y la
salida.
Si el intervalo de tiempo entre dos eventos
consecutivos es probabilstico surge la aleatoriedad.

231

Nmeros aleatorios

Mtodos para generar una muestra aleatoria a partir de una

distribucin de probabilidad f(t) a partir de nmeros aleatorios
uniformemente distribuidos en (0,1)

Mtodo de la inversa: si f es la funcin de densidad de la distribucin se

determina F(x)=P[yx] que es una funcin creciente con valores en [0,1]. Si
R es un valor aleatorio obtenido de la distribucin uniforme en (0,1),
x=F -1 (R) es el valor deseado.
Mtodo de convolucin: la idea fundamental es expresar la muestra
deseada como la suma estadstica de otras variables aleatorias fciles de
muestrear.
Mtodo de aceptacin-rechazo: se reemplaza la funcin de densidad f
difcil de tratar analticamente por una aproximacin ms simple h.

232

Nmeros aleatorios

Mtodo de aceptacin-rechazo: se reemplaza la funcin de

densidad f difcil de tratar analticamente por una aproximacin
ms simple h.
Funcin mayorante: g tal que f(x) g(x) para todo x
g ( x)
h x
Funcin aproximada: h tal que
g ( y)dy
El mtodo consiste:
Obtener una muestra x=x1 a partir de h con el mtodo de la
inversa o de la convolucin
Obtener un nmero aleatorio R en (0,1)
Si R f ( x1 )
se acepta x1 como muestra de f, si no, se
g ( x1 )

rechaza x1 y se vuelve al paso 1.

La eficiencia del mtodo depende de lo bien que se ajuste g
a f mientras se consiguen h analticamente manejables.
233

Generacin de nmeros
aleatorios

Para generar nmeros aleatorios en un ordenador

para su uso en simulacin se utilizan operaciones
aritmticas: nmeros pseudoaleatorios.
Mtodo de la congruencia mixta: dados los
parmetros x0 (semilla), a, c y m un nmero
pseudoaleatorio Rn se genera:
X

(axi c) mod(m),i 1,2,..

i 1

R
i

x , i 1,2,...
i

Una seleccin adecuada de x0 , a, c y m puede hacer

que los nmeros seudoaleatorios cumplan con las
propiedades estadsticas de los nmeros aleatorios
234

Ejemplo nmeros aleatorios

El generador congruencial lineal es por mucho el que ms se nmeros

aleatorios. Por ejemplo se Xo=35,a=13,c=65 y m=100
X1=[13*35+65] mdulo 100
X1=[520] mdulo 100
X1= 20
Entre 0 y 1

R
1

20
100

0,20

X2=[13*20+65] mdulo 100

X2=[325] mdulo 100
X2= 25
Entre 0 y 1

R
2

25
100

0,25

235

Anlisis estadstico del

resultado

Una sola simulacin proporciona slo un valor de

entre muchos posibles del resultado, que puede ser
distinto en cada simulacin.
Cuntas simulaciones son necesarias para lograr
un nivel deseado de confianza en el resultado?
Si el resultado es la media de los valores de
salida
Si el resultado es una proporcin o probabilidad
Las tcnicas de inferencia estadstica proporcionan
respuesta a estas preguntas. Estas tcnicas tambin
se deben tener en cuenta a la hora de reunir los
datos que sirven como entradas.
236

Anlisis estadstico del

resultado

La confianza en el resultado se expresa como la

probabilidad de que el valor real est en un intervalo
centrado en el valor estimado (intervalo de
confianza).
La determinacin de los intervalos de confianza en
simulacin es complicado porque:
Las salidas no suelen ser independientes.
Las condiciones iniciales pueden influir en los
resultados.

237

Anlisis estadstico del

resultado

Creacin de un intervalo de confianza para la media

verdadera de un resultado de salida.

P [ x e x e ] 1

Elegido un valor de a el intervalo de confianza

asociado es

x t

( n 1), / 2

s
n

donde n= tamao de la muestra, x = media de la

muestra, s =desviacin estndar de la muestra, t (n1), a/2 = valor de la distribucin t con n-1 grados de
libertad de modo que P(T t (n-1), a/2 ) = a/2
238

Anlisis estadstico del

resultado

Creacin de un intervalo de confianza para una

proporcin

P [p e P p+e ]=1 -

Elegido un valor de el intervalo de confianza

asociado es

p [ z *
/2

p(1 p)
n

donde n= tamao de la muestra, p= proporcin de la

muestra, z /2 = valor de la distribucin normal
estndar de modo que P(Z z /2 ) =/2
239

Ejercicio de Simulacin Mtodo de Montecarlo

Considere una bodega con un anden para descargar vagones Los

vagones de carga llegan a la bodega durante la noche, se requiere
exactamente medio da para descargar un vagn. Si hay ms de dos
vagones en espera de descarga, se pospone la descarga de algunos para el
da siguiente.
El nmero de vagones tiene la siguiente frecuencia:
Nmero de vagones que llegan

Frecuencia relativa

0,15

0,25

0,32

0,20

0,05

0,02

0,01

240

Ejercicio de Simulacin Mtodo de Montecarlo

Simular el proceso de colas a travs de un proceso aleatorizado de

montecarlo usando una tabla de nmeros aleatorios.
La alternativa de descargar 2 vagones es de US$ 1000 y el costo de
posponer un vagn para el da siguiente es US$10.
Considere que una segunda alternativa es descargar 3 vagones diarios, si el
costo por descargar un vagn ms es de US$ 500 mensuales es decir el
costo por descargar 3 vagones es de US$ 1500 mensuales y el costo de
posponer un vagn para el da siguiente es de US$10 , que alternativa
representa un menor costo.

241

Ejercicio de Simulacin Mtodo de Montecarlo

Nmero de Da Nmero aleatorio
x
86
x
12
x
42
1
29
2
36
3
1
4
41
5
54
6
68
7
21
8
53
9
91
10
48
11
36
12
55
13
70
14
38
15
36
16
98
17
50
18
95
19
92
20
67
21
24
22
76
23
64
24
2
25
53
26
16
27
16
28
55
29
54
30
23

242

Ejercicio de Simulacin Mtodo de Montecarlo

Nmero de Llegadas
Nmero de Da
x
x
x
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Nmero aleatorio
86
12
42
29
36
1
41
54
68
21
53
91
48
36
55
70
38
36
98
50
95
92
67
24
76
64
2
53
16
16
55
54
23

3
0
2
1
1
0
2
2
2
1
2
3
2
1
2
2
1
1
5
2
4
4
2
1
3
2
0
2
1
1
2
2
1

nmero total para descargar

numero de vagones numero demorado
descargar
descargados
hasta el dia siguiente
3
2
1
1
2
2
1
1
1
1
0
0
2
2
2
2
2
2
1
1
2
2
3
2
3
2
2
2
2
2
2
2
1
1
1
1
5
2
5
2
7
2
9
2
9
2
8
2
9
2
9
2
7
2
7
2
6
2
5
2
5
2
5
2
4
2

1
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
3
3
5
7
7
6
7
7
5
5
4
3
3
3
2

40
72

243
1000

720

1720

Ejercicio de Simulacin Mtodo de Montecarlo

Nmero de Llegadasnmero total para descargar
numero de vagonesnumero demorado
Nmero de Da
Nmero aleatorio
descargar
descargados
hasta el dia siguiente
x
86
3
3
3
0
x
12
0
0
0
0
x
42
2
2
2
0
1
29
1
1
1
0
2
36
1
1
1
0
3
1
0
0
0
0
4
41
2
2
2
0
5
54
2
2
2
0
6
68
2
2
2
0
7
21
1
1
1
0
8
53
2
2
2
0
9
91
3
3
3
0
10
48
2
2
2
0
11
36
1
1
2
0
12
55
2
2
2
0
13
70
2
2
2
0
14
38
1
1
1
0
15
36
1
1
1
0
16
98
5
5
3
2
17
50
2
4
3
1
18
95
4
5
3
2
19
92
4
6
3
3
20
67
2
5
3
2
21
24
1
3
3
0
22
76
3
3
3
0
23
64
2
1
3
0
24
2
0
0
0
0
25
53
2
2
2
0
26
16
1
1
1
0
27
16
1
1
1
0
28
55
2
2
2
0
29
54
2
2
2
0
30
23
1
1
1
0
40
10
1500

100

1600

La alternativa que representa un menor costo mensual es descargar 3 vagones US$ 1.600
La alternativa de dos vagones US$ 1.720

244

Ejercicio de Simulacin Mtodo de Montecarlo

Simulacin y control de inventarios

La simulacin no slo se aplica a procesos de colas: se han

simulado muchas fases de las operaciones empresariales con
buenos resultados. Ilustraremos a continuacin, con un ejemplo
breve, cmo se aplica la simulacin a la resolucin de un
problema de inventarios.

Ejemplo 2
Suponga que la demanda semanal de un producto tiene la
distribucin que se muestra en la tabla 1.
Cuando se formula un pedido para reabastecer el inventario, esto
se hace cuando el inventario final alcance 5 unidades como
mnimo, hay una demora de entrega, la cual es una variable
aleatoria como se muestra en la tabla 2
Determine las ventas perdidas

245

Ejercicio de Simulacin Mtodo de Montecarlo

Tabla 1

Distribucin de probabilidad para la demanda semanal

Cantidad
demandada
0
1
2
3

Tabla 2

Probabilidad
0.10
0.40
0.30
0.20
---1.00

Nmeros
aleatorios
asignados
00 a 09
10 a 49
50 a 79
80 a 99

Distribucin de probabilidad para la demora de entrega

Nmero de
semanas desde
Nmeros
el pedido hasta
aleatorios
la entrega
Probabilidad asignados
2
0.20
00 a 19
3
0.60
20 a 79
4
0.20
80 a 99
--------1.00

246

Ejercicio de Simulacin Mtodo de Montecarlo

Tabla 3

Ejemplo de simulacin de inventarios

Nmero
Nmero de
Ventas
Ventas
aleatorio semanas para
Nmero Recep- Inventario Nmero (uni- Inventario perdidas.
para
que llegue
de semana ciones
inicial aleatorio dades)
final
(escasez) Pedidos pedidos
el pedido
x
10
37
1
9
x
9
51
2
7
x
7
68
2
5
15
45
3
x
5
83
3
2
x
2
56
2
0
0
15
15
11
1
14
1
14
91
3
11
2
11
99
3
8
3
8
57
2
6
4
6
28
1
5
15
61
3
5
5
70
2
3
6
3
33
1
2
7
15
17
91
3
14
8
14
67
2
12
9
12
97
3
9
10
9
61
2
7
11
7
11
1
6
12
6
50
2
4
15
86
4
13
4
25
1
3
14
3
06
O
3
15
3
60
2
1
16
15
16
80
3
13
17
13
19
1
12
18
12
88
3
9
19
9
25
1
8
20
8
24
1
7
21
7
68
2
5
15
37
3
22
5
78
2
3
23
3
37
1
2
24
15
17
04
0
17
25
17
32
1
16
26
16
75
2
14
27
14
21
1
13
28
13
47
1
12
29
12
40
1
11
30
11
71
2
9
31
9
85
3
6
32
6
88
3
3
15
15
2
33
3
24
1
2
34
15
17
61
2
15
35
15
19
1
14
36
14
90
3
11

247

Ejercicio de Simulacin Mtodo de Montecarlo

Tabla 3

Nmero
de
semana

37
38
39
40
Totales
Promedio

Recepciones Inventario Nmero

Ventas
Inventario
Inicial
Aleatorio (UNIDADES)
Final

11
10
9
8
412
10.3

24
16
32
72

1
1
1
2

Ventas
Pedidos
Perdidas
(escasez)

Nmero Nmero
Aleatorio
de
para
semanas
Pedidos para que
llegue el
pedido

10
9
8
6
0

248

CADENAS DE MARKOV
El anlisis de Markov tuvo su origen en los estudios de
A.A.Markov(1906-1907) sobre la secuencia de los experimentos
conectados en cadena y los intentos de descubrir
matemticamente los fenmenos fsicos conocidos como
movimiento browiano. La teora general de los procesos de
Markov se desarrollo en las dcadas de 1930 y 1940 por
A.N.Kolmagoron, W.Feller, W.Doeblin, P.Levy, J.L.Doob y otros.
El anlisis de Markov es una forma de analizar el movimiento
actual de alguna variable, a fin de pronosticar un movimiento
futuro de la misma.

249

CADENAS DE MARKOV
Una cadena de markov es una serie de eventos, en la cual la
probabilidad de que ocurra un evento depende del evento
inmediatamente anterior. En efecto, las cadenas de este tipo
tienen memoria. Recuerdan el ltimo evento y esto condiciona
las posibilidades de los eventos futuros. Esta dependencia del
evento anterior distingue a las cadenas de Markov de las series
de eventos independientes, como tirar una moneda al aire o un
dado.
Las cadenas de Markov se han utilizado para analizar los
patrones de compra de los deudores morosos, para planear
necesidades del personal, analizar el reemplazo de equipos y
otros.

250

CADENAS DE MARKOV
El comportamiento de cambio de marca de los consumidores ha sido
modelado como una cadena de Markov, para ayudar a desarrollar las
estrategias de mercadotecnia. A manera de ejemplo, observemos el
comportamiento de cambio de marca descrito en la tabla para una
muestra de 250 consumidores de un producto.
Tabla : Nmero de consumidores que cambian la marca i en la semana 6
por la marca j en la semana 7
Marca

en la

Semana 7

Marca
semana 6

Total

72

80

12

102

120

42

50

Total

86

112

52

250

CADENAS DE MARKOV

El primer rengln indica que, de 80 personas que compraron la

marca 1 en la semana 6, 72 volvieron a adquirirla en la
semana7, 4 prefirieron la marca 2 y 4 la marca 3.
Sin embargo, ntese que 12 personas cambiaron la marca 2
por la marca 1, 2 personas cambiaron la marca 3 por la marca
1.
As pues, para la marca 1, la perdida de 8 clientes se compens
con creces por la conquista de 14 clientes.
Entre la sexta y la sptima semanas, la marca 1 aument su
participacin en el mercado de 32% (80/250) a 34,4 %
(86/250).

CADENAS DE MARKOV
La siguiente tabla nos muestra la matriz de transicin final.
A

72/80=0.90

4/80=0.05

4/80=0.05

12/120=0.10

102/120=0.85

6/120=0,05

2/50=0,04

6/50=0,12

42/50=0.84

CADENAS DE MARKOV
la matriz P es una estimacin de la matriz verdadera, pues solamente
representa el comportamiento de una muestra de 250 consumidores,
durante un perodo de dos semanas. Los elementos p11, p22 y p33 de la
matriz P son medidas del poder de retencin de las tres marcas; los
restantes elementos pij reflejan el poder de atraccin de la marca
j,suponiendo que la compra anterior haya sido a favor de la marca i. Los
elementos de cada fila reflejan la probabilidad de que una marca retenga a
sus clientes o los pierda frente a otras marcas. Los elementos de cada
columna resumen la probabilidad de que una marca retenga a sus clientes
o conquiste a otros a costa de cada marca de la competencia.
Supongamos que la participacin en los mercados que tienen las tres
marcas del ejemplo son 30%, 38% y 32%, respectivamente, durante la
sptima semana. Si la matriz de transicin P (muestral), se considera una
buena estimacin de la verdadera matriz de transicin (poblacional), es
posible predecir las participaciones de mercado esperadas en la octava
semana por medio de la multiplicacin de matrices.

CADENAS DE MARKOV
X8=x7*P
X8= (0,30 0,38,0,32) *

0,90 0,05 0,05

0,10 0,85 0,05
0,05 0,12 0,84

=(0,3208 03764 0,3028)

Las participaciones en el mercado predichas durante la octava semana son
32,08%, 37,64% y 30,28%, respectivamente para las tres marcas.
Generalizando, podemos decir que si un proceso de Markov donde el
sistema puede encontrarse en cualquiera de m estados posibles, las
probabilidades pueden escribirse por medio del vector X = (x1 x2 . . . xm)
donde xj representa la probabilidad de que el sistema se halle en el estado
j. En los estados actuales de un proceso de Markov Xk, los estados despus
del siguiente experimento (transicin) pueden calcularse mediante la
multiplicacin de matrices
.

CADENAS DE MARKOV
Xk+1=Xk*P
En base a la ecuacin anterior podemos afirmar que :
X1=X0*P
X2=X1*P=(X0P)P=X0P2
X3=X0P3
Generalizando
Xn=X0Pn

CADENAS DE MARKOV
Esto es, el vector de estado, que describe el sistema despus de n
transiciones (o experimentos) es el producto del vector inicial de estado y la
potencia ensima de la matriz de transicin P.
En el ejemplo, si se desea predecir las participaciones de mercado durante
la dcima semana, calculamos X10 = X7 P3, ya que en este caso X0
corresponde al vector X7.
X8= (0,30 0,38,0,32) *

0,748230 0,131065 0,120705

0,236230 0,643065 0,120705
0,122464 0,263792 0,61744

=(0,35342488 0,36809764 0,27847748

CADENAS DE MARKOV
A fin de ilustrar el proceso de Markov presentamos un problema
en el que los estados de resultados de actividades son marcas,
y las probabilidades de transicin expresan la probabilidad de
que los consumidores vayan de una marca a otra. Supongamos
que la muestra inicial de consumidores se compone de 1 000
participantes distribuidos entre cuatro marcas(A, B, C, D). Una
suposicin adicional es que la muestra representa a todo el
grupo.

258

CADENAS DE MARKOV
En la siguiente tabla la mayor parte de los clientes que
compraron inicialmente la marca A, siguieron con ella en el
segundo periodo. No obstante la marca A gan 50 clientes y
perdi 45 con otras marcas.
Marca

Periodo 1

Ganancias

Perdidas

Numero de
Clientes

Periodo 2
Numero de Clientes

220

50

45

225

300

60

70

290

230

25

25

230

250

40

35

255

1 000

175

175

1 000

259

CADENAS DE MARKOV
Esta tabla no muestra la historia completa, sino que necesita un
anlisis detallado con respecto a la proporcin de ganancias y
prdidas netas entre las cuatro marcas. Es necesario calcular las
probabilidades de transicin para las cuatro marcas. Las
probabilidades de transicin se definen como la probabilidad de
que determinada marca, conserve sus clientes. Para determinar
lo anterior dividimos se divide el numero de clientes retenidos
entre en nmero de clientes en el periodo inicial, por ejemplo
para la marca A (220- 45=175) se divide 175/220 lo que nos da
0.796, al igual para las otras marcas, obteniendo
0.767(B),0.891(C),0.860(D).

260

CADENAS DE MARKOV
Para aquellos clientes que cambiaron de marcas , es necesario
mostrar las perdidas y ganancias entre las marcas a fin de
completar las matriz de probabilidades de transicin. De
acuerdo con los datos desarrollados, el paso siguiente consiste
en convertir el cambio de marcas de los clientes de modo que
todas las prdidas y ganancias tomen forma de probabilidades
de transicin, obteniendo la matriz de probabilidad de
transicin.

261

CADENAS DE MARKOV
La siguiente tabla nos muestra la matriz de transicin final.
A

175/220=0.796

40/300=0.133

0/230=0

10/250=0.040

20/220=0.091

230/300=0.767

25/230=0.109

15/250=0.060

10/220=0.046

5/300=0.017

205/230=0.891

10/250=0.040

15/220=0.067

25/300=0.083

0/230=0

215/250=0.860

262

CADENAS DE MARKOV
La lectura de esta informacin sera la siguiente:
La marca A retiene 0.796 de sus clientes, mientras que gana
0.133 de los clientes de B, 0.40 de los clientes de D y 0 de los
clientes de C.
La administracin de mercadotecnia puede tener un gran
ventaja de toda esta informacin que nos pueda arrojar el
desarrollo de tcnicas como estas, ayudando a la promocin de
algunos productos que los necesiten para tener una mejor
aceptacin entre los consumidores.

263

EJERCICIO CADENAS DE MARKOV

Suponga que toda la industria de refresco produce dos colas: Coca Cola y Pepsi
Cola. Cuando una persona ha comprado Coca Cola hay una probabilidad de 90% de que siga
comprndola la vez siguiente. Si una persona compr Pepsi, hay 80% de que repita la vez
siguiente. Se pide:
a)Si una persona actualmente es comprador de Pepsi. Cul es la probabilidad de
que compre Coca Cola pasadas dos compras a partir de hoy?

b)Si en la actualidad una persona es comprador de Coca Cola. Cul es la

probabilidad de que compre Coca Cola pasadas tres compras a partir de ahora?
c)Supongamos que el 60% de toda la gente toma hoy Coca Cola y el 40% Pepsi. A
tres compras a partir de ahora, Qu fraccin de los compradores estar tomando
Coca Cola.
d)Determinar el estado estable.

264

EJERCICIOS CADENAS DE MARKOV

SOLUCIN: La situacin se puede modelar como una cadena de
Markov con dos estados {Coca-Cola, Pepsi-Cola}= {C,P}
La matriz de transicin para el orden C,P, es:
P=

a.-

0,9
0,2

P2=

0,1
0,8
0,83 0,17
0,34 0,66

R: 34 %
265

EJERCICIOS CADENAS DE MARKOV

P=

b.-

0,9
0,2

P3=

0,1
0,8
0,781 0,219
0,438 0,562

R: 78,1 %

266

EJERCICIOS CADENAS DE MARKOV

P=

c.-

0,9
0,2

0,1
0,8

P3= (0,6;0,4)

0,781 0,219
0,438 0,562

C = 0,6438 ;0,3562
R: 64,38 %

267

EJERCICIOS CADENAS DE MARKOV

P=

0,9
0,2

0,1
0,8

d.- Estado estable

0,9 0,1
(x,y)*
0,2
0,8

=x,y

x+y=1

R:
+0,9x+0,2y=x
+0,1x+0,8y=y
-0,1x+0,2y=0
+0,1x-0,2y=0
x+y=1
X=0,66
Y=0,33

268

Simulaciones con variables Aleatorias continuas

Los ejemplos de simulacin presentados hasta aqu utilizan

slo distribuciones de probabilidad discretas para las
variables aleatorias. Sin embargo, en muchas es nada mas
real y prctico usar variables aleatorias continuas. En esta
seccin, se presentan y analizan varios procedimientos para
generar variables aleatorias a partir de distribuciones
continuas. En esta seccin se presentan y analizan varios
procedimientos para generar variables aleatorias a partir de
distribuciones continuas. El principio bsico es muy similar
al caso discreto. Como en el mtodo discreto, primero se
genera un numero aleatorio R(0,1) y luego se transforma
en una variable aleatoria a partir de de la distribucin
especifica. El proceso para llevar a cabo la transformacin,
es bastante diferente del caso discreto.

269

Simulaciones con variables Aleatorias continuas

Hay muchos mtodos diferentes para generar variables

aleatorias continuas. La seleccin de un algoritmo
particular depender de la distribucin a partir de la cual
se quiere generar, tomando en cuenta factores como la
exactitud de las variables aleatorias, las eficiencias de
cmputo y almacenaje y la complejidad del algoritmo. Los
dos algoritmos utilizados con ms frecuencia son el
mtodo de transformacin inversa (MTI) y el mtodo del
aceptacin-rechazo (MAR). Entre estos dos mtodos, es
posible generar variables aleatorias de casi todas las
distribuciones utilizadas con ms frecuencia. Se presenta
una distribucin detallada de ambos algoritmos, junto con
varios ejemplos para cada mtodo. Adems de esto, se
presentan dos mtodos para generar variables aleatorias a
partir de la distribucin normal.
270

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

288

289

290

291

292

293

294

295

296

297

298

299

300

Ejercicio de Simulacin con variables aleatorias

continuas

Mtodo de transformacin inversa

El mtodo de la transformacin inversa por lo general se
utiliza para distribuciones cuya funcin de distribucin
acumulada se puede obtener en forma cerrada. Como
ejemplo se tienen las distribuciones exponenciales,
uniformes, triangular y la de Weibull. Para distribuciones
cuya dpa no existe en forma cerrada, es posible usar algn
mtodo numrico, como un desarrollo en serie de potencias,
dentro del algoritmo para evaluar una dpa. Sin embargo, es
posible que esto complique el procedimiento a tan grado
que sea ms eficaz usar un algoritmo diferente para generar
las variables aleatorias. El MTI es relativamente fcil de
describir y ejecutar. Consiste en los tres pasos siguientes:

301

Ejercicio de Simulacin con variables aleatorias

continuas

Paso 1 Dada una funcin de densidad de probabilidad (x)

para una variable aleatoria X, obtenga la funcin de
distribucin acumulada F(x) como
Paso 2 Generar un nmero aleatorio r.
Paso 3 Establezca F(x) = r y termine el valor de x. La variable
x es entonces una variable aleatoria a partir de la distribucin
cuya dpa est dada por (x).
Ahora se escriben los mecanismos de los algoritmos usando un
ejemplo. Para esto, se considera la distribucin dada por la
funcin

302

Ejercicio de Simulacin con variables aleatorias

continuas

Una funcin de este tipo se llama funcin de rampa. Su grfica es

como la que se ilustra en la figura 7. El rea bajo la curva, (x) =
x/2 , representa la probabilidad de la ocurrencia de la variable
aleatoria X. Se supone que en este caso, X representa los tiempos
de servicio de un cajero. Para obtener las variables aleatorias de
esta distribucin por medio del mtodo de transformacin inversa,
primero se calcula la dpa como

303

Ejercicio de Simulacin con variables aleatorias

continuas

Esta distribucin de probabilidad acumulada se representa de

manera formal por la funcin

A continuacin, en el paso 2, se genera un nmero aleatorio r. Por

ltimo, en el paso 3, se establece F(x) = r y se determina el valor
de x.

304

Ejercicio de Simulacin con variables aleatorias

continuas

Puesto que los tiempos de servicio se definen slo para valores

positivos de x, no es factible un tiempo de servicio de x =.
Esto nos deja con x =
como la solucin para x. Esta ecuacin se
llama generador de variables aleatorias o un generador de
proceso. As para obtener un tiempo de servicio, primero se
genera un nmero aleatorio y luego se transforma por medio de la
ecuacin anterior. Con cada ejecucin de la ecuacin se obtiene un
tiempo de servicio a partir de la distribucin. Por ejemplo, si se
obtiene un numero aleatorio r = 0,64, se generar un tiempo de
servicio de x =
.

305