Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Parte 5 Simulaci N PDF
Parte 5 Simulaci N PDF
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?
225
Qu es la simulacin?
Tipos de simulacin
227
Tipos de simulacin
228
Proceso de simulacin
229
230
Simulacin de eventos
discretos
231
Nmeros aleatorios
232
Nmeros aleatorios
Generacin de nmeros
aleatorios
i 1
R
i
x , i 1,2,...
i
R
1
20
100
0,20
R
2
25
100
0,25
235
237
P [ x e x e ] 1
x t
( n 1), / 2
s
n
P [p e P p+e ]=1 -
p [ z *
/2
p(1 p)
n
Frecuencia relativa
0,15
0,25
0,32
0,20
0,05
0,02
0,01
240
241
242
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
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
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
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
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
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
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
Nmero
de
semana
37
38
39
40
Totales
Promedio
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
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) *
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) *
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
264
a.-
0,9
0,2
P2=
0,1
0,8
0,83 0,17
0,34 0,66
R: 34 %
265
P=
b.-
0,9
0,2
P3=
0,1
0,8
0,781 0,219
0,438 0,562
R: 78,1 %
266
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
0,9
0,2
0,1
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
269
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
301
302
303
304
305