6-12 MAYO Simulación Clase 5 - I-2021

17/5/2021
II0503 Simulación
Clase 5
1. Resumen Clase 4
2. Distribuciones en Simulación
◦ Generación de Valores para Variables Aleatorias Contínuas:
◦ Método de transformación inversa (continuación)
◦ Método de aceptación-rechazo
3. Ejercicio con Minitab: detección de función de

probabilidad en una base de datos.
4. Simulación Montecarlo en Excel.
II-0503 SIMULACIÓN. ESCUELA DE INGENIERÍA INDUSTRIAL - UNIVERSIDAD DE COSTA RICA - I SEMESTRE, 2021 – PROFESOR: LUIS IGNACIO GARCÉS MONGE
Variable aleatoria (o estocástica) es la función que adjudica eventos

posibles a números reales, cuyos valores se miden en experimentos de
tipo aleatorio. Estos valores posibles representan los resultados de
Resumen Clase 4 experimentos que aún no se llevaron a cabo o que son inciertos.
1
17/5/2021
2. Generación de
Números Aleatorios
(Continuación)
Método de la Transformada Inversa

Distribuciones Empíricas
En este caso se utiliza la frecuencia relativa acumulada y el punto medio que representa a la variable aleatoria.
Ejemplo: Para una distribución de probabilidad variable continua
Li Ls Xk nk fk Fk
5.05 14.95 10.0 4 0.1250 0.1250
14.95 24.85 19.9 6 0.1875 0.3125
24.85 34.75 29.8 12 0.3750 0.6875
34.75 44.65 39.7 8 0.2500 0.9375
44.65 54.55 49.6 2 0.0625 1.0000
2
17/5/2021
Distribuciones Empíricas
Así, si por ejemplo, si se tiene un número aleatorio generado que da valor de 0.5078,
entonces el valor de la variable aleatoria es el correspondiente a xk o sea 29.8
Xk Fk R (# aleatorio)
10.0 0.1250 0.0000 0.1250
19.9 0.3125 0.1251 0.3125
29.8 0.6875 0.3126 0.6875
39.7 0.9375 0.6876 0.9375
49.6 1.0000 0.9376 0.9999
Método de la Transformada Inversa

Otras Funciones Generadoras
Distribución Uniforme:
xi = a + (b-a)*Ri
Distribución Weibull:
xi = α *[-ln (1-Ri)]1/
Distribución Triangular
R1 = aleatorio 1
R2 = aleatorio 2
Si (R1 < (B-A)/(C-A)) entonces
Triangular = A + (B-A)* √R2 sino
Triangular = C – (C-B)* √R2
3
17/5/2021
Generador de la triangular
Con la distribución acumulada definida, el procedimiento para simular el peso
de una tina seria el siguiente:
Generar un número uniforme R.
Preguntar si el número uniforme R es menor que 0.5. Si la respuesta es
afirmativa, entonces:
De lo contrario:
Método de Aceptación-Rechazo (ARM)

A diferencia del método de transformación inversa, el ARM no requiere de la FDA o de su
función inversa.
La FDP f(x) debe estar definida en un intervalo finito.
Casos idóneos: función rampa, triangular, beta y Erlang.
Procedimiento:
1. Se determina el valor más alto de f(x) en el intervalo [a,b]: M.
2. Se generan los números aleatorios 𝑟 , 𝑟 ∈ 0,1
3. Se calcula 𝑥 ∗ = 𝑎 + 𝑏 − 𝑎 𝑟 y 𝑓 𝑥 ∗ .
∗
4. Si 𝑟 ≤ se acepta 𝑥 ∗ como variable aleatoria. Caso contrario, se rechaza y se regresa al paso 2.
4
17/5/2021
Método de Aceptación-Rechazo (ARM)

Xmax es de todo
el rango. También
Ejemplo: 1. xmax = 2; M = 1 M y [a, b].
𝑥 0<𝑥<1 2. r1 = 0.80; r2 = 0.95
3. 𝑥 ∗ = 𝑎 + 𝑏 − 𝑎 𝑟 = 0 + (2 − 0) × 0.80 = 1.60.
𝑓 𝑥 ∗ = 0.50 (pues 1<=x*=1.60<=2).
∗ .
Función de Densidad de 1 4. 𝑟 ≤ = Se rechaza x*.
𝑓(𝑥) 1≤𝑥≤2
Probabilidad (FDP): 2
1. xmax = 2; M = 1
2. r1 = 0.30; r2 = 0.55
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜 3. 𝑥 ∗ = 𝑎 + 𝑏 − 𝑎 𝑟 = 0 + (2 − 0) × 0.30 = 0. 60. 𝑓 𝑥 ∗ =
0.60 (pues x*=0.60<1).
∗ . OJO! Si r2 hubiera sido
4. 𝑟 ≤ = Se acepta x*. 0.75 por ejemplo, se
rechaza x*.
F(x)
Resultados
1,2
Generación V.A. 0,8
0,6
0,4
Generación de Variable Aletoria por medio del Método 0,2

de Aceptación - Rechazo
2,5 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 2,1 2,2
2 Generación de Variable Aleatoria por medio del Método

Inverso
1,5 2,5
1 2
0,5 1,5
0 1
0 0,2 0,4 0,6 0,8 1 1,2
0,5
0
0 0,2 0,4 0,6 0,8 1 1,2
5
17/5/2021
Comentarios
Los métodos de generación de variables aleatorias permiten generar una función inversa que, a
partir de números aleatorios, generen un comportamiento que siga una distribución
determinada.
Estos métodos están en prácticamente todos los softwares de simulación y en Excel también!
Comentarios
Los métodos de generación de variables aleatorias permiten generar una función inversa que, a
partir de números aleatorios, generen un comportamiento que siga una distribución
determinada.
Estos métodos están en prácticamente todos los softwares de simulación y en Excel también!
Los datos obtenidos son la materia prima a partir de la cual se puede sacar la distribución por
medio de métodos de bondad de ajuste.
6
17/5/2021
Bondad de Ajuste
Describe lo bien que se ajusta un conjunto de observaciones a una función de distribución.
Existen varias pruebas para ello:
◦ Prueba de Kolmogórov – Smirnov
◦ Criterio de Cramér-von Mises
◦ Prueba de Anderson-Darling
◦ Test de Shapiro-Wilk
◦ Test de chi cuadrado
◦ Criterio de información de Akaike
Se puede usar un software estadístico: Minitab, Expertfit, EasyFit, R, Statistica, Promodel, Arena,
Excel (con XLSTAT como add-in), Statgraphics, @Risk, etc etc etc
Usando Minitab
Se carga base de datos
Stat – Quality Tools – Individual Distribution Identification
Se especifica la columna a analizar y las distribuciones contra las que se quiere revisar.
OK.
7
17/5/2021
Bondad de Ajuste
Uso de Software para determinar mejor curva.
Si esto no es posible, usar un comportamiento de un sistema análogo o que se pueda encontrar
en la literatura.
Otra opción: usar una distribución flexible con parámetros que son fáciles de estimar. Por
ejemplo, usar la distribución triangular.
Para la distribución triangular se necesita el mínimo, el máximo y los valores más frecuentes (lo
más práctico…).
Aproximación con Distribución Triangular

Si no se tienen datos:
◦ En sistemas nuevos por ejemplo .
◦ Una opción es el criterio técnico, como lo puede ser un manual.
◦ Otra opción es estimarlo.
◦ Distribución triangular
◦ Mínimo, máximo y moda.
◦ 𝜇=
◦ Weibull y Lognormal.
◦ Permiten un % como máximo.
Si se pueden obtener datos, se sigue el procedimiento ya conocido.

◦ Con los datos se obtiene la curva por medio de un software estadístico 2+4+9
𝜇= =5
3
8
17/5/2021
Ejemplo
Hora de Arribo de un Viaje de UPS: Datos Históricos.
Fecha Hora de Arribo

1/1/2014 10:01 AM
1/2/2014 10:13 AM
1/3/2014 10:00 AM
1/4/2014 10:08 AM
1/5/2014 9:54 AM
1/6/2014 9:52 AM
1/7/2014 10:01 AM
1/8/2014 9:46 AM
1/9/2014 9:53 AM
1/10/2014 10:19 AM
1/11/2014 9:56 AM
1/12/2014 10:07 AM
1/13/2014 10:13 AM
1/14/2014 9:42 AM
1/15/2014 9:49 AM
1/16/2014 10:00 AM
1/17/2014 10:10 AM
1/18/2014 10:00 AM
1/19/2014 10:01 AM
1/20/2014 10:08 AM
1/21/2014 9:36 AM
.
.
.
Set 26, 2016
9
17/5/2021

1/1/2014 10:01 AM
1/2/2014 10:13 AM
1/3/2014 10:00 AM
1/4/2014 10:08 AM
1/5/2014 9:54 AM
1/6/2014 9:52 AM
1/7/2014 10:01 AM
1/8/2014 9:46 AM
1/9/2014 9:53 AM
1/10/2014 10:19 AM
1/11/2014 9:56 AM
1/12/2014 10:07 AM
1/13/2014 10:13 AM
1/14/2014 9:42 AM
1/15/2014 9:49 AM
1/16/2014 10:00 AM
1/17/2014 10:10 AM
1/18/2014 10:00 AM
1/19/2014 10:01 AM
1/20/2014 10:08 AM
1/21/2014 9:36 AM
.
.
.
Set 26, 2016

1/1/2014 10:01 AM
1/2/2014 10:13 AM
1/3/2014 10:00 AM
1/4/2014 10:08 AM
1/5/2014 9:54 AM
1/6/2014 9:52 AM
1/7/2014 10:01 AM
1/8/2014 9:46 AM
1/9/2014 9:53 AM
1/10/2014 10:19 AM
1/11/2014 9:56 AM
1/12/2014 10:07 AM
1/13/2014 10:13 AM
1/14/2014 9:42 AM
1/15/2014 9:49 AM
1/16/2014 10:00 AM
1/17/2014 10:10 AM
1/18/2014 10:00 AM
1/19/2014 10:01 AM
1/20/2014 10:08 AM
1/21/2014 9:36 AM
.
.
Distribución Normal .
Promedio: 10:00 A.M.
Set 26, 2016
Desviación Estándar: 13 minutos 7 segundos
10
17/5/2021
Obtengo la función inversa y

genero una simulación de
horas de llegada que tienen un
comportamiento aleatorio
según las características de la
distribución encontrada.
Corrida Hora
1 10:23 AM
2 9:51 AM
3 10:06 AM
Estos son horas 4 10:01 AM
Estos son datos de entrada que 5 10:05 AM
aleatorias con 6 10:11 AM
permiten simular el sistema de 7 9:38 AM
distribución normal, 8 9:57 AM
análisis (por ejemplo, el impacto 9 10:02 AM
promedio de 10:00 10 10:28 AM
en una operación de 11 9:41 AM
AM y desviación 12 10:18 AM
distribución que esta 13 10:04 AM
estándar de 13 14 9:57 AM
variabilidad en el arribo puede 15 9:59 AM
minutos y 7 16 9:53 AM
generar). 17 10:23 AM
segundos. 18
19
10:06 AM
9:50 AM
20 10:04 AM
21 10:08 AM
22 9:59 AM
3.Ejercicio con Minitab:

detección de función de
probabilidad en una base
de datos.
11
17/5/2021
12
17/5/2021
AD: Prueba Anderson-Darling. Mientras más

bajos sean los valores, más ajuste. No dice todo
por sí sólo, es necesario el parámetro p.
Valor de P: Se quiere el valor de p.

Se compara entre las posibles distribuciones y se
escoge la de mayor valor. Un valor menor a 0.05
indica que los datos no se comportan de
acuerdo a esa distribución.
En los gráficos, mientras los datos (en azul) se

ajusten mejor a una línea recta, más se acercan a
la distribución.
En este caso los datos presentan un buen ajuste

con la distribución normal: AD = 0.313 y un valor
de P = 0.542.
Informe de resumen de Estatura_1

Prueba de normalidad de Anderson-Darling
A-cuadrado 0,31
Valor p 0,542
Media 1,6900
Desv.Est. 0,0531
Varianza 0,0028
Asimetría -0,303210
Curtosis -0,197844
N 100
Mínimo 1,5367
1er cuartil 1,6566
Mediana 1,6900
3er cuartil 1,7300
Máximo 1,7957
Intervalo de confianza de 95% para la media
1,56 1,60 1,64 1,68 1,72 1,76 1,80
1,6794 1,7005
Intervalo de confianza de 95% para la mediana
1,6773 1,7086
Intervalo de confianza de 95% para la desviación estándar
0,0467 0,0617
Intervalos de confianza de 95%

Luego en
- Stat/Basic Statistics/Graphical Summary
Media
- Estad./Estadísticas básicas/Gráfico resumen Mediana
se obtienen las estadísticas que nos permite armar el 1,68 1,69 1,70 1,71
Generador de Variables Aleatorias.

En este caso, promedio 1.69, desviación estándar
0.0531.
13
17/5/2021
4. Simulación
Montecarlo en Excel.
Introducción
Fundamento: método que permite la solución de problemas matemáticos por medio de
variables aleatorias.
Una generación continua y relativamente grande de números aleatorios da una solución.
◦ Ley de Grandes Números: con una sucesión de variables aleatorias se genera un promedio que converge
con el promedio de las Esperanzas de dichas variables.
◦ Ejemplo: el promedio de una muestra muy grande estará más cerca del promedio del universo, de lo
que estará una muestra muy pequeña.
14
17/5/2021
Procedimiento
Generar modelo en XL.
Generar números aleatorios que alimenten el modelo.
Analizar resultado.
Ejemplo 1: Demanda y Niveles de

Inventario
Política de manejo de inventario de 5 días mínimo y 10 días máximo (cuando se llega a 5 días se
repone a 10 días).
Demanda con un comportamiento normal con promedio de 100 unidades y desviación estándar
de 80 unidades.
A lo largo de tres meses:
◦ Cuál va a ser el nivel de inventario promedio en USD?
◦ Cuál va a ser la probabilidad de quedar por debajo de 5 días inventario con esta política?
Otros datos:
◦ Inventario inicial: 2000 unidades.
◦ Tiempo de tránsito de 3 días.
◦ Costo por unidad: $2.50
15
17/5/2021
Generador de Variable Aleatoria

=INT(NORM.INV(RAND(),100,80))
Otras funciones:
◦ Beta.inv
◦ Binom.inv
◦ F.inv
◦ FisherINV
◦ Gamma.inv
◦ Lognorm.inv
◦ T.inv
Tabla
Se arma una tabla con: PREGUNTAS…

◦ Inventario Inicial A lo largo de tres meses:
◦ Demanda • Cuál va a ser el nivel de inventario promedio
en USD?
◦ Orden de Reposición
Simular mi sistema real 90 días
◦ Ingreso de Reposición (tres días después)
◦ Inventario Final • Cuál va a ser la probabilidad de quedar por
◦ 90 días (filas) debajo de 5 días inventario con esta
◦ Prueba (debajo de 5 días) política?
Prueba: Menor a 5 días
16
17/5/2021
Como el modelo da solamente un resultado (el inventario promedio y la cantidad de eventos para los próximos
90 días), es necesario hacer varias corridas para obtener resultados confiables.
Entonces, se genera un tabla de datos con 1000 corridas…
Cómo generar rápidamente muchas

réplicas?
Usando la opción de Excel llamada Data Table o Tabla de Datos.
17

6-12 MAYO Simulación Clase 5 - I-2021

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

6-12 MAYO Simulación Clase 5 - I-2021

Cargado por

Copyright:

Formatos disponibles

17/5/2021

3. Ejercicio con Minitab: detección de función de

Variable aleatoria (o estocástica) es la función que adjudica eventos

Método de la Transformada Inversa

Método de la Transformada Inversa

Si (R1 < (B-A)/(C-A)) entonces

Triangular = A + (B-A)* √R2 sino

Triangular = C – (C-B)* √R2

Método de Aceptación-Rechazo (ARM)

Método de Aceptación-Rechazo (ARM)

Generación V.A. 0,8

Generación de Variable Aletoria por medio del Método 0,2

2 Generación de Variable Aleatoria por medio del Método

Aproximación con Distribución Triangular

Si se pueden obtener datos, se sigue el procedimiento ya conocido.

Hora de Arribo de un Viaje de UPS: Datos Históricos.

Fecha Hora de Arribo

Hora de Arribo de un Viaje de UPS: Datos Históricos.

Fecha Hora de Arribo

Hora de Arribo de un Viaje de UPS: Datos Históricos.

Fecha Hora de Arribo

Obtengo la función inversa y

3.Ejercicio con Minitab:

AD: Prueba Anderson-Darling. Mientras más

Valor de P: Se quiere el valor de p.

En los gráficos, mientras los datos (en azul) se

En este caso los datos presentan un buen ajuste

Informe de resumen de Estatura_1

Intervalos de confianza de 95%

- Estad./Estadísticas básicas/Gráfico resumen Mediana

Generador de Variables Aleatorias.

Ejemplo 1: Demanda y Niveles de

Generador de Variable Aleatoria

Se arma una tabla con: PREGUNTAS…

Entonces, se genera un tabla de datos con 1000 corridas…

Cómo generar rápidamente muchas

También podría gustarte