Está en la página 1de 24

Simulacin, Mtodo de Montecarlo o e

Area de Estad stica e Investigacin Operativa o Licesio J. Rodr guez-Aragn o Marzo 2011

Introduccin o Introduccin . . . . . . . . . . o Simulacin en la Industria. o Denicin . . . . . . . . . . . o Herramientas . . . . . . . . . Ventajas y Desventajas . .

. . . . .

. . . . .

. . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

2 3 4 5 6 7

Mtodo de Montecarlo e Mtodo de Montecarlo . . . . . . e Ejemplo: Clculo de Integrales a Precisin en el Clculo . . . . . . o a Tamao de la Simulacin . . . . n o

8 . 9 10 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

Obtencin de Nmeros Aleatorios o u Fuentes de Nmeros Aleatorios . . . . . . u Tablas de Nmeros Aleatorios . . . . . . . u Generadores de Nmeros Aleatorios . . . u Nmeros Pseudo Aleatorios . . . . . . . . u Mtodo de los centros de los cuadrados e Mtodo Congruencial . . . . . . . . . . . . . e Mtodo multiplicativo . . . . . . . . . . . . e Generador mixto . . . . . . . . . . . . . . . . Ventajas . . . . . . . . . . . . . . . . . . . . . Simulacin de V.A. o Nmeros Aleatorios U(0, 1): . . . . . . . . u Transformacin de Variables Aleatorias . o Simulacin de V. A. Discretas . . . . . . . o Ejemplo . . . . . . . . . . . . . . . . . . . . . . Simulacin de V. A. Continuas . . . . . . o F 1 (x) . . . . . . . . . . . . . . . . . . . . . . Ejemplos: . . . . . . . . . . . . . . . . . . . . . Mtodo de Box-Muller . . . . . . . . . . . . e Mtodo de Aceptacin/Rechazo . . . . . e o

Simulacin de V.A. Mediante Ordenador o 34 Excel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 Resumen 37 Simulacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 o Problema de Inventario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

Introduccin o
Introduccin o
La simulacin tiene una gran importancia en nuestro mundo actual: o Modelos a escala. Tneles de viento. u Canales de agua. Emergencias o catstrofes. a Simuladores de vuelo, que recrean condiciones virtuales. La Realidad Virtual se ha presentado como una nueva herramienta que favorece las tcnicas de e simulacin, por ejemplo en medicina los simuladores quirrgicos. o u Licesio J. Rodr guez-Aragn o

2 / 39

Mtodos Cuantitativos Org. Ind. 3 / 39 e

Simulacin en la Industria o
En la empresa se utiliza la simulacin para predecir las consecuencias que tendr la toma de una o a decisin determinada. o Control de Inventarios, Planes de Mantenimiento, Localizacin de Recursos, Prediccin de Ventas o o o Demanda, etc. La simulacin permite resolver problemas complejos, aunque lo que obtendremos ser una o a aproximacin de la solucin. o o No todos los problemas son abordables mediante simulacin. o Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 4 / 39 e

Denicin o
Podr amos decir que simular tiene como objetivo duplicar caracter sticas y comportamientos propios de un sistema real. Simularemos problemas relacionados con la Organizacin Industrial a travs de la construccin de o e o modelos matemticos que representen de forma dedigna la realidad. a La utilizacin de modelos matemticos permite: o a Introducir nuevas variables. Hacer variar sus valores. Analizar las consecuencias de estas modicaciones. Objetivo: Toma ptima de decisiones. o Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 5 / 39 e

Herramientas
La simulacin permite abordar desde problemas sencillos hasta problemas muy complicados. o Algunos de estos problemas permiten una solucin a mano aunque la mayor de los casos requieren o a el uso de ordenadores. Hasta la aparicin de los primeros ordenadores en los aos 40 y 50, la simulacin an conocindose no o n o u e pudo ser aplicada de forma satisfactoria. Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 6 / 39 e

Ventajas y Desventajas
Ventajas: Es un mtodo directo y exible. e Existe un amplio abanico de programas y lenguajes destinados a simular. Cuando el modelo matemtico es demasiado complicado la simulacin permite obtener una a o aproximacin. o La simulacin nos permite formular condiciones extremas con riesgos nulos. o La simulacin no interere con el mundo real. Permite experimentar. o Permite estudiar la interaccin entre las diferentes variables del problema. o Mediante la simulacin podemos inuir en el tiempo de los procesos. o La simulacin permite resolver problemas que no tienen solucin anal o o tica. Desventajas: Una buena simulacin puede resultar muy complicada, gran nmero de variables. o u La simulacin no genera soluciones Optimas globales. o No proporciona la decisin a tomar, sino que resuelve el problema mediante aproximacin para o o unas condiciones iniciales. Cada simulacin es unica, interviene el azar. o Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 7 / 39 e

Mtodo de Montecarlo e
Mtodo de Montecarlo e

8 / 39

El mtodo de Montecarlo permite resolver problemas matemticos mediante la simulacin de variables e a o aleatorias. John Von Neumann, en los aos 40 y con los primeros ordenadores, aplica la simulacin para resolver n o problemas complejos que no pod ser resueltos de forma anal an tica. Montecarlo y su casino estn relacionados con la simulacin. La ruleta, juego estrella de los casinos, a o es uno de los aparatos mecnicos ms sencillos que nos permiten obtener nmeros aleatorios para a a u simular variables aleatorias. Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 9 / 39 e

Ejemplo: Clculo de Integrales a


Una aplicacin inmediata del mtodo, es el clculo de integrales denidas. o e a

Licesio J. Rodr guez-Aragn o

Mtodos Cuantitativos Org. Ind. 10 / 39 e

Ejemplo: Clculo de Integrales a


Consideremos un caso ms sencillo: a
1 2 0 x dx.
1

0.8

0.6

0.4

0.2

0 0 0.2 0.4 0.6 0.8 1

Siempre podremos considerar que el rea se encuentra inscrita en un cuadrado de rea 1. a a Podremos considerar en el cuadrado de rea 1 un nmero N de puntos aleatorios (x, y), y un nmero a u u N que aparecen dentro de la supercie a determinar.
1

0.8

0.6

0.4

0.2

0 0 0.2 0.4 0.6 0.8 1

x 0,84 0,28 0,64 0,49 0,06 0,05 0,09 0,73 0,49 0,64

y 0,42 0,87 0,12 0,41 0,46 0,56 0,35 0,81 0,69 0,6

x2 0,7056 0,0784 0,4096 0,2401 0,0036 0,0025 0,0081 0,5329 0,2401 0,4096 N S = N A

y < x2 VERDADERO FALSO VERDADERO FALSO FALSO FALSO FALSO FALSO FALSO FALSO

Licesio J. Rodr guez-Aragn o

Mtodos Cuantitativos Org. Ind. 11 / 39 e

Precisin en el Clculo o a
El procedimiento de Montecarlo tiene N puntos aleatorios de los que N resultan corresponder al rea a que deseamos calcular. N S =A N Luego S es proporcional a la probabilidad de que un punto aleatorio caiga en la supercie. Estimaremos esa probabilidad como: N p= N xitos en N intentos y que viene dada por la distribucin binomial: Que ser la probabilidad de N e a o P (N aciertos en N ) = N pN q N N N

La distribucin binomial se puede aproximar mediante una normal cuando: N p > 5 y N q > 5. o La distribucin normal por la que aproximamos tendr media = N p y varianza 2 = N p q. o a Adems para una distribucin normal N (, 2 ) sabemos que el 95% de las observaciones se a o encuentran en el intervalo: ( 2, + 2). Con lo que suponiendo N p > 5 y N q > 5 tendremos que el intervalo de conanza al 95% del nmero de aciertos N en S estar en: u a (N p 2 N p q, N p + 2 N p q).

Licesio J. Rodr guez-Aragn o

Mtodos Cuantitativos Org. Ind. 12 / 39 e

Tamao de la Simulacin n o
En nuestro ejemplo sabemos que:
1

x2 dx =
0

1 = 0.333 . . . 3

y calculamos el rea bajo la curva mediante el mtodo de Montecalo: a e S =A N N

Cuntas simulaciones son necesarias para estimar S con 2 cifras signicativas correctas? a S (0.3250, 0.3349) Esto equivale a que el nmero de aciertos N con un 95% de conanza: u N (xi , xd ) = (0.3250 N, 0.3349 N ) La distribucin Binomial la hemos aproximado mediante una Normal: o B(N, p) N (, 2 ) Para una variable aleatoria Z N (0, 1) tenemos que, (zd ) = P (Z zd ) = 0.975 entonces tendremos que siendo p = 1 : 3 zd = 1.96 = zd = 1.96 2 xd 0.3349 N N p = N pq

N = 333494 simulaciones.

Licesio J. Rodr guez-Aragn o

Mtodos Cuantitativos Org. Ind. 13 / 39 e

Obtencin de Nmeros Aleatorios o u


Fuentes de Nmeros Aleatorios u
El fundamento del mtodo de Montecarlo y de la simulacin son los nmeros aleatorios: e o u Tablas de nmeros aleatorios. u Generadores de nmeros aleatorios. u Nmeros pseudo aleatorios. u Cmo medir la aleatoriedad de los nmeros usados? o u Sean 0 , 1 , . . . , 9 la frecuencia absoluta de los nmeros 0, 1, . . . , 9 en una tabla de nmeros u u aleatorios.
9 i=0

14 / 39

(i 0.1 N )2

Adems existen tests de rachas para detectar patrones. a Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 15 / 39 e

Tablas de Nmeros Aleatorios u


En una tabla de nmeros aleatorios la probabilidad de aparicin de cada cifra i = 0, . . . , 9 debe ser u o igual a 0.1 P (i) = 0.1 Ejemplos: Tablas en libros de simulacin y en repositorios. o Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 16 / 39 e i = 0, . . . , 9.

10

Generadores de Nmeros Aleatorios u


Los dispositivos mecnicos resultan demasiado lentos para generar cifras aleatorias. a Un mtodo ms rpido es la utilizacin del ruido: e a a o Si el ruido en la uctuacin de un voltaje sobrepasa en un intervalo de tiempo t un umbral o determinado un nmero par de veces, incluiremos un 0. Si por el contrario han sido un nmero impar, u u incluiremos un 1. Debindose obtener que P (0) = P (1) = 1/2. e En estos mtodos tambin es necesario vigilar la calidad de los nmeros aleatorios generados. e e u Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 17 / 39 e

Nmeros Pseudo Aleatorios u


Ser interesante poder obtener nmeros aleatorios mediante una formula. a u Si dicha formula existiese deber ser muy ingeniosa: a Mtodo de los centros de los cuadrados. e Mtodos congruenciales. e Generador multiplicativo. Generador mixto. Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 18 / 39 e

11

Mtodo de los centros de los cuadrados e


Desarrollado por Von Neumann. Sea un nmero inicial llamado semilla, 0 = 0.9876 formado por 4 cifras. u
2 Obtenemos 0 que tendr 8 cifras y elegiremos las 4 centrales, a 2 0 = 0.97535376 2 estas cifras formarn 1 = 0.5353, y elevando al cuadrado 1 , a 2 1 = 0.28654609

obtendremos 2 = 0.6546 y as sucesivamente. Este mtodo presenta algunos problemas, entre otros la obtencin de nmeros pequeos con mayor e o u n frecuencia que nmeros grandes. u Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 19 / 39 e

Mtodo Congruencial e
Denicin: Diremos que dos nmeros x e y son congruentes mdulo m si: o u o x y mod(m) Esto equivale a que x e y producen el mismo resto al ser divididos por m La expresin ms comn a la hora de calcular nmeros aleatorios es la dada por: o a u u n = (n1 ) a + b mod(m) Donde a y b son nmeros elegidos convenientemente y 0 se denomina semilla. u Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 20 / 39 e

12

Mtodo multiplicativo e
Es una modicacin del mtodo congruencial en el que b = 0. o e n = n1 a mod(m)

Normalmente m se elige tal que m = cp donde c es el nmero de d u gitos diferentes del sistema usado (binario, 2) y p es el tamao de una palabra. n El per odo mximo de repeticin es m/4 con m = 2p y tomando como 0 una semilla impar. a o Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 21 / 39 e

Generador mixto
En el mtodo congruencial, la eleccin adecuada de a y b hacen que el per e o odo de repeticin de los o nmeros aleatorios obtenidos se incremente hasta m: u a y b primos. (a 1) mltiplo de cada factor primo de m. u (a 1) ha de ser mltiplo de 4 si m lo es. u Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 22 / 39 e

13

Ventajas de los nmeros pseudo aleatorios u


Basta con realizar operaciones aritmticas sencillas. e Computacionalmente esta tarea no necesita de elevados recursos. Los nmeros aleatorios se pueden reproducir, permitiendo comprobar la calidad de la secuencia y u aplicarla en diferentes problemas. Existe sin embargo un inconveniente, los nmeros aleatorios son peridicos. u o Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 23 / 39 e

Simulacin de V.A. o
Nmeros Aleatorios U(0, 1): u
Hasta aqu hemos generado, mediante diferentes tcnicas, nmeros aleatorios que siguen una e u distribucin uniforme: o k U(0, 1) Esta distribucin tendr la funcin de densidad: o a o f (x) = y funcin de distribucin: o o 0 x<0 F (x) = x 0<x<1 1 x>1 Licesio J. Rodr guez-Aragn o 1 0<x<1 0 en el resto

24 / 39

Mtodos Cuantitativos Org. Ind. 25 / 39 e

14

Transformacin de Variables Aleatorias o


Cuando un sistema o un proceso est regido en su comportamiento por el azar, entonces podemos a aplicar tcnicas de simulacin basadas en el mtodo de Montecarlo. e o e La idea bsica del mtodo es simular valores que toman las variables que forman parte del proceso en a e lugar de experimentar u observar la realidad. Ejemplos de esas variables a simular: Demanda. Tiempo de respuesta, entre ocurrencias, de servicio,.. Cantidad de empleados ausentes. Presin de un neumtico. o a Velocidad y direccin del aire. o Como hemos visto hasta ahora, existen dos tipos de variables aleatorias: Variables Aleatorias Discretas: Demanda, Nmero de Empleados, etc. u Variables Aleatorias Continuas: Tiempos, etc. Y existen estrategias de simulacin diferentes segn se simulen V.A.D. o V.A.C. o u Hasta aqu somos capaces de simular los valores de una V.A.C. con distribucin uniforme U(0, 1), a o continuacin veremos como transformar esta distribucin uniforme de tal forma que podamos simular o o cualquier Variable Aleatoria. Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 26 / 39 e

15

Simulacin de V. A. Discretas o
Una primera aproximacin a la simulacin de una V.A. Discreta, X, que siga una determinada o o distribucin de probabilidad dada por su funcin de probabilidad: o o P (X = x1 ) = 0.5 P (X = x2 ) = 0.25 P (X = x3 ) = 0.125 P (X = x4 ) = 0.125

ser construir una ruleta en la que el arco de los sectores asignados a cada posible valor de la V.A. a fuese proporcional a la probabilidad de ocurrencia de dicho valor. Para poder utilizar las tcnicas de obtencin de nmeros pseudo aleatorios que hemos visto hemos de e o u realizar ciertas transformaciones. Supongamos que deseamos simular una V.A.D., X, con una distribucin de probabilidad dada por: o P (X = x1 ) = p1 P (X = x2 ) = p2 f (x) = ... P (X = xn ) = pn

Por ser probabilidades tendremos que i pi = 1, y consideremos entonces el intervalo (0, 1) que lo dividiremos en n subintervalos de amplitudes p1 , p2 , . . . , pn . Las coordenadas de los puntos de divisin del intervalo (0, 1) sern: o a y 1 = p1 y 2 = p1 + p2 ... y n = p1 + p2 + + pn = 1

Cada vez que tengamos que simular el valor de la V.A. X, tomaremos un nmero aleatorio de una u distribucin U(0, 1) y consideraremos y = . o Si y = pertenece al subintervalo i-simo, [yi1 , yi ), entonces simularemos la variable aleatoria y e diremos que dicha variable tomar el valor X = xi . a En efecto como U(0, 1), entonces: P (yi1 < yi ) = P (p1 + + pi1 < p1 + + pi ) = pi

Licesio J. Rodr guez-Aragn o

Mtodos Cuantitativos Org. Ind. 27 / 39 e

16

Ejemplo
En un servicio de reparaciones, la demanda diaria de una pieza de recambio sigue este patrn: o Demanda xi 0 1 2 3 4 5 Frecuencia ni 10 20 40 60 40 30 200 Prob. f (x) 0.05 0.10 0.20 0.30 0.20 0.15 1 y F (x) 0.05 0.15 0.35 0.65 0.85 1.00

Obteniendo un nmero aleatorio U(0, 1) y comprobando a qu intervalo pertenece [yi1 , yi ) le u e asignaremos el resultado xi correspondiente a la simulacin. o Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 28 / 39 e

Simulacin de V. A. Continuas o
Supongamos ahora que deseamos simular valores de una V.A. Continua, X, que sigue una distribucin o de funcin de densidad f (x) y funcin de distribucin F (x). o o o Los valores xi , que toma la V.A. X siguiendo la distribucin dada, se pueden obtener de la ecuacin: o o
xi

f (x)dx = i

Siendo i un nmero aleatorio de una distribucin U(0, 1). u o Escogido o dado el nmero aleatorio es preciso resolver esta ecuacin para obtener el valor de una u o simulacin de la variable aleatoria X. o Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 29 / 39 e

17

Mtodo de la Funcin de Distribucin Inversa e o o


En denitiva, el mtodo consiste en, dada una funcin de densidad, f (x) obtener su funcin de e o o distribucin F (x) y calcular su inversa F 1 (x). o F : E [0, 1] x=F
1

()

x F (x) = P (X < x)

En denitiva, dado U(0, 1), obtendremos una simulacin de X mediante la ecuacin, o o x = F 1 () . Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 30 / 39 e

18

Ejemplos:
Simulacin de una V.A. que siga una distribucin uniforme U(a, b), a partir de un generador de o o nmeros aleatorios que siga una distribucin U(0, 1): u o f (x) =
1 ba

x (a, b) en el resto

0 x<a xa x (a, b) F (x) = ba 1 x>b = x = F 1 () = (b a) + a Entonces x X U(a, b). Simulacin de una V.A. con una distribucin exponencial de parmetro : o o a f (x) = ex
x

xa ba

x>0

F (x) =
0

et dt = 1 ex ln(1 )

= 1 ex x = F 1 () = Si U(0, 1) equivalentemente (1 ) U(0, 1). x= Este mtodo no siempre es factible: e

ln() Exp()

Cuando la integral de f (x) no se expresa como funciones elementales y no se puede obtener F 1 (x). Cuando la funcin de densidad f (x) no se expresa anal o ticamente sino de forma grca. a Por ejemplo, para simular una V.A. que siga una distribucin N (, ), la ecuacin: o o 1 F (x) = 2
x

t2 2

dt =

no admite solucin expl o cita y el intervalo de posibles valores de x (, ). Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 31 / 39 e

19

Mtodo de Box-Muller e
Este mtodo transforma a partir de transformaciones biun e vocas: U(0, 1) N (, ) Sean y U(0, 1), entonces: x = (2 ln())1/2 cos(2) y = (2 ln())1/2 sin(2) Entonces x e y N (0, 1).
4 3 2 1 0 1 2 3 4 5

3000

2500

2000

1500

1000

500

0 4

Licesio J. Rodr guez-Aragn o

Mtodos Cuantitativos Org. Ind. 32 / 39 e

20

Mtodo de Aceptacin/Rechazo e o
Este mtodo se usa para obtener sorteos de V.A. de distribuciones denidas en un dominio nito. e Esto signica que la funcin de densidad f (x) [a, b]. Para simular mediante el mtodo de o e aceptacin/rechazo se seguirn los siguientes pasos: o a 1. Seleccionar una constante M tal que sea una cota superior de f (x) en [a, b], M > f (x) x [a, b]. 2. Generamos 1 y 2 U(0, 1). 3. Calculamos x , x = a + (b a)1 y evaluamos f (x ). 4. Si 2 M f (x ), entonces x es un valor de la V.A, sino, volvemos al paso 2 e iteramos. Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 33 / 39 e

21

Simulacin de V.A. Mediante Ordenador o


Excel

34 / 39

Excel posee una serie de funciones estad sticas que devuelven el valor de la funcin de densidad f (x) y o de distribucin F (x), con los parmetros necesarios para determinar la distribucin. o a o DISTR.CHI DISTR.EXP DISTR.GAMMA DISTR.NORM DISTR.T ... DISTRI.EXP(x;;acum), si acum=falso f (x) si acum=verdadero F (x). Para poder simular una V.A. por el mtodo de la Funcin de Distribucin inversa: e o o DISTR.NORM.INV(prob;media;desv.ra estndar) a DISTR.NORM.INV(ALEATORIO();media;desv. estndar) a DISTR.CHI.INV DISTR.EXP.INV DISTR.GAMMA.INV DISTR.NORM.INV DISTR.T.INV ... Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 35 / 39 e

22

Matlab
Matlab en su Statistics Toolbox tiene diferentes herramientas. Por un lado posee dos familias interesantes de funciones. Inverse Cumulative Distribution Function: Proporciona el inverso de la funcin de distribucin, o o F 1 (x). norminv, poissinv, uninv, expinv, etc. Random Number Generators: Genera un nmero aleatorio que siga una distribucin dada. u o normrnd, exprnd, binornd, wblrnd, etc. Matlab adems usa las instrucciones rand para generar nmeros U(0, 1) o randn para N (0, 1). a u Tanto rand como randn son generadores de nmeros pseudo aleatorios. u s = rand(state) returns a 35-element vector containing the current state of the uniform generator. To change the state of the generator: rand(state,s) s es un vector de dimensin 35 que contiene el estado actual de la semilla del generador de nmeros o u pseudo aleatorios. El per odo de Matlab es de 21492 antes de comenzar a repetirse. randtool es otra herramienta grca de Matlab para la generacin de nmeros aleatorios. a o u Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 36 / 39 e

23

Resumen
Simulacin o
Clculo de integrales denidas. a Obtencin de Nmeros Aleatorios, tests de aleatoriedad. o u Transformacin en V.A. con una distribucin dada. o o Simulacin de V.A. mediante lenguajes de ordenador. o A continuacin: o Denicin del Problema. o Fijar las Variables. Construir el Modelo. Fijar las condiciones de las Simulaciones y Simular. Licesio J. Rodr guez-Aragn o

37 / 39

Mtodos Cuantitativos Org. Ind. 38 / 39 e

Problema de Inventario
Objetivo: control de inventarios para optimizar los recursos, satisfacer la mxima demanda posible y a minimizar los gastos de almacenaje. Enfoque Determin stico frente al Aleatorio. El enfoque determin stico se resuelve: Modelo econmico de lote. o Modelo con desabastecimientos permitidos. Modelo con descuento por cantidad. etc. Ahora bien, si los valores de la demanda y del tiempo de entrega no son constantes sino que son variables aleatorias. Licesio J. Rodr guez-Aragn o Mtodos Cuantitativos Org. Ind. 39 / 39 e

24