You are on page 1of 24

Simulacion, Metodo de Montecarlo

Area
de Estadstica e Investigacion Operativa
Licesio J. Rodrguez-Aragon
Marzo 2010

Introducci
on
Introducci
on . . . . . . . . . .
Simulaci
on en la Industria.
Definici
on . . . . . . . . . . .
Herramientas . . . . . . . . .
Ventajas y Desventajas . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

M
etodo de Montecarlo
Metodo de Montecarlo . . . . . .
Ejemplo: Calculo de Integrales
Precisi
on en el C
alculo . . . . . .
Tama
no de la Simulaci
on . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

2
3
4
5
6
7

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

8
. 9
10
12
13

Obtenci
on de N
umeros Aleatorios
Fuentes de N
umeros Aleatorios . . . . . .
Tablas de N
umeros Aleatorios . . . . . . .
Generadores de N
umeros Aleatorios . . .
N
umeros Pseudo Aleatorios . . . . . . . .
Metodo de los centros de los cuadrados
Metodo Congruencial . . . . . . . . . . . . .
Metodo multiplicativo . . . . . . . . . . . .
Generador mixto . . . . . . . . . . . . . . . .
Ventajas . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

14
15
16
17
18
19
20
21
22
23

Simulaci
on de V.A.
N
umeros Aleatorios U(0, 1): . . . . . . . .
Transformaci
on de Variables Aleatorias .
Simulaci
on de V. A. Discretas . . . . . . .
Ejemplo . . . . . . . . . . . . . . . . . . . . . .
Simulaci
on de V. A. Continuas . . . . . .
F 1 (x) . . . . . . . . . . . . . . . . . . . . . .
Ejemplos: . . . . . . . . . . . . . . . . . . . . .
Metodo de Box-Muller . . . . . . . . . . . .
Metodo de Aceptaci
on/Rechazo . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

24
25
26
27
28
29
30
31
32
33

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

Simulaci
on de V.A. Mediante Ordenador
34
Excel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Resumen
37
Simulaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Problema de Inventario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

Introducci
on

2 / 39

Introducci
on
La simulaci
on tiene una gran importancia en nuestro mundo actual:


Modelos a escala.

T
uneles de viento.

Canales de agua.

Emergencias o cat
astrofes.

Simuladores de vuelo, que recrean condiciones virtuales.

La Realidad Virtual se ha presentado como una nueva herramienta que favorece las tecnicas de
simulaci
on, por ejemplo en medicina los simuladores quir
urgicos.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 3 / 39

Simulaci
on en la Industria
En la empresa se utiliza la simulaci
on para predecir las consecuencias que tendr
a la toma de una
decisi
on determinada.
Control de Inventarios, Planes de Mantenimiento, Localizaci
on de Recursos, Predicci
on de Ventas o
Demanda, etc.
La simulaci
on permite resolver problemas complejos, aunque lo que obtendremos ser
a una
aproximaci
on de la soluci
on.
No todos los problemas son abordables mediante simulaci
on.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 4 / 39

Definici
on
Podramos decir que simular tiene como objetivo duplicar caractersticas y comportamientos propios
de un sistema real.
Simularemos problemas relacionados con la Organizaci
on Industrial a traves de la construcci
on de
modelos matem
aticos que representen de forma fidedigna la realidad.
La utilizaci
on de modelos matem
aticos permite:


Introducir nuevas variables.

Hacer variar sus valores.

Analizar las consecuencias de estas modificaciones.

Objetivo: Toma
optima de decisiones.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 5 / 39

Herramientas
La simulaci
on permite abordar desde problemas sencillos hasta problemas muy complicados.
Algunos de estos problemas permiten una soluci
on a mano aunque la mayora de los casos requieren
el uso de ordenadores.
Hasta la aparici
on de los primeros ordenadores en los a
nos 40 y 50, la simulaci
on a
un conociendose no
pudo ser aplicada de forma satisfactoria.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 6 / 39

Ventajas y Desventajas
Ventajas:


Es un metodo directo y flexible.

Existe un amplio abanico de programas y lenguajes destinados a simular.

Cuando el modelo matem


atico es demasiado complicado la simulaci
on permite obtener una
aproximaci
on.

La simulaci
on nos permite formular condiciones extremas con riesgos nulos.

La simulaci
on no interfiere con el mundo real. Permite experimentar.

Permite estudiar la interacci


on entre las diferentes variables del problema.

Mediante la simulaci
on podemos influir en el tiempo de los procesos.

La simulaci
on permite resolver problemas que no tienen soluci
on analtica.

Desventajas:


Una buena simulaci


on puede resultar muy complicada, gran n
umero de variables.

La simulaci
on no genera soluciones Optimas
globales.

No proporciona la decisi
on a tomar, sino que resuelve el problema mediante aproximaci
on para
unas condiciones iniciales.

Cada simulaci
on es u
nica, interviene el azar.

Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 7 / 39

M
etodo de Montecarlo

8 / 39

M
etodo de Montecarlo
El metodo de Montecarlo permite resolver problemas matematicos mediante la simulaci
on de variables
aleatorias.
John Von Neumann, en los a
nos 40 y con los primeros ordenadores, aplica la simulaci
on para resolver
problemas complejos que no podan ser resueltos de forma analtica.
Montecarlo y su casino est
an relacionados con la simulaci
on. La ruleta, juego estrella de los casinos,
es uno de los aparatos mec
anicos m
as sencillos que nos permiten obtener n
umeros aleatorios para
simular variables aleatorias.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 9 / 39

Ejemplo: C
alculo de Integrales
Una aplicaci
on inmediata del metodo, es el c
alculo de integrales definidas.

Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 10 / 39

Ejemplo: C
alculo de Integrales
Consideremos un caso m
as sencillo:

R1
0

x2 dx.

0.8

0.6

0.4

0.2

0
0

0.2

0.4

0.6

0.8

Siempre podremos considerar que el


area se encuentra inscrita en un cuadrado de
area 1.
Podremos considerar en el cuadrado de
area 1 un n
umero N de puntos aleatorios (x, y), y un n
umero
N que aparecen dentro de la superficie a determinar.
1

0.8

0.6

0.4

0.2

0
0

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

0.2

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

0.4

0.6

x2
0,7056
0,0784
0,4096
0,2401
0,0036
0,0025
0,0081
0,5329
0,2401
0,4096

0.8

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

N
S
=
N
A
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 11 / 39

Precisi
on en el C
alculo
El procedimiento de Montecarlo tiene N puntos aleatorios de los que N resultan corresponder al area
que deseamos calcular.
N
S =A
N
Luego S es proporcional a la probabilidad de que un punto aleatorio caiga en la superficie.
Estimaremos esa probabilidad como:
N
p =
N

Que ser
a la probabilidad de N exitos en N intentos y que viene dada por la distribuci
on binomial:
 
N

P (N aciertos en N ) =
pN q N N

N
La distribuci
on binomial se puede aproximar mediante una normal cuando: N p > 5 y N q > 5.
La distribuci
on normal por la que aproximamos tendr
a media = N p y varianza 2 = N p q.
Adem
as para una distribuci
on normal N (, 2 ) sabemos que el 95% de las observaciones se
encuentran en el intervalo:
( 2, + 2).
Con lo que suponiendo N p > 5 y N q > 5 tendremos que el intervalo de confianza al 95% del
n
umero de aciertos N en S estar
a en:
p
p
(N p 2 N p q, N p + 2 N p q).
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 12 / 39

Tama
no de la Simulaci
on
En nuestro ejemplo sabemos que:
Z

x2 dx =

1
= 0.333 . . .
3

y calculamos el
area bajo la curva mediante el metodo de Montecalo:
S =A

N
N

Cu
antas simulaciones son necesarias para estimar S con 2 cifras significativas correctas?
S (0.3250, 0.3349)
Esto equivale a que el n
umero de aciertos N con un 95% de confianza:
N (xi , xd ) = (0.3250 N, 0.3349 N )
La distribuci
on Binomial la hemos aproximado mediante una Normal:
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 = 13 :
zd = 1.96 =

zd = 1.96 2
xd
0.3349 N N p

N pq

N = 333494 simulaciones.

Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 13 / 39

Obtenci
on de N
umeros Aleatorios

14 / 39

Fuentes de N
umeros Aleatorios
El fundamento del metodo de Montecarlo y de la simulaci
on son los n
umeros aleatorios:


Tablas de n
umeros aleatorios.

Generadores de n
umeros aleatorios.

N
umeros pseudo aleatorios.

C
omo medir la aleatoriedad de los n
umeros usados?
Sean 0 , 1 , . . . , 9 la frecuencia absoluta de los n
umeros 0, 1, . . . , 9 en una tabla de n
umeros
aleatorios.
9
X
(i 0.1 N )2
i=0

Adem
as existen tests de rachas para detectar patrones.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 15 / 39

Tablas de N
umeros Aleatorios
En una tabla de n
umeros aleatorios la probabilidad de aparici
on de cada cifra i = 0, . . . , 9 debe ser
igual a 0.1
P (i) = 0.1

i = 0, . . . , 9.

Ejemplos:
Tablas en libros de simulaci
on y en repositorios.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 16 / 39

10

Generadores de N
umeros Aleatorios
Los dispositivos mec
anicos resultan demasiado lentos para generar cifras aleatorias.
Un metodo mas r
apido es la utilizaci
on del ruido:
Si el ruido en la fluctuaci
on de un voltaje sobrepasa en un intervalo de tiempo t un umbral
determinado un n
umero par de veces, incluiremos un 0. Si por el contrario han sido un n
umero impar,
incluiremos un 1.
Debiendose obtener que P (0) = P (1) = 1/2.
En estos metodos tambien es necesario vigilar la calidad de los n
umeros aleatorios generados.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 17 / 39

N
umeros Pseudo Aleatorios
Sera interesante poder obtener n
umeros aleatorios mediante una formula.
Si dicha formula existiese debera ser muy ingeniosa:


Metodo de los centros de los cuadrados.

Metodos congruenciales.

Generador multiplicativo.

Generador mixto.

Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 18 / 39

11

M
etodo de los centros de los cuadrados
Desarrollado por Von Neumann.
Sea un n
umero inicial llamado semilla, 0 = 0.9876 formado por 4 cifras.
Obtenemos 02 que tendr
a 8 cifras y elegiremos las 4 centrales,
02 = 0.97535376
estas cifras formar
an 1 = 0.5353, y elevando al cuadrado 12 ,
12 = 0.28654609
obtendremos 2 = 0.6546 y as sucesivamente.
Este metodo presenta algunos problemas, entre otros la obtenci
on de n
umeros peque
nos con mayor
frecuencia que n
umeros grandes.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 19 / 39

M
etodo Congruencial
Definici
on: Diremos que dos n
umeros x e y son congruentes m
odulo m si:
x y mod(m)
Esto equivale a que x e y producen el mismo resto al ser divididos por m
La expresi
on m
as com
un a la hora de calcular n
umeros aleatorios es la dada por:
n = (n1 ) a + b mod(m)
Donde a y b son n
umeros elegidos convenientemente y 0 se denomina semilla.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 20 / 39

12

M
etodo multiplicativo
Es una modificaci
on del metodo congruencial en el que b = 0.
n = n1 a mod(m)

Normalmente m se elige tal que m = cp donde c es el n


umero de dgitos diferentes del sistema usado
(binario, 2) y p es el tama
no de una palabra.
El perodo maximo de repetici
on es m/4 con m = 2p y tomando como 0 una semilla impar.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 21 / 39

Generador mixto
En el metodo congruencial, la elecci
on adecuada de a y b hacen que el perodo de repetici
on de los
n
umeros aleatorios obtenidos se incremente hasta m:


a y b primos.

(a 1) m
ultiplo de cada factor primo de m.

(a 1) ha de ser m
ultiplo de 4 si m lo es.

Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 22 / 39

13

Ventajas de los n
umeros pseudo aleatorios


Basta con realizar operaciones aritmeticas sencillas.

Computacionalmente esta tarea no necesita de elevados recursos.

Los n
umeros aleatorios se pueden reproducir, permitiendo comprobar la calidad de la secuencia y
aplicarla en diferentes problemas.

Existe sin embargo un inconveniente, los n


umeros aleatorios son peri
odicos.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 23 / 39

Simulaci
on de V.A.

24 / 39

N
umeros Aleatorios U(0, 1):
Hasta aqu hemos generado, mediante diferentes tecnicas, n
umeros aleatorios que siguen una
distribuci
on uniforme:
k U(0, 1)
Esta distribuci
on tendr
a la funci
on de densidad:

1 0<x<1
f (x) =
0 en el resto
y funci
on de distribuci
on:

0 x<0
F (x) =
x 0<x<1

1 x>1
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 25 / 39

14

Transformaci
on de Variables Aleatorias
Cuando un sistema o un proceso est
a regido en su comportamiento por el azar, entonces podemos
aplicar tecnicas de simulaci
on basadas en el metodo de Montecarlo.
La idea b
asica del metodo es simular valores que toman las variables que forman parte del proceso en
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.

Presi
on de un neum
atico.

Velocidad y direcci
on del aire.

Como hemos visto hasta ahora, existen dos tipos de variables aleatorias:


Variables Aleatorias Discretas: Demanda, N


umero de Empleados, etc.

Variables Aleatorias Continuas: Tiempos, etc.

Y existen estrategias de simulaci


on diferentes seg
un se simulen V.A.D. o V.A.C.
Hasta aqu somos capaces de simular los valores de una V.A.C. con distribuci
on uniforme U(0, 1), a
continuaci
on veremos como transformar esta distribuci
on uniforme de tal forma que podamos simular
cualquier Variable Aleatoria.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 26 / 39

15

Simulaci
on de V. A. Discretas
Una primera aproximaci
on a la simulaci
on de una V.A. Discreta, X, que siga una determinada
distribuci
on de probabilidad dada por su funci
on de probabilidad:

P (X = x1 ) = 0.5

P (X = x2 ) = 0.25
P (X = x3 ) = 0.125

P (X = x4 ) = 0.125

sera construir una ruleta en la que el arco de los sectores asignados a cada posible valor de la V.A.
fuese proporcional a la probabilidad de ocurrencia de dicho valor.
Para poder utilizar las tecnicas de obtencion de n
umeros pseudo aleatorios que hemos visto hemos de
realizar ciertas transformaciones.
Supongamos que deseamos simular una V.A.D., X, con una distribuci
on de probabilidad dada por:

P (X = x1 ) = p1

P (X = x2 ) = p2
f (x) =
...

P (X = xn ) = pn
P
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 divisi
on del intervalo (0, 1) ser
an:

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 n


umero aleatorio de una
distribuci
on U(0, 1) y consideraremos y = .
Si y = pertenece al subintervalo i-esimo, [yi1 , yi ), entonces simularemos la variable aleatoria y
diremos que dicha variable tomar
a el valor X = xi .
En efecto como U(0, 1), entonces:
P (yi1 < yi ) = P (p1 + + pi1 < p1 + + pi ) = pi

Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 27 / 39

16

Ejemplo
En un servicio de reparaciones, la demanda diaria de una pieza de recambio sigue este patr
on:
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 n
umero aleatorio U(0, 1) y comprobando a que intervalo pertenece [yi1 , yi ) le
asignaremos el resultado xi correspondiente a la simulaci
on.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 28 / 39

Simulaci
on de V. A. Continuas
Supongamos ahora que deseamos simular valores de una V.A. Continua, X, que sigue una distribuci
on
de funci
on de densidad f (x) y funci
on de distribuci
on F (x).
Los valores xi , que toma la V.A. X siguiendo la distribuci
on dada, se pueden obtener de la ecuaci
on:
Z xi
f (x)dx = i

Siendo i un n
umero aleatorio de una distribuci
on U(0, 1).
Escogido o dado el n
umero aleatorio es preciso resolver esta ecuaci
on para obtener el valor de una
simulaci
on de la variable aleatoria X.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 29 / 39

17

M
etodo de la Funci
on de Distribuci
on Inversa
En definitiva, el metodo consiste en, dada una funci
on de densidad, f (x) obtener su funci
on de
distribuci
on F (x) y calcular su inversa F 1 (x).
F : E [0, 1]
x=F

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

()

En definitiva, dado U(0, 1), obtendremos una simulaci


on de X mediante la ecuaci
on,
x = F 1 ()
.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 30 / 39

18

Ejemplos:
Simulaci
on de una V.A. que siga una distribuci
on uniforme U(a, b), a partir de un generador de
n
umeros aleatorios que siga una distribucion U(0, 1):
 1
x (a, b)
ba
f (x) =
0 en el resto

0 x<a
xa
x (a, b)
F (x) =
ba
1 x>b
=

xa
ba

x = F 1 () = (b a) + a
Entonces x X U(a, b).
Simulaci
on de una V.A. con una distribuci
on exponencial de par
ametro :
f (x) = ex x > 0
Z x
F (x) =
et dt = 1 ex
0

= 1 ex
x = F 1 () =

ln(1 )

Si U(0, 1) equivalentemente (1 ) U(0, 1).


x=

ln()
Exp()

Este metodo no siempre es factible:




Cuando la integral de f (x) no se expresa como funciones elementales y no se puede obtener


F 1 (x).

Cuando la funci
on de densidad f (x) no se expresa analticamente sino de forma gr
afica.

Por ejemplo, para simular una V.A. que siga una distribuci
on N (, ), la ecuaci
on:
Z x
t2
1
F (x) =
e 2 dt =
2
no admite soluci
on explcita y el intervalo de posibles valores de x (, ).
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 31 / 39

19

M
etodo de Box-Muller
Este metodo transforma a partir de transformaciones biunvocas:
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. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 32 / 39

20

M
etodo de Aceptaci
on/Rechazo
Este metodo se usa para obtener sorteos de V.A. de distribuciones definidas en un dominio finito.
Esto significa que la funci
on de densidad f (x) [a, b]. Para simular mediante el metodo de
aceptaci
on/rechazo se seguir
an los siguientes pasos:
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. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 33 / 39

21

Simulaci
on de V.A. Mediante Ordenador

34 / 39

Excel
Excel posee una serie de funciones estadsticas que devuelven el valor de la funci
on de densidad f (x) y
de distribuci
on F (x), con los par
ametros necesarios para determinar la distribuci
on.
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 metodo de la Funci
on de Distribuci
on inversa:
DISTR.NORM.INV(prob;media;desv.ra est
andar)
DISTR.NORM.INV(ALEATORIO();media;desv. est
andar)
DISTR.CHI.INV
DISTR.EXP.INV
DISTR.GAMMA.INV
DISTR.NORM.INV
DISTR.T.INV
...
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 35 / 39

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 funci
on de distribuci
on,
F 1 (x).
norminv, poissinv, unifinv, expinv, etc.
Random Number Generators: Genera un n
umero aleatorio que siga una distribuci
on dada.
normrnd, exprnd, binornd, wblrnd, etc.
Matlab ademas usa las instrucciones rand para generar n
umeros U(0, 1) o randn para N (0, 1).
Tanto rand como randn son generadores de n
umeros pseudo aleatorios.
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 dimensi
on 35 que contiene el estado actual de la semilla del generador de n
umeros
pseudo aleatorios.
El perodo de Matlab es de 21492 antes de comenzar a repetirse.
randtool es otra herramienta gr
afica de Matlab para la generaci
on de n
umeros aleatorios.
Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 36 / 39

23

Resumen

37 / 39

Simulaci
on


C
alculo de integrales definidas.

Obtenci
on de N
umeros Aleatorios, tests de aleatoriedad.

Transformaci
on en V.A. con una distribuci
on dada.

Simulacion de V.A. mediante lenguajes de ordenador.

A continuaci
on:


Definicion del Problema.

Fijar las Variables.

Construir el Modelo.

Fijar las condiciones de las Simulaciones y Simular.

Licesio J. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 38 / 39

Problema de Inventario
Objetivo: control de inventarios para optimizar los recursos, satisfacer la m
axima demanda posible y
minimizar los gastos de almacenaje.
Enfoque Determinstico frente al Aleatorio.
El enfoque determinstico se resuelve:


Modelo econ
omico de lote.

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. Rodrguez-Arag
on

Metodos Cuantitativos Org. Ind. 39 / 39

24