Simulaci on, M etodo de Montecarlo

Area de Estad stica e Investigaci on Operativa Licesio J. Rodr guez-Arag on Marzo 2011

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

. . . . .

. . . . .

. . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

. . . . .

2 3 4 5 6 7

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

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

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 . . . . . . . . M etodo de los centros de los cuadrados M etodo Congruencial . . . . . . . . . . . . . M etodo multiplicativo . . . . . . . . . . . . Generador mixto . . . . . . . . . . . . . . . . Ventajas . . . . . . . . . . . . . . . . . . . . . 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: . . . . . . . . . . . . . . . . . . . . . M etodo de Box-Muller . . . . . . . . . . . . M etodo de Aceptaci on/Rechazo . . . . .

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

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

Introducci on
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 t ecnicas de simulaci on, por ejemplo en medicina los simuladores quir urgicos. Licesio J. Rodr guez-Arag on

2 / 39

M etodos 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. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 4 / 39

Denici on
Podr amos decir que simular tiene como objetivo duplicar caracter sticas y comportamientos propios de un sistema real. Simularemos problemas relacionados con la Organizaci on Industrial a trav es de la construcci on de modelos matem aticos que representen de forma dedigna la realidad. La utilizaci on de modelos matem aticos permite: Introducir nuevas variables. Hacer variar sus valores. Analizar las consecuencias de estas modicaciones. Objetivo: Toma optima de decisiones. Licesio J. Rodr guez-Arag on M etodos 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 mayor a 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 conoci endose no pudo ser aplicada de forma satisfactoria. Licesio J. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 6 / 39

Ventajas y Desventajas
Ventajas: Es un m etodo directo y exible. 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 interere con el mundo real. Permite experimentar. Permite estudiar la interacci on entre las diferentes variables del problema. Mediante la simulaci on podemos inuir en el tiempo de los procesos. La simulaci on permite resolver problemas que no tienen soluci on anal tica. 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. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 7 / 39

M etodo de Montecarlo
M etodo de Montecarlo

8 / 39

El m etodo de Montecarlo permite resolver problemas matem aticos 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 pod an ser resueltos de forma anal tica. 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. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 9 / 39

Ejemplo: C alculo de Integrales

Una aplicaci on inmediata del m etodo, es el c alculo de integrales denidas.

Licesio J. Rodr guez-Arag on

M etodos Cuantitativos Org. Ind. 10 / 39

Ejemplo: C alculo de Integrales

Consideremos un caso m as sencillo:
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 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 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-Arag on

M etodos 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 supercie. 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: P (N aciertos en N ) = N p N 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 conanza al 95% del n umero de aciertos N en S estar a en: (N p 2 N p q, N p + 2 N p q ).

Licesio J. Rodr guez-Arag on

M etodos Cuantitativos Org. Ind. 12 / 39

Tama no de la Simulaci on
En nuestro ejemplo sabemos que:
1

x2 dx =
0

1 = 0.333 . . . 3

y calculamos el area bajo la curva mediante el m etodo de Montecalo: S =A N N

Cu antas simulaciones son necesarias para estimar S con 2 cifras signicativas correctas? S (0.3250, 0.3349) Esto equivale a que el n umero de aciertos N con un 95% de conanza: 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 = 1 3: zd = 1.96 = zd = 1.96 2 xd 0.3349 N N p = N pq

N = 333494 simulaciones.

Licesio J. Rodr guez-Arag on

M etodos Cuantitativos Org. Ind. 13 / 39

Obtenci on de N umeros Aleatorios

Fuentes de N umeros Aleatorios
El fundamento del m etodo 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 i=0

14 / 39

(i 0.1 N )2

Adem as existen tests de rachas para detectar patrones. Licesio J. Rodr guez-Arag on M etodos 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 Ejemplos: Tablas en libros de simulaci on y en repositorios. Licesio J. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 16 / 39 i = 0, . . . , 9.

10

Generadores de N umeros Aleatorios

Los dispositivos mec anicos resultan demasiado lentos para generar cifras aleatorias. Un m etodo m as r apido es la utilizaci on del ruido: Si el ruido en la uctuaci 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. Debi endose obtener que P (0) = P (1) = 1/2. En estos m etodos tambi en es necesario vigilar la calidad de los n umeros aleatorios generados. Licesio J. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 17 / 39

N umeros Pseudo Aleatorios

Ser a interesante poder obtener n umeros aleatorios mediante una formula. Si dicha formula existiese deber a ser muy ingeniosa: M etodo de los centros de los cuadrados. M etodos congruenciales. Generador multiplicativo. Generador mixto. Licesio J. Rodr guez-Arag on M etodos 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.
2 que tendr Obtenemos 0 a 8 cifras y elegiremos las 4 centrales, 2 0 = 0.97535376 2, estas cifras formar an 1 = 0.5353, y elevando al cuadrado 1 2 = 0.28654609 1

obtendremos 2 = 0.6546 y as sucesivamente. Este m etodo presenta algunos problemas, entre otros la obtenci on de n umeros peque nos con mayor frecuencia que n umeros grandes. Licesio J. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 19 / 39

M etodo Congruencial
Denici 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. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 20 / 39

12

M etodo multiplicativo
Es una modicaci on del m etodo 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 d gitos diferentes del sistema usado (binario, 2) y p es el tama no de una palabra. El per odo m aximo de repetici on es m/4 con m = 2p y tomando como 0 una semilla impar. Licesio J. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 21 / 39

Generador mixto
En el m etodo congruencial, la elecci on adecuada de a y b hacen que el per odo 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. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 22 / 39

13

Ventajas de los n umeros pseudo aleatorios

Basta con realizar operaciones aritm eticas 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. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 23 / 39

Simulaci on de V.A.
N umeros Aleatorios U (0, 1):
Hasta aqu hemos generado, mediante diferentes t ecnicas, n umeros aleatorios que siguen una distribuci on uniforme: k U (0, 1) Esta distribuci on tendr a la funci on de densidad: f (x) = y funci on de distribuci on: 0 x<0 F (x) = x 0<x<1 1 x>1 Licesio J. Rodr guez-Arag on 1 0<x<1 0 en el resto

24 / 39

M etodos 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 t ecnicas de simulaci on basadas en el m etodo de Montecarlo. La idea b asica del m etodo 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. Rodr guez-Arag on M etodos 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

ser a 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 t ecnicas de obtenci on 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

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. Rodr guez-Arag on

M etodos 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 qu e intervalo pertenece [yi1 , yi ) le asignaremos el resultado xi correspondiente a la simulaci on. Licesio J. Rodr guez-Arag on M etodos 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:
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. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 29 / 39

17

M etodo de la Funci on de Distribuci on Inversa

En denitiva, el m etodo 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
1

( )

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

En denitiva, dado U (0, 1), obtendremos una simulaci on de X mediante la ecuaci on, x = F 1 ( ) . Licesio J. Rodr guez-Arag on M etodos 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 distribuci on U (0, 1): f (x) =
1 ba

x (a, b) en el resto

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

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 m etodo no siempre es factible:

ln( ) E xp()

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 anal ticamente sino de forma gr aca. Por ejemplo, para simular una V.A. que siga una distribuci on N (, ), la ecuaci on: 1 F (x) = 2
x

t 2 2

dt =

no admite soluci on expl cita y el intervalo de posibles valores de x (, ). Licesio J. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 31 / 39

19

M etodo de Box-Muller
Este m etodo transforma a partir de transformaciones biun 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-Arag on

M etodos Cuantitativos Org. Ind. 32 / 39

20

M etodo de Aceptaci on/Rechazo

Este m etodo se usa para obtener sorteos de V.A. de distribuciones denidas en un dominio nito. Esto signica que la funci on de densidad f (x) [a, b]. Para simular mediante el m etodo 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. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 33 / 39

21

Simulaci on de V.A. Mediante Ordenador

Excel

34 / 39

Excel posee una serie de funciones estad sticas 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 m etodo 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. Rodr guez-Arag on M etodos 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, uninv, expinv, etc. Random Number Generators: Genera un n umero aleatorio que siga una distribuci on dada. normrnd, exprnd, binornd, wblrnd, etc. Matlab adem as 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 per odo de Matlab es de 21492 antes de comenzar a repetirse. randtool es otra herramienta gr aca de Matlab para la generaci on de n umeros aleatorios. Licesio J. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 36 / 39

23

Resumen
Simulaci on
C alculo de integrales denidas. Obtenci on de N umeros Aleatorios, tests de aleatoriedad. Transformaci on en V.A. con una distribuci on dada. Simulaci on de V.A. mediante lenguajes de ordenador. A continuaci on: Denici on del Problema. Fijar las Variables. Construir el Modelo. Fijar las condiciones de las Simulaciones y Simular. Licesio J. Rodr guez-Arag on

37 / 39

M etodos 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 Determin stico frente al Aleatorio. El enfoque determin stico 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. Rodr guez-Arag on M etodos Cuantitativos Org. Ind. 39 / 39

24