Beruflich Dokumente
Kultur Dokumente
INDICE
Lenguajes de simulacin
4.1 Lenguaje de simulacin y simuladores
4.2 Aprendizaje y uso del lenguaje de simulacin o un simulador
4.3 Casos prcticos de simulacin
4.3.1 Problemas con lneas de espera
4.3.2 Problemas con sistemas de inventario
4.4 Validacin de un simulador
4.4.1 Pruebas paramtricas (Validacin del modelo, pruebas de hiptesis y
pruebas de estimacin).
4.4.2 Pruebas no paramtricas
Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulacin o tenemos relaciones entre variables es la
siguiente:
Muestrear valores de las variables aleatorias.Calcular el resultado del modelo segn los
valores del muestreo (iteracin) y registrar el resultado
Repetir el proceso hasta tener una muestra estadsticamente representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados
Las principales caractersticas a tener en cuenta para la implementacin o utilizacin del
algoritmo son:
El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad
(fdp)
Generador de nmeros aleatorios: como se generan los nmeros aleatorios es
importante para evitar que se produzca correlacin entre los valores mustrales.
Establecer lmites y reglas de muestreo para las fdp: conocemos que valores pueden
adoptar las variables.
Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular.
Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para que
una corrida sea vlida.
Tcnicas de reduccin de varianza.
EJEMPLO PRACTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y
queremos ver que sucede con el promedio de la demanda en varias iteraciones:
Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda
para cada da, interesndonos en este caso como es el orden de aparicin de los valores.
Se busca el nmero aleatorio generado en la tabla de probabilidades acumuladas, una
vez encontrado ( si no es el valor exacto, ste debe se menor que el de la fila
seleccionada pero mayor que el de la fila anterior), de esa fila tomada como solucin se
toma el valor de las unidades (Cuando trabajamos en Excel debemos tomar el lmite
inferior del intervalo para busca en las acumuladas, para poder emplear la funcin
6
7
Fig.4 En la siguiente tabla, vemos como a medida que aumenta el numero
de simulaciones, el valor simulado se acerca al valor original de la media y
desviacin estndar, adems de la disminucin del error tpico.
Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se ha cometido
un error de tipo I. Por otra parte, si aceptamos una hiptesis que debiera ser rechazada,
diremos que se cometi un error de tipo II. En ambos casos, se ha producido un juicio
errneo.
Para que las reglas de decisin (o no contraste de hiptesis) sean buenos, deben
disearse de modo que minimicen los errores de la decisin; y no es una cuestin
sencilla, porque para cualquier tamao de la muestra, un intento de disminuir un tipo de
error suele ir acompaado de un crecimiento del otro tipo. En la prctica, un tipo de error
puede ser ms grave que el otro, y debe alcanzarse un compromiso que disminuya el
error ms grave. La nica forma de disminuir ambos a la vez es aumentar el tamao de la
muestra que no siempre es posible.
10