Professional Documents
Culture Documents
2.1. Introducere
7
Fishman, S.G., Monte Carlo: concepts, algorithms, and applications. Springer-Verlag
New York Berlin Heidelberg, 1997, pag. 1-4
Simulări în afaceri
când toate celelalte estimaţii au erori ce descresc cu n-1/m cel mult. În plus,
timpul de lucru al metodei Monte Carlo creşte polinomial cu numărul de
variabile m, pe când la alte metode timpul de lucru creşte exponenţial în
raport cu m.
În prezent, metoda de simulare Monte Carlo se aplică din ce în ce
mai mult în domeniul afacerilor, pentru analiza problemelor stochastice sau
în condiţii de risc, atunci când aceeaşi direcţie de acţiune poate avea mai
multe consecinţe, ale căror probabilităţi se pot estima.
Variabilele ale căror valori nu sunt cunoscute cu certitudine, dar pot
fi descrise prin distribuţii de probabilitate se numesc variabile stochastice
sau probabiliste. În simulare, pentru a imita variabilitatea unei astfel de
variabile este necesară generarea valorilor posibile pe baza distribuţiei sale
de probabilitate.
Probabilităţile au un rol important în modelarea situaţiilor în care
intervin mărimi stochastice. În simulare, cunoştinţele despre probabilităţi
sunt necesare atât în faza de construire a modelului de simulare cât în faza
de analiză a rezultatelor simulării.
Probabilităţile pot fi obţinute în mai multe moduri. Cea mai simplă
este metoda subiectivă, prin care experţii estimează pe o scară de la zero la
unu probabilitatea ca un anumit eveniment să se realizeze [23, 39]. O altă
metodă este metoda obiectivă sau metoda bazată pe frecvenţele relative care
utilizează datele istorice sau obţinute prin măsurarea directă a valorilor unei
mărimi stochastice.
Pentru construirea distribuţiei de probabilitate a unei variabile
stochastice sau probabiliste pe baza datelor istorice sau obţinute prin
măsurare directă se poate aplica o procedură formată din trei etape:
1. Colectarea datelor referitoare la valorile variabilei probabiliste.
2. Gruparea datelor pe intervale şi construirea histogramei
frecvenţelor relative.
3. Analiza graficului histogramei frecvenţelor relative pentru a
stabili dacă seamănă cu forma unei distribuţii teoretice
cunoscute. Tipul distribuţiei de probabilitate poate fi apreciat
prin teste de concordanţă (Kolmogorov, Smirnov, Pearson sau
χ2) care măsoară apropierea dintre distribuţia teoretică şi
distribuţia valorilor variabilei probabiliste obţinute din seriile de
Simulări în afaceri
k
(ft − fs ) 2
χ2calculat = ∑ i i .
ft i
i =1
Dacă χ2calculat < χ2α,ν, atunci se poate considera că există concordanţă între
cele două distribuţii comparate, pentru un nivel de semnificaţie α şi numărul
de grade de libertate ν = k – c – 1, unde k este numărul intervalelor de
valori pentru care s-au determinat frecvenţele fti şi fsi, iar c reprezintă numărul
parametrilor distribuţiei de probabilitate analizate. Valoarea lui χ2α,ν se citeşte
din tabele.
Exemplul 2.1.
Tabelul 2.1 prezintă vânzările de calculatoare PC ale centrului
comercial ALFA în ultimele 30 de săptămâni.
Tabelul 2.1
Număr curent Calculatoare vândute pe Număr de săptămâni
i săptămână fi
xi
1 0 6
2 1 12
3 2 6
4 3 3
5 4 3
Pentru a simula cererea săptămânală de calculatoare se va determina
distribuţia de probabilitate a cererii săptămânale utilizând frecvenţa relativă
a cererii în cele 30 săptămâni, adică P(xi) = fi/30.
Tabelul 2.2
Număr curent Calculatoare vândute pe Probabilitatea cererii
i săptămână P(xi)
xi
1 0 0,20
2 1 0,40
3 2 0,20
4 3 0,10
5 4 0,10
Simulări în afaceri
98 99 0 1 2 3 4
96 97 5
95 6 7
94
93 8
92 9
91 10
90 11
89 12
88 13
87 14
86 10% 15
85 16
84
x5=4 20% 17
83 x1=0 18
19
82 10%
81 20
80 x4=3 21
79 22
78 23
77 24
76 25
75 26
74 20% 40%
27
73
x3=2 x2=1
28
29
72
71 30
70 31
69 32
68 33
67 34
66 35
65 36
64 37
63 38
62 39
61 40
60 41
59 42
58 43
57 56 44
45
55 54 46
53 52 51 50 49 48 47
Figura 2.1
Deşi uşor de înţeles, metodele bazate pe bilete numerotate sau pe
ruletă ar fi dificil de utilizat pentru generarea unui număr mare de valori
Simulări în afaceri
Rezolvare
În Tabelul 2.3 sunt prezentate numerele generate prin metoda
congruenţială.
Tabelul 2.3
Tabelul 2.5
Valoarea xi Probabilitatea Funcţia distribuţiei Intervale
a variabilei P(X =x i ) = P(x i) cumulative [F(xi-1), F(xi))
probabiliste F(x i )
x1 P(x1) F(x1) = P(x1) [F(x0), F(x1))
x2 P(x2) F(x2) = P(x1)+P(x2) [F(x0), F(x1))
... ... ... ...
xm P(xm) F(xm) = P(xm-1)+P(xm) [F(xm-1), F(xm)]
Probabilităţi
1.2 1
0,9 F(xi)
1
0,8
0.8
u 0,6
0.6
0.4
0,2
0.2
0 xi
0 1 2 3 4 5
Figura 2.2
Simulări în afaceri
Aplicaţii numerice
Rezolvare
Pasul 1. În Tabelul 2.6 sunt prezentate valorile funcţiei distribuţiei
cumulative F(xi) pentru vânzările săptămânale de calculatoare PC
determinate pe baza distribuţiei discrete din Tabelul 2.2.
Tabelul 2.6
Calculatoare vândute Probabilitatea cererii Funcţia distribuţiei
pe săptămână P(xi) cumulative
xi F(xi) = P(X ≤ xi)
0 0,20 0,20
1 0,40 0,60
2 0,20 0,80
3 0,10 0,90
4 0,10 1
Simulări în afaceri
Rezolvare
Tabelul 2.11
Număr de Probabilitatea Funcţia distribuţiei Intervale
candidaţi P(X = xi) cumulative [F(xi-1), F(xi))
promovaţi F(xi) = P(X ≤ xi)
xi
0 0,028248 0,028248 [0 0,028248)
1 0,1210618 0,149308 [0,028248 0,149308)
2 0,233474 0,382783 [0,149308 0,382783)
3 0,266828 0,649611 [0,382783 0,649611)
4 0,200121 0,849732 [0,649611 0,849732)
5 0,102919 0,952651 [0,849732 0,952651)
6 0,036757 0,989408 [0,952651 0,989408)
7 0,009002 0,998410 [0,989408 0,998410)
8 0,001447 0,999856 [0,998410 0,999856)
9 0,000138 0,999994 [0,999856 0,999994)
10 0,000006 1,000000 [0,999994 1,000000]
8
Această valoare s-a obţinut în EXCEL cu funcţia = BINOMDIST(1,10,0.3,0)
Simulări în afaceri
Rezolvare.
9
Această valoare s-a obţinut în EXCEL cu funcţia = POISSON(1,3,0)
Simulări în afaceri
Distribuţia normală
Distribuţia normală sau distribuţia Gaussiană are un rol fundamental
în teoria probabilităţilor şi în statistică. Acest tip de distribuţie descrie
caracteristici ale populaţiei (înălţimea, greutatea) sau distribuţiile unor
mărimi care sunt sume de alte mărimi (conform teoremei limitei centrale).
Astfel, durata totală de realizare a unui proiect, ca sumă a duratelor
probabiliste ale activităţilor de pe drumul critic, este o variabilă cu
distribuţie normală.
Distribuţia normală este o distribuţie simetrică sub formă de clopot.
Funcţia f(x) de densitate de probabilitate este o funcţie cu doi parametri,
media µ şi dispersia σ2, de forma:
1 ⎛ ( x − µ) 2 ⎞
f(x) = exp⎜ − ⎟
⎜ ⎟
2πσ 2 ⎝ 2σ 2 ⎠
Deoarece, funcţia f(x) de densitate de probabilitate a distribuţiei
normale nu poate fi integrată exact, ea nu se foloseşte direct. Calculul ariilor
necesare pentru determinarea probabilităţilor P(a ≤ x ≤ b) şi a funcţiei
distribuţiei cumulative se bazează pe tabelele distribuţiei normale standard
de probabilitate care este distribuţia normală a unei variabile probabiliste cu
media µ = 0, dispersia σ2 = 1 şi abaterea standard σ = 1.
Pentru a transforma o variabilă probabilistă X cu distribuţia normală
într-o variabilă probabilistă Z cu distribuţia normală standard se poate
utiliza formula: Z = (x - µ)/σ
În tabelele distribuţiei normale standard (Anexa 1) se găsesc
probabilităţile P(0 ≤ Z ≤ z), care reprezintă (Figura 2.3) valoarea ariei de
sub curba funcţiei de densitate de probabilitate f(z), cuprinsă între media µ =
0 şi valoarea z specificată.
Simulări în afaceri
0.45
0.4
0.35 Aria dată
0.3 în tabel
f(z) 0.25
0.2
0.15
0.1
0.05
0
-4 -3 -2 -1 0 1 z 2 3 4
valorile lui z
Figura 2.3
Tabelul 2.15
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.10 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
…
1.00 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.10 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.20 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.30 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
Distribuţia exponenţială
Distribuţia exponenţială este utilizată pentru a descrie timpul dintre
diferite evenimente cum sunt, de exemplu, intervalele de timp dintre sosirile
clienţilor într-un sistem de aşteptare. Se poate arăta că dacă numărul
sosirilor poate fi descris de o distribuţie Poisson, atunci intervalul dintre
sosiri urmează o distribuţie exponenţială.
Dacă X este o variabilă probabilistă cu media µ şi abaterea standard
µ atunci funcţia f(x) de densitate de probabilitate este:
1
f(x) = e-x/µ
µ
iar funcţia F(x) de distribuţie cumulativă este:
F(x) = P(X ≤ x) = 1 - e-x/µ
Rezultă că P(X > x) = e-x/µ
Simulări în afaceri
1
0.9 F(x)
0.8
0.7
Probabilitat
0.6
0.5 u=0,38
0.4
0.3
0.2 x=14,423
0.1
0
5 10 15 20 25 30 35
Timpul de servire
Figura 2.4
Simulări în afaceri
((x-a)2)/((b-a)(c-a)) = u
rezultă
x = a + (u(b-a)(c-a))½
şi dacă u > (b-a)/(c-a), atunci din ecuaţia
1 – ((c-x)2)/((c-a)(c-b)) = u
rezultă
x = c - ((1-u)(c-a)(c-b))½
0.0350
0.0333
0.0300 0.0292
0.0250 0.0250 0.0250
0.0200 0.0208
f(x)
0.0167 0.0167
0.0150
0.0125
0.0100
0.0083 0.0083
0.0050 0.0042
0.0000 0.0000
20 25 30 35 40 45 50 55 60 65 70 75 80
x
Figura 2.5
2.6. Concluzii