You are on page 1of 82

Técnicas de simulación mediante el

método de Montecarlo
 ¿Qué es la simulación?
 Proceso de simulación
 Simulación de eventos discretos
 Números aleatorios
 Análisis estadístico del resultado
224
¿Qué es la simulación?
 Simulación = técnica que imita el comportamiento de un
sistema del mundo real cuando evoluciona en el tiempo.
 Modelo de simulación = conjunto de hipótesis acerca del
funcionamiento del sistema expresado como relaciones
matemáticas y/o lógicas entre los elementos del sistema.
 Proceso de simulación: ejecución del modelo a través del
tiempo en un ordenador para generar muestras
representativas del comportamiento del sistema.
 Es una técnica para estimar la bondad de un modelo. NO
ES UNA TÉCNICA DE OPTIMIZACIÓN.
225
¿Qué es la simulación?
 Se basa en un muestreo aleatorio: la salida
de la simulación está sujeta a variaciones
aleatorias y debe ser examinada utilizando
pruebas de inferencia estadística.
 Un sistema es una colección de elementos
que actúan e interactúan para lograr algún fin
lógico.
 El estado de un sistema es el conjunto de
variables necesarias para describir el estado
del sistema en un momento dado.
226
Tipos de simulación
 Un modelo de simulación estática (simulación de
Monte Carlo) es una representación de un sistema
en un instante de tiempo determinado.
 Una simulación dinámica es una representación de
un sistema cuando evoluciona con el tiempo.
 Un modelo de simulación determinista no contiene
variables aleatorias.
 Un modelo de simulación estocástica contiene una o
más variables aleatorias.
227
Tipos de simulación
 Modelos continuos: su comportamiento
cambia continuamente con el tiempo. Se
suelen representar mediante ecuaciones
diferenciales que describen las interacciones
entre los elementos del sistema
 Modelos discretos: su comportamiento
cambia solo en instantesconcretos de tiempo:
eventos.
228
Proceso de simulación
 Enunciado explícito de los objetivos que se persiguen: preguntas que
se han de contestar, hipótesis que se quiere probar, posibilidades a
considerar.
 Creación del modelo y reunión de datos
 Diseñar un programa de ordenador para el modelo
 Verificar el programa
 Validar el modelo
 Utilizar el modelo para experimentar y contestar a las preguntas
iniciales.
 Reunir, procesar y analizar los datos generados como soluciones del
modelo y en términos de validez y confiabilidad estadística.
229
Elementos de una simulación
 Salidas: objetivos del estudio expresadas mediante valores numéricos.
 Entradas: valores numéricos que permiten iniciar la simulación y
obtener las salidas:
 Condiciones iniciales: valores que expresan el estado del sistema al
principio de la simulación
 Datos determinísticos: valores conocidos necesarios para realizar los
cálculos que producen las salidas
 Datos probabilísticos: cantidades cuyos valores son inciertos pero
necesarios para obtener las salidas de la simulación. Los valores
específicos de estos datos deben conocerse a través de una
distribución de probabilidad.
230
Simulación de eventos
discretos
 Todas las simulaciones de eventos discretos
describen situaciones de colas.
 Cualquier modelo de eventos discretos está formado
por una red de colas interrelacionadas.
 Los dos principales eventos son la llegada y la
salida.
 Si el intervalo de tiempo entre dos eventos
consecutivos es probabilístico surge la aleatoriedad.
231
Números aleatorios
 Métodos para generar una muestra aleatoria a partir de una
distribución de probabilidad f(t) a partir de números aleatorios
uniformemente distribuidos en (0,1)
 Método de la inversa: si f es la función de densidad de la distribución se
determina F(x)=P[ysx] que es una función creciente con valores en [0,1]. Si
R es un valor aleatorio obtenido de la distribución uniforme en (0,1),
x=F
-1
(R) es el valor deseado.
 Método de convolución: la idea fundamental es expresar la muestra
deseada como la suma estadística de otras variables aleatorias fáciles de
muestrear.
 Método de aceptación-rechazo: se reemplaza la función de densidad f
difícil de tratar analíticamente por una aproximación más simple h.
232
Números aleatorios
 Método de aceptación-rechazo: se reemplaza la función de
densidad f difícil de tratar analíticamente por una aproximación
más simple h.
 Función mayorante: g tal que f(x) s g(x) para todo x
 Función aproximada: h tal que
 El método consiste:
Obtener una muestra x=x1 a partir de h con el método de la
inversa o de la convolución
Obtener un número aleatorio R en (0,1)
Si se acepta x1 como muestra de f, si no, se

rechaza x1 y se vuelve al paso 1.
 La eficiencia del método depende de lo bien que se ajuste g
a f mientras se consiguen h analíticamente manejables.
( )
}
·
· ÷
=
dy y g
x g
x h
) (
) (
) (
) (
1
1
x g
x f
R s
233
Generación de números
aleatorios
 Para generar números aleatorios en un ordenador
para su uso en simulación se utilizan operaciones
aritméticas: números pseudoaleatorios.
 Método de la congruencia mixta: dados los
parámetros x
0
(semilla), a, c y m un número
pseudoaleatorio R
n
se genera:



 Una selección adecuada de x
0
, a, c y m puede hacer
que los números seudoaleatorios cumplan con las
propiedades estadísticas de los números aleatorios
,.. 2 , 1 ), mod( ) (
1
= +
=
+
i m c ax
X
i
i
,... 2 , 1 , =
=
i
x
R
m
i
i
234
Ejemplo números aleatorios
 El generador congruencial lineal es por mucho el que más se números
aleatorios. Por ejemplo se Xo=35,a=13,c=65 y m=100
 X1=[13*35+65] módulo 100
 X1=[520] módulo 100
 X1= 20
 Entre 0 y 1


 X2=[13*20+65] módulo 100
 X2=[325] módulo 100
 X2= 25
 Entre 0 y 1

20 , 0
100
20
1
=
= R
25 , 0
100
25
2
=
= R
235
Análisis estadístico del
resultado
 Una sola simulación proporciona sólo un valor de
entre muchos posibles del resultado, que puede ser
distinto en cada simulación.
 ¿Cuántas simulaciones son necesarias para lograr
un nivel deseado de confianza en el resultado?
 Si el resultado es la media de los valores de
salida
 Si el resultado es una proporción o probabilidad
 Las técnicas de inferencia estadística proporcionan
respuesta a estas preguntas. Estas técnicas también
se deben tener en cuenta a la hora de reunir los
datos que sirven como entradas.
236
Análisis estadístico del
resultado
 La confianza en el resultado se expresa como la
probabilidad de que el valor real esté en un intervalo
centrado en el valor estimado (intervalo de
confianza).
 La determinación de los intervalos de confianza en
simulación es complicado porque:
 Las salidas no suelen ser independientes.
 Las condiciones iniciales pueden influir en los
resultados.
237
Análisis estadístico del
resultado
 Creación de un intervalo de confianza para la media
verdadera de un resultado de salida.


 Elegido un valor de a el intervalo de confianza
asociado es


donde n= tamaño de la muestra, = media de la
muestra, s =desviación estándar de la muestra, t (n-
1), a/2 = valor de la distribución t con n-1 grados de
libertad de modo que P(T³ t (n-1), a/2 ) = a/2
o
µ
÷ = + s s ÷
÷ ÷
1
] [
e x e x P
x
÷
n
s
t x
n
*
2 / ), 1 ( o ÷
÷
±
238
Análisis estadístico del
resultado
 Creación de un intervalo de confianza para una
proporción
P [p – e s P s p+e ]=1 - o

 Elegido un valor de o el intervalo de confianza
asociado es


donde n= tamaño de la muestra, p= proporción de la
muestra, z o/2 = valor de la distribución normal
estándar de modo que P(Z> z o/2 ) =o/2
]
*
[
) 1 (
2 /
n
p p
z
p
÷
±
o
239
Ejercicio de Simulación Método de Montecarlo
 Considere una bodega con un anden para descargar vagones Los
vagones de carga llegan a la bodega durante la noche, se requiere
exactamente medio día para descargar un vagón. Si hay más de dos
vagones en espera de descarga, se pospone la descarga de algunos para el
día siguiente.

 El número de vagones tiene la siguiente frecuencia:


Número de vagones que llegan Frecuencia relativa
0 0,15
1 0,25
2 0,32
3 0,20
4 0,05
5 0,02
6 0,01
240
Ejercicio de Simulación Método de Montecarlo
 Simular el proceso de colas a través de un proceso aleatorizado de
montecarlo usando una tabla de números aleatorios.

 La alternativa de descargar 2 vagones es de US$ 1000 y el costo de
posponer un vagón para el día siguiente es US$10.

 Considere que una segunda alternativa es descargar 3 vagones diarios, si el
costo por descargar un vagón más es de US$ 500 mensuales es decir el
costo por descargar 3 vagones es de US$ 1500 mensuales y el costo de
posponer un vagón para el día siguiente es de US$10 , que alternativa
representa un menor costo.
241
Ejercicio de Simulación Método de Montecarlo
Número de Día Número aleatorio
x 86
x 12
x 42
1 29
2 36
3 1
4 41
5 54
6 68
7 21
8 53
9 91
10 48
11 36
12 55
13 70
14 38
15 36
16 98
17 50
18 95
19 92
20 67
21 24
22 76
23 64
24 2
25 53
26 16
27 16
28 55
29 54
30 23
242
Ejercicio de Simulación Método de Montecarlo
Número de Llegadas número total para descargar numero de vagonesnumero demorado
Número de Día Número aleatorio descargar descargados hasta el dia siguiente
x 86 3 3 2 1
x 12 0 1 1 0
x 42 2 2 2 0
1 29 1 1 1 0
2 36 1 1 1 0
3 1 0 0 0 0
4 41 2 2 2 0
5 54 2 2 2 0
6 68 2 2 2 0
7 21 1 1 1 0
8 53 2 2 2 0
9 91 3 3 2 1
10 48 2 3 2 1
11 36 1 2 2 0
12 55 2 2 2 0
13 70 2 2 2 0
14 38 1 1 1 0
15 36 1 1 1 0
16 98 5 5 2 3
17 50 2 5 2 3
18 95 4 7 2 5
19 92 4 9 2 7
20 67 2 9 2 7
21 24 1 8 2 6
22 76 3 9 2 7
23 64 2 9 2 7
24 2 0 7 2 5
25 53 2 7 2 5
26 16 1 6 2 4
27 16 1 5 2 3
28 55 2 5 2 3
29 54 2 5 2 3
30 23 1 4 2 2
40
72
1000 720 1720
243
Ejercicio de Simulación Método de Montecarlo
Número de Llegadasnúmero total para descargar numero de vagonesnumero demorado
Número de DíaNúmero aleatorio descargar descargados hasta el dia siguiente
x 86 3 3 3 0
x 12 0 0 0 0
x 42 2 2 2 0
1 29 1 1 1 0
2 36 1 1 1 0
3 1 0 0 0 0
4 41 2 2 2 0
5 54 2 2 2 0
6 68 2 2 2 0
7 21 1 1 1 0
8 53 2 2 2 0
9 91 3 3 3 0
10 48 2 2 2 0
11 36 1 1 2 0
12 55 2 2 2 0
13 70 2 2 2 0
14 38 1 1 1 0
15 36 1 1 1 0
16 98 5 5 3 2
17 50 2 4 3 1
18 95 4 5 3 2
19 92 4 6 3 3
20 67 2 5 3 2
21 24 1 3 3 0
22 76 3 3 3 0
23 64 2 1 3 0
24 2 0 0 0 0
25 53 2 2 2 0
26 16 1 1 1 0
27 16 1 1 1 0
28 55 2 2 2 0
29 54 2 2 2 0
30 23 1 1 1 0
40
10
1500 100 1600
La alternativa que representa un menor costo mensual es descargar 3 vagones US$ 1.600
La alternativa de dos vagones US$ 1.720
244
Ejercicio de Simulación Método de Montecarlo
 Simulación y control de inventarios

 La simulación no sólo se aplica a procesos de colas: se han
simulado muchas fases de las operaciones empresariales con
buenos resultados. Ilustraremos a continuación, con un ejemplo
breve, cómo se aplica la simulación a la resolución de un
problema de inventarios.

 Ejemplo 2
Suponga que la demanda semanal de un producto tiene la
distribución que se muestra en la tabla 1.
Cuando se formula un pedido para reabastecer el inventario, esto
se hace cuando el inventario final alcance 5 unidades como
mínimo, hay una demora de entrega, la cual es una variable
aleatoria como se muestra en la tabla 2

Determine las ventas perdidas
245
Ejercicio de Simulación Método de Montecarlo

Tabla 1 Distribución de probabilidad para la demanda semanal

Números
Cantidad aleatorios
demandada Probabilidad asignados
0 0.10 00 a 09
1 0.40 10 a 49
2 0.30 50 a 79
3 0.20 80 a 99
----
1.00




Tabla 2 Distribución de probabilidad para la demora de entrega

Número de
semanas desde Números
el pedido hasta aleatorios
la entrega Probabilidad asignados
2 0.20 00 a 19
3 0.60 20 a 79
4 0.20 80 a 99
---------
1.00

246
Ejercicio de Simulación Método de Montecarlo
Tabla 3 Ejemplo de simulación de inventarios
Número Número de
Ventas Ventas aleatorio semanas para
Número Recep- Inventario Número (uni- Inventario perdidas. para que llegue
de semana ciones inicial aleatorio dades) final (escasez) Pedidos pedidos el pedido
x 10 37 1 9
x 9 51 2 7
x 7 68 2 5 15 45 3
x 5 83 3 2
x 2 56 2 0
0 15 15 11 1 14
1 14 91 3 11
2 11 99 3 8
3 8 57 2 6
4 6 28 1 5 15 61 3
5 5 70 2 3
6 3 33 1 2
7 15 17 91 3 14
8 14 67 2 12
9 12 97 3 9
10 9 61 2 7
11 7 11 1 6
12 6 50 2 4 15 86 4
13 4 25 1 3
14 3 06 O 3
15 3 60 2 1
16 15 16 80 3 13
17 13 19 1 12
18 12 88 3 9
19 9 25 1 8
20 8 24 1 7
21 7 68 2 5 15 37 3
22 5 78 2 3
23 3 37 1 2
24 15 17 04 0 17
25 17 32 1 16
26 16 75 2 14
27 14 21 1 13
28 13 47 1 12
29 12 40 1 11
30 11 71 2 9
31 9 85 3 6
32 6 88 3 3 15 15 2
33 3 24 1 2
34 15 17 61 2 15
35 15 19 1 14
36 14 90 3 11

247
Ejercicio de Simulación Método de Montecarlo
Tabla 3


Número
de
semana
Recepciones Inventario
Inicial
Número
Aleatorio
Ventas
(UNIDADES)
Inventario
Final
Ventas
Perdidas
(escasez)
Pedidos Número
Aleatorio
para
Pedidos
Número
de
semanas
para que
llegue el
pedido
37 11 24 1 10
38 10 16 1 9
39 9 32 1 8
40 8 72 2 6
Totales 412 0
Promedio 10.3


248
CADENAS DE MARKOV
El análisis de Markov tuvo su origen en los estudios de
A.A.Markov(1906-1907) sobre la secuencia de los experimentos
conectados en cadena y los intentos de descubrir
matemáticamente los fenómenos físicos conocidos como
movimiento browiano. La teoría general de los procesos de
Markov se desarrollo en las décadas de 1930 y 1940 por
A.N.Kolmagoron, W.Feller, W.Doeblin, P.Levy, J.L.Doob y otros.
El análisis de Markov es una forma de analizar el movimiento
actual de alguna variable, a fin de pronosticar un movimiento
futuro de la misma.
249
CADENAS DE MARKOV
Una cadena de markov es una serie de eventos, en la cual la
probabilidad de que ocurra un evento depende del evento
inmediatamente anterior. En efecto, las cadenas de este tipo
tienen memoria.” Recuerdan” el último evento y esto condiciona
las posibilidades de los eventos futuros. Esta dependencia del
evento anterior distingue a las cadenas de Markov de las series
de eventos independientes, como tirar una moneda al aire o un
dado.
Las cadenas de Markov se han utilizado para analizar los
patrones de compra de los deudores morosos, para planear
necesidades del personal, analizar el reemplazo de equipos y
otros.
250
CADENAS DE MARKOV
El comportamiento de cambio de marca de los consumidores ha sido
modelado como una cadena de Markov, para ayudar a desarrollar las
estrategias de mercadotecnia. A manera de ejemplo, observemos el
comportamiento de cambio de marca descrito en la tabla para una
muestra de 250 consumidores de un producto.
Tabla : Número de consumidores que cambian la marca i en la semana 6
por la marca j en la semana 7

Marca en la Semana 7
Marca
semana 6
1 2 3 Total
1 72 4 4 80
2 12 102 6 120
3 2 6 42 50
Total 86 112 52 250
CADENAS DE MARKOV
El primer renglón indica que, de 80 personas que compraron la
marca 1 en la semana 6, 72 volvieron a adquirirla en la
semana7, 4 prefirieron la marca 2 y 4 la marca 3.
Sin embargo, nótese que 12 personas cambiaron la marca 2
por la marca 1, 2 personas cambiaron la marca 3 por la marca
1.
Así pues, para la marca 1, la perdida de 8 clientes se compensó
con creces por la conquista de 14 clientes.

Entre la sexta y la séptima semanas, la marca 1 aumentó su
participación en el mercado de 32% (80/250) a 34,4 %
(86/250).
CADENAS DE MARKOV
La siguiente tabla nos muestra la matriz de transición final.

A B C
A 72/80=0.90 4/80=0.05 4/80=0.05
B 12/120=0.10 102/120=0.85 6/120=0,05
C 2/50=0,04 6/50=0,12 42/50=0.84

CADENAS DE MARKOV
la matriz P es una estimación de la matriz verdadera, pues solamente
representa el comportamiento de una muestra de 250 consumidores,
durante un período de dos semanas. Los elementos p11, p22 y p33 de la
matriz P son medidas del “poder de retención” de las tres marcas; los
restantes elementos pij reflejan el “poder de atracción” de la marca
j,suponiendo que la compra anterior haya sido a favor de la marca i. Los
elementos de cada fila reflejan la probabilidad de que una marca retenga a
sus clientes o los pierda frente a otras marcas. Los elementos de cada
columna resumen la probabilidad de que una marca retenga a sus clientes
o conquiste a otros a costa de cada marca de la competencia.
Supongamos que la participación en los mercados que tienen las tres
marcas del ejemplo son 30%, 38% y 32%, respectivamente, durante la
séptima semana. Si la matriz de transición P (muestral), se considera una
buena estimación de la verdadera matriz de transición (poblacional), es
posible predecir las participaciones de mercado esperadas en la octava
semana por medio de la multiplicación de matrices.

CADENAS DE MARKOV
X8=x7*P

0,90 0,05 0,05
X8= (0,30 0,38,0,32) * 0,10 0,85 0,05
0,05 0,12 0,84

=(0,3208 03764 0,3028)
Las participaciones en el mercado predichas durante la octava semana son
32,08%, 37,64% y 30,28%, respectivamente para las tres marcas.
Generalizando, podemos decir que si un proceso de Markov donde el
sistema puede encontrarse en cualquiera de m estados posibles, las
probabilidades pueden escribirse por medio del vector X = (x1 x2 . . . xm)
donde xj representa la probabilidad de que el sistema se halle en el estado
j. En los estados actuales de un proceso de Markov Xk, los estados después
del siguiente experimento (transición) pueden calcularse mediante la
multiplicación de matrices
.

CADENAS DE MARKOV
Xk+1=Xk*P

En base a la ecuación anterior podemos afirmar que :

X1=X0*P
X2=X1*P=(X0P)P=X0P
2
X3=X0P
3

Generalizando

Xn=X0P
n



CADENAS DE MARKOV
Esto es, el vector de estado, que describe el sistema después de n
transiciones (o experimentos) es el producto del vector inicial de estado y la
potencia enésima de la matriz de transición P.
En el ejemplo, si se desea predecir las participaciones de mercado durante
la décima semana, calculamos X10 = X7 P3, ya que en este caso X0
corresponde al vector X7.

0,748230 0,131065 0,120705
X8= (0,30 0,38,0,32) * 0,236230 0,643065 0,120705
0,122464 0,263792 0,61744

=(0,35342488 0,36809764 0,27847748


CADENAS DE MARKOV
A fin de ilustrar el proceso de Markov presentamos un problema
en el que los estados de resultados de actividades son marcas,
y las probabilidades de transición expresan la probabilidad de
que los consumidores vayan de una marca a otra. Supongamos
que la muestra inicial de consumidores se compone de 1 000
participantes distribuidos entre cuatro marcas(A, B, C, D). Una
suposición adicional es que la muestra representa a todo el
grupo.
258
CADENAS DE MARKOV
En la siguiente tabla la mayor parte de los clientes que
compraron inicialmente la marca A, siguieron con ella en el
segundo periodo. No obstante la marca A ganó 50 clientes y
perdió 45 con otras marcas.
Marca Periodo 1
Numero de
Clientes
Ganancias Perdidas Periodo 2
Numero de Clientes
A 220 50 45 225
B 300 60 70 290
C 230 25 25 230
D 250 40 35 255
1 000 175 175 1 000

259
CADENAS DE MARKOV
Esta tabla no muestra la historia completa, sino que necesita un
análisis detallado con respecto a la proporción de ganancias y
pérdidas netas entre las cuatro marcas. Es necesario calcular las
probabilidades de transición para las cuatro marcas. Las
probabilidades de transición se definen como la probabilidad de
que determinada marca, conserve sus clientes. Para determinar
lo anterior dividimos se divide el numero de clientes retenidos
entre en número de clientes en el periodo inicial, por ejemplo
para la marca A (220- 45=175) se divide 175/220 lo que nos da
0.796, al igual para las otras marcas, obteniendo
0.767(B),0.891(C),0.860(D).

260
CADENAS DE MARKOV
Para aquellos clientes que cambiaron de marcas , es necesario
mostrar las perdidas y ganancias entre las marcas a fin de
completar las matriz de probabilidades de transición. De
acuerdo con los datos desarrollados, el paso siguiente consiste
en convertir el cambio de marcas de los clientes de modo que
todas las pérdidas y ganancias tomen forma de probabilidades
de transición, obteniendo la matriz de probabilidad de
transición.

261
CADENAS DE MARKOV
La siguiente tabla nos muestra la matriz de transición final.

A B C D
A 175/220=0.796 40/300=0.133 0/230=0 10/250=0.040
B 20/220=0.091 230/300=0.767 25/230=0.109 15/250=0.060
C 10/220=0.046 5/300=0.017 205/230=0.891 10/250=0.040
D 15/220=0.067 25/300=0.083 0/230=0 215/250=0.860

262
CADENAS DE MARKOV
La lectura de esta información sería la siguiente:
La marca A retiene 0.796 de sus clientes, mientras que gana
0.133 de los clientes de B, 0.40 de los clientes de D y 0 de los
clientes de C.
La administración de mercadotecnia puede tener un gran
ventaja de toda esta información que nos pueda arrojar el
desarrollo de técnicas como estas, ayudando a la promoción de
algunos productos que los necesiten para tener una mejor
aceptación entre los consumidores.



263
EJERCICIO CADENAS DE MARKOV

Suponga que toda la industria de refresco produce dos colas: Coca Cola y Pepsi
Cola. Cuando una persona ha comprado Coca Cola hay una probabilidad de 90% de que siga
comprándola la vez siguiente. Si una persona compró Pepsi, hay 80% de que repita la vez
siguiente. Se pide:

a)Si una persona actualmente es comprador de Pepsi. ¿Cuál es la probabilidad de
que compre Coca Cola pasadas dos compras a partir de hoy?

b)Si en la actualidad una persona es comprador de Coca Cola. ¿Cuál es la
probabilidad de que compre Coca Cola pasadas tres compras a partir de ahora?

c)Supongamos que el 60% de toda la gente toma hoy Coca Cola y el 40% Pepsi. A
tres compras a partir de ahora, ¿Qué fracción de los compradores estará tomando
Coca Cola.

d)Determinar el estado estable.
264
EJERCICIOS CADENAS DE MARKOV

SOLUCIÓN: La situación se puede modelar como una cadena de
Markov con dos estados {Coca-Cola, Pepsi-Cola}= {C,P}
La matriz de transición para el orden C,P, es:

0,9 0,1
P=
0,2 0,8


0,83 0,17
a.- P
2
=
0,34 0,66


R: 34 %


265
EJERCICIOS CADENAS DE MARKOV


0,9 0,1
P=
0,2 0,8


0,781 0,219
b.- P
3
=
0,438 0,562


R: 78,1 %


266
EJERCICIOS CADENAS DE MARKOV


0,9 0,1
P=
0,2 0,8


0,781 0,219
c.- P
3
= (0,6;0,4)
0,438 0,562

C = 0,6438 ;0,3562
R: 64,38 %


267
EJERCICIOS CADENAS DE MARKOV

0,9 0,1
P=
0,2 0,8

d.- Estado estable
0,9 0,1
(x,y)* =x,y
0,2 0,8

x+y=1
R:
+0,9x+0,2y=x
+0,1x+0,8y=y

-0,1x+0,2y=0
+0,1x-0,2y=0
x+y=1

X=0,66
Y=0,33

268
Simulaciones con variables Aleatorias continuas

 Los ejemplos de simulación presentados hasta aquí utilizan
sólo distribuciones de probabilidad discretas para las
variables aleatorias. Sin embargo, en muchas es nada mas
real y práctico usar variables aleatorias continuas. En esta
sección, se presentan y analizan varios procedimientos para
generar variables aleatorias a partir de distribuciones
continuas. En esta sección se presentan y analizan varios
procedimientos para generar variables aleatorias a partir de
distribuciones continuas. El principio básico es muy similar
al caso discreto. Como en el método discreto, primero se
genera un numero aleatorio R(0,1) y luego se transforma
en una variable aleatoria a partir de de la distribución
especifica. El proceso para llevar a cabo la transformación,
es bastante diferente del caso discreto.

269
Simulaciones con variables Aleatorias continuas

 Hay muchos métodos diferentes para generar variables
aleatorias continuas. La selección de un algoritmo
particular dependerá de la distribución a partir de la cual
se quiere generar, tomando en cuenta factores como la
exactitud de las variables aleatorias, las eficiencias de
cómputo y almacenaje y la complejidad del algoritmo. Los
dos algoritmos utilizados con más frecuencia son el
método de transformación inversa (MTI) y el método del
aceptación-rechazo (MAR). Entre estos dos métodos, es
posible generar variables aleatorias de casi todas las
distribuciones utilizadas con más frecuencia. Se presenta
una distribución detallada de ambos algoritmos, junto con
varios ejemplos para cada método. Además de esto, se
presentan dos métodos para generar variables aleatorias a
partir de la distribución normal.

270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
Ejercicio de Simulación con variables aleatorias
continuas
 Método de transformación inversa
 El método de la transformación inversa por lo general se
utiliza para distribuciones cuya función de distribución
acumulada se puede obtener en forma cerrada. Como
ejemplo se tienen las distribuciones exponenciales,
uniformes, triangular y la de Weibull. Para distribuciones
cuya dpa no existe en forma cerrada, es posible usar algún
método numérico, como un desarrollo en serie de potencias,
dentro del algoritmo para evaluar una dpa. Sin embargo, es
posible que esto complique el procedimiento a tan grado
que sea más eficaz usar un algoritmo diferente para generar
las variables aleatorias. El MTI es relativamente fácil de
describir y ejecutar. Consiste en los tres pasos siguientes:



301
Ejercicio de Simulación con variables aleatorias
continuas
 Paso 1 Dada una función de densidad de probabilidad ƒ(x)
para una variable aleatoria X, obtenga la función de
distribución acumulada F(x) como


 Paso 2 Generar un número aleatorio r.

 Paso 3 Establezca F(x) = r y termine el valor de x. La variable
x es entonces una variable aleatoria a partir de la distribución
cuya dpa está dada por ƒ(x).
Ahora se escriben los mecanismos de los algoritmos usando un
ejemplo. Para esto, se considera la distribución dada por la
función




302
Ejercicio de Simulación con variables aleatorias
continuas


 Una función de este tipo se llama función de rampa. Su gráfica es
como la que se ilustra en la figura 7. El área bajo la curva, ƒ(x) =
x/2 , representa la probabilidad de la ocurrencia de la variable
aleatoria X. Se supone que en este caso, X representa los tiempos
de servicio de un cajero. Para obtener las variables aleatorias de
esta distribución por medio del método de transformación inversa,
primero se calcula la dpa como



303
Ejercicio de Simulación con variables aleatorias
continuas
 Esta distribución de probabilidad acumulada se representa de
manera formal por la función





 A continuación, en el paso 2, se genera un número aleatorio r. Por
último, en el paso 3, se establece F(x) = r y se determina el valor
de x.




304
Ejercicio de Simulación con variables aleatorias
continuas
 Puesto que los tiempos de servicio se definen sólo para valores
positivos de x, no es factible un tiempo de servicio de x =- .
Esto nos deja con x = como la solución para x. Esta ecuación se
llama generador de variables aleatorias o un generador de
proceso. Así para obtener un tiempo de servicio, primero se
genera un número aleatorio y luego se transforma por medio de la
ecuación anterior. Con cada ejecución de la ecuación se obtiene un
tiempo de servicio a partir de la distribución. Por ejemplo, si se
obtiene un numero aleatorio r = 0,64, se generará un tiempo de
servicio de x = .
305