You are on page 1of 82

Tcnicas de simulacin mediante el

mtodo de Montecarlo
Qu es la simulacin?
Proceso de simulacin
Simulacin de eventos discretos
Nmeros aleatorios
Anlisis estadstico del resultado
224
Qu es la simulacin?
Simulacin = tcnica que imita el comportamiento de un
sistema del mundo real cuando evoluciona en el tiempo.
Modelo de simulacin = conjunto de hiptesis acerca del
funcionamiento del sistema expresado como relaciones
matemticas y/o lgicas entre los elementos del sistema.
Proceso de simulacin: ejecucin del modelo a travs del
tiempo en un ordenador para generar muestras
representativas del comportamiento del sistema.
Es una tcnica para estimar la bondad de un modelo. NO
ES UNA TCNICA DE OPTIMIZACIN.
225
Qu es la simulacin?
Se basa en un muestreo aleatorio: la salida
de la simulacin est sujeta a variaciones
aleatorias y debe ser examinada utilizando
pruebas de inferencia estadstica.
Un sistema es una coleccin de elementos
que actan e interactan para lograr algn fin
lgico.
El estado de un sistema es el conjunto de
variables necesarias para describir el estado
del sistema en un momento dado.
226
Tipos de simulacin
Un modelo de simulacin esttica (simulacin de
Monte Carlo) es una representacin de un sistema
en un instante de tiempo determinado.
Una simulacin dinmica es una representacin de
un sistema cuando evoluciona con el tiempo.
Un modelo de simulacin determinista no contiene
variables aleatorias.
Un modelo de simulacin estocstica contiene una o
ms variables aleatorias.
227
Tipos de simulacin
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 simulacin
Enunciado explcito de los objetivos que se persiguen: preguntas que
se han de contestar, hiptesis que se quiere probar, posibilidades a
considerar.
Creacin del modelo y reunin de datos
Disear 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 trminos de validez y confiabilidad estadstica.
229
Elementos de una simulacin
Salidas: objetivos del estudio expresadas mediante valores numricos.
Entradas: valores numricos que permiten iniciar la simulacin y
obtener las salidas:
Condiciones iniciales: valores que expresan el estado del sistema al
principio de la simulacin
Datos determinsticos: valores conocidos necesarios para realizar los
clculos que producen las salidas
Datos probabilsticos: cantidades cuyos valores son inciertos pero
necesarios para obtener las salidas de la simulacin. Los valores
especficos de estos datos deben conocerse a travs de una
distribucin de probabilidad.
230
Simulacin de eventos
discretos
Todas las simulaciones de eventos discretos
describen situaciones de colas.
Cualquier modelo de eventos discretos est 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 probabilstico surge la aleatoriedad.
231
Nmeros aleatorios
Mtodos para generar una muestra aleatoria a partir de una
distribucin de probabilidad f(t) a partir de nmeros aleatorios
uniformemente distribuidos en (0,1)
Mtodo de la inversa: si f es la funcin de densidad de la distribucin se
determina F(x)=P[ysx] que es una funcin creciente con valores en [0,1]. Si
R es un valor aleatorio obtenido de la distribucin uniforme en (0,1),
x=F
-1
(R) es el valor deseado.
Mtodo de convolucin: la idea fundamental es expresar la muestra
deseada como la suma estadstica de otras variables aleatorias fciles de
muestrear.
Mtodo de aceptacin-rechazo: se reemplaza la funcin de densidad f
difcil de tratar analticamente por una aproximacin ms simple h.
232
Nmeros aleatorios
Mtodo de aceptacin-rechazo: se reemplaza la funcin de
densidad f difcil de tratar analticamente por una aproximacin
ms simple h.
Funcin mayorante: g tal que f(x) s g(x) para todo x
Funcin aproximada: h tal que
El mtodo consiste:
Obtener una muestra x=x1 a partir de h con el mtodo de la
inversa o de la convolucin
Obtener un nmero 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 mtodo depende de lo bien que se ajuste g
a f mientras se consiguen h analticamente manejables.
( )
}


=
dy y g
x g
x h
) (
) (
) (
) (
1
1
x g
x f
R s
233
Generacin de nmeros
aleatorios
Para generar nmeros aleatorios en un ordenador
para su uso en simulacin se utilizan operaciones
aritmticas: nmeros pseudoaleatorios.
Mtodo de la congruencia mixta: dados los
parmetros x
0
(semilla), a, c y m un nmero
pseudoaleatorio R
n
se genera:



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


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

20 , 0
100
20
1
=
= R
25 , 0
100
25
2
=
= R
235
Anlisis estadstico del
resultado
Una sola simulacin proporciona slo un valor de
entre muchos posibles del resultado, que puede ser
distinto en cada simulacin.
Cuntas 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 proporcin o probabilidad
Las tcnicas de inferencia estadstica proporcionan
respuesta a estas preguntas. Estas tcnicas tambin
se deben tener en cuenta a la hora de reunir los
datos que sirven como entradas.
236
Anlisis estadstico del
resultado
La confianza en el resultado se expresa como la
probabilidad de que el valor real est en un intervalo
centrado en el valor estimado (intervalo de
confianza).
La determinacin de los intervalos de confianza en
simulacin es complicado porque:
Las salidas no suelen ser independientes.
Las condiciones iniciales pueden influir en los
resultados.
237
Anlisis estadstico del
resultado
Creacin 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= tamao de la muestra, = media de la
muestra, s =desviacin estndar de la muestra, t (n-
1), a/2 = valor de la distribucin t con n-1 grados de
libertad de modo que P(T t (n-1), a/2 ) = a/2
o

= + s s

1
] [
e x e x P
x

n
s
t x
n
*
2 / ), 1 ( o

238
Anlisis estadstico del
resultado
Creacin de un intervalo de confianza para una
proporcin
P [p e s P s p+e ]=1 - o

Elegido un valor de o el intervalo de confianza
asociado es


donde n= tamao de la muestra, p= proporcin de la
muestra, z o/2 = valor de la distribucin normal
estndar de modo que P(Z> z o/2 ) =o/2
]
*
[
) 1 (
2 /
n
p p
z
p

o
239
Ejercicio de Simulacin Mtodo 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 da para descargar un vagn. Si hay ms de dos
vagones en espera de descarga, se pospone la descarga de algunos para el
da siguiente.

El nmero de vagones tiene la siguiente frecuencia:


Nmero 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 Simulacin Mtodo de Montecarlo
Simular el proceso de colas a travs de un proceso aleatorizado de
montecarlo usando una tabla de nmeros aleatorios.

La alternativa de descargar 2 vagones es de US$ 1000 y el costo de
posponer un vagn para el da siguiente es US$10.

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

La simulacin no slo se aplica a procesos de colas: se han
simulado muchas fases de las operaciones empresariales con
buenos resultados. Ilustraremos a continuacin, con un ejemplo
breve, cmo se aplica la simulacin a la resolucin de un
problema de inventarios.

Ejemplo 2
Suponga que la demanda semanal de un producto tiene la
distribucin 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
mnimo, 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 Simulacin Mtodo de Montecarlo

Tabla 1 Distribucin de probabilidad para la demanda semanal

Nmeros
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 Distribucin de probabilidad para la demora de entrega

Nmero de
semanas desde Nmeros
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 Simulacin Mtodo de Montecarlo
Tabla 3 Ejemplo de simulacin de inventarios
Nmero Nmero de
Ventas Ventas aleatorio semanas para
Nmero Recep- Inventario Nmero (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 Simulacin Mtodo de Montecarlo
Tabla 3


Nmero
de
semana
Recepciones Inventario
Inicial
Nmero
Aleatorio
Ventas
(UNIDADES)
Inventario
Final
Ventas
Perdidas
(escasez)
Pedidos Nmero
Aleatorio
para
Pedidos
Nmero
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 anlisis 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
matemticamente los fenmenos fsicos conocidos como
movimiento browiano. La teora general de los procesos de
Markov se desarrollo en las dcadas de 1930 y 1940 por
A.N.Kolmagoron, W.Feller, W.Doeblin, P.Levy, J.L.Doob y otros.
El anlisis 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 ltimo 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 : Nmero 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 rengln 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, ntese que 12 personas cambiaron la marca 2
por la marca 1, 2 personas cambiaron la marca 3 por la marca
1.
As pues, para la marca 1, la perdida de 8 clientes se compens
con creces por la conquista de 14 clientes.

Entre la sexta y la sptima semanas, la marca 1 aument su
participacin en el mercado de 32% (80/250) a 34,4 %
(86/250).
CADENAS DE MARKOV
La siguiente tabla nos muestra la matriz de transicin 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 estimacin de la matriz verdadera, pues solamente
representa el comportamiento de una muestra de 250 consumidores,
durante un perodo de dos semanas. Los elementos p11, p22 y p33 de la
matriz P son medidas del poder de retencin de las tres marcas; los
restantes elementos pij reflejan el poder de atraccin 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 participacin en los mercados que tienen las tres
marcas del ejemplo son 30%, 38% y 32%, respectivamente, durante la
sptima semana. Si la matriz de transicin P (muestral), se considera una
buena estimacin de la verdadera matriz de transicin (poblacional), es
posible predecir las participaciones de mercado esperadas en la octava
semana por medio de la multiplicacin 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 despus
del siguiente experimento (transicin) pueden calcularse mediante la
multiplicacin de matrices
.

CADENAS DE MARKOV
Xk+1=Xk*P

En base a la ecuacin 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 despus de n
transiciones (o experimentos) es el producto del vector inicial de estado y la
potencia ensima de la matriz de transicin P.
En el ejemplo, si se desea predecir las participaciones de mercado durante
la dcima 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 transicin 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
suposicin 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 gan 50 clientes y
perdi 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
anlisis detallado con respecto a la proporcin de ganancias y
prdidas netas entre las cuatro marcas. Es necesario calcular las
probabilidades de transicin para las cuatro marcas. Las
probabilidades de transicin 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 nmero 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 transicin. De
acuerdo con los datos desarrollados, el paso siguiente consiste
en convertir el cambio de marcas de los clientes de modo que
todas las prdidas y ganancias tomen forma de probabilidades
de transicin, obteniendo la matriz de probabilidad de
transicin.

261
CADENAS DE MARKOV
La siguiente tabla nos muestra la matriz de transicin 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 informacin sera 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 administracin de mercadotecnia puede tener un gran
ventaja de toda esta informacin que nos pueda arrojar el
desarrollo de tcnicas como estas, ayudando a la promocin de
algunos productos que los necesiten para tener una mejor
aceptacin 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
comprndola la vez siguiente. Si una persona compr Pepsi, hay 80% de que repita la vez
siguiente. Se pide:

a)Si una persona actualmente es comprador de Pepsi. Cul 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. Cul 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, Qu fraccin de los compradores estar tomando
Coca Cola.

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

SOLUCIN: La situacin se puede modelar como una cadena de
Markov con dos estados {Coca-Cola, Pepsi-Cola}= {C,P}
La matriz de transicin 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 simulacin presentados hasta aqu utilizan
slo distribuciones de probabilidad discretas para las
variables aleatorias. Sin embargo, en muchas es nada mas
real y prctico usar variables aleatorias continuas. En esta
seccin, se presentan y analizan varios procedimientos para
generar variables aleatorias a partir de distribuciones
continuas. En esta seccin se presentan y analizan varios
procedimientos para generar variables aleatorias a partir de
distribuciones continuas. El principio bsico es muy similar
al caso discreto. Como en el mtodo discreto, primero se
genera un numero aleatorio R(0,1) y luego se transforma
en una variable aleatoria a partir de de la distribucin
especifica. El proceso para llevar a cabo la transformacin,
es bastante diferente del caso discreto.

269
Simulaciones con variables Aleatorias continuas

Hay muchos mtodos diferentes para generar variables
aleatorias continuas. La seleccin de un algoritmo
particular depender de la distribucin a partir de la cual
se quiere generar, tomando en cuenta factores como la
exactitud de las variables aleatorias, las eficiencias de
cmputo y almacenaje y la complejidad del algoritmo. Los
dos algoritmos utilizados con ms frecuencia son el
mtodo de transformacin inversa (MTI) y el mtodo del
aceptacin-rechazo (MAR). Entre estos dos mtodos, es
posible generar variables aleatorias de casi todas las
distribuciones utilizadas con ms frecuencia. Se presenta
una distribucin detallada de ambos algoritmos, junto con
varios ejemplos para cada mtodo. Adems de esto, se
presentan dos mtodos para generar variables aleatorias a
partir de la distribucin 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 Simulacin con variables aleatorias
continuas
Mtodo de transformacin inversa
El mtodo de la transformacin inversa por lo general se
utiliza para distribuciones cuya funcin de distribucin
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 algn
mtodo numrico, 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 ms eficaz usar un algoritmo diferente para generar
las variables aleatorias. El MTI es relativamente fcil de
describir y ejecutar. Consiste en los tres pasos siguientes:



301
Ejercicio de Simulacin con variables aleatorias
continuas
Paso 1 Dada una funcin de densidad de probabilidad (x)
para una variable aleatoria X, obtenga la funcin de
distribucin acumulada F(x) como


Paso 2 Generar un nmero 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 distribucin
cuya dpa est dada por (x).
Ahora se escriben los mecanismos de los algoritmos usando un
ejemplo. Para esto, se considera la distribucin dada por la
funcin




302
Ejercicio de Simulacin con variables aleatorias
continuas


Una funcin de este tipo se llama funcin de rampa. Su grfica es
como la que se ilustra en la figura 7. El rea bajo la curva, (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 distribucin por medio del mtodo de transformacin inversa,
primero se calcula la dpa como



303
Ejercicio de Simulacin con variables aleatorias
continuas
Esta distribucin de probabilidad acumulada se representa de
manera formal por la funcin





A continuacin, en el paso 2, se genera un nmero aleatorio r. Por
ltimo, en el paso 3, se establece F(x) = r y se determina el valor
de x.




304
Ejercicio de Simulacin con variables aleatorias
continuas
Puesto que los tiempos de servicio se definen slo para valores
positivos de x, no es factible un tiempo de servicio de x =- .
Esto nos deja con x = como la solucin para x. Esta ecuacin se
llama generador de variables aleatorias o un generador de
proceso. As para obtener un tiempo de servicio, primero se
genera un nmero aleatorio y luego se transforma por medio de la
ecuacin anterior. Con cada ejecucin de la ecuacin se obtiene un
tiempo de servicio a partir de la distribucin. Por ejemplo, si se
obtiene un numero aleatorio r = 0,64, se generar un tiempo de
servicio de x = .
305