Simulacion y Finanzas-Completo

FACULTAD DE MATEMTICAS
DEPARTAMENTO DE ESTADSTICA E
INVESTIGACIN OPERATIVA I
MODELOS Y MTODOS DE SIMULACIN:

Tcnicas de Monte Carlo.
APLICACIONES EN FINANZAS
Begoa Vitoriano
bvitoriano@mat.ucm.es
Universidad Complutense de Madrid
NDICE
I MODELADO DE SISTEMAS MEDIANTE SIMULACIN ................................... 5

I.1 SISTEMAS, MODELOS Y SIMULACIN ...................................................................................5
I.2 VENTAJAS E INCONVENIENTES DE LA SIMULACIN .............................................................8
I.3 TIPOS DE SISTEMAS Y DE SIMULACIN ................................................................................9
I.4 ELEMENTOS DE UN MODELO DE SIMULACIN DINMICO ..................................................11
I.4.1 El reloj de simulacin ............................................................................................... 11
I.4.2 Mecanismo de transicin .......................................................................................... 12
I.5 ORGANIZACIN DE UN MODELO DE SIMULACIN DINMICO ............................................13
I.6 ALGUNAS APLICACIONES DE SIMULACIN ........................................................................18
I.6.1 Disponibilidad dinmica de un sistema paralelo ..................................................... 18
I.6.2 Fiabilidad esttica de un sistema de generacin de energa elctrica..................... 19
I.6.3 Fiabilidad dinmica de un sistema de energa elctrica .......................................... 21
I.7 ETAPAS EN EL DESARROLLO DE UN ESTUDIO DE SIMULACIN ..........................................23
II MODELADO DE LA ALEATORIEDAD EN SIMULACIN ............................... 27
II.1 REVISIN DE PROBABILIDAD Y ESTADSTICA ...................................................................27
II.1.1 Variables aleatorias y sus propiedades .................................................................. 27
II.1.2 Procesos estocsticos .............................................................................................. 33
II.1.3 Estimacin puntual.................................................................................................. 35
II.1.4 Estimacin por intervalos de confianza .................................................................. 37
II.1.5 Contrastes o tests de hiptesis ................................................................................ 38
II.2 IDENTIFICACIN DE PATRONES .........................................................................................40
II.2.1 Distribuciones empricas ........................................................................................ 41
II.2.2 Distribuciones tericas ........................................................................................... 43
II.3 GENERACIN DE VARIABLES ALEATORIAS .......................................................................51
II.3.1 Generacin de muestras uniformes ......................................................................... 51
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
II.3.2 Generacin de variables aleatorias discretas ......................................................... 56

II.3.2.1 Mtodo general o estndar ............................................................................................................ 56
II.3.2.2 Binomial (n,
p) ........................................................................................................................... 58
II.3.2.3 Geomtrica ( p) ........................................................................................................................... 58
II.3.3 Generacin de variables aleatorias absolutamente continuas ................................ 59

II.3.3.1 Mtodo de la transformada inversa............................................................................................... 59
II.3.3.2 Mtodo de aceptacin - rechazo.................................................................................................... 60
II.3.3.3 Aplicacin a una discreta: Poisson( ) ....................................................................................... 63
II.3.3.4 Normal ( , ) ............................................................................................................................ 64
II.3.3.5 Lognormal ( , ) ...................................................................................................................... 66
II.3.3.6
( p, a)
II.3.3.7
n2 ................................................................................................................................................ 68
II.3.3.8
tn
II.3.3.9
Fm,n
y Beta ( , ) ............................................................................................................. 66
de Student ................................................................................................................................ 68
de Fisher-Snedecor ............................................................................................................. 69
II.3.4 Generacin de variables aleatorias mixtas ............................................................. 69

II.3.5 Generacin de variables aleatorias multidimensionales ........................................ 70
II.3.5.1 Nociones de clculo matricial ....................................................................................................... 70
II.3.5.2 Normal Multivariante N( , ) ................................................................................................... 72
II.3.5.3 Multinomial ................................................................................................................................... 74
II.3.5.4
Tn
de Student multivariante ......................................................................................................... 75
III SOFTWARE DE SIMULACIN DE MODELOS DINMICOS ........................ 77

III.1 LENGUAJES DE SIMULACIN VERSUS LENGUAJES DE PROPSITO GENERAL .................. 77
III.2 TIPOS DE SOFTWARE DE SIMULACIN Y CARACTERSTICAS ........................................... 78
III.3 ENFOQUES O ESTRATEGIAS............................................................................................. 80
IV ANLISIS DE RESULTADOS ..................................................................... 85
IV.1 COMPORTAMIENTOS TRANSITORIO Y ESTACIONARIO DE UN PROCESO ESTOCSTICO ... 85
ii
07/10/2015
IV.2 TIPOS DE SIMULACIN SEGN EL ANLISIS DE RESULTADOS .........................................87

IV.3 ESTIMACIN DE VARIABLES RESPUESTA: PRECISIN Y TAMAO MUESTRAL .................88
IV.4 ESTIMACIN DE PARMETROS ESTACIONARIOS: EL PROBLEMA DEL ESTADO INICIAL
TRANSITORIO ...........................................................................................................................90
IV.5 ESTIMACIN DE INTEGRALES POR MONTE CARLO .........................................................93
IV.5.1 Mtodo Monte Carlo de acertar o fallar................................................................ 93
IV.5.2 Mtodo de Monte Carlo crudo ............................................................................... 94
IV.6 TCNICAS DE REDUCCIN DE LA VARIANZA ...................................................................94
IV.6.1 Muestreo correlado (nmeros aleatorios comunes) .............................................. 95
IV.6.2 Variables antitticas .............................................................................................. 96
IV.6.3 Variables de control ............................................................................................... 97
IV.6.4 Condicionamiento .................................................................................................. 98
IV.6.5 Muestreo estratificado ........................................................................................... 99
IV.6.6 Muestreo por importancia ................................................................................... 100
IV.7 DISEO DE EXPERIMENTOS ...........................................................................................101
IV.7.1 Principios del diseo experimental ...................................................................... 101
IV.7.2 Diseo con un factor ............................................................................................ 104
IV.7.3 Diseo en bloques aleatorizados ......................................................................... 106
IV.7.4 Modelos factoriales: con dos factores y con interaccin ..................................... 108
IV.7.5 Modelos factoriales con ms de dos factores ...................................................... 110
IV.7.6 Cuadrados latinos ................................................................................................ 110
IV.7.7 Modelos con efectos aleatorios: Diseos jerrquicos ......................................... 114
IV.7.8 Diseos factoriales a dos niveles ( 2k ) ................................................................. 116
IV.7.9 Modelo de regresin ............................................................................................ 124
V CONSTRUCCIN DE MODELOS DE SIMULACIN VLIDOS Y CREBLES . 127
V.1 DEFINICIONES .................................................................................................................127
V.2 METODOLOGA DE VALIDACIN Y CREDIBILIDAD .........................................................129
V.2.1 Comparacin entre datos reales y simulados ....................................................... 130
07/10/2015
iii
VI APLICACIONES DE LA SIMULACIN EN FINANZAS ............................... 133

VI.1 NOCIONES BSICAS SOBRE DERIVADOS FINANCIEROS ................................................. 133
VI.1.1 Contratos de futuros ............................................................................................. 134
VI.1.2 Opciones ............................................................................................................... 135
VI.1.2.1 Opciones vainilla (vanilla options)......................................................................................... 135
VI.1.2.2 Opciones exticas (exotic options) ......................................................................................... 138
VI.2 VALORACIN DE OPCIONES Y FUTUROS ....................................................................... 140

VI.2.1 Conceptos bsicos en valoracin de derivados.................................................... 140
VI.2.2 Estimacin del valor de opciones sin posibilidad de ejercicio anticipado mediante
simulacin ....................................................................................................................... 146
VI.2.3 Estimacin del valor de opciones con posibilidad de ejercicio anticipado mediante
mtodos numricos .......................................................................................................... 149
VI.2.3.1 Mtodo binomial ........................................................................................................................ 152
VII REFERENCIAS....................................................................................... 157

VIII BIBLIOTECA DE PROBLEMAS .............................................................. 159
VIII.1 PROBLEMAS DE MTODOS DE MONTE CARLO .......................................................... 159
VIII.2 RESULTADOS DE LOS PROBLEMAS DE MTODOS DE MONTE CARLO ........................ 163
VIII.3 PROBLEMAS DE SIMULACIN DE SISTEMAS DINMICOS............................................ 169
VIII.4 RESULTADOS DE LOS PROBLEMAS DE SIMULACIN DE SISTEMAS DINMICOS ......... 181
IX PRCTICAS PROPUESTAS PARA FINANZAS ........................................... 209
iv
07/10/2015
MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS
I Modelado de sistemas mediante simulacin

I.1 Sistemas, modelos y simulacin
La primera vez en la historia que se habl de simulacin fue en el ao 1949 cuando John
Von Neumann y Stanislaw Ulam presentaron el denominado mtodo de Monte Carlo. Desde
entonces la simulacin ha sufrido un crecimiento muy fuerte y, especialmente en las dos ltimas
dcadas, este crecimiento ha sido vertiginoso gracias al desarrollo de los ordenadores.
Dar una definicin exacta de la simulacin no es una tarea fcil dada la amplitud de las
aplicaciones y sistemas a los que se aplica. Sin embargo, una buena definicin sera la dada por
Shannon en 1975, segn la cual, simulacin es el proceso de disear un modelo de un sistema
real y llevar a cabo experiencias con l, con la finalidad de aprender el comportamiento del
sistema o de evaluar diversas estrategias para el funcionamiento del sistema.
Varios conceptos son utilizados en esta definicin y deben ser precisados.
Sistema: Conjunto de objetos o ideas que estn interrelacionadas entre s como una unidad
para la consecucin de un fin. Forma parte de la vida real.
Modelo: Representacin simplificada de un sistema. Es una abstraccin del sistema.
El objetivo es crear un modelo del sistema a partir de la observacin. Sin embargo, esto no
es particular de la simulacin ya que en todo anlisis de sistemas ste es un paso necesario, lo
que es particular es el tipo de modelo y el uso que se hace de l.
As, se dice que existen dos procedimientos para obtener modelos de sistemas:
Anlisis terico o mtodo deductivo: con este procedimiento se lleva a cabo un estudio
cualitativo de los fenmenos que caracterizan el comportamiento del sistema, que son
plasmados en relaciones matemticas concretas que definen las ecuaciones descriptivas del
proceso. Para dar una respuesta con este tipo de modelos hay que resolver las ecuaciones
descriptivas del proceso, tarea que en ocasiones es especialmente difcil.
Como ejemplo, supngase un objeto que se mueve con una cierta trayectoria, una velocidad
en cada momento y una aceleracin, que a su vez dependen de otras condiciones externas
como las caractersticas del terreno en que se encuentre o la cercana de otros objetos
similares. Para dar respuesta, por ejemplo al punto en que se encontrar pasado un
determinado tiempo con este tipo de modelo, hay que resolver las ecuaciones del
movimiento del objeto, lo cual no es inmediato si el objeto cambia su trayectoria y
07/10/2015
I MODELADO DE SISTEMAS MEDIANTE SIMULACIN
aceleracin con el tiempo, las caractersticas de la posicin, el movimiento de otros objetos,

etc.
Anlisis experimental o mtodo inductivo: consiste en construir un modelo matemtico a

partir de medidas realizadas sobre el sistema, dando una descripcin detallada de cmo
evoluciona a lo largo del tiempo, con el fin de observar el comportamiento del modelo y
llevar a cabo experiencias con l: simulacin del modelo.
Con el mismo ejemplo del objeto mvil, se puede ir representando en pequeos intervalos
de tiempo las variaciones de velocidad, aceleracin, posicin, mediante la definicin directa
que relaciona a estas variables, tanto del mvil observado como de los cercanos,
modificando en cada momento los parmetros segn la posicin en que est l y los dems
objetos, hasta llegar a cumplir el tiempo que se desea observar. Con este modelo es posible
ensayar diversas respuestas ante distintas situaciones.
As pues, con este procedimiento el objetivo no es conocer el sistema en s, sino su
comportamiento ante diversas situaciones Los modelos de simulacin no se resuelven, se
hacen funcionar!
Ejemplo 1: Se desea construir una carretera y para ello se ha de hacer un tnel a travs de
una montaa. Existen dos puntos posibles donde hacer el tnel, correspondientes a dos
montaas distintas M1 y M2 cercanas. Supongamos que se tiene que decidir si hacerlo en un
punto o en otro. Mediante estudios preliminares se sabe que en el punto M1 la longitud del tnel
habra de ser L1 y en la montaa M2, L2. En la primera de ellas, por las caractersticas del
terreno, se perforara a razn de x1 unidades por jornada de trabajo, mientras que en la otra
montaa sera a razn de x2 unidades.
La empresa debe recibir una maquinaria nueva con una probabilidad 0.71. La probabilidad
de que la nueva maquinaria se avere en M1 es 0.14 y en M2 es 0.16. Para la maquinaria vieja
estas probabilidades son, respectivamente, 0.28 y 0.19.
Las averas pueden ser de dos tipos: graves con probabilidad 0.35 y 4 jornadas de trabajo de
reparacin o leves con 1 jornada de trabajo de reparacin.
La pregunta es: dnde se debe perforar el tnel para tardar lo menos posible en la
construccin de la carretera?
Un modelo de simulacin desarrollado para la perforacin en el punto M1 sera, por
ejemplo, el de la figura 1.
07/10/2015
Perforacin M1
Llega
maquinaria
nueva?
0.71
SI
0.29
NO
p=0.14
p=0.28
p
SI
Grave
0.35
DA=4
Tipo avera
Avera
1-p
NO
Leve
0.65
DA=1
DA=0
DT=L1/x1+DA
Figura 1. Modelo de simulacin de perforacin montaa M1.
Anlogamente, se hara otro para el punto M2. Este modelo se programa en un lenguaje
general y luego es simulado en el ordenador varias veces de modo que se obtenga una muestra
simulada de la duracin de la perforacin en cada uno de los puntos. Una vez obtenida la
muestra la decisin puede ser tomada eligiendo el punto que tenga un menor valor de la
duracin esperada. Sin embargo, este clculo tambin puede ser obtenido mediante el mtodo
terico, es decir, mediante clculo de probabilidades. A modo de ejemplo, con el mtodo terico
se obtuvo una duracin esperada en M1 de 19.37023 jornadas y en M2 de 20.345835 y despus
de 50 simulaciones se obtuvo una duracin media en M1 de 19.34 jornadas y en M2 de 20.22
jornadas.
De este ejemplo, tambin se deduce la necesidad de un mecanismo eficaz para generar
variables aleatorias que sea rpido, dado que hay que repetir la simulacin un nmero elevado
de veces para dar por vlidos los resultados obtenidos.
Ejemplo 2: A Pepe, su mejor amigo Juan le propone un juego: lanzar un dado hasta que la
diferencia entre las veces que han salido nmeros pares e impares sea tres. Pepe pagar 100
07/10/2015
monedas en cada tirada y cobrar 1000 al final. Cmo puede comprobar Pepe si Juan es
realmente un buen amigo?
Para comprobarlo, Pepe puede hacer los clculos necesarios para calcular la esperanza de la
ganancia o de la prdida o puede simular las tiradas del dado y observar los resultados.
I.2 Ventajas e inconvenientes de la simulacin

Puesto que existen dos mtodos para obtener modelos, cabe preguntarse cundo es
ventajoso utilizar la simulacin y qu inconvenientes puede tener.
Cundo puede ser ventajosa la simulacin:
Si no existe formulacin matemtica del modelo o los mtodos de resolucin. Por ejemplo,
cuando se va a construir un aeropuerto para prever las necesidades de infraestructuras
necesarias no existe un modelo matemtico que pueda contemplar todo conjuntamente. Otro
ejemplo son los sistemas de lneas de espera para los que se puede plantear un modelo, pero
para muchos de ellos no existen mtodos matemticos para resolver las ecuaciones
resultantes.
S existen, pero resulta ms barato y sencillo simular, ya que en muchas ocasiones el

modelo y su resolucin resultan ms sencillos.
Si se desea experimentar con el sistema antes de su uso o construccin. El ejemplo ms

conocido son los simuladores de vuelo, pero no es el nico, ya que cada vez es ms habitual
la implantacin de puestos de formacin para operadores de sistemas, de modo que puedan
practicar con el modelo como si lo hicieran con el sistema.
Si es imposible experimentar sobre el sistema y se desean prevenir eventualidades. ste es

uno de los usos ms habituales, la prevencin de eventualidades, de modo que si
posteriormente se da alguna de ellas se tenga identificada la respuesta ptima ante la
eventualidad. Uno de los casos ms representativos es el de la simulacin de vuelos
espaciales, de modo que antes de lanzarlo se ha simulado el sistema para tener respuestas en
caso de fallo de algn mecanismo o similar. Obviamente, el xito de este uso pasa por una
buena identificacin de las posibles eventualidades.
Si hay razones ticas que impiden la experimentacin, como en el caso de sistemas

biolgicos humanos.
07/10/2015
Si se desea reducir escalas de tiempo, pues la evolucin del sistema es muy lenta. Por
ejemplo en el estudio de diferentes polticas de talas de rboles no es viable esperar a ver
cul es la evolucin del bosque con una determinada poltica, no slo por las consecuencias
que pueda tener, sino porque para observarlas habra que esperar numerosos aos.
Por ltimo, una caracterstica importante de la simulacin es que permite estudiar sistemas
dinmicos en tiempo real.
Sin embargo, tambin tiene ciertos inconvenientes la simulacin:
La construccin del modelo puede ser compleja y costosa. Por ejemplo, la construccin de
un buen modelo socioeconmico mundial puede llevar unos cinco aos de trabajo a un
equipo.
Es frecuente despreciar elementos o relaciones sin importancia aparente y obtener

resultados falsos, aunque este peligro existe en cualquier proceso de desarrollo de un
modelo, no slo en los modelos de simulacin.
Es difcil establecer el grado de precisin de los resultados, ya que se obtienen muestras y

como tales han de ser analizadas, con sus limitaciones. Es decir, cuando existe aleatoriedad
los resultados han de verse como tales, aleatorios, y analizados con sumo cuidado y
rigurosidad mediante tcnicas estadsticas.
I.3 Tipos de sistemas y de simulacin

A la hora de obtener un modelo de simulacin de un sistema dinmico es fundamental
definir el estado del sistema. Se llama estado de un sistema al conjunto de variables necesarias
para describir un sistema en un instante particular de tiempo relativo a los objetivos de un
estudio.
Los sistemas se clasifican a partir de sus variables de estado:
Sistemas continuos: Las variables de estado cambian de forma continua con el tiempo. Por
ejemplo, el movimiento de un tren por una va, las variables de estado son posicin,
velocidad y aceleracin.
Sistemas discretos: Las variables de estado cambian en ciertos instantes de tiempo. Por
ejemplo, un sistema de atencin a clientes atendido por un solo servidor, la variable de
estado es el nmero de clientes que hay en el centro de servicio.
07/10/2015
Los modelos de simulacin a su vez pueden ser clasificados atendiendo a varios criterios:
Segn la evolucin del tiempo

o
Estticos: representan un sistema en un instante particular. A menudo, a este tipo de

simulacin se la denomina simulacin de Monte Carlo.
Dinmicos: representan un sistema que evoluciona con el tiempo.
Segn la aleatoriedad
o
Deterministas: no incluyen variables aleatorias. Dados unos datos de entrada, existe un

nico conjunto posible de datos de salida.
Probabilistas o estocsticos: contienen variables aleatorias, las salidas son aleatorias

(estimaciones de las verdaderas caractersticas).
Segn las variables de estado

o
Continuos: si todas las variables de estado cambian de forma continua con el tiempo.
Discretos: si todas las variables de estado cambian en determinados instantes de tiempo.

Se definen como eventos aquellos sucesos que pueden producir un cambio en el estado
del sistema. A estos modelos tambin se les llama modelos de simulacin de eventos
discretos.
Hay que tener en cuenta, sin embargo, que no siempre de un sistema discreto se hace un
modelo discreto, hay casos en que por simplificar es mejor tratarlo como un sistema
continuo. Un caso muy habitual son los modelos de trfico, en que aunque los cambios
son discretos, modelarlos como flujos continuos da mucho mejor resultado.
Hbridos o combinados: si incluyen variables de estado continuas y discretas.
Un ejemplo de un modelo continuo es el clsico modelo presa - depredador de Lotka

Volterra. En l se supone una poblacin (grande) y cerrada (no hay migraciones) de presas y
depredadores. El objetivo es estudiar cmo vara el nmero de cada uno de ellos en el tiempo.
El modelo propuesto por LotkaVolterra sera el siguiente:
X (t ) : nmero individuos presa en el instante t
Y (t ) : nmero de individuos depredador en el instante t
10
07/10/2015
dX
rX (t ) aX (t )Y (t ),
dt
dY
sY (t ) bX (t )Y (t ),
dt
a0
b0
donde r es la tasa de crecimiento de la poblacin presa en ausencia de depredadores, s la tasa

de decrecimiento de los individuos depredador en ausencia de presas, y a y b son parmetros
para ponderar la presencia de los otros individuos en la variacin de poblacin. Este modelo se
puede intentar resolver mediante mtodos clsicos, sin embargo, es mucho ms sencillo
simularlo tomando pequeos intervalos de tiempo y actualizando las variables de estado en esos
intervalos mediante las ecuaciones descritas (directamente al ser pequeos intervalos).
Obsrvese que desde un punto de vista terico el sistema presentado sera discreto. Sin
embargo, cuando las poblaciones son suficientemente grandes, el modelo apropiado es un
modelo continuo.
En este documento nos vamos a centrar en los modelos de simulacin dinmicos,
estocsticos (el caso determinista es considerado un caso particular) y discretos: modelos de
simulacin de eventos discretos.
I.4 Elementos de un modelo de simulacin dinmico

I.4.1 El reloj de simulacin
En un modelo de simulacin dinmico el elemento caracterstico es el tiempo y su avance.
Para ello se utiliza una variable que registra la cantidad de tiempo que ha sido simulada: el reloj
de simulacin. Esta variable no representa tiempo real, no es tiempo de ejecucin, sino que es
un contador interno del modelo.
El reloj de simulacin hay que moverlo, incrementar su valor. Para ello hay dos mtodos:
Incremento en tiempo fijo (time step): el reloj de simulacin se incrementa en exactamente
t unidades de tiempo ( t elegido apropiadamente). Cada vez que se incrementa el

tiempo se actualizan las variables de estado, si es un modelo de eventos discretos
comprobando si algn evento ha ocurrido en ese intervalo de tiempo. Los eventos que
hayan podido ocurrir en ese intervalo se considera que ocurren al final de ste, momento en
que se actualizan las variables. Este mtodo es oportuno para simulacin continua o cuando
el momento en que ocurren los eventos es fijo o para animacin grfica. Sin embargo, para
otros casos presenta algunos inconvenientes, fundamentalmente, la simultaneidad de
eventos cuando ms de un evento ocurre en un intervalo y el error que se comete de
07/10/2015
11
redondeos al considerar que los eventos ocurren al final del intervalo y que para disminuirlo
hace que se tomen incrementos muy pequeos que ralentizan enormemente la simulacin
comprobando muchos intervalos en los que no ocurre nada.
Incremento al prximo evento (event step): slo es vlido para modelos de eventos
discretos, donde el reloj de simulacin se inicializa a cero y se determinan los instantes en
que sucedern los futuros eventos (todos o los ms inmediatos que puedan ocurrir). El reloj
de simulacin se avanza hasta el instante del suceso ms inminente de los futuros eventos
(el primero de ellos), actualizando en ese instante el estado del sistema dependiendo del
evento de que se trate. Este procedimiento tiene como ventajas respecto al anterior que no
tiene errores al considerar tiempos exactos de ocurrencia de los eventos y que es ms rpido
ya que los periodos en que no hay eventos son saltados.
Obsrvese que en ambos casos es necesario tener definidos cules son los eventos futuros y
en qu instantes se van a dar, al menos los ms inmediatos, lo que se ver en el siguiente
captulo.
I.4.2 Mecanismo de transicin

Con cualquiera de los mtodos propuestos, cuando se produce un avance del reloj de
simulacin hay que actualizar las variables de estado. Se define el mecanismo de transicin
como el mecanismo que muestra los cambios que se producen en el estado del sistema y que
permite actualizar su valor.
En el caso de los modelos continuos, hay que mostrar los cambios de las variables de estado
cuando ha pasado un intervalo de tiempo fijo t . Por ejemplo, en el caso de querer hacer un
modelo de simulacin para el modelo de Lotka-Volterra las variables de estado seran
X (t ) : nmero individuos presa en el instante t

Y (t ) : nmero de individuos depredador en el instante t
y el mecanismo de transicin sera de la forma:
X ' X rX (t ) aX (t )Y (t ) t ,
Y ' Y sY (t ) bX (t )Y (t ) t
actualizando posteriormente X X ' Y Y ' (una simplificacin inmediata es no pasar por
las variables X ' e Y ' , pero se pueden cometer pequeos errores por la actualizacin de la
variable Y con un valor ya actualizado de X )
12
07/10/2015
En el caso de un modelo de eventos discretos, el mecanismo de transcin va asociado con

cada evento mostrando los cambios que se producen en el estado del sistema cuando se produce
ese evento. Por ejemplo, en un sistema de colas con un servidor, la variable de estado es el
nmero de clientes que hay en el centro de servicio y, por lo tanto, los eventos son la llegada de
un cliente y el final de un servicio, y el mecanismo de transicin se puede definir como
N (t ) 1 si llegada cliente
N (t )
N (t ) 1 si final de servicio cliente
siendo N (t ) el nmero de clientes en el sistema en el instante t .
I.5 Organizacin de un modelo de simulacin dinmico

En el desarrollo de un modelo de simulacin de eventos discretos hay otros elementos que
intervienen, adems del estado del sistema y del reloj de simulacin:
Lista de eventos: es la lista de instantes en que van a ocurrir los prximos eventos de cada
tipo. Esta lista puede ser generada desde el principio y almacenada (o al menos los valores
de las variables aleatorias que los determinan) o puede ir generndose a medida que los
valores son necesitados. Como ya se ha dicho en el siguiente captulo se ver cmo
obtenerlos.
Contadores estadsticos: son variables utilizadas para almacenar informacin sobre el

comportamiento del sistema y que al final, mediante algn clculo matemtico, darn
respuesta al objetivo del estudio.
Adems, un modelo de simulacin se estructura en distintas partes, cada una de ellas con un
cometido:
Rutina de tiempo: determina el siguiente evento y avanza el reloj de simulacin al instante

en que va a ocurrir
Rutina de evento: actualiza las variables cuando ha ocurrido un evento. Hay una por cada
tipo de evento.
Generador de informes o resultados: realiza los clculos o estimaciones de las

caractersticas que se desean medir, cuando la simulacin acaba.
Programa principal: enlaza todas las rutinas anteriores.
Plasmado en un diagrama de flujo, ste sera el siguiente (donde no hay numeracin es que
el orden no es relevante):
07/10/2015
13
Rutina
inicializacin
Reloj simulacin = 0
Inicializar estado y contadores
Inicializar lista de eventos
Determinar tipo prximo evento i

1 Llamar
rutina tiempo
Avanzar reloj de simulacin

Rutina tiempo
Programa principal
Actualizar estado
Actualizar contadores
2 Llamar
rutina evento
Generar futuros eventos y

actualizar lista de eventos
Rutina evento i
Regla de parada
Fin de
simulacin?
NO
SI
Generador
resultados
Clculos finales (estimaciones)

Imprimir informe
Figura 2. Organizacin de un modelo de simulacin de eventos discretos.
Veamos un ejemplo de un sistema de una lnea de espera con un servidor. El objetivo es

estimar el nmero medio de clientes en el sistema.
Se suponen las siguientes hiptesis y datos:
Tiempos entre llegadas de clientes segn distribucin F
Tiempos de servicio segn distribucin G
Distribuciones de tiempos independientes entre s
T tiempo mximo de simulacin

La variable de estado es N el nmero de clientes en el sistema. Los eventos posibles son:
Llegada de un cliente al sistema
Final de servicio de un cliente

El mecanismo de transicin se define como
14
07/10/2015
N (t )
N (t )
1 si es llegada de un cliente
N (t )
1 si es final de servicio
Otras variables auxiliares son:
TM reloj de simulacin
DL tiempo entre llegadas

D
DS tiempo de servicio
TL instante de la prxima llegada
TS instante del prximo final de servicio
SUMA contador acumulando suma de productos de clientes en el sistema por tiempo de
permanencia
TANT variable auxiliar (instante de ltimo evento)
El diagrama del modelo se presenta en la figura 3.
Inicializar
N=0, TM=0
SUMA=0, TS=
Generar DL
TL=DL
TM=min(TL,TS)
Servicio
NO
TL<TS?
SI
Llegada
TANT=TM
SUMA/TM
Parar
NO
TM<T?
SI
07/10/2015
15
Llegada
N=N+1
Servicio
NO
N=N-1
NO
N>0?
TS=
SI
N>1?
Generar DS
TS=TM+DS
SI
Generar DS
TS=TM+DS
Generar DL
TL=TM+DL
SUMA=SUMA+(N+1)(TM-TANT)
SUMA=SUMA+(N-1)(TM-TANT)
Volver
Volver
Figura 3. Diagrama del modelo de simulacin de una cola con un servidor.
A continuacin, se presenta la traza del modelo. La traza es una tabla en la que se recogen
los valores de las variables que intervienen en el modelo en varias iteraciones. Es til obtener
una traza manualmente para ayudar a obtener el modelo, de modo que se vean las variables que
intervienen, los clculos, etc. Gracias a ella es posible detectar la necesidad de variables
auxiliares. Adems, es una forma de verificar la programacin posterior, de modo que una vez
programado el modelo, con los mismos datos de entrada debe ejecutar lo que se recoge en la
traza. En caso de que no sea as, puede ser por una programacin errnea o incluso un modelado
errneo.
Veamos la ejecucin del modelo de simulacin. Se obtienen muestras de los tiempos entre
llegadas DL dando lugar a estos valores: 3, 2, 5, 1, 2, 6, 6, 2, 8 y de los tiempos de servicio DS
que resultan: 4, 1, 3, 1, 3, 2, 3, 5. Se simula durante T=35 obtenindose la siguiente traza.
N evento
Reloj Simulacin
Tipo evento
TL
TS
SUMA
Inicio
Llegada
0+03=0
Llegada
10
0+12=2
Servicio
10
2+22=6
16
07/10/2015
Servicio
10
6+11=7
10
Llegada
11
14
7+0=7
11
Llegada
13
14
7+11=8
13
Llegada
19
14
8+22=12
14
Servicio
19
15
12+31=15
15
Servicio
19
18
15+21=17
10
18
Servicio
19
17+31=20
11
19
Llegada
25
21
20+0=20
12
21
Servicio
25
20+12=22
13
25
Llegada
27
28
22+0=22
14
27
Llegada
35
28
22+12=24
15
28
Servicio
35
33
24+21=26
16
33
Servicio
35
26+15=31
17
35
Final
31+02=31
Figura 4. Traza del modelo.
7 8
10 11
13 14 15
18
Figura 5. Nmero de clientes en el sistema a lo largo del tiempo.
Grficamente el nmero de clientes en el sistema a lo largo del tiempo se representa en la

figura 5. Para el tiempo de simulacin T=35 el nmero medio de clientes en el sistema resulta
ser E[N ]
31 35
0.89 . Si el tiempo de simulacin hubiera sido reducido a 18 en lugar de
35 el nmero medio de clientes en el sistema resultara E[N ]
20 18
1.11 , lo cual pone de
manifiesto la importancia de la condicin de finalizacin del proceso de simulacin y su posible

influencia en los resultados obtenidos.
07/10/2015
17
I.6 Algunas aplicaciones de simulacin

I.6.1 Disponibilidad dinmica de un sistema paralelo
Se trata de un sistema formado por varios componentes en paralelo. El sistema est
indisponible cuando todos los componentes estn indisponibles. Se supone que cuando se repara
un componente vuelve a funcionar como nuevo.
Se consideran los siguientes datos:
Distribucin de probabilidad de tiempo entre fallos del componente i , TFi (t )
Distribucin de probabilidad de tiempo de reparacin del componente i , TRi (t )
Tiempo mximo de simulacin T

La variable de estado de cada componente es x i
sistema ES
1 en funcionamiento
0 en reparacin
y la del
1 sistema en funcionamiento
0 sistema en fallo
Los eventos que se consideran son:
Fallo de un componente x i
Fin de reparacin de un componente xi
Otras variables auxiliares son:
TM reloj de simulacin
TFi muestra de la distribucin de tiempo entre fallos del componente i
TRi muestra de la distribucin de tiempo de reparacin del componente i
TPi tiempo del siguiente evento del componente i
TPS tiempo de parada del sistema

TI tiempo en que se inici la ltima parada
El proceso de simulacin consta de las siguientes etapas descritas mediante pseudocgido:
1.
Inicializacin:
TM
TPS
0
0
18
07/10/2015
Definir estado inicial:
xi
ES 1
Generar muestra de distribucin de tiempo entre fallos TFi
TPi
TFi
2. Rutina de tiempo: Determinar mnimo de TPi (cundo), actualizar el tiempo de simulacin
TM
TPi , determinar el evento de fallo o reparacin (qu) y el componente al que afecta
(a quin)
3. Rutina de evento de fallo del componente i
xi
Si estn en fallo el resto de componentes se declara indisponible el sistema ES
se registra el instante de la parada TI
TM
Generar muestra de distribucin de tiempo de reparacin TRi
TPi
TPi
0 y
TRi
4. Rutina de evento de fin de reparacin del componente i
xi
Si el sistema est indisponible () se contabiliza el tiempo de parada del sistema
TPS
TPS
TM
TI y se declara disponible el sistema ES
Generar muestra de distribucin de tiempo entre fallos TFi
TPi
TPi
TFi
5. Regla de parada: Comprobar que TM

6. Final. ndice de disponibilidad
T , en cuyo caso ir a 2. En caso contrario ir a 6

1 TPS /TM
I.6.2 Fiabilidad esttica de un sistema de generacin de

energa elctrica
Calcular los ndices de fiabilidad estticos de un sistema de generacin, denominados
probabilidad de prdida de carga LOLP
EENS
E (D
G )d | D
P D
y energa esperada no suministrada
G , siendo G la variable aleatoria potencia de generacin
disponible en el sistema, D la demanda y d la duracin de la misma.
07/10/2015
19
Grupo
1
2
3
4
5
6
7
Potencia [MW]
1000
1500
750
500
350
250
200
Tasa de fallo equivalente (EFOR) [%]

8
10
7
6
5
3
2
Cada generador tiene dos estados posibles: disponible e indisponible. La potencia

disponible se modela mediante una distribucin de Bernoulli, es decir, ser igual a la nominal
con una probabilidad (1-EFOR/100) e igual a 0 con probabilidad (EFOR/100). Por consiguiente,
el nmero total de estados del sistema ser 27
128 .
Para calcular estos ndices de manera exacta para un sistema con un nmero reducido de
generadores se construye la tabla de estados del sistema y para cada uno se evala la potencia
disponible, la potencia deficitaria con respecto a la demanda y la probabilidad de ocurrencia.
Luego, la LOLP ser simplemente la suma de las probabilidades de los estados donde la
potencia deficitaria es estrictamente mayor que 0 y la EENS ser la suma ponderada de la
potencia deficitaria por su probabilidad. En la tabla se presentan algunos de los 128 estados del
sistema (representando con 1 a cada generador disponible y con 0 en caso contrario) y sus
parmetros suponiendo una demanda de 3000 MW con una duracin de 680 h.
Estado
sistema
Pot Disp
[MW]
Dficit
[MW]
Probab
LOLP
EENS
1111111
4550
0.6537
0.0000
0.0
1111110
4350
0.0133
0.0000
0.0
1111101
4300
0.0202
0.0000
0.0
1111100
4100
0.0004
0.0000
0.0
1111011
4200
0.0344
0.0000
0.0
1111010
4000
0.0007
0.0000
0.0
1011111
3050
0.0726
0.0000
0.0
...
...
...
...
...
...
1011110
2850
150
0.0015
0.0015
151.2
1011101
2800
200
0.0022
0.0022
305.5
20
07/10/2015
1011100
2600
400
0.0000
0.0000
12.5
1011011
2700
300
0.0038
0.0038
779.8
1011010
2500
500
0.0001
0.0001
26.5
1011001
2450
550
0.0001
0.0001
44.2
1011000
2250
750
0.0000
0.0000
1.2
...
...
...
...
...
...
0000110
600
2400
0.0000
0.0000
1.0
0000101
550
2450
0.0000
0.0000
1.6
0000100
350
2650
0.0000
0.0000
0.0
0000011
450
2550
0.0000
0.0000
2.8
0000010
250
2750
0.0000
0.0000
0.1
0000001
200
2800
0.0000
0.0000
0.1
0000000
3000
0.0000
0.0000
0.0
Para calcular estos mismos ndices mediante simulacin se muestrea cada variable aleatoria
(potencia disponible de cada generador) segn su distribucin y se calculan las variables
potencia disponible del sistema y dficit. La probabilidad de ocurrencia de cada muestra es la
inversa del nmero total de muestras.
I.6.3 Fiabilidad dinmica de un sistema de energa elctrica

Determinar los ndices de fiabilidad LOLP y EENS y el coste medio de la energa mediante
simulacin cronolgica durante al menos 156 semanas consecutivas.
Los datos de la demanda de cada da de una semana caracterstica expresados en MW y los
del sistema de generacin se dan a continuacin.
Hora
10
11
12
2936
2893
2675
2676
2533
2652
2546
2794
2848
2623
2616
2811
2789
2770
2879
2695
2644
2710
2792
2706
2839
2518
2942
2788
2971
2875
2538
2893
2695
2837
2716
2606
2702
2893
2738
2598
2689
2894
2685
2718
2742
2954
2675
2985
2714
2646
2615
2660
2846
2988
2516
2686
2601
2544
2815
2916
2506
2558
2606
2531
2967
2633
2906
2582
2778
2518
2859
2798
2904
2541
2867
2818
2959
2500
2575
2957
2975
2824
2792
2766
2744
2686
2958
2861
07/10/2015
21
Hora
13
14
15
16
17
18
19
20
21
22
23
24
2951
2638
2712
2506
2617
2551
2507
2962
2898
2902
2930
2800
2605
2740
2530
2845
2524
2654
2845
2709
2747
2840
2732
2646
2638
2757
2607
2534
2949
2734
2692
2792
2621
2720
2739
2866
2697
2908
2503
2573
2771
2970
2582
2831
2552
2820
2602
2861
2515
2531
2717
2557
2541
2645
2703
2522
2587
2674
2567
2839
2641
2944
2554
2510
2963
2859
2851
2867
2638
2707
2879
2652
2624
2797
2914
2738
2791
2771
2933
2841
2920
2638
2507
2668
Grupo
Coste variable
[/MWh]
MTTF
[h]
MTTR
[h]
10
115
10
15
54
25
93
30
141
35
95
50
97
70
98
Las distribuciones de probabilidad de fallo de los grupos son normales con media
MTTF y desviacin tpica

media m
MTTF /5 . Las de reparacin son triangulares con
2MTTR / 3 , valor mnimo a
MTTR / 3 y mximo b
2MTTR . Los
grupos se despachan por orden creciente de coste variable. El coste de la ENS se estima en 1
/kWh. Por razones de soporte de tensin en la red el grupo 6 debe funcionar si est disponible
y por limitacin en la evacuacin de energa no pueden funcionar simultneamente el 3 y el 5
teniendo prioridad el de menor coste variable. En el instante inicial todos los grupos estn
disponibles.
En este ejemplo el tipo de simulacin ms adecuado es el de avance de tiempo fijo con
intervalo unitario de 1 hora (aunque no se hayan producido eventos de fallo o reparacin de un
grupo), ya que la demanda cambia en cada hora y esto influye en el clculo del coste medio de
produccin.
22
07/10/2015
I.7 Etapas en el desarrollo de un estudio de simulacin

Al llevar a cabo un estudio de simulacin hay algunos pasos que se deben seguir para lograr
el xito, entendindose ste como un correcto anlisis del problema, la obtencin de un modelo
que sirva para los fines para los que se desarrolla y que sea creble por parte del destinatario
final.
Por otra parte, hay que diferenciar si el fin del estudio es slo el desarrollo del modelo
(obtener un programa que otro usuario va a utilizar finalmente) o si el anlisis de resultados
forma parte tambin del estudio.
A continuacin, se muestra el caso ms general que incluye el anlisis de resultados como
ayuda en la toma de decisiones.
FORMULAR EL PROBLEMA
En esta fase se plantean los objetivos del estudio, las hiptesis bsicas que pueden ser
asumidas, los parmetros que intervienen, cules son las variables de estado del sistema y por
tanto del modelo, etc. Es una fase clave, denominada fase de especificacin, que, a menudo, es
infravalorada en tiempo, ya que aparentemente el problema est formulado, pero, concretar
exactamente lo que se quiere obtener y de lo que se dispone, no es tan obvio como pueda
parecer.
REUNIR DATOS Y CREAR UN MODELO
En esta fase en primer lugar hay que reunir los datos. ste puede ser el cuello de botella del
proyecto total ya que la recogida de stos puede ser una tarea larga y tediosa. Una vez
obtenidos, mediante un anlisis estadstico, hay que modelar la aleatoriedad para ser incluida en
el modelo de simulacin.
PROGRAMAR EL MODELO
Cuando se conocen los datos de que se dispone y su naturaleza, se desarrolla el modelo en s
mismo. La programacin del modelo, como ya se ha comentado, se puede hacer con un lenguaje
de programacin de propsito general o con un lenguaje especfico de simulacin (GPSS,
AutoMod, Witness, Arena, ...). Las ventajas e inconvenientes de unos y otros sern analizadas
en otra seccin. En cualquier caso, la decisin ha de ser tomada previamente, ya que influye no
slo en la programacin sino tambin en el modelo desarrollado. Para el primer caso ste ser
un diagrama de flujo.
VERIFICAR LA PROGRAMACIN
07/10/2015
23
Este paso consiste en verificar que lo que se ha programado coincide con lo que se haba
modelado. Para ello hay que llevar a cabo ejecuciones de prueba y compararlas con el modelo,
para ello una traza bien elegida y desarrollada puede ser una valiosa ayuda. En el caso de ser
detectados errores, habr de volver a la fase anterior.
VALIDAR EL MODELO
Consiste en comprobar la validez del modelo diseado y para ello hay que ejecutar el
modelo y comparar con el propio sistema o con soluciones tericas de casos sencillos que se
hallen bien resueltos. La comparacin con el propio sistema sugiere comparacin de datos
reales y datos simulados. Cuando existe aleatoriedad no es fcil hacer tal comparacin y un
procedimiento habitual para llevarla a cabo consiste en alimentar el modelo con los mismos
datos con los que se alimenta al sistema real para obtener los resultados que se van a comparar.
Por ejemplo, si es un sistema de colas con un servidor, se le da al modelo los tiempos entre
llegadas y de servicio observados y se compara lo que ocurre en el sistema real con esos
tiempos con lo que el modelo simula (no se generan aleatoriamente, en este caso para la
validacin).
DOCUMENTAR EL MODELO O SIMULADOR
sta es una etapa fundamental del desarrollo de un modelo para garantizar su amplia
difusin. La documentacin ha de ser clara, precisa y completa. El manual de usuario debe
incluir la especificacin tcnica funcional, matemtica e informtica. El propio cdigo debe
incluir una buena documentacin para facilitar la tarea del mantenimiento. Pinsese que la
mayor parte del ciclo de vida de un modelo no est en el desarrollo sino en la fase de uso y
mantenimiento.
Hasta aqu, sera el desarrollo del modelo de simulacin, es decir, la construccin de una
herramienta que simule un sistema. Slo faltara para dar por terminada esta parte documentar
el modelo con instrucciones al usuario, descripcin de hiptesis y datos, etc., y la puesta en
servicio para otros usuarios, si es el caso, que sean, al fin y al cabo, los usuarios finales. Esa fase
de finalizacin, puede ser tambin muy larga y costosa, dependiendo de dnde haya de ser
instalado, de la documentacin que haya que entregar, de la formacin que haya que dar a los
usuarios, etc.
Sea quien sea el usuario final (es decir, tanto si es quien ha desarrollado el modelo como si
no), el modelo se usar para ayudar en la toma de decisiones y para ello habr que llevar a cabo
ejecuciones con distintas configuraciones, etc. Tambin para esta parte, existe una metodologa
con el fin de hacer crebles los resultados obtenidos y obtener la mayor informacin posible de
forma eficaz.
24
07/10/2015
DISEAR EL EXPERIMENTO
Hay que disear las estrategias a evaluar, las pruebas que se van a llevar a cabo, el nmero
de simulaciones de cada una de ellas, etc. Un buen diseo de experimentos puede ser
fundamental para obtener la informacin eficientemente. Tambin las tcnicas de reduccin de
la varianza que permiten obtener estimadores ms precisos con el mismo esfuerzo
computacional, o igual de precisos con menor esfuerzo computacional, son una buena ayuda
para resolver el problema de forma eficiente. Algunas de estas tcnicas estn especialmente
diseadas para simulacin (variables antitticas, variables de control, muestreo correlado, ...) y
otras provienen de la teora general de muestreo (muestreo estratificado, muestreo por
importancia, ...).
En esta fase tambin hay que tener en cuenta los periodos transitorios a la hora de disear
las pruebas, ya que si nuestro objetivo es obtener medidas de un sistema en estado estacionario,
habr que determinar la longitud del periodo transitorio (periodo de tiempo hasta que se puede
considerar que el rgimen de funcionamiento del sistema es estacionario o permanente) y
utilizar procedimientos para eliminar o atenuar su influencia en las medidas que se pretenden
obtener.
LLEVAR A CABO LAS EJECUCIONES DE SIMULACIN
Se ejecutan todas las pruebas que han sido diseadas en la fase anterior.
ANALIZAR LOS RESULTADOS
Hay que tener muy en cuenta que lo que se tiene de cada ejecucin es una muestra simulada
y, por lo tanto, hay que recurrir al anlisis estadstico para sacar las conclusiones, igual que si la
muestra no fuera simulada.
DECIDIR SI DAR POR TERMINADA LA SIMULACIN
A la vista de los resultados, hay que decidir si dar por terminada la simulacin y pasar a la
ltima fase del estudio o, por el contrario, si se requieren nuevas pruebas, en cuyo caso habra
que volver al paso de disear un nuevo experimento.
DOCUMENTAR Y ORGANIZAR LAS EJECUCIONES
Es importante recopilar y mostrar bien la informacin obtenida de las simulaciones, con el
fin de hacer crebles las conclusiones y decisiones que se propongan. Para ello una buena
documentacin es un punto fundamental que forma parte del propio estudio.
07/10/2015
25
II Modelado de la aleatoriedad en simulacin

Como ya se ha comentado, los modelos de simulacin habitualmente incluyen aleatoriedad,
hasta el punto de que en muchos casos cuando el modelo es determinista se considera un caso
particular de un modelo estocstico ms general. Por tanto, es necesario modelar correctamente
la aleatoriedad incluida y disponer de procedimientos rpidos y eficientes para generar valores
de variables aleatorias con una distribucin determinada y conocida.
Este captulo incluye una breve revisin estadstica de los conceptos bsicos utilizados en el
resto del documento, una seccin dedicada a identificar modelos para representar la aleatoriedad
a partir de datos conocidos, lo que se ha llamado identificacin de patrones y, por ltimo, una
seccin dedicada a cmo simular esos modelos, es decir, a cmo generar variables aleatorias
para ser utilizadas en el proceso de simulacin.
II.1 Revisin de probabilidad y estadstica

Esta revisin estadstica comprende conocimientos estadsticos de aplicacin prctica en
simulacin. Se inicia con una seccin dedicada a una revisin de conceptos bsicos de
probabilidad, despus una revisin de estimacin puntual y por intervalos y una final de
contrastes de hiptesis.
II.1.1 Variables aleatorias y sus propiedades

Un experimento aleatorio es un proceso cuyo resultado no se conoce con exactitud. El
conjunto de resultados posibles de dicho experimento es lo que se conoce como espacio
muestral, S . Los resultados concretos de realizar el experimento se denominan muestras. Un
ejemplo puede ser el resultado de tirar un dado con seis caras. Su espacio muestral sera S
={1,2,3,4,5,6}.
Sin embargo, no todos los experimentos aleatorios tienen resultados numricos; por
ejemplo, al tirar una moneda el espacio muestral sera S cara, cruz .
Una variable aleatoria X es una funcin que asigna un valor a cada resultado del
experimento. As por ejemplo, si al resultado del lanzamiento de una moneda le asignamos el
valor 1 si es cara y 1 si es cruz, tendremos una variables aleatoria cuyos posibles valores o
soporte es el conjunto 1,1 . Las variables aleatorias son de gran importancia pues trasladan
07/10/2015
27
II MODELADO DE LA ALEATORIEDAD EN SIMULACIN
la probabilidad de un espacio no numrico a uno numrico con todas las ventajas que ello
conlleva, entre otras las caracterizaciones y propiedades que se vern a continuacin.
Habitualmente se nota a las variables aleatorias con letras maysculas y a los valores
muestrales de dicha variable con letras minsculas. As por ejemplo se habla de la variable X y
de las muestras xi .
Para caracterizar la distribucin de probabilidad de una variable aleatoria hay distintas
formas segn sea sta, sin embargo una funcin que puede ser definida de forma general para
caracterizar la distribucin de una variable aleatoria es la funcin de distribucin.
La funcin de distribucin de una variable aleatoria, o tambin conocida como funcin de
distribucin acumulada, F ( x) , se define como la funcin que asigna a cada punto la
probabilidad
de
que
tome
un
valor
igual
inferior
x,
es
decir,
F ( x) P((, x]) P( X x) .
Las propiedades de esta funcin de distribucin son las siguientes:
Su valor est comprendido entre 0 y 1, es decir, 0 F ( x) 1
Es no decreciente
En los lmites, se cumple lim F ( x) 1 y lim F ( x) 0

x
Las variables aleatorias que pueden ser de nuestro inters, se clasifican en: discretas,
absolutamente continuas (en general, las llamaremos continuas) y mixtas. Las que no
corresponden a ninguno de estos grupos exceden al objetivo de esta revisin bsica.
Se dice que una variable aleatoria es discreta cuando puede tomar una cantidad numerable1
de valores.
Estas variables son caracterizadas, adems de por la funcin de distribucin, por la funcin
de masa de probabilidad, que es una funcin que asigna a los posibles valores su probabilidad y
al resto 0. Los valores de esta funcin han de estar entre 0 y 1 ya que son probabilidades y la
suma de todos ha de ser 1.
Es decir, una cantidad finita o infinita numerable (los nmeros naturales, los enteros, los
racionales,...)
28
07/10/2015
La funcin de distribucin F ( x) de este tipo de variables se calcula como la suma de la

funcin de probabilidad para valores iguales o inferiores al valor x , y resulta por lo tanto una
funcin escalonada:
F ( x) P( x xi ) ; x
xi x
Se dice que una variable aleatoria es absolutamente continua cuando existe una funcin,
denominada funcin de densidad, f ( x) , tal que su integral para un conjunto I determina la
probabilidad de ocurrencia de dicho conjunto.
P( x I ) f ( x) dx
I
Se ha de tener en cuenta que la integral de la funcin de densidad en todo el espacio ha de

ser la unidad.
f ( x) dx 1
En este tipo de variables la probabilidad de ocurrencia de un valor concreto es cero ya que

la integral en un punto es nula. Un concepto fsico que se asemeja a lo que representa la funcin
de densidad es precisamente la densidad de un cuerpo, en este caso referido a probabilidades.
La funcin de distribucin en este caso se calcula como la integral de la funcin de densidad
en el intervalo [, x] , y de aqu que su derivada constituye la funcin de densidad asociada a
la variable x . La funcin de distribucin en este caso es continua en todos los puntos, y es
derivable en todos excepto a lo sumo en una cantidad numerable de ellos.
x
F ( x) P( x [, x]) f ( y) dy ; x
F ( x) f ( x)
As por ejemplo para una variable aleatoria uniforme para el intervalo [0, 1] se tiene que:
1 0 x 1
f ( x)
resto
0
x
F ( x) f ( x) dx 1dx x
07/10/2015
29
f(x)
F(x)
Las variables aleatorias mixtas son variables que en algunos intervalos se comportan como
variables absolutamente continuas, pero que adems concentran probabilidad en algn punto.
Para ellas no existe otra caracterizacin terica vlida que no sea la funcin de distribucin, que
es continua en todos los puntos excepto en los que acumulan probabilidad que tiene un salto.
Aunque las definiciones que se han dado son vlidas en general, hay algunas cuestiones
especficas cuando las variables estn definidas no en
, sino en n , siendo denominadas
variables multidimensionales. Las siguientes definiciones son las equivalentes a las anteriores
pero en este contexto, en el que una variable aleatoria es de la forma ( X 1 ,..., X n ) :
Funcin de distribucin conjunta:
F( X1 ,..., X n ) ( x1 ,..., xn ) P( X1 x1 ,..., X n xn )
Funcin de densidad conjunta (en su caso):
P( B) f ( x )dx
f ( X1 ,..., X n ) ( x1 ,..., xn ) /
Funcin de masa de probabilidad conjunta (en su caso):
P( B) p( x )
p( X1 ,..., X n ) ( x1 ,..., xn ) /
Funciones de densidad marginales (en su caso):
f X i ( xi )
xB
...
f ( X1 ,..., X n ) ( x1 ,..., xn ) dx1...dxi 1dxi 1...dxn
Funciones de masa de probabilidad marginales (en su caso):
pX i ( xi ) ... ... p( X1 ,..., X n ) ( x1 ,...xn )

x1
xi1 xi1
xn
Dentro del tratamiento conjunto de variables aleatorias, existe un concepto que es de

mxima importancia: el concepto de independencia. Se dice que un conjunto de variables
30
07/10/2015
aleatorias es independiente si y slo si la funcin de distribucin conjunta es producto de las

funciones de distribucin marginales. Esta caracterizacin para variables absolutamente
continuas puede darse diciendo que la funcin de densidad conjunta ha de ser el producto de las
funciones de densidad marginales, y para variables discretas que la funcin de masa conjunta es
el producto de las funciones de masa marginales.
Obsrvese que el concepto de independencia estadstica que se acaba de definir no implica
que no haya relacin alguna entre las variables, sino que el conocimiento de una no modifica la
distribucin de probabilidad de las otras. Por ejemplo, sea el experimento sacar una carta de una
baraja espaola y observar el palo y nmero de la carta que ha salido. As sea la variable X el
palo (numerando 1 a copas, 2 a oros, 3 a espadas y 4 a bastos), y la variable Y el nmero (sota
es 8, caballo 9 y rey 10). La funcin de masa de ambas variables conjuntamente es
p( x, y) 1/ 40, x 1, 2,3, 4 y 1,...,10 . Las funciones de masa marginales son

p( x) 1/ 4, x 1, 2,3, 4 y
p( y ) 1/10, y 1,...,10 . Evidentemente, la funcin
conjunta es producto de las marginales, luego, se puede decir que ambas variables son
estadsticamente independientes, es decir, si dada una carta se sabe cul es el palo no modifica
la probabilidad de cul ser su nmero.
Es importante tener presente este concepto de independencia pues en simulacin, y en
general en probabilidad, se maneja muy habitualmente.
A continuacin se presenta una revisin de las caractersticas que se consideran ms
relevantes de una variable aleatoria.
La esperanza o valor esperado o media de una variable X , denotada por o E ( X ) , es
una medida central de comportamiento de la variable que representa su centro de masas. Se
calcula de manera distinta dependiendo de si se trata de una variable discreta o continua.
xi P( xi ) siendo X i variable discreta
E[ X ] xi
xf ( x)dx siendo X i variable continua
La esperanza por su definicin es un operador lineal, es decir, E (
i 1
i 1
ci X i ) ci E ( X i ) .
Por otra parte, obsrvese que la esperanza de una variable puede ser un valor que no pertenezca
al soporte, especialmente en variables aleatorias discretas, aunque siempre se encontrar entre el
mnimo y el mximo de los posibles valores.
07/10/2015
31
Otra medida central de una variable aleatoria es la mediana. Se nota por x0.5 y se define
como el menor valor de la variable para el cual FX ( x) 0.5 . Cuando la variable tiene asimetra
es habitual dar este valor de medida central, ya que la media se suele ver muy afectada por los
valores ms extremos.
La varianza de una variable aleatoria es una medida para determinar el nivel de dispersin
que tienen los valores de la variable respecto de su media. Se nota por var( X ) o 2 , y se
define como la media de las desviaciones a la esperanza al cuadrado. As su definicin y un
mtodo alternativo de clculo son:
2 E[( X i i )2 ] E( X i2 ) i2
Por definicin, la varianza es siempre no negativa y es un operador cuadrtico, de modo que
var(cX ) c 2 var( X ) . Por otra parte, para transformaciones lineales, slo en el caso en que las
variables sean independientes o incorreladas (trmino que se explica a continuacin) se cumple
n
que var(
X ) var( X ) .
i 1
i 1
Obsrvese que la varianza va en unidades al cuadrado; para dar una medida relativa a las
unidades que se estn manejando se utiliza la desviacin tpica o estndar, que se define como
la raz cuadrada de la varianza de la variable y se denota por .
Calculando la media y la varianza de una variable aleatoria uniforme en el intervalo [0, 1] se
tiene:
1
x2
1
x1dx
0
2 0 2
1
3
1 x 1 1
x 1dx
0
2 3 0 4 12
2
Una medida de la dependencia lineal entre dos variables X i y X j viene dada por la
covarianza notada por Cij o cov( X i , X j ) . Se define como la esperanza o media de la
multiplicacin de las desviaciones de la variable X i con respecto a su media i por las
desviaciones de la variable X j respecto de su media j . As la definicin y un mtodo
alternativo de clculo son las siguientes:
cov( X i , X j ) E[( X i i )( X j j )] E( X i X j ) i j
32
07/10/2015
Las covarianzas son medidas simtricas, es decir, Cij C ji . Si i j , entonces la

covarianza es igual a la varianza de la variable. Si el valor de la covarianza es positivo, ello
implica que X i y X j estn correladas positivamente, es decir, si el valor que se tiene de X i es
mayor que su media i , entonces el valor que se espera para X j ser mayor que su media j .
Por el contrario si el valor de la covarianza es negativo, ello implica que X i y X j estn
correladas negativamente, es decir, si el valor que se tiene de X i es mayor que su media i ,
entonces el valor que se espera para X j ser menor que su media j .
La covarianza tiene el inconveniente de que es una medida dimensional que no nos permite
cuantificar la correlacin entre variables de una forma directa. Para obtener una medida
adimensional de dicha correlacin se utiliza el coeficiente de correlacin lineal, ij . Dicho
factor adquiere un valor entre 1 y 1 y se calcula como cociente entre la covarianza entre dos
variables y el producto de sus desviaciones tpicas respectivas.
ij
Cij
i j
1 ij 1
Como puede observarse lleva el signo de la covarianza, y su interpretacin es por lo tanto la

misma.
An as, se suele utilizar otro factor para medir el grado de relacin lineal entre dos
2
variables: el coeficiente de determinacin, ij . Este coeficiente representa la proporcin de la
variabilidad (varianza) de una variable que es explicada por la variabilidad de la otra. Se calcula
como el cuadrado del coeficiente de correlacin lineal, con lo cual lo que no indica es el signo
de la relacin pero su interpretacin es mucho ms intuitiva.
Dos variables se dicen incorreladas si el coeficiente de correlacin lineal (o el de
determinacin o la covarianza) es cero. Si dos variables son independientes entonces son
incorreladas, al revs no es siempre cierto, excepto en distribuciones normales.
II.1.2 Procesos estocsticos

Un proceso estocstico,
X t tT ,
es un conjunto de variables aleatorias definidas todas
sobre un mismo espacio de probabilidad (intuitivamente se dira que miden lo mismo pero en
distinto instante de tiempo o punto espacial). Se denomina espacio de estados al conjunto de
posibles valores de las variables.
07/10/2015
33
Al conjunto T se le denomina conjunto de ndices, y si se trata de un conjunto numerable

de , el proceso es denominado proceso en tiempo discreto, mientras que si no es un conjunto
numerable se denomina proceso en tiempo continuo.
Un proceso en tiempo discreto se dice que es estacionario en covarianza o estacionario de
segundo orden si verifica que la media y varianza de todas las variables es la misma y la
covarianza entre dos variables del proceso solamente depende de la diferencia entre sus ndices
y no de sus valores absolutos:
i ; i
i2 2 ; i
cov( X i , X i j ) cov( X1 , X1 j ) C j independiente de i ; j

En este tipo de procesos a C j se le denomina autocovarianza de orden j, y a los
coeficientes de correlacin se les conoce como autocorrelaciones del proceso.

El arranque de cualquier simulacin no suele ser estacionario en covarianza. Si la
simulacin se avanza hasta un tiempo K suficientemente alejado es posible que el proceso
alcance un rgimen estacionario en el cual se cumplan los requisitos anteriormente descritos. El
tiempo que transcurre hasta que se alcanza dicho rgimen estacionario se conoce como perodo
transitorio o de calentamiento (warm up).
Los procesos en tiempo continuo tambin pueden ser estacionarios o no.
Hay procesos estocsticos que no son estacionarios en s mismos, pero que pueden serlo sus
incrementos. Un proceso markoviano es un proceso estocstico de incrementos independientes
y estacionarios, es decir, tal que
i) t , a 0 la variable aleatoria X t a X t es independiente de X s / 0 s t , es decir,
independiente de su historia (o que no tiene memoria).
d
ii) 0 t1 t2 t3 t4 X t2 X t1 X t4 X t3
Respecto a los procesos markovianos en tiempo continuo los ms conocidos son el Proceso
de Poisson (que es un proceso de conteo ya que el espacio de estados es
de Wiener o movimiento browniano (cuyo espacio de estados es
Se dice que un proceso estocstico
X t tI
0 ) y el Proceso
es un proceso de Poisson de parmetro si
T [0, ) con las siguientes propiedades
34
07/10/2015
i) X 0 0 c.s.
ii) t , a 0 la variable aleatoria X t a X t es independiente de
X s / 0 s t
(es
decir, que los incrementos son independientes de su historia)

d
iii) t , a 0 X t a X t ( a )
Se dice que un proceso estocstico
X t tI
es un proceso de Wiener o movimiento
Browniano si si T [0, ) con las siguientes propiedades

i) X 0 0 c.s.
ii) t , a 0 la variable aleatoria X t a X t es independiente de X s / 0 s t
d
iii) t , a 0 X t a X t N (0, a )
Se puede probar que con probabilidad uno X no es diferenciable en ningn punto del
intervalo [t , t a] .
II.1.3 Estimacin puntual

Esta seccin se dedica a la estimacin puntual, es decir, obtener estimadores para
parmetros desconocidos de una variable a partir de una muestra. Los estimadores en general se
denotan de una forma particular o con el parmetro que se desea estimar con un circunflejo, es
decir, de la forma a . La estimacin en general se hace a partir de una muestra aleatoria simple y
as se presentan los estimadores siguientes.
Sea una muestra aleatoria simple, es decir, X 1 , X 2 , X 3 ,
son v.a.i.i.d. con media y
varianza 2 , se define como media muestral a la suma de los valores muestrales de tamao n
dividido por el propio n . Se nota la media muestral para un tamao n como X (n) o .
X (n)
i 1 i
07/10/2015
35
La media muestral es un estimador insesgado2 o centrado de la media de la variable, es
decir, E X (n) , y es en s una variable aleatoria.

As por ejemplo, en un sistema de espera de llamadas se producen los siguientes tiempos de
espera en segundos {45, 34, 66, 49, 87, 22, 54, 91}. La media muestral de estos tiempos resulta
de 56 segundos/llamada. Este valor es una realizacin de la variable X (n) .
La media muestral como tal variable tiene por esperanza la media de la variable y por
varianza la varianza de la variable partido por el tamao muestral, es decir, E[ X (n)] y
V [ X (n)] 2 / n (la varianza lo es slo si son variables independientes o incorreladas).

Para estimar la varianza de una variable si fuera conocida (no estimada) la esperanza de la
variable en cuestin el estimador utilizado es
n
i 1
( xi )2
n
. Sin embargo, no es habitual
que se conozca la media con certeza, sino que suele ser estimada con la media muestral. En tal
caso, el estimador utilizado es la cuasivarianza.
La cuasivarianza o varianza muestral es un estimador insesgado de la varianza de la
variable, es decir, E S 2 (n) 2 . La cuasivarianza para un tamao n de la muestra se nota

por S 2 ( n) o por 2 .
S (n)
2
n
i 1
( xi X (n)) 2
n 1
As por ejemplo para el conjunto de tiempos de espera la cuasivarianza muestral obtenida,

2
S ( n) , es igual a 585.714 segundos2 (calculado como 4100/7).

Por lo tanto, un estimador de la varianza de la media muestral, var X (n) , ser el
cociente entre la cuasivarianza muestral y el nmero de muestras.

n
var X (n)
S ( n)
( x X (n))
i 1
n(n 1)
Un estimador de un parmetro es insesgado o centrado cuando el valor esperado de dicho estimador
es el propio parmetro que se desea estimar
36
07/10/2015
As por ejemplo para la media muestral de 56 segundos/llamada obtenida para los tiempos
de espera se obtiene un estimador de la varianza de la media muestral de 73.214 segundos2
(calculada como 585.714/8).
II.1.4 Estimacin por intervalos de confianza

La estimacin puntual en general es insuficiente como nico resultado cuando se desea
estimar un parmetro ya que no proporciona ninguna informacin acerca de la precisin del
resultado. Por otra parte, cuando se hace una estimacin puntual se puede tener prcticamente la
seguridad de que el valor estimado no es el valor real. Por lo tanto, junto a una estimacin
puntual siempre se debe hacer una estimacin por intervalo.
Existen distintos mtodos para obtener intervalos de confianza, siendo el ms conocido el
de la cantidad pivotal. Sin embargo en esta seccin de repaso no se va a entrar en el
procedimiento para obtener intervalos de confianza sino que se van a presentar slo los
utilizados para la media que son los ms habituales para analizar los resultados de simulacin.
Si la varianza de la variable es conocida (que no estimada), lo que ocurre en muy pocas
ocasiones, el intervalo de confianza 1 para la media es
2
2
, X (n) z
X (n) z
2
2
n
n
donde z / 2 denota el valor que deja a su derecha un probabilidad / 2 en una distribucin

normal estndar (media 0 y desviacin 1).
Si la varianza de la variable es desconocida y estimada mediante la cuasivarianza, que suele
ser lo habitual, el intervalo de confianza 1 para la media es
S 2 ( n)
S 2 ( n)
, X (n) tn 1,
X (n) tn 1,
2
2
n
n
donde tn1, / 2 denota el valor que deja a su derecha una probabilidad / 2 en una distribucin
T de Student con n 1 grados de libertad. Obsrvese que para valores altos de n la normal y la
T de Student son prcticamente iguales.
La interpretacin que se ha de dar a los intervalos de confianza segn estn construidos es
que si se obtuvieran distintos intervalos en 100 1 % de ellos se encontrara el parmetro
, lo que no quiere decir que en un caso concreto se pueda asegurar que se encuentra el
parmetro.
07/10/2015
37
Obsrvese que para reducir el tamao del intervalo de confianza es necesario incrementar el
nmero de muestras n obtenidas o disminuir la cuasivarianza. La variacin del tamao del
intervalo con el nmero de muestras es cuadrtica. As, en el caso de que se quiera reducir el
tamao a la mitad es necesario incrementar en cuatro veces el nmero de muestras obtenidas.
As por ejemplo para los tiempos de espera de las llamadas se dispone de los valores
necesarios para establecer el intervalo de confianza del 99 % para la media, donde X (n) =56
segundos/llamada. Mirando en las tablas de la t de Student se busca el valor que deje una
probabilidad de 0.005 de probabilidad a su derecha. Este valor en tablas resulta 3.499. El
intervalo de confianza resultante se indica a continuacin. Este intervalo es muy grande debido
al poco nmero de muestras utilizado, al valor de la cuasivarianza y a la elevada confianza que
se pide en el intervalo.
585.714
585.714
,56 3.499
56 3.499
26.061,85.939
8
8
II.1.5 Contrastes o tests de hiptesis

Los contrastes de hiptesis se plantean cuando se quiere contrastar alguna hiptesis que se
tenga sobre la variable o la muestra. Hay contrastes sobre parmetros, sobre la propia
distribucin, sobre la aleatoriedad de la muestra, etc.
El planteamiento bsico que se va a presentar (no es el nico) es siempre el mismo. Se
formula una hiptesis, denominada hiptesis nula y denotada por H 0 , y lo contrario a ella ser
la hiptesis alternativa que se denota por H 1 .
A partir de la muestra se obtiene un estadstico, tal que si la hiptesis nula fuera cierta se
sabra su distribucin. As si el valor del estadstico para la muestra concreta es un valor raro
para esa distribucin se rechaza la hiptesis nula, mientras que si no es raro, no se puede
rechazar.
Bsicamente, la idea es esa, pero hay varias cosas que puntualizar.
La primera puntualizacin es que los tests no son simtricos, es decir, no tratan por igual a
la hiptesis nula y a la alternativa. Al realizar un test hay dos errores que se pueden cometer:
rechazar la hiptesis nula siendo verdadera o rechazar la hiptesis alternativa siendo verdadera.
Al primer error se le denomina Error de tipo I y al segundo Error de tipo II. Los tests se
realizan a un nivel de confianza que representa una cota para la probabilidad del error de tipo
38
07/10/2015
I, es decir, P( Error tipo I ) , mientras que no se tiene ningn control acerca de la

probabilidad del error de tipo II3. Por lo tanto, fijado un valor de pequeo, se sabe que la
probabilidad de cometer el error de rechazar H 0 siendo cierta es muy pequea, mientras que no
se sabe nada de la otra. sta es la razn por la que habitualmente en el resultado de un contraste
si se rechaza la hiptesis nula se hace con seguridad, mientras que cuando no se rechaza se suele
decir que no hay evidencia estadstica para rechazarla. Es importante tener esto en cuenta
cuando se disea un contraste.
La siguiente puntualizacin es acerca de lo raro de una distribucin. En general, se
considera raro la zona de las colas de las distribuciones, y se delimita lo raro por el nivel de
significacin . Veamos un ejemplo de contraste completo para definir conceptos.
Supngase que se quiere contrastar un valor 0 para la media de una variable. Entonces el
planteamiento del contraste sera
H 0 : 0
H1 : 0
En este caso, no habra duda, ya que los contrastes paramtricos obligan a que la igualdad
siempre se ponga en la hiptesis nula.
El estadstico que se utiliza ser:
X ( n) 0
S 2 ( n)
n
ya que este valor si la media es realmente 0 debera seguir una distribucin T de Student con
n 1 grados de libertad. Si el valor que resulta a partir de una muestra es muy grande en valor
absoluto resulta un valor raro. Para que adems sea cierto que la probabilidad de error de tipo
I est acotada por hay que definir una regin, denominada regin crtica, que siendo cierta la
hiptesis nula tenga esa probabilidad, es decir, una regin de la T de Student de probabilidad
y que sean valores raros de esta distribucin: los intervalos (, tn1, / 2 ) (tn1, / 2 , ) . As si
Los tests que se utilizan suelen ser de mxima potencia (mnima probabilidad error de tipo II) para
un valor de
, pero an as queda sin acotar y con un valor siempre desconocido. Aunque una cosa es
cierta, cuanto menor sea la cota del error de tipo I (
), mayor es la probabilidad de cometer el error de
tipo II:
07/10/2015
39
el estadstico toma valores en esa regin la hiptesis nula es rechazada, si no es as, se dice que
no puede ser rechazada.
Obviamente, cada contraste vendr definido por un estadstico que calcular y una regin
crtica, y al llevarlo a cabo habr que definir cul es la hiptesis nula y la alternativa y el nivel
de significacin teniendo en cuenta lo que suponen al llevarlo a cabo.
Por otra parte, la decisin del nivel de significacin puede ser un poco drstica y adems
contrastes para distintas hiptesis nulas no pueden ser comparados si nos sale por ejemplo no
rechazar la hiptesis, as que se impone tener una medida del grado de seguridad con que se
acepta o rechaza una hiptesis. Esta medida es lo que se denomina p-valor, a veces tambin zvalue, etc. Este valor representa el nivel de significacin para el que con esa muestra sera
rechazada la hiptesis nula, es decir, el tamao que debera tener la regin crtica para que fuera
rechazada la hiptesis nula, o lo que es lo mismo, la probabilidad que habra que admitirse de
cometer el error de tipo I para rechazar la hiptesis nula.
Cmo trabajar con el p-valor? Una forma es sustituir la idea de ver si el estadstico est en
la regin crtica, y en lugar de ello, comparar el p-valor con el nivel de significacin: si el pvalor es menor que se rechaza la hiptesis nula, si no, no.
Otra posibilidad, y es la que justifica en mayor medida el uso del p-valor, es cuando se
hacen varios contrastes con distintas hiptesis pero hay que elegir una de ellas. Por ejemplo, en
un contraste de bondad de ajuste la hiptesis nula es que la variable sigue una determinada
distribucin frente a que no lo hace. Supngase que se busca una distribucin entre exponencial,
gamma y weibull. Los contrastes obligan a hacer uno cada vez, y supngase que para los tres se
obtiene que no se puede rechazar que la variable siga esa distribucin. Qu decisin tomar? O
lo que es lo mismo, cuando no rechazo la hiptesis nula, en qu caso lo hago con mayor
seguridad? La medida para comparar es justo el p-valor, en aqul contraste en que el p-valor sea
mayor ser en el que estoy aceptando la hiptesis nula con mayor seguridad.
II.2 Identificacin de patrones

Para generar valores de las variables de entrada de un modelo y poder desarrollar la
simulacin hay que modelar la aleatoriedad que rige a stas variables. Este modelado se puede
hacer mediante dos aproximaciones:
1. Ajustar una distribucin terica a los datos: lo que supone buscar una distribucin terica
que sea acorde a los datos disponibles, contrastando la bondad del ajuste para confiar en que
40
07/10/2015
el modelo es el apropiado, y usar esta distribucin para generar valores luego de esa
variable.
2. Definir la distribucin emprica de los datos: de modo que la distribucin de los datos es
utilizada directamente para generar valores de la variable posteriormente.
La aproximacin 2 debe usarse slo si no se puede usar la 1, por las siguientes razones:
Los datos son aleatorios, diferentes datos producen diferentes distribuciones empricas. Es
decir, el mtodo de la distribucin emprica est muy sujeto a fluctuaciones en los datos.
La distribucin emprica no permite generar valores fuera del rango en que se mueven los
datos con la que se ha obtenido. Habitualmente, no hay un rango claramente establecido y
por lo tanto, usar este mtodo fuerza a que los valores no puedan ser ni menores ni mayores
que los ya obtenidos, es una limitacin, en general, poco deseable.
Podemos tener razones para poner un modelo terico por las propiedades que el modelo
seleccionado pueda tener y que son conocidas de antemano.
En lo que sigue se supondr que se parte de una muestra aleatoria simple, es decir,
observaciones independientes de la variable a modelar obtenidas en las mismas condiciones.
II.2.1 Distribuciones empricas

En esta seccin se muestra como obtener la distribucin emprica a partir de unos datos. La
primera distincin es si se considera que la variable aleatoria es continua o discreta.
Variables aleatorias discretas
Si la variable aleatoria es discreta, la distribucin emprica se obtiene asignando a los
valores observados la frecuencia relativa con la que aparecen en la muestra. Este procedimiento
es muy habitual, por no decir el que ms se utiliza, para variables aleatorias discretas,
especialmente cuando no existen fundamentos para suponer que la distribucin pueda seguir un
modelo concreto del tipo Binomial, Poisson o relacionadas.
Variables aleatorias continuas
En el caso de las variables aleatorias continuas cabe destacar a su vez dos casos, que las
observaciones se den agrupadas por intervalos o que no sea as.
Variables continuas con observaciones no agrupadas: X 1 ,..., X n

El procedimiento para obtener la funcin de distribucin emprica es el siguiente:
07/10/2015
41
1) Ordenar los valores de la muestra de menor a mayor: X (1) ,..., X ( n )

2) Obtener la funcin de distribucin segn la siguiente expresin:
x X (i )
i 1
F ( x)
n 1 (n 1)( X (i 1) X (i ) )
1
x X (1)
X (i ) x X (i 1) i 1,..., n 1
x X (n)
Por ejemplo, la funcin de distribucin correspondiente a las observaciones 12, 15, 9, 7, 3,

16, sera la correspondiente a la siguiente grfica:
0
3
7
0.8 9
12
15
0.6 16
20
0.4
0
0
0.2
0.4
0.6
0.8
1
1
Frecuencia acumulada
16
20
15
12
9
0.2
3
0
10
15
20
Valores
Figura 6. Funcin de distribucin emprica de datos no agrupados
Variables continuas con observaciones agrupadas en intervalos:

Sean n observaciones agrupadas en k intervalos
a0 , a1 , a1 , a2 ,..., ak 1 , ak , cuyas frecuencias absolutas observadas son ni
de modo que
n1 n2 ... nk n .
La funcin de distribucin emprica, donde G(a j ) denota la frecuencia relativa acumulada,
j
es decir, G (a j )
n
i 1
, sera la siguiente:
42
07/10/2015
0
x a0
x a j 1
G ( x) G (a j 1 )
(G (a j ) G (a j 1 )) a j 1 x a j , j 1,..., k
a
a
j
j
1
x ak
Por ejemplo, dada la siguiente tabla de valores, la grfica de la funcin de distribucin

emprica correspondiente es la que se muestra en la figura
Frecuencia acumulada
[2,4) 1
[4,8)
[8,10)
0.8
[10,15)
[2,4)
[4,8)
[8,10)
[10,15)
10
2
10
8
5
n=25
4
8
10
15
n 25
0.12
0.52
0.84
1
0.84
0.6
0.52
0.4
0.2
0.12
0
0
0
8
Valores
10
12
14
16
Figura 7. Funcin de distribucin emprica de datos agrupados
II.2.2 Distribuciones tericas

En esta seccin se presenta el procedimiento a seguir para identificar un modelo de
distribucin terico apropiado para las observaciones de que se dispone. El procedimiento
consta de una serie de pasos que son los siguientes:
a)
Proponer posibles familias de distribuciones a partir de un anlisis exploratorio de los

datos de tipo descriptivo. Los tres elementos que se utilizan fundamentalmente en este
anlisis son:
Valores caractersticos de los datos
07/10/2015
43
Cuantiles y grficos Box-Plot
Histogramas
b)
Estimar los parmetros de las distribuciones propuestas
c)
Determinar cmo de representativas son las distribuciones ajustadas, mediante

procedimientos heursticos y mediante contrastes de hiptesis de bondad de ajuste
(Test de la 2 y Test de Kolmogorov-Smirnov).
Vamos a desarrollar ahora cada uno de estos pasos con ms detalle.
a) Proponer familias de distribuciones a partir de un anlisis descriptivo.

Esta fase consiste fundamentalmente en proponer familias de distribuciones que se
observe que son apropiadas para los datos a partir del anlisis descriptivo de stos, o lo
que ocurre en muchas ocasiones, ms que proponer, esta fase permite descartar
determinadas distribuciones.
Este anlisis puede apoyarse tambin en determinadas hiptesis que se puedan hacer
sobre los datos; por ejemplo, supongamos que nuestros datos son datos de tiempo entre
fallos de mquinas y sospechamos o suponemos que estos fallos no estn influenciados
por el desgaste, sino que son por causas aleatorias, parece razonable plantearse la
exponencial como una posible distribucin, ya que esta distribucin no tiene memoria.
Para poder plantear posibles distribuciones apropiadas para los datos disponibles se
deben analizar los valores caractersticos de los datos, los cuantiles y el grfico BoxPlot, y el histograma de los datos.
-
Valores caractersticos de los datos:
Los valores que suelen ser obtenidos y observados son media, varianza, disviacin
tpica, mediana, asimetra, curtosis, coeficiente de variacin, ... La razn es porque hay
familias de distribuciones para los que estos valores tienen un determinado valor. As,
por ejemplo, para una distribucin normal, la media y la mediana coinciden, y la
asimetra y curtosis son cero.
Otro valor caracterstico de una distribucin es el coeficiente de variacin, es decir, el
cociente entre la desviacin tpica y la media, que es 1, ya que ambos valores son
iguales para la exponencial.4
En ocasiones el coeficiente de variacin viene dado en porcentaje, siendo entonces 100 el
valor caracterstico de una exponencial.
44
07/10/2015
Una matizacin que realizar es que dado que los valores obtenidos son de la muestra,
cuyas observaciones son aleatorias, no se puede pretender que estos valores sean
exactos, es decir, aunque los datos provengan de una exponencial, lo habitual es que el
coeficiente de variacin calculado a partir de los datos no sea 1, pero s prximo a l.
-
Cuantiles y Box-Plot
Este anlisis suele ser razonable para distribuciones continuas, no para discretas.
Los cuantiles xq son los valores que dejan a su izquierda una probabilidad q , es decir,
un valor tal que F ( xq ) q . Es habitual obtener los denominados cuartiles ( x0.25 , x0.5
que es la mediana, y x0.75 ) de la muestra y compararlos con los de la distribucin
propuesta. Esta comparacin se suele hacer ms que numricamente por forma,
obteniendo el denominado grfico Box-Plot.
En el grfico Box-Plot, se representan los cuartiles en una caja central, con una lnea en
medio que es la mediana; a su vez se representan dos lneas a cada lado hasta el mnimo
de los datos la de la izquierda y hasta el mximo la de la derecha, siempre que la
longitud de las lneas no supere 1.5 veces el rango intercuartlico; en el caso en que esta
cantidad sea superada, los datos que quedan fuera se representan separadamente, siendo
denominados outliers u observaciones fuera de rango. Los que estn distanciados ms
de 3 veces el rango intercuartlico se denominan superoutliers.
Este grfico se utiliza para ver la asimetra y analizar esos posibles outliers. Los outliers
han de ser estudiados y eliminados del estudio si se concluye que pueden provenir de
errores. Sin embargo, ha de tenerse mucho cuidado al tomar la decisin de eliminarlos
del anlisis. El grfico Box-Plot considera que son outliers para una distribucin
normal, pero si trabajamos con una distribucin asimtrica a la derecha, por ejemplo, lo
normal es que aparezcan este tipo de datos sin que sea ningn tipo de error.
Un ejemplo de un grfico Box-Plot de una distribucin asimtrica a la derecha es el que
se muestra a continuacin
min
x0.25 Me
x0.75
max
outlier
07/10/2015
45
Histogramas y diagrama de barras:
Los histogramas son una representacin de los datos provenientes de distribuciones

continuas que deben asemejarse a la funcin de densidad que se proponga. Los
diagramas de barras son para datos provenientes de una distribucin discreta que deben
parecerse a la funcin de masa de la distribucin discreta a proponer.
Los histogramas representan los datos agrupados por intervalos, as a la hora de hacer
esta representacin, la decisin fundamental es cmo agruparlos. El procedimiento para
construir un histogramas es el siguiente:
Dividir el rango en intervalos
El nmero de intervalos no es un nmero fijo sino que se puede probar con varios,
teniendo en cuenta que no pueden quedar intervalos de frecuencia nula. En general, los
intervalos se suelen hacer todos de igual amplitud, excepto, en todo caso, los extremos.
No hay que olvidar que con el histograma pretendemos ver grficamente si los datos
tienen una distribucin que se pueda parecer a alguna conocida, as que se debe probar
con distinto nmero de intervalos, y con distintas amplitudes, buscando la semejanza
con alguna distribucin.
Como orientacin para el nmero de intervalos, se suele probar con nmeros cercanos a
la raz cuadrada del nmero de datos o a la frmula de Sturgess:
N intervalos k 1 log 2 n 1 3.322 log10 n
Levantar sobre cada intervalo un rectngulo de rea proporcional a la

frecuencia, manteniendo la misma constante de proporcionalidad en todos los
intervalos.
Comparar con las funciones de densidad
Un posible histograma se muestra a continuacin. En general, las herramientas

informticas estadsticas construyen los histogramas con toda facilidad, representando
incluso la funcin de densidad de una distribucin propuesta a su lado. Sin embargo,
aunque se utilicen estas herramientas, la decisin de cmo agrupar los datos para lograr
una semejanza si es posible, sigue siendo una tarea a realizar por el usuario.
46
07/10/2015
8
datos
7
datos
16
datos
8 datos
10
Para el caso de distribuciones discretas, el diagrama de barras resulta mucho ms

sencillo, ya que consiste en levantar una barra sobre los valores observados de altura la
frecuencia relativa de stos.
8
datos
7
datos
4
datos
2
datos
b) Estimar los parmetros de las distribuciones propuestas

Propuestas unas distribuciones, se estiman los parmetros de stas que hacen que el
ajuste a los datos sea el mejor. La estimacin se puede hacer mediante distintos mtodos
de estimacin paramtrica, como el mtodo de mxima verosimilitud, el de los
momentos, etc. Actualmente, esta fase no se suele llevar a cabo de forma independiente,
ya que las herramientas informticas de estadstica realizan la estimacin al hacer los
contrastes de bondad de ajuste del paso siguiente.
c) Determinar cmo de representativas son las distribuciones ajustadas
Para determinar si son razonables las distribuciones propuestas, el primer paso es
comparar grficamente los histogramas con las funciones de densidad en el caso de
distribuciones continuas, y los diagramas de barras con las funciones de masa para el
07/10/2015
47
caso de distribuciones discretas. Este paso a menudo se hace al principio, para hacer la
propuesta de distribuciones.
Sin embargo, no es suficiente con ver que grficamente hay una semejanza sino que
adems se debe cuantificar la bondad del ajuste para poder comparar cun bueno es ste
con distintas distribuciones, y tomar una decisin acerca de la distribucin a seleccionar.
Para ello se realizan contrastes de bondad de ajuste con el fin de descartar alguna de las
distribuciones propuestas, y para cuantificar la bondad del ajuste mediante el p-valor.
Tests de Bondad de Ajuste

Son contrastes de hiptesis donde el planteamiento es:
Sea X 1 ,..., X n una muestra aleatoria simple (v.a.i.i.d.) con distribucin F desconocida.
Sea F0 una distribucin particular.
El contraste que se plantea es:
H 0 : F F0
H1 : F F0
Observaciones:
1. Por la naturaleza de los contrastes en general, si el resultado es rechazar la hiptesis
nula se har con bastante seguridad; si el resultado es aceptarla se debe decir "no
rechazar H 0 ya que no hay evidencia estadstica para ello". En general, los tests
tienden a aceptar que los datos pueden provenir de la distribucin propuesta.
2. Para una cantidad grande de datos es habitual que el resultado sea rechazar H 0 , ya
que algunos contrastes son muy sensibles a pequeas variaciones.
3. Se debe utilizar el p-valor como medida del ajuste:
El p-valor es el nivel de significacin para el que se rechazara H 0 con los datos
utilizados para realizar el contraste, es una cota de la probabilidad de cometer el
error de tipo I (rechazar H 0 siendo cierta). Cuanto mayor sea el p-valor mejor es el
ajuste.
Sin embargo, no se ha de ser ciego a la hora de seleccionar una distribucin, ya que
puede ser preferible una distribucin ms sencilla aunque tenga un p-valor peor
(siempre que sea razonable) que otra que tenga un mejor valor pero sea muy
compleja.
48
07/10/2015
Existen dos tipos de tests de bondad de ajuste que son los ms utilizados: el test de la
2 y el test de Kolmogorov-Smirnov. En general, estos tests estn incluidos en todas

las herramientas informticas de estadstica, pero, es recomendable saber en qu
consisten con el fin de dar los parmetros adecuados, saber cundo utilizarlos y saber
interpretarlos.
Test de la 2 (Pearson, 1900)
La idea bsica de este test es agrupar los datos en intervalos y comparar las frecuencias
de estos intervalos con las probabilidades que la distribucin terica les asigna,
midiendo la distancia entre ambas.
Este test es aplicable tanto a distribuciones discretas como continuas, aunque requiere
tener una muestra suficientemente grande ya que se basa en un resultado asinttico.
El procedimiento sera el siguiente:
a) Dividir el rango de la distribucin ajustada en k intervalos adyacentes:
a0 , a1 , a1 , a2 ,..., ak 1 , ak
b) Sea N j nmero de X i en intervalo j -simo = frecuencia absoluta observada
de intervalo a j 1 , a j
c) Calcular de la distribucin terica la probabilidad de cada intervalo:
p j P( a j 1 , a j ) , y a partir de ella la frecuencia esperada como n p j .

d) Calcular: X
2
( N j n p j )2
j 1
n pj
D
2
k2m1 , donde m es el nmero de
Si H 0 es cierta, se verifica que X
n
parmetros estimados.
2
2
e) Rechazar H 0 si X k m1,
Una consideracin a hacer es que el valor del estadstico X 2 vara segn los intervalos
elegidos. No hay normas claras al respecto, excepto que no puede haber intervalos de
frecuencia nula, pero, una idea es que sean de igual amplitud, que haya al menos 3
intervalos y que la frecuencia esperada sea al menos 5, es decir, n p j 5.
07/10/2015
49
Test de Kolmogorov-Smirnov
Este test compara la funcin de distribucin emprica de los datos con la funcin de
distribucin terica.
Este test es aplicable en la versin que se presenta slo para distribuciones continuas
(existe una versin para distribuciones discretas que no se presenta en este captulo), y
es vlido para cualquier tamao de muestra, incluso aunque se disponga de pocos datos.
El procedimiento para aplicarlo es el siguiente:
a) Calcular la funcin de distribucin emprica de los datos sin interpolacin, es decir:
Fn ( x)
nmero de X i ' s x
n
b) Obtener la mxima diferencia entre la funcin de distribucin emprica y la terica:

esta diferencia se alcanzar en los puntos observados, ya que son los puntos de salto de
la funcin emprica, pudiendo ser en el propio punto o justo antes. Por ello, se calcula
Dn max
1i n
valor
de
Dn max
1i n
i
F ( X (i ) ) que es la mxima diferencia en los puntos observados con el
n
la
distribucin
emprica
justo
en
el
punto,
se
calcula
i 1
F ( X (i ) ) que es la mxima diferencia tomando el valor de la
n
distribucin emprica justo antes (por la izquierda) del punto. As la mxima diferencia
entre la funcin de distribucin emprica y la terica ser el mximo de ambos valores,
es decir, Dn max Dn , Dn .
c) Rechazar H 0 si Dn d n,1 , donde dn,1 es el valor que se recoge para esa
significacin y tamao de muestra en las tablas de Kolmogorov-Smirnov.
En la siguiente figura se muestra grficamente el significado de los valores Dn y Dn .
50
07/10/2015
Dn Dn
Dn
Dn
Figura 8. Representacin grfica de los valores Dn y Dn
II.3 Generacin de variables aleatorias

Una vez que se ha seleccionado una distribucin para modelar la aleatoriedad de una
variable de entrada, es necesario establecer procedimientos para obtener valores de esta
variable durante la simulacin del modelo. As pues esta seccin se dedica a la simulacin
de variables aleatorias con una distribucin determinada.
Se empieza por generar valores de variables aleatorias con distribucin uniforme en el
intervalo (0,1). La razn es que todos los mtodos para generar variables aleatorias no son
ms que transformaciones de variables aleatorias con esta distribucin y por ello el primer
paso es saber obtener sta.
II.3.1 Generacin de muestras uniformes

Los nmeros pseudoaleatorios son tan importantes que su generacin no se
puede dejar al azar.
Una secuencia de nmeros se dice que es aleatoria si cualquier secuencia finita,

seleccionada previamente a su diseo, es igualmente factible que est incluida en aqulla.
Los mejores mtodos para generar nmeros aleatorios son los fsicos y de entre ellos el
mejor es el de la ruleta. Este mtodo consiste en una ruleta dividida en 10 partes iguales, a
las que se les asignan los valores del 0 al 9, y una flecha fija en un punto fuera de la ruleta.
Si se la hace girar y posteriormente se la detiene bruscamente, se puede anotar el nmero
que seala la flecha. Repitiendo esta operacin n veces, se obtiene una secuencia de n
nmeros que obviamente constituye una secuencia de nmeros aleatorios.
07/10/2015
51
Estos valores se pueden considerar valores de una variable cuya distribucin sea una
uniforme discreta que toma los valores de 0 a 9 con probabilidad 1/10 cada uno de ellos.
Pero tambin los podemos agrupar de k en k y considerar que son valores de una uniforme
discreta que toma valores 0,
,10k 1 .
Si se desean generar valores de una uniforme en el intervalo (0,1), podemos agrupar los
valores de k en k y considerar que cada grupo son las cifras decimales de una realizacin
de una variable aleatoria con distribucin U (0,1) .
Obviamente, para considerar informativos los resultados obtenidos mediante la
simulacin de un modelo es necesario simularlo ms de una vez. De hecho, se debe hacer
una gran cantidad de veces, en general, ms cuanto ms complicado es el modelo, lo que
hace ver la necesidad del uso del ordenador.
Existen tablas de nmeros aleatorios obtenidos por el mtodo de la ruleta y otros
mtodos fsicos, pero no es un buen mtodo para su uso en ordenador. sta fue la razn por
la que se crearon mtodos aritmticos particulares adaptados al ordenador, aunque con un
cierto deterioro de la aleatoriedad, denominndose nmeros pseudoaleatorios.
Un generador ideal de nmeros pseudoaleatorios debe proporcionar secuencias de
nmeros con las siguientes propiedades:
Tener distribucin uniforme (son realizaciones de uniformes)
Ser estadsticamente independientes
Han de ser reproducibles
Capaces de producir diferentes secuencias de nmeros
Deben tener un ciclo no repetitivo tan largo como se desee
Ser generados rpidamente
Ocupar poca memoria o almacenamiento en el ordenador
Veamos algunos mtodos para generar nmeros pseudoaleatorios.

Mtodo de los cuadrados medios
Se toma un nmero al azar, x0 , de 2n cifras. Se eleva al cuadrado y se toman de este
resultado las 2n cifras centrales. Se repite el proceso.
Ejemplo:
52
07/10/2015
x0 =4122
x02 =16|9908|84
x1 =9908
x12 =98|1684|64
x2 =1684
x22 =2|8358|56
La secuencia 4122, 9908, 1684, ... puede ser considerada, al menos a partir de un cierto
intervalo, como una secuencia de nmeros pseudoaleatorios.
El principal problema de este mtodo es que los nmeros pueden repetirse a partir de
una secuencia muy corta. Por ejemplo, si x0 3708 se tiene que x4 6100 x8 , lo cual
no es controlable.
Mtodo de Lehmer
Sea x0 un nmero al azar de n cifras. Se multiplica por otro k (fijo del generador) de
k cifras, dando lugar a uno de n k . Se quitan las k cifras de la izquierda, obteniendo uno
de n cifras al que se resta el de k cifras que se haba separado.
Ejemplo:
x0 =4122
k =76
4122 76=31|3272
3272-31=3241
x1 =3241
k =76
3241 76=24|6316
6316-24=6292
Este mtodo acaba degenerando a 0.
Mtodos congruenciales
Estos mtodos tambin son debidos a Lehmer (1951). Los mtodos de generacin de
nmeros pseudoaleatorios llamados congruenciales se basan en el concepto matemtico de
nmeros congruentes.
Sean x, y, m
. Se dice que x es congruente con y en mdulo m si y slo si x e

(m)
y dan el mismo resto al dividir por m . Se representa por x y .

Sean a, b
0 , m . Se dice que una sucesin xn n
est generada por
el mtodo congruencial si y slo si

(m)
xn 1 axn b
07/10/2015
53
donde xn 0,..., m 1 n 0,1,... , siendo x0 la semilla de la sucesin que suele ser un

valor dado por el programador, a m se le denomina mdulo y a a multiplicador. Adems
si b 0 se denomina generador multiplicativo y, en el caso general, generador mixto.
Los nmeros generados por el mtodo congruencial verifican que xn 1 es el resto de
dividir yn 1 axn b entre m . Adems la ley recurrente es
xn 1 yn 1 mod m (axn b) mod m n

Ejemplo: m 8 , a 5 , b 7 , x0 4 genera la secuencia de nmeros 4, 3, 6, 5, 0, 7, 2,
1, 4.
Ejemplo: m 9 , a 5 , b 1 , x0 1
y1 5 1 1 6
x1 6
y2 5 6 1 31
x2 4
y3 5 4 1 21
x3 3
y4 5 3 1 16
x4 7
y5 5 7 1 36
x5 0
y6 5 0 1 1
x6 1 x0
Este mtodo es evidente que genera valores a gran velocidad y ocupa poca memoria de
ordenador, puesto que no se guarda toda la secuencia sino que para generar un valor slo
necesito el ltimo valor generado. Tambin es claro que es reproducible (con una misma
semilla se obtiene una misma secuencia). Sin embargo, hay tres propiedades que no son tan
evidentes y que no se cumplen para valores cualesquiera de a , b y m .
Respecto al ciclo no repetitivo en el mismo ejemplo se puede ver que es muy corto. De
hecho, hay que observar que la mxima longitud que se puede lograr sin repetir es de m , ya
que es la mayor cantidad de nmeros diferentes que se puede obtener y una vez que se
obtiene un nmero repetido toda la secuencia se repite, por lo que m hay que elegirlo
suficientemente grande. Adems se suele elegir de tal forma que facilite los clculos
(potencias de 2 o similares).
Existe una gran variedad de resultados buscando condiciones que han de tener los
parmetros para que el ciclo no repetitivo sea el mximo posible.
54
07/10/2015
A su vez, los generadores tienen que cumplir propiedades estadsticas: uniformidad e

independencia de las secuencias. Para determinados valores de los parmetros de los
generadores (valores para los que el ciclo sea el mximo posible) se han generado distintas
secuencias y se les ha hecho pasar contrastes de bondad de ajuste para la uniformidad y
contrastes de independencia.
De todo ello, se puede afirmar que los dos generadores multiplicativos siguientes
generan valores con la propiedad de la uniformidad y la independencia y con ciclo no
repetitivo maximal:
m 231 1 para ambos y multiplicador a 16807 o bien
a 63036016 . El primero es ms rpido y tiene menor riesgo de desbordamiento de

memoria. Sin embargo, el segundo tiene mejores propiedades estadsticas5.
Por ltimo, sealar que el fin de la generacin de nmeros pseudoaleatorios es obtener
muestras uniformes en el intervalo (0,1), para ello lo que se hace es dividir cada nmero
generado por el mdulo m , con lo que la muestra obtenida puede ser considerada uniforme
en ese intervalo6.
Si se dispone de diferentes cadenas de nmeros aleatorios cada una se debe utilizar para
un parmetro aleatorio [Law]. En este caso se debe tener en cuenta la longitud de la cadena
para evitar solapes. En [Law] se pueden encontrar diferentes semillas para cadenas del
generador mencionado separadas entre s por 100000 nmeros pseudoaleatorios. Algunas de
estas semillas para el generador con parmetro a 63036016 son las siguientes:
1973272912, 281629770, 20006270, 1280689831, 2096730329, 1933576050, 913566091.
Sin embargo, los generadores aleatorios anteriores con mdulo alrededor de 2 31 pueden
ser insuficientemente largos para ciertas aplicaciones. De hecho, esta longitud se puede
agotar en pocos minutos en un PC. Para suplir esta carencia se han diseado otros
generadores de mayor longitud y mejores propiedades, denominados generadores mltiples
recursivos combinados [LEcuyer, 2002]. Estos generadores permiten la obtencin
simultnea de mltiples cadenas pudiendo cada una ser dividida en muchas subcadenas
contiguas de gran longitud. Sus implantaciones en C, C++ o Java se pueden encontrar en la
En caso de ser necesaria la programacin de un generador de nmeros pseudoaleatorios hay que
tener en cuenta que aunque el segundo de los valores se considera que tiene mejores propiedades
estadsticas, computacionalmente da ms problemas, sobre todo, de desbordamiento de memoria.
6
El valor uniforme en (0,1) se usar para generar otras variables aleatorias, pero para obtener el
siguiente nmero de la secuencia ha de utilizarse el nmero pseudoaleatorio, es decir, el obtenido antes de

dividir por m .
07/10/2015
55
direccin www.iro.umontreal.ca/~lecuyer. El clculo del nmero pseudoaleatorio un para

una etapa n es la siguiente
x1,n (a1 x1,n 2 b1 x1, n 3 ) mod m1

x2,n (a2 x2, n 1 b2 x2, n 3 ) mod m2
zn ( x1,n x2,n ) mod 4294967087
si zn 0
z 4294967088
un n
4294967087 4294967088 si zn 0
siendo a1 1403580 , b1 810728 , m1 232 209 4294967087 , a2 527612 ,
b2 1370589 y m2 232 22853 4294944443 . La longitud de este generador es
(m13 1)(m23 1) / 2 2191 , muy superior a las anteriores.

Para generar diferentes cadenas y subcadenas se eligen dos enteros positivos v y w , se
define z v w . Entonces, el ciclo es dividido en cadenas contigas de longitud
Z 2 z y cada una a su vez es dividida en V 2v subcadenas de longitud W 2w .

Valores adecuados son v 51 y w 76 , de manera que W 276 y Z 2127 . Para este
generador en particular se pueden utilizar los siguientes valores como semillas iniciales por
omisin
( x1,n3 , x1,n2 , x1,n1 , x2,n3 , x2,n2 , x2,n1 ) (12345,12345,12345,12345,12345,12345) .

Otros parmetros adecuados para generadores simulares se pueden encontrar en [LEcuyer,
1999].
Atencin especfica merece la generacin de nmeros aleatorios para ser utilizados en
clculos en paralelo [Fushimi].
II.3.2 Generacin de variables aleatorias discretas

II.3.2.1 Mtodo general o estndar
Sea una variable aleatoria con una distribucin discreta que toma ciertos valores con
x1 con prob p1
x con prob p
2
2
determinada probabilidad X
, siendo pk 1 .
k
x3 con prob p3
56
07/10/2015
La idea intuitiva del procedimiento es dividir el intervalo (0,1) en tantos subintervalos

como valores puede tomar la variable y de tamao las probabilidades de stos. Generar un
valor uniformemente distribuido en (0,1) y observar en qu subintervalo se encuentra y
asignar a la variable el valor correspondiente a ese subintervalo.
p1
p1 + p2
p1 + p2 + p3
Ms formalmente, consiste en generar un nmero aleatorio uniformemente distribuido
u U (0,1) ,
entonces
X xi
si
p u k 1 pk ,
k 1 k
i 1
es
decir,
si
Fx ( xi 1 ) u Fx ( xi ) .
0
1
Por ejemplo, sea X

2
3
con prob p1 0.1

con prob p2 0.2
con prob p3 0.5
con prob p4 0.2
, con funcin de distribucin
F (x )
1
0.8
0.3
0.1
0 1 2
Para la secuencia de nmeros aleatorios 0.27, 0.54, 0.06, 0.89 y 0.15, la variable tomar
los valores siguientes: 1, 2, 0, 3 y 1.
Vamos a ver mtodos concretos para algunas distribuciones, binomial y geomtrica, sin
olvidar que el mtodo anterior sirve para cualquier distribucin discreta. Para las dems
distribuciones conocidas tambin hay mtodos basados en su definicin o en algunas
propiedades, pero no se vern en este documento. Para ver una relacin ms extensa ver
[Law] o [Bratley].
07/10/2015
57
II.3.2.2 Binomial (n, p)

Se basa en la propiedad segn la cual la distribucin de la suma de v.a.i.i.d. con
distribucin de Bernoulli de parmetro p es Binomial (n, p) . Luego, para generar valores
de una variable con distribucin Binomial (n, p) , se pueden generar n Bernoulli de
parmetro p y sumarlas.
Algoritmo:
1.
x0
2. Hacer n veces
Generar u U (0,1)
Si u p x x 1
3. Salida: X se distribuye segn Binomial (n, p)
II.3.2.3 Geomtrica ( p)
La distribucin geomtrica corresponde al nmero de ensayo en que aparece el primer
xito al repetir un experimento de Bernoulli de parmetro p . As que para generar valores
con esa distribucin es posible hacerlo con el mtodo tradicional o aprovechando esta
propiedad.
Con el mtodo tradicional, basta aplicarlo con su funcin de distribucin [
F ( x) 1 (1 p ) x
x 1, 2,... ] para ver que la expresin sera
ln(1 u ) d
ln(u) 7
x 1
1
ln(1 p)
ln(1 p)
Utilizando la propiedad que la relaciona con los experimentos de Bernoulli el algoritmo
sera:
1.
x0
2. Hacer hasta que u p
x x 1
7
La expresin obtenida es la primera, pero la utilizada es la segunda que tiene menos

d
operaciones y la misma distribucin, ya que si u U (0,1) entonces 1
u tambin.
58
07/10/2015
Generar u U (0,1)
3. Salida: X se distribuye segn Geomtrica ( p)
Este mtodo es bueno cuando el valor de p es grande.
II.3.3 Generacin de variables aleatorias absolutamente

continuas
II.3.3.1 Mtodo de la transformada inversa
Sea X la variable aleatoria cuya funcin de distribucin es F ( x) P X x . Se
genera un nmero aleatorio uniforme entre 0 y 1, u , y luego se determina x tal que
F ( x) u .
Supongamos que la variable tiene distribucin exponencial con F ( x ) 1 e x para
x 0 siendo 1 la media de la distribucin. Dado un nmero aleatorio u tal que

F ( x) u , luego x
ln(1 u )
ln(u )
Otra aplicacin directa de este procedimiento es para la distribucin uniforme en un
xa
si
ba
x (a, b) (0 para valores menores y 1 para valores mayores) y dado un nmero aleatorio u
intervalo cualquiera (a, b) . La funcin de distribucin en este caso es F ( x)
tal que F ( x) u , se tiene que x a (b a)u .

La distribucin Weibull ( , ) es otra distribucin para la que se puede aplicar este
procedimiento directamente. La funcin de densidad de una distribucin Weibull ( , ) de
media
(1/ ) , es f ( x) x 1e ( x ) , x 0 , con lo que la funcin de
( x)
distribucin se obtiene de forma inmediata F ( x) 1 e
, x 0 . As, dado un valor
aleatorio
uniforme
ln(1 u)
1/
en
(0,1),
ln(u)
1/
u,
el
valor
generado
sera
07/10/2015
59
Aunque ste es el procedimiento ms extendido, sin embargo, muestra una dificultad

fundamental para su aplicacin, la necesidad de conocer explcitamente la funcin de
distribucin. La forma habitual de caracterizar una distribucin absolutamente continua es
mediante su funcin de densidad, de ah que se hayan diseado otros procedimientos
basados en esta funcin.
II.3.3.2 Mtodo de aceptacin - rechazo

Se trata de un mtodo general para variables absolutamente continuas. Existen dos
versiones, la primera es ms sencilla y con ms limitaciones, pero tambin ms utilizada
precisamente por esa sencillez.
Mtodo simple de rechazo
Se quieren obtener valores de una variable aleatoria con funcin de densidad f ( x)
cuyo
soporte
es
un
intervalo
acotado
(a1 , a2 ) . Sea
un
valor
tal
que
c max f ( x) : x (a1 , a2 ) .
La idea bsica es generar puntos uniformemente en el rectngulo de base ( a1 , a2 ) y
altura (0, c) . Si el punto est por encima de la curva el punto es rechazado y habr que
generar otro y si est por debajo se acepta su coordenada x como valor de una variable
aleatoria con funcin de densidad f ( x) .
El procedimiento es:
1. Generar u1 , u2 U (0,1)
Calcular x a1 (a2 a1 )u1
Calcular y cu2
2. Calcular f ( x) . Si y f ( x) ir a 1
3. Salida: X toma el valor x que se distribuye segn f ( x)
Obsrvese que P(aceptar un valor dado por ( x, y ))
1
, por lo tanto el
c(a2 a1 )
valor de c es deseable que sea lo ms pequeo posible. En particular, siempre que sea fcil
de obtener se toma c max f ( x) : x (a1 , a2 ) .
60
07/10/2015
Este procedimiento es especialmente relevante para distribuciones triangulares y

trapezoidales. Veamos el siguiente ejemplo para una distribucin triangular. Sea
x
0 x 1
f ( x) 2 x
1 x 2
0 fuera de 0,2
f (x )
1
El procedimiento es el siguiente:
d
1. Generar u1 U (0,1) y u2 U (0,1)

Calcular x 2u1 e y u2
2. Aceptar x si y f ( x) , rechazar si y f ( x) y volver al paso 1
Este mtodo tiene dos inconvenientes principales, que hacen que surja el mtodo
generalizado: que el soporte tiene que ser un intervalo acotado (hay muchas distribuciones
que no cumplen esta hiptesis) y que la envolvente sea rectangular, cuando claramente
puede haberlas mejores.
Mtodo generalizado de rechazo

Sea f () una funcin de densidad con soporte no necesariamente finito de la que se
desean obtener valores simulados. Sea g () una funcin de densidad elegida por nosotros
tal que a 1: f ( x) ag ( x) x
(en particular, esto implica que el soporte de g ()
ha de contener al soporte de f () ).
El procedimiento es el siguiente:
d
1. Generar x g ()
g( ) se toma para que se puedan simular valores sin dificultad y previamente a aplicar el
algoritmo es necesario calcular el valor de la constante a que haga que se verifique la relacin
anterior.
07/10/2015
61
Generar y U (0, ag ( x))

2. Calcular f ( x) Si y f ( x) ir a 1
3. Salida: X se distribuye segn f ( x)
Respecto a la eleccin de la envolvente g () no hay nada establecido acerca de cul es
la mejor, pero se debe elegir lo ms parecida posible a la funcin a generar pero que sea
sencillo obtener valores para ella. En cuanto al valor de la constante a , hay que tener en
cuenta que P(aceptar x) P( y f ( x)) 1 a y, por lo tanto, a debe ser lo menor posible
pero
manteniendo
la
hiptesis
inicial,
es
decir,
su
valor
ptimo
sera
f ( x)
a sup
: g ( x) 0 .
g ( x)
Obsrvese tambin que el mtodo simple visto anteriormente es un caso particular del
mtodo generalizado (con una distribucin uniforme como envolvente).
Veamos un ejemplo: Supongamos que se desean generar valores de una distribucin
Normal(0,1) ( f ( x )
1 12 x2
e
), utilizando como envolvente la distribucin logstica
2
cuya funcin de densidad es g ( x )
e x
, y de aqu se deduce su funcin de
(1 e x ) 2
1
, y mediante la transformada inversa para
1 e x
1 u
generar valores de esta distribucin basta calcular x ln
, luego es una envolvente
u
distribucin de forma inmediata G ( x)
apropiada.
El primer paso, antes de empezar el algoritmo, es encontrar el valor de la constante
f ( x)
a sup
: g ( x) 0 que resulta ser a 1.5958 .
g ( x)
El algoritmo sera:
d
1. Generar x g () : Generar u1 U (0,1) y calcular x ln
1 u1
u1
Generar y U (0, ag ( x)) : Generar u2 U (0,1) y calcular y 1.5958 g ( x) u2
62
07/10/2015
2. Calcular f ( x) . Si y f ( x) ir a 1
3. Salida: X se distribuye segn f ( x)
El principal inconveniente para utilizar este mtodo es que no tiene una forma general
ya que para cada distribucin hay que elegir la envolvente ms apropiada. Sin embargo, hay
un caso en que es muy sencilla su aplicacin, las distribuciones truncadas. En este caso, es
claro que la mejor envolvente es la propia distribucin sin truncar y que la aplicacin del
algoritmo se reduce a rechazar los valores obtenidos en la regin que al truncar ya no forma
parte del soporte y aceptar los dems.
Existen algunas distribuciones particulares para las que, por su relevancia, se han
diseado procedimientos especficos, en principio, ms eficientes y generales que estos
mtodos.
II.3.3.3 Aplicacin a una discreta: Poisson( )

La distribucin de Poisson es una distribucin discreta, sin embargo para generarla el
mejor algoritmo se basa en el proceso estocstico de Poisson y su relacin con la
distribucin exponencial, de ah que no haya podido incluirse en la seccin dedicada a las
distribuciones discretas.
Sea Yt t 0 un proceso estocstico. Se dice que Yt t 0 es un proceso de Poisson de
parmetro si y slo si
i) Y0 0 c.s.
ii) Yt t 0 es un proceso de incrementos independientes, es decir, t , h 0 Yt h Yt
es independiente de Ys / 0 s t
iii) Yt t 0 es un proceso de incrementos estacionarios, cuya distribucin es
d
t , h 0 Yt h Yt ( h)
Su aparicin principal es en Teora de Colas, donde se usa para contar el nmero de
individuos que llegan a una cola hasta el instante t .
Propiedades del proceso de Poisson:
1.
Un proceso de Poisson es un proceso de conteo
07/10/2015
63
2.
Sea t 0 Yt : nmero de sucesos que ocurren en el intervalo (0, t ] , y sea
i 1, 2,... X i : tiempo entre los sucesos i 1 e i . Yt t 0 es un proceso de Poisson

d
de parmetro si y slo si X i Exp ( ) i 1, 2...

Basndonos en esta ltima proposicin, si Yt k quiere decir que el nmero de sucesos
ocurridos en (0, t ] es igual a k , o lo que es lo mismo, que
k 1
i 1
i 1
X i t X i . Puesto que
para t 1 la distribucin de Y1 es una Poisson de parmetro , se pude decir que un valor

k 1
k generado de Y1 es el primer valor natural k tal que
X
i 1
1 , donde X 1 , X 2 ,... son
v.a.i.i.d. con distribucin Exp( ) . De donde se deriva el siguiente algoritmo:

1. Hacer x 0 , Q 0
d
2. Generar u U (0,1) . Hacer Q Q ln u

Si Q / 1 ir a 3). En otro caso, hacer x x 1 y repetir el paso 2)
d
3. Salida: X ( )
II.3.3.4 Normal ( , )
Para generar valores de una variable aleatoria con distribucin N ( , ) basta con
saber generar valores de la distribucin N (0,1) , ya que es bien conocido que multiplicando
sta por y sumando se obtiene la distribucin deseada. Por lo tanto, todos los
esfuerzos se centran en saber obtener valores de la distribucin N (0,1) .
Dado que no existe una expresin exacta para su funcin de distribucin, el mtodo de
la transformada inversa no es aplicable en este caso. Aunque existe una aproximacin
funcional de la inversa de la funcin de distribucin, vamos a ver ahora dos mtodos
particulares basados en resultados de la probabilidad.
Mtodo del teorema central del lmite
64
07/10/2015
Este mtodo se basa en el conocido teorema central del lmite, por el cual si X 1 ,..., X n
son v.a.i.i.d. de media y desviacin tpica , entonces la distribucin de
n
i 1
X i n
tiende a la distribucin N (0,1) cuando n .

Este resultado aplicado a variables distribuidas segn una distribucin uniforme
U (0,1) sera
u n 2
i 1 i
n /12
. Un valor que facilita los clculos es n 12 , con lo que el
procedimiento sera obtener 12 variables con distribucin uniforme U (0,1) y calcular
12
u 6.
i 1 i
El principal inconveniente del mtodo es que el resultado en que se fundamenta es

asinttico y, por lo tanto, se puede considerar vlido un nmero grande, pero 12 no es
precisamente un nmero grande.
Mtodo de Box-Mller
Este mtodo se basa en una transformacin de variables aleatorias segn la cual si
u1 , u2 son v.a.i.i.d., entonces x 2ln u1 cos(2 u2 ) e y 2ln u1 sen(2 u2 ) son

v.a.i.i.d. con distribucin N (0,1) . As el procedimiento a seguir sera:
1. Generar u1 , u2 U (0,1)
2. Salida x 2ln u1 cos(2 u2 ) e y 2ln u1 sen(2 u2 ) v.a.i.i.d. N (0,1)
Existe un mtodo derivado del anterior, el mtodo polar de Marsaglia, pero que no
requiere la evaluacin del seno o del coseno. En realidad, es un mtodo de rechazo, ya que
genera valores aleatorios en el cuadrado (1,1) (1,1) y si stos estn dentro del crculo
unidad expresa los valores anteriores en funcin de este punto y si no lo estn los rechaza.
Algoritmo:
3. Generar u1 , u2 U (0,1)
Calcular v1 2u1 1 , v2 2u2 1 , w v12 v22
4. Si w 1 volver al paso 1
07/10/2015
65
2 ln w
, x1 v1 y , x2 v2 y
w
5. Hacer y
6. Salida: x1 , x2 v.a.i.i.d. segn N (0,1)

Existen otros mtodos para generar esta distribucin, entre ellos existe una
aproximacin analtica de la inversa de la funcin de distribucin, etc.
II.3.3.5 Lognormal ( , )
La distribucin lognormal, como su nombre indica, se deriva de la distribucin normal,
d
de modo que Y N ( , ) X eY LN ( , ) . El procedimiento para obtener valores

de una variable con esta distribucin consiste en generar la normal asociada y calcular la
exponencial correspondiente.
Una informacin adicional sobre esta distribucin que puede ser de inters en muchas
ocasiones es el valor de esperanza y varianza de la distribucin. stos son:
E[ X ] e
/2
V [ X ] e2 (e 1) (e 1) E[ X ]2
2
II.3.3.6 ( p, a) y Beta ( , )
Vamos a estudiar estas variables conjuntamente, ya que estn muy relacionadas. Para el
caso de la Beta, se considerar la estndar, es decir, la que toma valores en el intervalo
(0,1); cualquier otra se obtiene multiplicando por la amplitud del intervalo final y
trasladando. Separaremos en casos, segn los parmetros sean naturales o no, ya que si los
parmetros son naturales los procedimientos son bastante ms sencillos y rpidos.
( p, a) p
En este caso, se usa una propiedad por la cual si el parmetro p es natural
( p, a) Erlang( p, a) y esta distribucin Erlang se define como la suma de p

exponenciales de parmetro a . Por lo tanto, el procedimiento ser generar p v.a.i.i.d.
U (0,1) , y calcular x
p
i 1
ln ui
Beta ( , ) ,
66
07/10/2015
Se basa en que si X ( , a) e Y ( , a) entonces

que para generarla se obtienen u1 ,..., u , v1 ,..., v
i 1
ln ui
i1 ln ui i1 ln vi
X d
Beta( , ) , por lo
X Y
v.a.i.i.d. U (0,1) y se calcula
Caso general Beta ( , ) ( , 0 )

Se demuestra, mediante la pertinente transformacin que el siguiente algoritmo genera
valores de una distribucin Beta:
1. Repetir hasta que x y 1
Generar u U (0,1) . Hacer x u1/
Generar v U (0,1) . Hacer y v1/
2. Hacer x
x
x y
3. Salida: X se distribuye segn Beta( , )

Caso general ( p, a) ( p, a 0 )
Igual que en el caso anterior, mediante transformaciones de variables aleatorias se
demuestra que el siguiente algoritmo genera los valores deseados:
1. Hacer n p y r p p
2. Generar u1 ,..., un U (0,1) . Hacer Z
ln u
i 1
3. Generar W Beta(r,1 r )
4. Generar u U (0,1) . Hacer Y ln u
5. Salida: X
Z WY
se distribuye segn ( p, a)
a
07/10/2015
67
II.3.3.7 n2
Para esta distribucin se plantean dos mtodos distintos, uno basado en la propia
definicin y otro en alguna de sus propiedades.
d
La definicin de esta distribucin es la siguiente: X n2
X X i2 , siendo
i 1
X 1 ,..., X n v.a.i.i.d. N(0,1).

Por lo tanto, un primer procedimiento es: Generar n variables N(0,1), elevarlas al
cuadrado y sumarlas. Sin embargo, este mtodo puede ser muy lento.
La otra posibilidad es aprovechar la relacin entre esta distribucin y la Gamma:
( p n / 2, a 1/ 2)
2
n
Distinguiremos dos casos segn el parmetro p sea par o impar.
n par: n2 (n / 2,1/ 2) Erlang (n / 2,1/ 2) . Algoritmo:

1. Generar U1 ,..., U n / 2 v.a.i.i.d. U(0,1)
n/2
ln Ui n2
2. Salida: X 2
i 1
n impar: X Y X n2 donde Y ((n 1) / 2,1/ 2) y X n N (0,1) . Algoritmo:

1. Generar U1 ,...,U ( n1) / 2 v.a.i.i.d. U(0,1)
Generar Z N(0,1)
2. Salida: X 2
( n 1) / 2
i 1
ln U i Z 2 n2
II.3.3.8 t n de Student
d
Basndonos en la definicin, T tn
d
d
Z
donde Z N (0,1) e Y n2
Y /n
independientes.
Hay que tener en cuenta que la T de Student como distribucin para modelar variables
aleatorias reales slo se suele utilizar en finanzas, como una distribucin semejante en forma a
la normal de media 0 y desviacin 1, pero cuyas colas son ms pesadas. Sin embargo, para que
68
07/10/2015
esto sea cierto y pueda sustituir a la normal, hay que dividir la t de Student por su desviacin
tpica con el fin de que la variable resultante tambin tenga desviacin tpica la unidad. La
varianza de una t de Student es n /(n 2) , por lo que la expresin resultante sera
T
.
n /(n 2)
II.3.3.9 Fm,n de Fisher-Snedecor

d
Mediante la definicin: F Fm,n
m2 / m
m2 , n2 independientes.
n2 / n
II.3.4 Generacin de variables aleatorias mixtas

Hasta ahora hemos visto cmo generar variables aleatorias cuya distribucin es discreta o
absolutamente continua. En esta seccin vamos a ver un mtodo general, que en particular,
permitir generar valores de variables cuya distribucin no sea ninguno de los casos anteriores.
Teorema: Si U es una variable aleatoria U(0,1) y F () una funcin de distribucin
arbitraria, la variable aleatoria definida por
Y inf z : U F ( z )
tiene por funcin de distribucin F () .
Algunos ejemplos de cmo se emplea este resultado son los siguientes:
Variable absolutamente continua: el mtodo aplicado a este caso coincide con el mtodo
de la transformada inversa.
Variable discreta: en este caso es el mismo procedimiento que el del mtodo general o
estndar que vimos para distribuciones discretas, en el cual se divida el intervalo en
subintervalos de longitud las probabilidades.
Variable mixta: sea la variable aleatoria mixta X cuya distribucin viene definida por
x 3/ 2
0
F ( x) x 1 3 / 2 x 2
1
x2
La variable aleatoria Y inf z : U F ( z ) tendr la misma distribucin que X :
3/ 2 0 u 1/ 2
Y (u )
u 1/ 2
u 1
07/10/2015
69
II.3.5 Generacin de variables aleatorias multidimensionales

Las variables aleatorias multidimensionales si hay independencia entre las unidimensionales
que la forman no requieren de mtodos especiales. Por lo tanto, lo que resulta fundamental en
este apartado en la relacin de dependencia entre las variables, en muchos casos, como la
normal, plasmada en la matriz de varianzas-covarianzas.
Por lo tanto, vamos a ver unas ligeras nociones de clculo matricial para recordar algunos
conceptos necesarios para entender los mtodos que se presentarn posteriormente.
II.3.5.1 Nociones de clculo matricial

Sea Ann una matriz cuadrada y xn1 un vector columna.
Definicin: x 0 es un autovector de A asociado al autovalor
Ax x .
Observaciones:
1. Ann tiene exactamente n autovalores reales y complejos.
2. Cada autovalor tiene infinitos autovectores asociados
3. Ax x Ax x 0 ( A I ) x 0 , que tiene solucin distinta de 0 si y slo si
A I 0 .
Ejemplo:
4
1
5
4 1 5
A 5 2 5 0 A I 5 2
5 3 4 2 6 0
1 1 2
1
1
2
1, 2,3
5 1 5 x1 0

Para 1 ( A (1) I ) x 0 5 3 5 x2 0
1 1 1 x 0
x1

x2 0
x
3
...
Propiedades:
1. Sea Ann simtrica. Entonces sus autovalores son reales y los autovectores correspondientes
son ortogonales.
70
07/10/2015
2. Diagonalizacin: Sea Ann
simtrica. Entonces A CDC , siendo D

0
la
n
matriz diagonal de los autovalores y C e1 ,..., en donde ei : autovector columna

asociado al autovalor i de norma 1.
Definicin: Ann es definida positiva
xT Ax 0 x 0
Propiedades:
1. A simtrica definida positiva
1 0,..., n 0
2. A simtrica definida positiva Pnn tal que A PPT . Concretamente, P CB con
y C e1 ,..., en donde ei : autovector columna asociado al autovalor
i de norma 1.
3. A definida positiva
A1 definida positiva
4. A definida positiva y B no singular

5. Amn no nula
A A
T
nn
BT AB definida positiva
definida positiva y simtrica
Triangulacin de Cholesky: nn ij
simtrica y definida positiva existe una
i 1,...,n
j 1,...,n
nica matriz Ann triangular inferior tal que nn AAT . Algoritmo para obtener la matriz
triangular de Cholesky:
1. Para i 1,..., n, j 1,..., n
aij 0
1/ 2
2. Hacer a11 11
y para i 2,..., n
ai1
i1
a11
3. Para j 2,..., n hacer:
07/10/2015
71
j 1
1/ 2
j 1
a jj jj a 2jk
k 1
Para i j 1,..., n
aij
ij aik a jk
k 1
a jj
II.3.5.2 Normal Multivariante N( , )

1
Definicin: X X 1 ,..., X n N ( , ) f X ( x1 ,..., xn )
n/2
1
x T 1 x
2
donde
T 1 ,..., n nn matriz simtrica definida positiva

Corolario: E X y es la matriz de varianzas-covarianzas
Mtodo 1 (Basado en la diagonalizacin)
Sabemos que PPT siendo P CB con B
C e1 ,..., en matriz
de autovectores normalizados.
d
Sean Z1 ,..., Z n v.a.i.i.d. N(0,1), entonces Z Z1 ,..., Z n N (0, I ) siendo I la matriz

d
identidad. En tal caso, se tiene que X PZ N ( , ) .

(El
resultado
es
obvio
ya
que
es
normal
E[ X ] PE[Z ]
V [ X ] E[( X )( X )T ] PE[ ZZ T ]PT PIPT PPT ).

Algoritmo
1. Calcular P CB
2. Generar Z1 ,..., Z n N(0,1). Hacer Z (Z1 ,..., Z n )T
3. Salida: X PZ
Mtodo 2 (Basado en la triangulacin de Cholesky)
d
Sea
Z Z1 ,..., Zn N (0, I )
siendo
la
matriz
identidad,
entonces
X AZ N ( , AAT ) donde A es la matriz triangular inferior de Cholesky
72
07/10/2015
Algoritmo
1. Calcular A matriz triangular inferior de Cholesky
2. Generar Z1 ,..., Z n N(0,1). Hacer Z (Z1 ,..., Z n )T
3. Salida: X AZ
Mtodo 3 (Basado en las distribuciones condicionadas)

Se basa en que f ( x1 ,..., xn ) f ( x1 ) f ( x2 / x1 ) f ( x3 /( x1 , x2 ))
f ( xn /( x1 ,..., xn 1 )) y en el
siguiente resultado:
X1
d
X N (0, )
X
n
12
donde A
k1
Xk
X1 x1 ,
, X k 1 xk 1
N (akT Ak11k , k2 akT Ak11ak )
1k
1k
x1
, ak
, k
k2
k 1
k 1,k
Algoritmo
1. Obtener las distribuciones de X 1 , X 2 / X 1 , X 3 /( X 1 , X 2 ))

2. Para k 1...., n generar xk segn f ( xk / x1
3. Salida: X ( x1 1 ,
X n /( X 1 ,..., X n 1 ))
xk 1 )
, xn n ) N (, )
De los 3 procedimientos el ms aconsejable es el de la triangulacin de Cholesky, pero los 3

son vlidos, y en concreto el ltimo es ampliamente utilizado.
Caso particular: Normal bivariante

Supngase que se quiere simular ( X 1 , X 2 ) normal bivariante con E[ X i ] i , i 1, 2 ,
V [ X i ] i2 , i 1, 2 y Cov ( X 1 , X 2 ) 1 2
07/10/2015
73
d
d
2 12

( X1 , X 2 ) N ( 1 , 1
)
N (1 , 12 )
1
2
2
12 2
d
X 2 / X 1 x1 N ( 2 2 ( x1 1 ), 22 (1 2 ))
1
Proposicin:
Algoritmo:
1. Generar Z1 , Z 2 N(0,1)
2. Salida: X 1 1 1Z1 , X 2 2 2 ( Z1 1 2 Z 2
II.3.5.3 Multinomial
Sea una poblacin dividida en k clases con P ( Ai ) pi , i 1,..., k . Se extraen n
elementos con reemplazamiento, y se define X i : nmero de elementos obtenidos de la clase
d
i, i 1,..., k . Se define la distribucin multinomial como ( X 1 ,..., X k 1 ) M (n; p1 ,..., pk 1 )

Mtodo 1: basado en la definicin
Algoritmo
1. Para i 1,..., k hacer xi 0
2. Repetir n veces
Generar J segn una discreta tal que P(Y i ) pi
i 1,..., k
Hacer xJ xJ 1
3. Salida: ( X 1 ,..., X k 1 )
Mtodo 2 o estndar
d
Las
X2
distribuciones
d
X 1 x1
B(n x1 ,
condicionadas
p2
),
1 p1
X k 1
de
una
multinomial
d
X 1 x1 ,..., X k 2 xk 2
son:
k 2
B( n x j ,
j 1
X 1 B (n, p1 ) ,
pk 1
k 2
1 p j
j 1
74
07/10/2015
Algoritmo
1. Hacer x0 0, p0 0
2. Para i 1,..., k 1
i 1
generar X i
B(n x j ,
j 0
i
i 1
1 p j
j 0
3. Salida: ( X 1 ,..., X k 1 )
II.3.5.4 Tn de Student multivariante

Para obtener muestras de una t n t multidimensional de dimensin m con una matriz dada
de correlaciones entre las componentes, , podemos proceder como sigue.
Algoritmo
1. Generar ( X 1 ,..., X m ) normal multivariante con vector de medias 0 y matriz de covarianzas
2. Generar Y n2 independiente de las normales anteriores.

3. Para j 1,..., m hacer t j
Xj
Y
n
4. Salida: t1 ,..., tm Tn de Student multivariante de dimensin m y correlaciones
07/10/2015
75
III Software de simulacin de modelos

dinmicos
Es fcil darse cuenta de que a la hora de codificar modelos de simulacin de eventos
discretos hay algunas caractersticas que son comunes a todos los modelos, como es la
generacin de variables aleatorias con distribuciones especficas, la necesidad de implantar
mecanismos de control y flujo del tiempo y la determinacin del siguiente evento, la
actualizacin de listas de sucesos (adicin, supresin o actualizacin de registros), la recogida y
anlisis de datos generados por la simulacin, la elaboracin de informes, grficas, etc.
La evidencia de esta alta interseccin de caractersticas comunes es lo que llev al
desarrollo de lenguajes de simulacin donde todas ellas estuvieran ya recogidas. Estos lenguajes
estn en una fase de gran desarrollo, al igual que toda la tecnologa informtica, lo que est
propiciando el incremento del uso de la simulacin como una herramienta de anlisis de
sistemas.
Sin embargo, como todo, el uso de los lenguajes de simulacin tiene sus ventajas y sus
inconvenientes.
III.1 Lenguajes de simulacin versus lenguajes de

propsito general
Desarrollar un modelo mediante un lenguaje de simulacin obviamente presenta ciertas
ventajas frente a desarrollarlo mediante un lenguaje de propsito general. Algunas de estas
ventajas son las siguientes:
Los lenguajes de simulacin proporcionan de forma automtica la mayora de las

caractersticas necesarias para programar un modelo de simulacin, lo que redunda en una
reduccin de esfuerzo de programacin y tiempo.
Son un marco de trabajo natural para el uso de modelos de simulacin, incorporando

bloques bsicos de programacin ms afines al desarrollo de un modelo.
Son ms sencillos de codificar y, por lo tanto, tambin son ms fciles de modificar para
llevar a cabo los distintos experimentos.
Facilitan la deteccin de errores, especialmente en la lgica del proceso de simulacin.
07/10/2015
77
III SOFTWARE DE SIMULACIN DE MODELOS DINMICOS
Sin embargo, el desarrollo de un modelo con un lenguaje de propsito general presenta otro
tipo de ventajas frente al uso de lenguajes de simulacin:
Son ms generales y conocidos. En general, los modeladores conocen algn lenguaje de

propsito general, pero no suelen conocer lenguajes de simulacin.
Son ms accesibles, ya que estos lenguajes suelen estar disponibles en cualquier plataforma,
no as los de simulacin.
Son ms eficientes en requerimientos de memoria y suelen tener un tiempo de ejecucin

menor, ya que el lenguaje de simulacin se disea para gran variedad de problemas.
Permiten mayor flexibilidad, ya que los lenguajes de simulacin se disean con unas
especificaciones que si bien intentan ser lo ms generales posibles, siempre tienen
limitaciones, mientras que los lenguajes de tipo general no las tienen.
As pues, sabiendo las limitaciones de desarrollar un modelo de una u otra forma, la

decisin ha de tomarse en las primeras fases del estudio, ya que condiciona tremendamente el
modelo que se desarrolla. Entre otras cosas, si se opta por un lenguaje de simulacin es
importante conocer las posibilidades que ste tiene para poder establecer algunas hiptesis
adicionales o modificar otras (por la falta de flexibilidad).
III.2 Tipos de software de simulacin y caractersticas

Dentro del software de simulacin, cabe distinguir dos tipos de software: los lenguajes de
simulacin y los simuladores.
Un lenguaje de simulacin es un lenguaje de programacin que es general por naturaleza
pero con desarrollos especiales para cierto tipo de aplicaciones. Un modelo se desarrolla en un
lenguaje de simulacin escribiendo un programa mediante estructuras de modelado del
lenguaje.
Un simulador es un programa que permite simular un sistema de una clase especfica de
sistemas con poca o ninguna programacin. Para simular un sistema con un simulador se
requiere poca o ninguna experiencia en programacin, sin embargo, son muy limitadas las
posibles configuraciones de los sistemas a simular. Ejemplos de simuladores son simuladores de
vuelo, simulador de un centro de control de una central nuclear. El constructor del simulador ha
de ser un programador, pero el usuario final no.
En todo software de simulacin hay unas caractersticas que son deseables que ste
contemple. Las principales caractersticas son:
78
07/10/2015
De tipo general:
- Flexibilidad de modelado: con definicin de atributos generales que sean fcilmente
adaptables para distintos sistemas. En este sentido, un lenguaje de simulacin es el
software de simulacin ms flexible, mientras que los simuladores estaran en el
extremo opuesto, aunque tambin entre ellos exista diferente grado de flexibilidad.
- Facilidades para desarrollar y depurar el modelo incorporadas en el software. En
particular las ayudas de depuracin y la interactividad con el usuario son algunos de las
caractersticas que ms pueden facilitar el desarrollo del modelo.
- Ejecucin rpida del modelo, con una buena gestin de los eventos, interaccin entre
los distintos elementos, etc.
- Admisin de modelos de gran tamao, lo que supone una buena gestin de la memoria
(memoria dinmica).
- Disponibilidad en diferentes plataformas y portabilidad entre ellas (Windows, Linux,
Unix, ...).
- Posibilidad de combinar simulacin discreta y continua, ya que es muy habitual que los
modelos sean de tipo hbrido o combinado, con variables que cambian de forma
continua y otras de forma discreta.
Animacin grfica: La animacin grfica permite ver el sistema grficamente con los
cambios de estado. Aparte de que la presentacin de esta forma sea mucho ms atractiva,
permite validar los modelos al ver grficamente su funcionamiento, adems de hacerlos ms
crebles para el usuario final, ya que puede visualizar lo que est ocurriendo.
Dentro de la animacin grfica, hay dos tipos de animacin: la animacin en modo real o
instantneo (se presenta grficamente al mismo tiempo que se hace la simulacin) y la
animacin en modo play-back (se presenta la animacin despus de haber terminado la
simulacin). Este ltimo modo se utiliza fundamentalmente porque la animacin grfica
ralentiza enormemente la ejecucin, as con este modo, primero se obtienen los resultados
de forma eficiente y despus se presenta grficamente lo que ha ocurrido, pudiendo ser
detenido en cualquier momento sin afectar a los resultados finales.
Capacidades de estadstica: el software debe tener caractersticas de estadstica lo ms

amplias posible. Estas capacidades deben ser tanto para los datos de entrada (variedad en las
distribuciones posibles, etc.) como para el anlisis de los datos de salida (incorporar la
posibilidad de hacer rplicas, obtener intervalos de confianza, incorporar tcnicas de
reduccin de la varianza, etc.)
Informes de resultados: debe admitir informes estndar o especficos, posibilidad de

presentaciones tabulares o grficos, permitir el acceso a muestras individuales, etc.)
Soporte al cliente: debe ser extenso y bien documentado, incluyendo demostraciones y

ensayos libres.
07/10/2015
79
III.3 Enfoques o estrategias

La estrategia o visin del mundo de un lenguaje de simulacin, inherente al lenguaje, es
usada para seleccionar el evento siguiente y gestionar el tiempo. Bsicamente, existen dos
estrategias diferentes9:
a)
Programacin de sucesos (Event Scheduling ES)

Algunos lenguajes de este tipo son GASP, SIMSCRIPT, SLAM o Arena.
b)
Interaccin de procesos (Process Interaction PI)

De este tipo son GPSS, Q-GERT, SIMSCRIPT, SLAM, Arena o SIMULA.
Algunos admiten varias estrategias, pues su naturaleza y estructura permiten usar ambas.
Los programas realizados con un lenguaje de simulacin tienen una estructura jerrquica
con tres niveles:
1. Nivel ejecutivo o del programa de control: se encarga de identificar cundo tiene que
ocurrir el siguiente suceso y de la ejecucin correcta de las operaciones por l implicadas en
los momentos adecuados. El programa de control est implantado en el lenguaje
propiamente dicho y el usuario del lenguaje no necesita saber cmo est programado, slo
necesita saber cmo funciona, es decir, qu estrategia tiene implantada.
2. Nivel de operaciones: es la secuencia de sentencias que constituyen el programa
propiamente dicho, sentencias propias del lenguaje utilizado.
3. Nivel de rutinas de detalle: ejecutan las acciones implicadas por cada operacin o
sentencia del modelo y tambin son inherentes al propio lenguaje.
Con cualquiera de las estrategias, cuando se selecciona el suceso siguiente para ser
procesado, se ejecuta la correspondiente rutina para modelar los cambios apropiados en el
estado del modelo.
Entre los sucesos que cabe considerar, o mejor dicho, que un lenguaje de simulacin puede
considerar, se clasifican en dos tipos: sucesos incondicionales y sucesos condicionales.
Existe una tercera, programacin de actividades, pero que est cayendo en desuso y por lo
tanto no ser mencionada.
80
07/10/2015
Suceso incondicional: es un suceso que es elegible para ser ejecutado cuando llega el
instante de tiempo para el que ha sido programado. Depende exclusivamente del tiempo y
de ninguna otra condicin aparte de sta.
Suceso condicional: es un suceso que puede depender de condiciones adicionales distintas

del tiempo para ser activado y que, por lo tanto, hay que verificar adems del tiempo antes
de ejecutar la correspondiente rutina; esas condiciones suelen ser condiciones relativas al
estado de las componentes del sistema (desocupacin o fin de ocupacin de un dispositivo
del sistema, ...).
Vamos a ver ahora en qu consiste cada una de las estrategias de los lenguajes de
simulacin.
1. PROGRAMACIN DE SUCESOS (Event Scheduling, ES)

Esta estrategia considera que es una secuencia de sucesos incondicionales a lo largo del
tiempo, es decir, no se programa ningn suceso que dependa de condiciones adicionales al
tiempo. Se selecciona de la lista de sucesos aqul cuyo tiempo de ocurrencia es el ms
prximo, resolviendo los empates por las prioridades asignadas o por omisin, se actualiza
el reloj de simulacin igualando su valor al del instante en que ocurre el suceso y se llama a
la rutina correspondiente al tratamiento del suceso. La traza del modelo sigue esta estrategia
de programacin de sucesos.
Cualquier verificacin de una condicin diferente de la del tiempo del reloj debe realizarse
dentro de las rutinas de tratamiento de los sucesos y durante la ejecucin de las rutinas de
evento no se avanza el reloj de simulacin. Por ejemplo, mediante la asignacin de valores
singulares a ciertas variables auxiliares, tal como se haca asignando valor al instante del
prximo evento de final de servicio cuando no haba clientes en el sistema.
Esta filosofa responde al planteamiento que se ha hecho previamente. Se podra decir que el
programa principal y la rutina de tiempo es lo que corresponde al nivel ejecutivo en este
caso y las rutinas de evento sera lo nico que el modelador tendra que programar.
Por ejemplo, en un sistema de colas con un servidor, los eventos incondicionales son
llegadas de clientes y fin de servicio de clientes y el programa en un lenguaje de simulacin
seran las rutinas de evento de cada uno de ellos.
2. INTERACCIN DE PROCESOS (Process Interaction, PI)
07/10/2015
81
Contempla el progreso de las componentes del sistema a travs de una secuencia de pasos o
procesos, cada uno de los cuales puede tener dos posibles componentes, un segmento de
condicin cuya ejecucin identifica si se puede pasar a ejecutar la segunda componente, que
es un segmento de accin.
Un proceso es una secuencia ordenada de eventos interrelacionados, separados por pasos
de tiempo, que describe la experiencia entera de una entidad como su flujo a travs de un
sistema. As, un proceso, o mejor dicho, una rutina de proceso contiene explcitamente el
camino del tiempo simulado de cada entidad y suele tener mltiples puntos de entrada. Un
modelo de simulacin puede tener diferentes tipos de procesos.
Para el ejemplo de un sistema de colas con un servidor, el proceso comienza por la llegada
de un cliente (que sera una entidad), cmo este ocupa al servidor o es situado en espera, la
ocupacin del servidor y tiempo que lo tiene ocupado y el final de servicio y desaparicin de
la entidad del sistema.
Las entidades del sistema pueden ser fijas o mviles. Las entidades fijas (o recursos) son
denominadas procesadores y representan servidores en un sistema de colas, instalaciones,
semforos y entidades lgicas. Las entidades mviles (o cargas), o simplemente entidades,
son las que se mueven a travs del proceso.
En un instante determinado cada entidad se puede encontrar en un estado diferente. Los
posibles estados de una entidad son los siguientes:
Activa: entidad que se mueve a travs de su ruta o proceso en ese momento.
Demorada: entidad que se encuentra retenida por un suceso incondicional y, por lo

tanto, tiene previsto un tiempo de activacin.
Detenida: se encuentra retenida por un suceso condicional, no tiene instante previsto de

activacin, ste depende del cambio de estado de alguna componente.
En el ejemplo de un sistema de colas con un servidor, como ya se ha dicho, las entidades

son los clientes. Cuando se est ejecutando el proceso de un cliente y avanzando ste por la
rutina del proceso se dice que esa entidad est activa (slo una est activa en un instante
determinado). Cuando el cliente est siendo atendido por el servidor, la entidad se considera
que est demorada y cuando el cliente est esperando en la cola a que el servidor se libere y
l sea el primero en ser atendido, se considera que es una entidad detenida. Grficamente, el
proceso de un sistema como el descrito tendra que considerar los siguientes puntos:
82
07/10/2015
Llegada
Inicio servicio
Final servicio
Evento
Evento
Evento
t
Tiempo en cola
Tiempo en sericio
Figura 9. Proceso de un cliente en una cola con un servidor.
Cuando una entidad est activa se mueve por su ruta o proceso hasta que es detenida o
demorada por algn suceso o desaparece del sistema. En ese momento se vuelve al
programa de control que analiza las entidades que hay abiertas en ese momento (u otras que
puedan surgir) y, ante los cambios producidos por el proceso de la entidad que acaba de
dejar de ser activa, cul de todas las entidades es la primera que se puede activar, moviendo
el reloj de simulacin al instante en que se activa esta entidad.
Un diagrama del proceso de un cliente en una cola con un servidor puede verse en la Figura
10. Diagrama del proceso en una cola con un servidor. Obsrvese que el punto 4 supone una
espera condicional y el punto 8 una espera incondicional. As mismo, los puntos 1, 5 y 9 son
puntos de entrada desde el programa de control.
Cliente
Programar llegada siguiente cliente
Servidor
libre?
1
3
Aadir cliente
a la cola
NO
4
Esperar
turno
Paso de tiempo simulado
SI
Sacar cliente
de la cola
Ocupar servidor
Programar final de servicio al cliente
Esperar hasta final de servicio al cliente
Paso de tiempo simulado

Liberar servidor
El cliente abandona el sistema
10
Volver
Figura 10. Diagrama del proceso en una cola con un servidor
07/10/2015
83
IV Anlisis de resultados
Un estudio de simulacin busca respuestas a preguntas sobre el sistema objeto del estudio a
travs de la informacin que proporcionan los experimentos con el modelo del sistema. A su
vez los experimentos buscan, en general, respuestas a preguntas del tipo: Qu pasara s?
(What-if) que se plantean en distintas fases del ciclo de vida: diseo, modificaciones de sistemas
ya existentes, ...
Las respuestas que buscamos mediante los experimentos servirn de soporte para tomar una
decisin racional sobre el sistema. As pues, interesa que las respuestas queden expresadas
numricamente para la alternativa que nos ocupa en cada momento.
Las alternativas constituirn una variante del modelo o escenario de simulacin con las que
realizaremos los experimentos, y con la que obtendremos una estimacin de las variables
respuesta.
Como tales estimaciones, siempre que el modelo incluya aleatoriedad habr que recurrir
para analizarlas y obtener conclusiones a la estadstica, y ms concretamente a los mtodos de
muestreo, los mtodos de reduccin de la varianza, los mtodos de estimacin y al diseo de
experimentos.
IV.1 Comportamientos transitorio y estacionario de un

proceso estocstico
En los modelos de simulacin dinmicos y aleatorios la variable respuesta vara con el
tiempo, por lo tanto puede ser realmente considerado un proceso estocstico.
As pues comenzaremos explicando brevemente los dos tipos de comportamiento que puede
tener un proceso estocstico: el transitorio y el estacionario o permanente.
Considrese el proceso estocstico respuesta Y1 , Y2 ,... , y sea Fi ( y / I ) P (Yi y / I ) ,
la distribucin de la variable i -sima del proceso supuestas unas condiciones iniciales I.
Fi ( y / I ) es denominada distribucin transitoria del proceso en el instante i para las

condiciones iniciales I.
07/10/2015
85
IV ANLISIS DE RESULTADOS
Si cuando el tiempo se hace tender a , la distribucin deja de depender del tiempo y de las
condiciones iniciales, es decir, Fi ( y / I )
F ( y) y, I , entonces se dice que F ( y) es
i
la distribucin estacionaria.
Es un lmite, pero en la prctica suele existir un cierto k a partir del cual las distribuciones
son casi iguales.
Las siguientes grficas muestran la evolucin de un cierto proceso estocstico que alcanza
un estado estacionario. En la primera, se representa la distribucin de la variable respuesta y
como va cambiando con el tiempo. En la segunda, se muestra la evolucin de la media de la
variable respuesta (nmero de clientes en un sistema de colas con un servidor) con distintas
condiciones iniciales.
TRANSITORIAS
ESTACIONARIAS
E Y
Yik Yik 1
E Yi
Yi4
Yi1 Yi2
i1
i2
Yi5
Yi3
i3
i4
i5
.....
ik
ik+1
Figura 11. Evolucin de la distribucin de la variable respuesta
86
07/10/2015
S=20
E [ Di / S ]
d 9
S=0
S: n clientes en sistema en t=0,
E[ Di / S ] : n medio clientes en sistema
Figura 12. Evolucin de la media de la variable variando condiciones iniciales
IV.2 Tipos de simulacin segn el anlisis de resultados

Cabe distinguir varios tipos de simulacin segn sea el tipo de anlisis que se pretenda
hacer, o ms concretamente, como sea el proceso estocstico de la variable respuesta y qu
caractersticas de su comportamiento se pretenden analizar segn su horizonte temporal. As los
tipos de simulacin que se pueden plantear son:
Simulacin con horizonte finito: es la que se lleva a cabo cuando existe un evento natural
E que especifica la longitud de cada simulacin o replicacin. En ese evento el sistema se
reinicializa, obteniendo una muestra aleatoria simple de variables respuesta. Las
condiciones iniciales generalmente afectan a las medidas de desarrollo, por lo que han de
ser representativas del sistema real, para lo cul se puede plantear un periodo de
calentamiento o arranque (warm up) en el que se alcancen esas condiciones se puede
modelar las condiciones iniciales y aleatorizar en cada replicacin.
En ocasiones, cuando el horizonte es muy lejano respecto al periodo de arranque, siendo el
comportamiento estacionario el que rige la mayor parte del tiempo, la simulacin con
horizonte finito se puede asimilar a una simulacin con horizonte infinito.
Simulacin con horizonte infinito: no existe tal evento que indique el final de la replicacin,
y nuestro inters se centra en el comportamiento a largo plazo, pudiendo entonces darse
varias posibilidades:
1. Existe distribucin estacionaria: el objetivo es estimar los parmetros estacionarios del
modelo.
2. No existe distribucin estacionaria, pero s por ciclos: entonces hay que estimar los
parmetros estacionarios de cada ciclo y la duracin de stos.
07/10/2015
87
3. No existe distribucin estacionaria, pues los datos de entrada varan en el tiempo:

entonces hay que considerar que cada vez que cambian es un final de horizonte, y
tratarlo as, como si fueran sucesiones de simulaciones con horizonte finito.
IV.3 Estimacin de variables respuesta: precisin y

tamao muestral
En general, el valor esperado de la variable respuesta se estima mediante la media muestral
de las observaciones, que es el estimador puntual para sta. Sin embargo, en muchas ocasiones
no es suficiente dar un valor puntual, sino que se desea tambin dar un intervalo de confianza
para sta (estimacin por intervalo) o una precisin del valor obtenido.
As, dada una muestra aleatoria simple de la variable respuesta, Y1 ,..., Yn , el estimador
n
puntual para la media es la media muestral, Y
Y
i 1
, que es un estimador insesgado o
centrado para la esperanza, es decir, E[Y ] E[Y ] .

Por otra parte, un estimador para la varianza de la variable Y es la cuasivarianza, cuya
n
expresin es S 2
(Y Y )
i 1
n 1
, de modo que dado que la varianza de la media muestral es
S2
, entonces, el valor
resulta ser un estimador para la varianza de la media
Var[Y ]
n
n
muestral. Estos estimadores sern insesgados slo si la muestra es aleatoria simple, es decir, si
existe independencia entre las variables.
Los valores de la media y varianza muestrales se pueden calcular iterativamente de acuerdo
con estas expresiones [Ramos:90]
Yn
S 2 ( n)
1
(n 1)Y n1 Yn
2
1
n
(n 2) S 2( n1)
Y n Yn
n 1
n 1
88
07/10/2015
S 2 ( n)
2
1
n 1
2
(
n
2)
S
Y
n
1
( n 1)
n
n 1
n
o estas expresiones numricamente estables
S 2 ( n)
2
1
1 n 1

2
(
n
2)
S
(
n
1)
Y
i
( n 1)
n
n 1
n(n 1) i 1

S 2 ( n)
2
1
1 n

2
(
n
2)
S
nY
i n
( n 1)
n 1
n(n 1) i 1
siendo Yn el valor de la ltima observacin y tomando como valores iniciales Y 1 =Y1 y
S 2 (1) 0 .
Con estas consideraciones, dado un nivel de confianza 1 , el intervalo de confianza para
la esperanza de la variable respuesta, suponiendo distribucin normal o una muestra
suficientemente grande, tiene la siguiente expresin:
Y tn1, / 2
S
n
donde tn 1,1 / 2 es el valor de la t de Student con n 1 grados de libertad que deja una
probabilidad de / 2 a su derecha.
Su interpretacin es que da cada 100 intervalos que construyramos, confiamos en que en al
menos en (1 ) 100 se encontrar la esperanza de la variable. Obsrvese que al hacer slo
uno, no hay seguridad de que la media real se encuentre en tal intervalo, slo cierta confianza.
Por otra parte, si se desea dar una estimacin de la precisin de la media, se puede deducir a
partir del intervalo de confianza. A la vista de la expresin anterior una multiplicacin por 4 del
nmero de muestras implica una disminucin del intervalo de confianza aproximadamente a la
mitad.
Por lo tanto, una medida de la precisin de la estimacin de la media viene dada por la
relacin entre la desviacin tpica de la media y la media
S 2 ( n)
n
Xn
A partir de aqu, se pueden plantear dos tipos de muestreo:
07/10/2015
89
Muestreo de dimensin fija: el tamao de la muestra, n , se fija de antemano, y se obtiene

una precisin no controlada previamente.
Muestreo secuencial: la precisin es fijada de antemano y lo que queda indeterminado y

sujeto a los resultados que se vayan obteniendo es el tamao de la muestra; en cada
iteracin se calcula la precisin lograda, y si no alcanza a la prefijada se sigue muestreando.
IV.4 Estimacin de parmetros estacionarios: el

problema del estado inicial transitorio
Como ya se ha comentado en un proceso estocstico, como es la variable respuesta de un
modelo de simulacin dinmico, existe un comportamiento transitorio, y si el proceso es
estacionario, otro comportamiento que es el que se alcanza en el periodo estacionario.
Si la simulacin es de horizonte finito, el periodo transitorio ha de tenerse en cuenta, de tal
forma que incluso el objetivo del anlisis sea estudiar el comportamiento en este periodo.
Sin embargo, si la simulacin es de horizonte infinito, o se pretende estimar un parmetro
estacionario o de comportamiento normal, es decir, se quiere estimar lim E Yi , hay que
i
evitar las influencias del estado inicial.

Algunos mtodos para obtener una muestra para la media estacionaria y un estimador
puntual para sta son los siguientes:
A) Replicacin/Eliminacin
B) Procedimiento por Lotes
C) Procedimientos regenerativos
A) Mtodo de Replicacin/Eliminacin:
Se realizan n replicaciones independientes de longitud m . Se determina el periodo de
arranque (warmup) de longitud l (l m) , y se eliminan esas observaciones en la estimacin.
As si las observaciones de cada replicacin son Y11 ,
, Y1m ,
, Yn1 ,
, Ynm , se consideran slo
las observaciones posteriores al periodo de arranque para hacer la estimacin, obtenindose de
90
07/10/2015
cada replicacin X 1
Y1i
i l 1
ml
, ..., X n
intervalo con estos valores: X tn 1, / 2
i l 1
ni
, y posteriormente haciendo la media y su
ml
SX
n
El problema de este mtodo es que puede existir una desviacin entre el valor estimado, ,
y el verdadero valor de .
En cuanto a la aplicacin presenta la dificultad de elegir la longitud de periodo de arranque,
lo que se suele hacer mediante un anlisis previo de tipo grfico mediante medias mviles. Por
otra parte, dependiendo de cul sea esa longitud, resulta poco eficiente simular el
comportamiento desde el principio cada vez, para luego prescindir de las primeras
observaciones.
B) Procedimiento por Lotes:

En este caso se realiza una nica replicacin, con lo que slo hay un periodo de arranque,
que debe ser eliminado. El resto de la secuencia se divide en n lotes de tamao k . k y n
deben ser suficientemente grandes, de modo que los bloques se puedan considerar
independientes y sus medias distribuidas normalmente (para que sea aplicable el Teorema
Central del Lmite para obtener el estimador.
As, suponiendo que las observaciones, una vez eliminado el periodo de arranque, fueran
Y1 ,..., Yk ,..., Ynk , se dividen en los lotes de los que se obtiene la media:
Y1 ,..., Yk , Yk 1 ,..., Y2 k , ... Y( n 1) k 1 ,..., Ynk .

Y1 (k )
Y2 (k )
Yn ( k )
Por ltimo, se obtiene la media de los valores medios obtenidos de cada lote
n
Y (n, k )
Y j (k )
j 1
nk
Y
i 1
nk
y la cuasivarianza para poder hacer el intervalo de confianza o la precisin

n
S 2 (n, k )
(Y (k ) Y (n, k ))
j 1
n 1
07/10/2015
91
El problema que puede presentar este mtodo es que se haga una estimacin baja de la
varianza del estimador, Var ( ) . Esta infraestimacin puede darse porque al ser una nica
replicacin las observaciones no son independientes y, por lo tanto, si el tamao de cada
replicacin no es suficientemente grande puede haber correlacin entre ellas y no ser correcta la
estimacin de la varianza. sa es, por lo tanto, la mayor dificultad del mtodo, cmo obtener el
tamao k para lograr la incorrelacin. Respecto al mtodo anterior presenta la ventaja de no
tener que realizar la simulacin del periodo de arranque ms que una vez.
C) Procedimientos regenerativos:
En este caso se realiza una nica replicacin, como antes, pero los bloques no son del
mismo tamao, sino que se toma un punto de regeneracin para determinar dnde acaba, siendo
variable la longitud de cada secuencia obtenida, N i . Se entiende por punto de regeneracin, un
punto en el que el sistema vuelve a comenzar como si fuera el principio. Por ejemplo, en un
sistema de colas podra ser que el sistema se encuentre vaco. De ese modo, se evita el problema
de la correlacin entre las observaciones de dos secuencias. Sin embargo, ahora hay que tener
en cuenta que el tamao de cada secuencia es tambin una variable aleatoria.
As si las observaciones obtenidas, agrupadas ya en secuencias, son las siguientes
Y1 , Y2 ..., YB1 , YB1 1 ,..., YB2 , ..., YBn1 1 ,..., YBn

con tamaos respectivos, N1 B1 , N 2 B2 B1 , N n Bn Bn 1 , se consideran para cada
secuencia dos variables: la suma de las observaciones, X j
Bj
i B j 1 1
Yi , y el tamao de stas, N j
.
Para cada una de estas variables se consideran las estimaciones de su media y varianza, as a
partir de las X j se obtienen X y S X2 , y a partir de las N j se obtienen N y S N2 .
2
2
2
2 2
Por ltimo, el estimador de la media ser S S X 2ZS X , N Z S N , el estimador de su
n
varianza, ser S S 2ZS

2
2
X
2
X ,N
de confianza resultante Z z / 2
Z S , donde S
2
S
N n
2
N
2
X ,N
(X
j 1
X )( N j N )
n 1
, y el intervalo
92
07/10/2015
Con este mtodo tambin se corre el riesgo de hacer una infraestimacin de la varianza.
Pero su principal inconveniente es que puede ser difcil de aplicar, bien porque no haya punto de
regeneracin o que la probabilidad de que se d sea muy pequea teniendo que hacer largas
simulaciones para lograr una muestra o que el nmero de secuencias obtenido sea muy pequeo,
o bien por todo lo contrario, que resulten secuencias de tamao N j demasiado pequeos, que
hagan que no se puedan considerar independientes las secuencias y por lo tanto se est
infravalorando su varianza.
IV.5 Estimacin de integrales por Monte Carlo

El objeto de un estudio de simulacin suele ser la estimacin de una o ms esperanzas de la
forma
E[( X )] E[( X 1 ,..., X k )]

donde : (
, k ) ( , ) medible y X ( X 1 ,..., X k ) es una variable aleatoria k -
dimensional.
No es sorprendente entonces que se use la simulacin para calcular integrales mltiples sin
hacer mencin de ningn modelo estocstioo. Esto se denomina integracin de Monte Carlo.
Sin embargo, el modelo original puede ser estocstico o no en s mismo, y laa tcnicas que
se van a mostrar son vlidas en ambos casos.
IV.5.1 Mtodo Monte Carlo de acertar o fallar

Supongamos que se quiere estimar
( x)dx : (a, b)
Sea c una constante tal que c ( x) x (a, b) .

Se simulan n valores uniformes en el rectngulo [a, b] [0, c] , y sea
d
R : nmero de puntos simulados que caen debajo de la curva B(n,

El estimador c(b a)
c(b a)
verifica que E[ ] y V [ ] [c(b a) ]

n
n
07/10/2015
93
IV.5.2 Mtodo de Monte Carlo crudo

Sea : (
, k ) ( , ) medible.
Supongamos que se quiere estimar E[ ( x)]
( x ) f ( x )dx .
El estimador de Monte Carlo se define como
1 n
( X (i ) )
n i 1
d
donde X (1) ,..., X ( n ) es una muestra aleatoria simple simulada de X f ( x )
Propiedades:
V []
1. E[]
2. : (a, b)
1
1
(( x ) )2 f (x )dx V [( X (i ) )]
k
n
n
b
, a, b , 0 c, ( x)dx V [] V [ ] , dndose la
a
igualdad slo si la funcin es una constante en el intervalo (a, b) .
El mtodo de acertar o fallar es muy poco preciso y no se suele usar. Adems el mtodo de
Monte Carlo crudo tiene aplicaciones ms amplias al no estar restrigindo a intervalos ni a
funciones positivas unidimensionales.
IV.6 Tcnicas de reduccin de la varianza

El objetivo de estas tcnicas es incrementar la eficiencia estadstica del anlisis de
simulacin.
El medio para lograrlo es reduciendo la varianza de las variables de salida sin modificar la
media de la estimacin. De esta forma se obtiene mayor precisin para el mismo nmero de
datos, o la precisin deseada con menos pasadas de simulacin.
Antes de ver las tcnicas de reduccin de la varianza hay algunas observaciones que hacer
sobre ellas:
94
07/10/2015
Los mtodos de reduccin de la varianza dependen del modelo en estudio, de modo que su
comportamiento puede ser muy diferente en distintos modelos.
Normalmente no es posible saber de antemano cunto se va a poder reducir la varianza, o

incluso, si se va a poder reducir.
Algunas tcnicas pueden aumentar el coste computacional, por lo que hay que buscar un
equilibrio entre la mejora que pueden proporcionar y el coste que conlleva utilizarlas.
Las tcnicas utilizadas ms habitualmente para reducir la varianza de un estimador son las
siguientes:
Muestreo correlado.
Utilizacin de variables de control.
Utilizacin de variables antitticas.
Condicionamiento
Muestreo estratificado.
Muestreo por importancia
Vamos a ver una introduccin a todas ellas, para ampliar el estudio puede consultarse
cualquier libro de teora de muestras o de simulacin avanzado(ver [Law, 2000] o [Ros-Insa,
1997])
IV.6.1 Muestreo correlado (nmeros aleatorios comunes)

El objetivo de esta tcnica es comparar dos o ms configuraciones alternativas para el
sistema bajo condiciones de experimentacin similares. Por lo tanto, se utiliza cuando se
quiere comparar la variable de salida con dos configuraciones diferentes.
La idea bsica es que se quiere comparar la variable de salida para dos configuraciones, y
por lo tanto si X1 j y X 2 j son las observaciones para la 1 y 2 configuracin, respectivamente,
en el tiempo j , lo que queremos estimar es
1 2 E ( X1 j ) E ( X 2 j )
07/10/2015
95
Sea la variable Z j X1 j X 2 j , cuya esperanza es el valor que se desea estimar,

n
E (Z j ) , y sea la media muestral de estas variable, Z (n) Z j / n , que es un estimador

j 1
insesgado de .
La varianza de este estimador es
V (Z (n))
V (Z j )
n
V ( X1 j ) V ( X 2 j ) 2Cov( X1 j , X 2 j )
n
Si las variables obtenidas con distintas configuraciones se obtienen de forma independiente,

la covarianza es cero, pero se puede disminuir la varianza del estimador si se logra una
covarianza positiva entre ambas. Para lograrlo, el muestreo correlado propone utilizar los
mismos valores U(0,1) para simular cada una de las configuraciones a lo largo del tiempo.
El mtodo es eficaz y razonable, sin embargo, hay que tener cuidado al aplicarlo con la
sincronizacin, pues puede no ser suficiente con poner la misma semilla para los nmeros
aleatorios. Una forma de buscar esa sincronizacin es utilizar una semilla diferente para cada
variable aleatoria del modelo, con el fin de que aunque alguna de ellas pierda la sincrona el
resto no lo haga.
IV.6.2 Variables antitticas

Esta tcnica se utiliza para reducir la varianza del estimador de la media, pero sin
comparaciones entre distintas configuraciones.
El objetivo es inducir una correlacin negativa entre las sucesivas simulaciones o
replicaciones del modelo que se llevan a cabo para obtener una muestra con la que obtener el
estimador.
Supongamos que X 1 y X 2 es una muestra de tamao 2 de la variable respuesta. El
estimador de la media de la variable ser la media muestral, X ( X 1 X 2 ) / 2 y su varianza
ser,
V ( X ) 1/ 4(V ( X 1 ) V ( X 2 ) 2Cov( X 1 , X 2 ))
Obsrvese que si las variables son independientes, la covarianza es cero, pero que el valor
de la varianza mejorara si la covarianza fuera negativa. Por lo tanto, el objeto de esta tcnica es
intentar lograr una covarianza negativa entre dos replicaciones del mismo modelo. Para ello, el
mtodo propone que en una replicacin se utilicen unos valores de la uniforme y en la otra los
valores complementarios, es decir, 1 menos los anteriores.
96
07/10/2015
As si U1 ,...,U n son variables aleatorias con distribucin uniforme en (0,1), las variables
1 U1 ,...,1 U n tambin son uniformes en (0,1). Y es ms, si X 1 ,..., X n son variables

obtenidas mediante la transformada inversa a partir de U1 ,...,U n , y X 1 ',..., X n ' son las
obtenidas a partir de 1 U1 ,...,1 U n , entonces las variables X j y X j ' estn correladas
negativamente.
De aqu se deduce que si en una simulacin se utilizan los valores de una uniforme y en la
siguiente sus complementarios las variables estarn correladas negativamente, mejorando el
valor de la varianza del estimador. Sin embargo, no siempre es cierto ya que aunque las
variables de entrada estn correladas negativamente, si el sistema es complejo las de salida
pueden no estarlo. Adems, el resultado est demostrado para variables de entrada generadas
por el mtodo de la transformada inversa, pero no siempre ste es el mtodo que se utiliza para
generar una variable aleatoria.
IV.6.3 Variables de control

El objetivo de esta tcnica es utilizar la correlacin entre ciertas variables aleatorias para
conseguir reducir la varianza.
Supongamos que X es la variable de salida del modelo. Por ejemplo, en un sistema de
colas podra ser el tiempo de espera en cola de los primeros 100 clientes, y se desea estimar
E( X ) .
Sea Y una variable aleatoria que aparece en el proceso de simulacin, correlada con X
(positiva o negativamente), y con esperanza E(Y ) conocida. Para el mismo ejemplo podra
ser Y : tiempos de servicio de los primeros 99 clientes que terminan su servicio, cuya media es
conocida puesto que el tiempo de servicio es una variable de entrada con media conocida.
Entonces el valor observado para la variable Y (valor que puede ser Y o Y )
permite ajustar el valor de X , y por lo tanto, se dice que Y es una variable de control para X .
Veamos cmo utilizar esta variable de control para mejorar la eficiencia del estimador. Para
ello se define el siguiente estimador de control:
X C X a (Y )
Obsrvese que este estimador es un estimador insesgado para , ya que
E ( X C ) E ( X a (Y )) E ( X ) a ( E (Y ) ) a( ) ,
y su varianza es V ( X C ) V ( X ) a 2V (Y ) 2aCov( X , Y )
07/10/2015
97
As pues, para que la varianza de este estimador sea mejor que la anterior ha de verificarse
que a 2V (Y ) 2aCov( X , Y ) 0 , y por lo tanto lo que hay que determinar es un valor de a
para que esto sea cierto. En concreto, el mejor valor para la constante, el que da la menor
varianza, es a*
Cov( X , Y )
.
V ( y)
Precisamente, el problema que puede tener este mtodo es determinar la variable de control
y el valor de a , que adems requiere de una estimacin previa de la covarianza entre las dos
variables. Adems, este mtodo es especfico para cada modelo, con lo cul su automatizacin
en el software de simulacin comercial existente resulta prcticamente inviable.
IV.6.4 Condicionamiento
La tcnica de condicionamiento para reducir la varianza del estimador intenta aprovechar
alguna propiedad especial del modelo para remplazar un valor estimado por un valor analtico
exacto. Al eliminar esta fuente de variabilidad es de esperar que la variable aleatoria de salida
sea ms estable, aunque no est absolutamente garantizado. Esta tcnica tiene su origen en el
mtodo de Monte Carlo condicional introducido por Trotter y Tukey (1956) y desarrollado por
Hammersley and Handscomb (1964).
Supongamos que X es la variable de salida de nuestro modelo, cuya media desea ser
estimada. Supongamos que existe otra variable aleatoria Z tal que para un valor dado de sta,
z , es posible calcular analticamente el valor de la esperanza condicionada de X por este

valor, es decir, E[ X / Z z] es un valor conocido. Entonces un estimador insesgado para se
puede obtener a partir de la esperanza en Z de la esperanza condicionada de X a los valores
de Z , es decir, E[ X ] EZ [ E ( X / Z )] . Como ejemplo de lo que sera este estimador, si
Z fuera discreta aunque de distribucin desconocida el estimador por condicionamiento sera
EZ [ E ( X / Z )] E ( X / Z z ) p( z ) , que sera centrado. Respecto a la reduccin de la

z
varianza se verifica la siguiente relacin ya que la varianza es una funcin no negativa
VarZ [ E ( X / Z )] Var[ X ] EZ [Var ( X / Z )] Var[ X ]

As el procedimiento sera muestrear para obtener valores de la variable Z y para cada uno
de ellos calcular analticamente el valor de la esperanza condicionada de X por ese valor. Es
decir, se realiza el experimento de simulacin para observar la variable Z obtenindose las
observaciones z1 ,..., zn y a partir de ah se calcula el estimador
n E[ X / Z z ] .
i 1
98
07/10/2015
Una aplicacin de este mtodo puede verse en Carter and Ignall (1975). En este caso se
queran analizar polticas de atencin del servicio de extincin de incendios del Bronx,
comparando para ello el tiempo medio de respuesta cuando se produce un incendio considerado
serio (en el que pueden peligrar vidas humanas). Datos histricos revelaban que 1 de cada 30
incendios es serio. Y por lo tanto para hacer la simulacin haba que simular 30 veces ms
situaciones que las que se queran considerar para la variable de salida. Sien embargo, el modelo
tena tal estructura que conociendo la situacin de los equipos de extincin en un momento
dado, era posible determinar analticamente con exactitud el tiempo medio de respuesta si en ese
momento se produjera un incendio serio. As el procedimiento consisti en hacer la simulacin,
pero interrumpir peridicamente la simulacin para observar el estado del sistema y calcular y
almacenar el valor del tiempo medio de respuesta bajo esas condiciones si se produjera un
incendio serio en ese momento (aunque realmente no estuviera sucediendo). El estimador final
fue la media de estos tiempos de respuesta esperados condicionados e inclua muchos ms
trminos que el nmero de incendios serios que realmente haban sido simulados. Con este
procedimiento se redujo en un 95 % la varianza del estimador aunque con un mayor esfuerzo
computacional. Para el mismo esfuerzo computacional la reduccin fue de un 92 %.
Sin embargo en este mtodo no siempre se puede asegurar que reduzca la varianza en tales
dimensiones, o incluso que se llegue a reducirla, dada la correlacin que puede existir entre los
valores condicionados de X y que no ha sido tenida en cuenta.
IV.6.5 Muestreo estratificado

Esta tcnica para reducir la varianza es una tcnica no especfica de la simulacin sino que
proviene de la idea de estratificacin de la teora de muestras (ver Thomson, 1992).
Supongamos que deseamos estimar E[h( X )] para una variable aleatoria X con
funcin de densidad f ( x), x D . Es posible hacer una particin del soporte D en k
subconjuntos o estratos Di y definir i
Di
h( x) f ( x)dx . Entonces, se tiene que

k
h( x) f ( x)dx h( x) f ( x)dx i
D
i 1
Di
i 1
As pues, el procedimiento sera dividir el soporte en estratos y estimar el valor en cada

estrato y despus sumarlos. Se comprueba que si la estratificacin se ha hecho adecuadamente,
se obtiene una reduccin en la varianza al tener menor variabilidad en los estratos que en el
soporte completo. El efecto de la reduccin se alcanzar concentrando puntos muestrales en
estratos que sean ms importantes.
07/10/2015
99
La mayor dificultad de este mtodo est en cmo elegir los estratos para lograr reducir la
varianza y el tamao de la muestra en cada estrato. Por otra parte, una hiptesis implcita en la
estratificacin es que resulta posible generar muestras directamente de los espacios muestrales
condicionados asociados a cada estrato, lo cul no siempre es posible.
IV.6.6 Muestreo por importancia

Este mtodo se basa en los conceptos de estratificacin y ponderacin de la teora de
muestras (ver Thomson, 1992). Supongamos que queremos estimar E[h( X )] , donde la
variable aleatoria X tiene funcin de densidad f ( x) , x D
. En tal caso, el problema
se plantea como estimar
E[h( X )] h( x) f ( x)dx
D
La idea bsica de este mtodo consiste en observar que para cualquier otra variable aleatoria
Z con funcin de densidad g con el mismo dominio D , denominada distribucin de

importancia, se puede expresar el estimador como
h( z ) f ( z )
h( z ) f ( z )
g ( z )dz EZ
D
g ( z)
g ( z)
As se puede estimar el parmetro muestreando los valores z i de Z y utilizar como

estimador
1 n h ( zi ) f ( z i )
n i 1 g ( zi )
que es un estimador insesgado. Bsicamente, este estimador es una media de los valores h( zi )
ponderados con pesos f / g . La varianza de este estimador puede llegar a ser mucho menor que
la de X si se toma la distribucin de importancia con forma similar a hf de modo que el
cociente sea casi constante.
Esta tcnica concentra la distribucin en los puntos que se consideran de mayor
importancia, de modo que si supisemos de antemano que algunos valores son ms importantes
que otros en la determinacin del parmetro, desearamos seleccionar estos valores con mayor
frecuencia de la que la distribucin les da en s. Sin embargo, esto puede ser difcil de conseguir
y suele ser conveniente llevar a cabo una simulacin piloto de tamao pequeo para determinar
si se produce reduccin de la varianza.
100
07/10/2015
Por otra parte, como ocurre con la mayora de las tcnicas de reduccin de la varianza, el
muestreo por importancia depende fuertemente del modelo, por lo que resulta interesante
sugerir distribuciones de importancia adecuadas para clases de problemas relevantes. Aunque es
difcil hacerlo, se ha avanzado en algunas reas (ver Geweke (1989) para la aplicacin a algunos
modelos economtricos).
IV.7 Diseo de experimentos

Por ltimo dentro del anlisis de resultados vamos a ver una breve introduccin de cmo
disear los experimentos para poder comparar distintas alternativas sobre la configuracin o las
estrategias.
Cuando se quieren comparar diferentes alternativas, suele haber ciertos factores controlables
(cuantitativos o cualitativos) que operan a distintos niveles (valores) que definen las
alternativas. En un estudio de simulacin interesa identificar el efecto de cada factor al variar en
sus distintos niveles, la interaccin entre los factores, etc. a la hora de tomar una decisin.
La cuestin es qu pruebas o replicaciones hay que hacer para identificar esos efectos. Para
dar respuesta a esta pregunta la tcnica estadstica apropiada es el diseo de experimentos.
Si bien es cierto que esta tcnica suele resultar ms relevante cuando los experimentos no
son simulados por la dificultad de llevarlos a cabo, tambin en simulacin cuando hay muchos
factores o muchos posibles valores o las simulaciones son muy largas, es deseable disear los
experimentos evitando los diseos completos, es decir, evitando probar todas las combinaciones
posibles de factores y niveles para poder comparar. Obsrvese que con k factores y 2 niveles
cada uno y realizando m replicaciones de cada combinacin, resultan m2k simulaciones.
Existen diversos diseos que pueden aplicarse como la variacin de un factor cada vez, los
diseos factoriales globales, fraccionales, superficie de respuesta, ...
Para un estudio de estos diseos se remite al lector a un libro de estadstica (como por
ejemplo [Pea, 98]) o uno especfico de diseo de experimentos ([Montgomery, 91]). Sin
embargo, a continuacin se va a presentar una breve introduccin a los diseos ms habituales.
IV.7.1 Principios del diseo experimental

El objetivo de un experimento es estudiar el efecto que sobre una variable respuesta tienen
un conjunto de otras variables denominadas variables experimentales, fatores o tratamientos.
Supondremos que la variable respuesta es continua y que los factores se fijan durante el
experimento a ciertos niveles determinados. El experimento consiste en seleccionar distintas
07/10/2015
101
unidades experimentales, fijar los valores de los factores a distintos niveles y observar el valor
de la variables respuesta en cada unidad. El nmero total de datos es el tamao del experimento.
En cualquier experimento en que se investiga el efecto de un factor hay un gran nmero de
otras variables que pueden influir en los resultados. Bsicamente hay tres caminos para eliminar
el efecto de una variable:
1. mantenerla fija durante toda la realizacin del experimento,
2. reorganizar la estructura del experimento para las comparaciones de inters se efecten
para valores fijos de esta variable
3. aleatorizar su aparicin en los tratamientos
Los experimentos cientficos suelen usar los dos primeros para eliminar el efecto de
aquellas variables que son controladas por el experimentador, y el tercero para eliminar el efecto
de variables fuera de nuestro control y de poca influencia esperada (se englobarn dentro del
error experimental).
En general, cuando se analizan resultados de simulacin no suele utilizarse la aleatorizacin
ya que en el modelo no suelen existir variables fuera de control, sin embargo, se va a explicar el
principio de aleatorizacin sobre todo para tenerlo en cuenta a la hora de tomar datos y
observaciones para crear el modelo, y a la hora de validarlo comparando con la realidad.
El principio de aleatorizacin
Este principio requiere que todos los factores no controlados por el experimentador y que
puedan influir en los resultados se asignen al azar a las observaciones. Por ejemplo, si al
comparar las ventas de un producto en un establecimiento en dos das distintos de la semana
sospechamos que puede influir el empleado que est en esa seccin que pueden ser dos
distintos, deben tomarse observaciones para esos das con el vendedor asignado de forma
aleatoria a las observaciones (aleatoria, es decir, con orden aleatorio tambin, para evitar efectos
de aprendizaje, etc.).
La aleatorizacin es fundamental ya que previene la existencia de sesgos, evita la
dependencia entre observaciones y confirma la validez de los procedimientos estadsticos ms
comunes.
De este principio se derivan los denominados contrastes de permutaciones para analizar la
influencia de un factor en presencia de otra variable:
Supngase que para el ejemplo anterior se deciden observar 5 das de un tipo (D1) y 5 de
otro (D2). Se asignan de forma aleatoria los dos empleados a cada da de forma que siempre
haya 5 das de cada uno en los 10, y se observa la diferencia de medias en la variable respuesta
102
07/10/2015
de ambos tipos de da: x D1
x D2 . Si el da observado no influyera (que es lo que se pretende
determinar) dara igual que las observaciones fueran de un da u otro, as pues podramos
considerar que de las 10 observaciones cualesquiera 5 son de un da y el resto de otro. El
10
nmero de asignaciones posibles de los tipos de da a las 10 observaciones es
252 , y si
se calculan las 252 diferencias que se obtienen con las distintas asignaciones y el valor concreto
que se tiene est entre el 100
/2 % de las mximas o de las mnimas se considera que un
valor tan anormalmente alto o bajo slo puede ser debido a que no son iguales las medias.
Los test de permutaciones fueron introducidos por Fisher (1953), y Scheff (1959) demostr
que los contrastes t y F (anlisis de la varianza para igualdad de medias) son una buena
aproximacin incluso sin la hiptesis de normalidad que se les exige.
La repeticin del experimento

Como ya se ha comentado, para reducir la varianza de la estimacin de una media que es
2
/n , se puede reducir el valor de
o aumentar n que conlleva replicar el experimento.
Aunque este tema ya ha sido tratado, hay que indicar la diferencia entre repetir cada observacin
y repetir el experimento. Si se toman dos medidas seguidas en cada condicin experimental se
tiene cada observacin repetida dos veces, pero no necesariamente un experimento replicado.
Conviene realizar el experimento una vez y luego repetirlo desde el principio para evitar
subestimar la variabilidad.
La homogeneidad estadstica de las comparaciones: diseos factoriales

Para comparar el efecto de un factor en la variable respuesta es claro que se debe comparar
con distintos niveles pero actuando stos en condiciones homogneas. Existen dos enfoques
para intentar lograr esa homogeneidad:
a)
diseos clsicos: eliminar del experimento las dems variables mantenindolas fijas a
niveles constantes y variar slo la que se trata de comparar
b) diseos factoriales: introducir en la experimentacin todas las variables que pueden
influir y estimar los efectos promediando situaciones homogneas. As para el ejemplo
de la venta del producto se obtendran datos para cada nivel del facto da con los dos
empleados, siendo una tabla de doble entrada.
De los dos enfoques el primero tiene como inconveniente principal que no tiene en cuenta la
interaccin entre los factores. Por ejemplo, supongamos que se desea investigar si la
07/10/2015
103
temperatura y la concentracin influyen en el rendimiento de un proceso. Con el diseo clsico

fijaramos la temperatura a un valor de referencia y modificaramos el valor de la concentracin
para ver su efecto; despus haramos lo mismo pero fijando la concentracin a un valor y
variaramos la temperatura. De esta forma es posible llegar a conclusiones tales como que
aumentar la temperatura disminuye el rendimiento y aumentar la concentracin tambin, y sin
embargo, es posible que aumentando temperatura y concentracin a la vez se logre un mayor
rendimiento. Esto ocurre porque los efectos pueden no ser aditivos, es decir, el modelo puede
ser del tipo Rend
bConc
1
b2Temp
b3Conc Temp , y sin embargo, con el diseo
clsico se supone que el coeficiente b3 es cero.
El concepto de bloque
Una variable o factor cuyo efecto sobre la respuesta no es directamente de inters pero que
se utiliza para obtener comparaciones homogneas se denomina variable bloque. En el ejemplo,
de la venta del producto sera el empleado si lo que realmente nos interesa saber es slo el
efecto del tipo de da. La principal diferencia en el tratamiento de un factor y de una variable
bloque es que, en general, se supone que hay independencia entre los factores y las variables
bloque.
IV.7.2 Diseo con un factor

ste es el diseo bsico en el cul no se presenta ms que un nico factor que opera a I
niveles, de modo que se dispone de una muestra de tamao n tal que ni han sido obtenidas con
el factor fijado al nivel i , siendo y ij estas observaciones.
El modelo que supone este factor es yij
uij , siendo uij de distribucin N (0, )
independientes (se puede comprobar representando los valores para cada nivel y ver que siguen
una distribucin normal).
El procedimiento es en primer lugar estimar los parmetros del modelo: las
; en
segundo lugar realizar el contraste de igualdad de medias para ver si el factor influye en la
variable respuesta, es decir, contrastar si es cierto que 1 ...
. Despus comprobar
I
con los residuos las hiptesis del modelo, y por ltimo, si se ha rechazado que el factor no
influye hacer comparaciones de las medias.
104
07/10/2015
yij
Los estimadores de los parmetros del factor son i
yi .
, y definiendo los
ni
eij2
residuos como eij
yij
ij
yi . , el estimador de la varianza es 2
A continuacin se plantea el contraste de igualdad de medias:
H0 :
...
frente a la hiptesis de que hay alguna distinta. Para hacer este
contraste se compara la variabilidad explicada por los grupos (VE) con la no explicada o
residual (VNE), de modo que si es muy grande la explicada respecto a la que no entonces se
rechaza la hiptesis nula y se acepta que el factor influye en la variable respuesta. Este anlisis
se conoce como anlisis de la varianza y para llevarlo a cabo se utiliza una tabla denominada
ANOVA (ADEVA en castellano):
Fuentes variacin
Suma de cuadrados
ni (yi .
Entre grupos (VE)
Grados de libertad
y.. )2
Varianzas
se2
Interna, no explicada o
residual (VNE)
(yij
yi . )2
sR2
(yij
y.. )2
sy2
i, j
Total
i, j
donde la ltima columna es el cociente de las dos anteriores.

Si la hiptesis nula fuera cierta el estadstico F(I
se2
seguira una distribucin F
sR2
1),(n I )
de Fisher-Snedecor con esos grados de libertad indicados, de modo que se rechazar la hiptesis
si este estadstico toma un valor suficientemente alto.
As si se acepta la hiptesis nula, se acepta la igualdad de medias y por lo tanto que el factor
no influye. Si se rechaza tiene inters estimar las diferencias entre los grupos. Para ello se puede
hacer un intervalo de confianza para la diferencia de medias de los grupos dos a dos o hacer un
contraste de igualdad de medias dos a dos. Sin embargo, hay que tener cuidado ya que la
aplicacin reiterada de ese contraste (para I niveles seran
I
2
contrastes) puede llevar a que
07/10/2015
105
aparezcan diferencias entre grupos cuando realmente no las hay. Para evitarlo el mtodo de
/c , donde
Bonferroni propone que cada contraste debera ser hecho al nivel de significacin
es el nivel de significacin total que se desea y c el nmero de comparaciones que se van a

realizar.
IV.7.3 Diseo en bloques aleatorizados

Este diseo se utiliza para analizar el efecto de un factor en presencia de una variable
bloque. Se tienen I niveles del factor, J valores de la variable bloque y se tienen I J
observaciones de la variable respuesta obtenidas cada una fijando un nivel del factor y un valor
del bloque, denotadas por y ij .
El modelo en bloques aleatorizados es yij
uij , i
1,..., I , j
1,..., J
, donde uij es una variable N (0, ) y sus valores independientes.

El modelo descompone la respuesta como suma de un efecto global
incremental del factor principal
(al ser incremental, se supone
, un efecto
0 ), un efecto
incremental del factor secundario o bloque
(de nuevo
0 ) y un efecto aleatorio uij
que sera el denominado error experimental debido a las restantes causas de variabilidad.
El objetivo primero del anlisis es determinar si los efectos del factor principal son nulos, y
si se decide que no entonces puede ser de inters analizar las diferencias.
El primer paso es estimar los valores de los parmetros que sern un total de I
se incluyen el valor de
, los
, los
J , donde
es la media de todas las observaciones, que denominaremos y.. ; los
El estimador de
estimadores de los efectos del factor principal se obtienen como la media de las observaciones
para ese nivel del factor menos la media de todas las observaciones, es decir,
yi.
y..
1
J
yij
y.. ; anlogamente para estimar los efectos del bloque se tendra
y. j
y.. ; por ltimo, para la varianza del error, se obtienen los residuos
eij
yij
y se estima como 2
j
1
n
eij2 .
i, j
Una vez estimados los coeficientes se procede a contrastar si se pueden considerar

significativamente distintos de cero y poder concluir que realmente el factor influye. Adems
106
07/10/2015
interesa saber si el bloque influye, ya que si no fuera as, se podra optar por un modelo ms
sencillo, como el de la seccin anterior, que no distinguiera por el bloque. Para hacer estos
contrastes se realiza el anlisis de la varianza. La lgica de este anlisis es en primer lugar
descomponer la variabilidad total de los datos en sus fuentes de variacin, y comparar el
trmino debido a cada fuente con un patrn comn, la varianza residual, para juzgar respecto a
su importancia.
La tabla ANOVA en este caso ser de la siguiente forma
Suma cuadrados
Fuente
Entre tratamientos
(distintas
Entre bloques
(distintas
y.. )2
(yi .
Residual
Varianzas
i2
s2
s2
y.. )2
(y. j
G. libertad
eij2
i, j
(yij
(yij
y.. )2
)2 (I
1)(J
1)
sR2
i, j
Total
sy2
i, j
A partir de esta tabla se realizan los contrastes. El contrate principal es que los tratamientos
son idnticos:
H0 :
Se efecta con el estadstico F(I
1),(I 1)(J 1)
0;
s2
, que si la hiptesis nula es cierta sera
sR2
una F de Fisher-Snedecor con los grados de libertad indicados, de modo que si el valor del
estadstico es alto ser rechazada la hiptesis de que el factor no influye.
Para
F(J
los
1),(I 1)(J 1)
bloques
el
contraste
es
H0 :
0;
el
estadstico
es
s2
, y es un contraste independiente del anterior.
sR2
La eficacia del diseo depende de los efectos de los bloques, pero en cualquier caso nunca
es peor que si se tratara como un diseo completamente aleatorio como el de la seccin anterior.
07/10/2015
107
Si del anlisis de la varianza se deriva que el factor influye entonces se pasa a realizar
comparaciones entre las medias de los grupos determinados por los niveles del factor, tal y
cmo se coment en la seccin anterior.
Respecto a la validacin de modelo, el principal error que se puede estar cometiendo es que
se est despreciando la interaccin entre el factor y el bloque, y podra ser que existiera, es
decir, el modelo podra ser de la forma:
yij
)ij
uij
Este modelo tiene demasiados parmetros, por lo que Tukey propuso tomar
)ij
que slo aade un parmetro.
La interaccin se detecta fundamentalmente porque si sta existe y no ha sido considerada

en el modelo, los residuos no tendrn esperanza nula, y grficamente si se representa en el eje
de abscisas el valor previsto y en el de ordenadas el residuo se podr ver una curvatura.
IV.7.4 Modelos factoriales: con dos factores y con interaccin

Este modelo se aplica cuando las dos variables a estudiar tienen la misma importancia a
priori y se admite la interaccin desde un principio.
El modelo sin replicacin

El modelo que se considera es el siguiente:
yij
y el nmero de parmetros a estimar son IJ

i
i
j
j
)ij
)ij
)ij
uij
1 teniendo en cuenta las restricciones
0 . Cmo se puede observar hay ms
parmetros que observaciones, luego no pueden ser todos estimados. La opcin es no estimar la
varianza, y estimar los parmetros como en el caso anterior y para las interacciones estimarlas
como los residuos, es decir, (
)ij
yij
yi.
y.j
y.. . Sin embargo al no disponer de
residuos no es posible contrastar el modelo, salvo que se consideren las interacciones nulas, o
que se replique el experimento.
El modelo con replicacin
108
07/10/2015
Suponiendo que se hacen K replicaciones para cada combinacin de niveles de los dos
factores se dispone de IJK observaciones y el modelo considerado ahora sera:
yijk
uijk
)ij
Aunque el nmero de parmetros a ser estimados sigue siendo IJ
1 ahora hay ms
observaciones. Los estimadores en este caso sern
y...
yi ..
y...
y. j .
y...
yij .
)ij
Los residuos en este caso sern: eijk
yi ..
yijk
y. j .
y...
yij . . La tabla ANOVA ser en tal caso la
siguiente
Fuente
Suma cuadrados
JK
Factor
G. libertad
Varianzas
i2
s2
s2
Factor
IK
Interaccin
(I
)ij2
1)(J
1)
s2
i, j
2
eijk
Residual
IJ (K
1)
sR2
IJK
sy2
i , j ,k
(yijk
Total
y... )2
i , j ,k
Los tests resultantes y estadsticos sern los siguientes:
1)
2)
3)
H0 :
H0 :
H0 : (
0, i;
0, j ;
)ij
estadstico
estadstico
0, i, j ;
F(I
1),IJ (K 1)
F(J
estadstico
s2
sR2
1),IJ (K 1)
F(I
s2
sR2
1)(J 1),IJ (K 1)
s2
sR2
07/10/2015
109
IV.7.5 Modelos factoriales con ms de dos factores

El modelo con tres factores sera de la forma:
yijk
)ij
)ik
)jk
)ijk
uijk
En este modelo adems de las interacciones de segundo orden para cada par de variables,
existe una interaccin de tercer orden. En general, los efectos principales son mayores que los
de segundo orden, y stos mayores que los de tercer orden.
De nuevo, como ocurra en el caso de dos factores, hay ms parmetros que observaciones,
luego no ser posible estimar todos ellos, siendo la varianza del ruido el que se deja sin estimar.
Sin embargo, por esa misma razn los contrastes de la tabla ANOVA slo pueden realizarse si
se supone que la interaccin de tercer orden es nula, o si se dispone de replicaciones.
El mtodo de estimacin y los contrastes son una extensin de los del caso de dos factores.
Estas ideas se extienden inmediatamente para modelos con cualquier nmero de factores,
aunque para ms de tres las interacciones superiores a tercer orden suelen suponerse nulas. La
limitacin principal de estos diseos es el nmero de observaciones que requieren, de modo que
para ms de cuatro factores no suelen usarse estos diseos completos y se acude al concepto de
fraccin: suponiendo que las interacciones son nulas a partir de un orden se selecciona una parte
del diseo completo que permita estimar los efectos principales y las interacciones de orden
bajo. La siguiente seccin muestra uno de estos diseos fraccionales.
IV.7.6 Cuadrados latinos

Este modelo se puede aplicar en las siguientes condiciones:
a)
b)
c)
La
existen tres factores (alguno puede ser una variable bloque);

el nmero de niveles para cada factor es el mismo;
no se espera interaccin entre los factores.
ventaja de este modelo es que el nmero de observaciones se reduce mucho, de modo
que si N
es el nmero de niveles de cada factor, el diseo completo requiere N 3
observaciones mientras que el cuadrado latino slo N 2 , es decir, se trata de un diseo

fraccional.
La idea bsica del cuadrado latino es aprovechar la simetra del diseo factorial
seleccionando un conjunto de combinaciones de los niveles de los factores con la condicin de
que cada nivel de un factor aparezca una vez con cada uno de los niveles de los otros factores.
110
07/10/2015
Para llevar a cabo la experimentacin con un diseo de cuadrado latino en primer lugar se
selecciona un cuadrado latino que corresponda al nmero de niveles con los que se est
trabajando, y luego se aleatoriza el orden de las filas y columnas. Los posibles cuadrados latinos
son los siguientes:
A B C
A B C
B C
C
N
A B C
A B C
D C
A B
A D C
D C
D E
A B
A B
B
A D C
A B C
D E
A B C
D E
A B
D E
A B C
A B
A B C
B C
D E
D E
A B C
A B C
N
A D C
D E
D E
D E
A B C
C
B C
D C
B C
A B
A B
A B C
D E
B C
D E
A B C
D E
A B C
D E
A B
A B C
D E
A B C
A B C
D E
B C
A B
D E
A B C
D E
A F
E C
A D E
D C
A F
B C
D C
A B
Para ver los cuadrados latinos de mayor dimensin consultar Pea (1998).
07/10/2015
111
Se asigna un factor a las filas, otro a las columnas y otro a las letras. El diseo es simtrico
para ambas as que se pueden asignar como se desee, y en general, se hablar del efecto fila,
efecto columna y efecto letra. A continuacin se aleatoriza el orden de las columnas y el de las
filas, resultando as las combinaciones de niveles de los tres factores que han de ser
experimentadas.
Por ejemplo, si para comparar el efecto que tiene sobre el consumo en automviles cuatro
tratamientos de la gasolina, se seleccionan 4 automviles y 4 conductores, se puede aplicar un
4 para eliminar en las comparaciones del efecto vehculo y

diseo de cuadrado latino con N
conductor. Se asigna, por ejemplo, que las columnas sean los conductores (cada columna es un
conductor), las filas el vehculo (cada fila un vehculo) y las letras el tratamiento.
Entonces se selecciona un cuadrado latino de orden 4, por ejemplo,
A B C
T1 T 2 T 3 T 4
A D C
T 2 T1 T 4 T 3
A B
T 3 T 4 T1 T 2
T 4 T 3 T 2 T1
D C
Ahora, se aleatoriza a quin corresponde cada fila y cada columna. As, si el orden
resultante para las filas es (2,1,3,4) y para las columnas (3,4,2,1) el diseo resultante sera:
C3
C4
C2
C1
V2
T1
T2
T3
T4
V1
T2
T1
T4
T3
V3
T3
T4
T1
T2
V4
T4
T3
T2
T1
Reordenando las filas y columnas, que es como se suele presentar el diseo,

C1
C2
C3
C4
V1
T3
T4
T2
T1
V2
T4
T3
T1
T2
V3
T2
T1
T3
T4
V4
T1
T2
T4
T3
Cada celda representa un experimento que hacer con el conductor de la columna

correspondiente, el vehculo de la fila correspondiente y el tratamiento de gasolina que se
112
07/10/2015
indique en la celda. Obsrvese que cada nivel de un factor aparece combinado con todos los
niveles de los dems factores. Por otra parte, un diseo completo exigira 4 3
experimentos mientras que este diseo requiere 42
64
16 pruebas.
El modelo que se supone es el siguiente
yij (k )
donde
es el efecto fila,
uij (k ),
el efecto columna,
2
perturbaciones uij (k ) son normales (0,
i, j, k
1,..., N
el efecto letra en las distintas casillas y las
) independientes. La notacin ij(k ) indica que el
subndice k depende de la casilla ij segn el diseo, es decir, dados i y j , mirando en el

N
cuadro, se tiene el valor de k . Se supone adems que
0.
La estimacin de los parmetros sera la siguiente:
yij .
i, j
y...
N2
yij .
yi ..
y...;
yi ..
y. j .
y...;
y. j .
y..k
y...;
y..k
i, j
yij (k )
Los residuos se obtienen como eij (k )

de la varianza residual ser 2
SR2
N
yij .
N
yij (k )
N
k , y la estimacin centrada
eij2 (k )
i, j
(N
1)(N
2)
Por ltimo, el cuadro del anlisis de la varianza sera

Fuente
Efecto fila
Suma cuadrados
G. libertad
Varianzas
i2
s2
s2
Efecto columna
07/10/2015
113
k2
Efecto letra
s2
(N
eij2 (k )
Residual
1)(N
2)
sR2
i, j
y... )2
(yijk
Total
N2
sy2
i, j
Los tests resultantes y estadsticos sern los siguientes:
1)
efecto fila H 0 :
2)
efecto columna H 0 :
3)
0, i;
efecto letra H 0 :
estadstico
0, j;
0, k ;
F(N
1),(N 1)(N 2)
estadstico
estadstico
F(N
F(N
s2
sR2
s2
sR2
1),(N 1)(N 2)
s2
1),(N 1)(N 2)
sR2
Para cuatro variables existe una extensin de este diseo que son los cuadrados grecolatinos, que no se va a ver en esta introduccin pero que puede ser consultado en cualquier libro
de diseo de experimentos o estadstica como Pea (1998).
IV.7.7 Modelos con efectos aleatorios: Diseos jerrquicos

El objetivo de los diseos anteriores es determinar el efecto que producen en la variable
respuesta ciertos niveles prefijados de un factor, y es lo que se llama diseo de efectos fijos. Sin
embargo, existen otros diseos donde estos niveles no se eligen, sino que al muestrear estn
presentes en la poblacin, denominndose entonces diseos de efectos aleatorios. Los diseos
de efectos fijos se utilizan cuando se desea medir cmo vara el nivel de la variable respuesta
con los niveles de los factores, mientras que los de efectos aleatorios se utilizan para ver el
efecto sobre la variabilidad de la respuesta. Por ejemplo, para saber si un el uso de determinados
tipos de carburante es efectivo se realiza un diseo de efectos fijos, mientras que si se desea
saber la variabilidad que el uso de distintos carburantes utilizados habitualmente introduce en el
proceso, se utilizar un modelo de efectos aleatorios.
En los diseos con efectos aleatorios no se fijan los niveles del factor, de modo que el factor
se considera una variable aleatoria cuyo efecto en la respuesta se puede apreciar en la
variabilidad, y el objetivo del diseo es precisamente estimar la varianza del factor, es decir, no
se estima
sino
, y el contraste principal no es
0 sino
0.
La formulacin matemtica del modelo es idntica, pero en el diseo de efectos fijos los
efectos representan la respuesta media y son parmetros fijos a estimar, mientras que en el de
114
07/10/2015
efectos aleatorios son variables aleatorias normales de media 0 y varianza
, siendo esta
varianza el parmetro a estimar.

La descomposicin de la variabilidad y la tabla ANOVA se realiza igual en ambos modelos,
y si no existe interaccin los contrastes de que un factor no influye son idnticos. Sin embargo
cuando existe interaccin entre dos efectos, los contrastes cambian de modo que si en el de
efectos fijos para ver el efecto de un factor se contrasta el valor de s2 / sR2 , en el de efectos
2
2
aleatorios se contrasta s / s .
Por otra parte, en el modelo de efectos aleatorios la estimacin de los valores
,... no
tiene sentido, por lo que no se plantea el problema de las comparaciones mltiples, ya que el
objetivo es contrastar que los efectos existen, y en caso afirmativo, estimar las varianzas.
Un caso especial de este tipo de diseos es cuando los factores que intervienen estn
anidados o jerarquizados. Por ejemplo, si se desea estudiar la influencia en la opinin de los
trabajadores del sector industrial en que trabajan y de la empresa en qu estn, no es posible
cruzar todos los niveles de los factores. En primer lugar habr que seleccionar sectores, despus,
para cada sector seleccionar empresas de ste, y dentro de cada empresa seleccionar
trabajadores. As el factor empresa puede medirse slo a un nivel fijo del factor sector. Este tipo
de diseos se denominan de clasificacin jerrquica o diseos anidados, y en ellos al no existir
cruces entre factores no puede existir interaccin entre ellos.
El caso de diseos jerrquicos ms importante es el modelo con dos factores aleatorios o
modelo de componentes de la varianza. Supngase que se quiere estimar la variabilidad en el
rendimiento siendo un factor las mquinas y otro los operarios. Para ello se selecciona un
conjunto de mquinas al azar (efecto aleatorio) y se toman varias muestras de la produccin con
distintos trabajadores en cada mquina. La diferencia fundamental con otros diseos es que no
estn todas las mquinas y que los trabajadores son distintos en cada mquina, no se cruzan.
El modelo que se establece es yijk
j (i )
uijk , donde yijk es la respuesta,
es el efecto aleatorio de la mquina que es un valor de una N (0,

trabajador j con la mquina i cuya distribucin es N (0,
),
j (i )
es el efecto del
) y uijk es el error experimental al
actuar un trabajador en una mquina concreta y se considera N (0, ) . Tomando varianzas se

tiene
2
y
Cuando se toma la misma cantidad de trabajadores por cada mquina los datos pueden
disponerse en una tabla de doble entrada como en un diseo factorial con dos factores (mquina
y operario) con replicacin. Sin embargo, la interpretacin es muy distinta ya que los operarios
07/10/2015
115
en el diseo clsico eran los mismos para todas las mquinas, mientras que aqu son diferentes
para cada mquina (el hecho de que sea por ejemplo la primera columna supone que es el
primero en orden para cada mquina no el mismo operario).
La estimacin en este caso, dado que estn anidados los factores se ha de hacer de forma
secuencial. Supongamos que se tienen I valores del factor principal, J del factor anidado (la
misma cantidad en todos los valores del principal) y K replicaciones de cada uno.
Se estima en primer lugar la varianza residual como:
(yijk
2
yij . )2
i , j ,k
sR2
IJ (K
1)
A continuacin se estima la varianza debida al factor anidado
2
2
2
R
s
K
K
donde s22
yi .. )2
(yij .
i, j
I (J
1)
Por ltimo, la variabilidad debida al factor principal se estima como
s12
K 2
KJ
JK
donde s12
y... )2
(yi ..
i
La diagnosis del modelo se efecta con los contrastes habituales.
IV.7.8 Diseos factoriales a dos niveles ( 2k )

En la experimentacin industrial es frecuente que se desee conocer el efecto sobre una
variable respuesta de un gran nmero de factores, aunque en ocasiones no todos sean realmente
relevantes. Los diseos factoriales a dos niveles que se van a ver, permiten experimentar con un
gran nmero de factores y adems son fciles de fraccionar en bloques homogneos
favoreciendo la experimentacin secuencial.
En primer lugar se va a ver como son estos diseos factoriales completos y despus cmo
fraccionarlos y aprovecharlo para hacer una experimentacin secuencial.
Un diseo factorial a dos niveles de orden k , representado por 2k supone que hay k
factores con dos niveles cada uno. Veremos primero el caso ms sencillo: 22 .
El diseo 22
116
07/10/2015
Se supone que hay dos factores, A y B, con dos niveles. Se usar la notacin de signos + y
para representar los dos niveles de cada factor (si son cuantitativos se usa el valor + para el
mayor). Las observaciones correspondientes se disponen en general en una tabla, notndose por
(o) a las observaciones con ambos factores en el nivel , por (a) cuando el factor A est en su
nivel + y el B en , por (b) si es al revs, y por (ab) cuando ambos estn en el nivel +. As la
tabla sera de la forma
A
y 11 (o)
y 21 (a)
y 12 (b)
y 22 (ab)
El modelo factorial sera de la forma
yij
)ij
uij ;
i, j
1,2
Este modelo con las restricciones habituales de que sena efectos incrementales sobre el
valor medio (las sumas de los parmetros nulas) y aadiendo las variables
1 si factor k en nivel +
Xk
1 si factor k en nivel
yij
X1
, quedara
X2
)22 X1X2
uij ;
i, j
1,2
En este diseo hay un parmetro por cada factor y uno por interaccin. Tal y como est
expresado los coeficientes representan el incremento esperado en la respuesta cuando los
factores se fijan al nivel +. Sin embargo, por conveniencia, se hablar de efecto de un factor
como el efecto esperado en la respuesta cuando pasa de a +. Estos efectos los vamos a denotar
por la misma letra pero sin subndice ya que no es necesario, verificndose las siguientes
relaciones:
2
1
2
1
2
)22
1
(
2
La estimacin de estos nuevos parmetros sera de la forma
1
(o a b
4
1
)
(o ab
2
ab)
a
1
(a
2
ab
b)
1
(b
2
ab
a)
b)
07/10/2015
117
Una forma de recordar estas estimaciones es conocida como el algoritmo de los signos. Este
algoritmo se aplica creando una tabla denominada estndar a partir de la tabla de observaciones.
En ella se aade una columna AB que es el producto de las columnas A y B, y la estimacin de
cada parmetro se hace multiplicando la correspondiente columna de signos por las
observaciones y dividiendo luego entre 2. Este algoritmo es aplicable tambin cuando hay ms
de dos factores. La tabla estndar entonces sera:
A
AB
y 11 (o)
y 21 (a)
y 12 (b)
y 22 (ab)
En este anlisis se estiman cuatro parmetros con cuatro observaciones, de modo que no es
posible estimar el error experimental. Por lo tanto, para hacer intervalos de confianza o
contrastes de hiptesis para los parmetros ser necesario una estimacin externa de
replicar el experimento. Si se replica el experimento, se aplica el procedimiento visto de

estimacin a las medias y los residuos se calculan como eijk
yijk
yij . . A partir de ellos se
estima la varianza residual con la suma de los cuadrados de los residuos dividida por 4(R
1)
donde R es el nmero de replicaciones.

Hay que tener una precaucin con este modelo, y es que cuando las interacciones son altas,
los efectos principales no describen de forma adecuada los resultados. Como regla general,
cuando la interaccin sea un tercio del promedio de los efectos principales la descripcin
mediante efectos principales e interacciones es inadecuada.
Una de las ventajas de este diseo frente a uno factorial clsico es que obtiene estimaciones
ms precisas, de menor varianza, o si se quiere, que para lograr la misma precisin es necesario
un nmero menor de experimentos. En general, para k factores el diseo clsico requiere
(k
1)/2 veces el nmero de observaciones de un diseo factorial.

El modelo 23
Ahora se tienen 3 factores con 2 niveles cada uno. El modelo es semejante al anterior pero
ahora existirn 3 efectos principales, 3 interacciones de segundo orden y 1 interaccin de tercer
orden. El procedimiento es semejante al anterior siendo la tabla estndar de la forma
118
07/10/2015
AB
AC
BC
ABC
(o)
(a)
(b)
(ab)
(c)
(ac)
(bc)
(abc)
Para hacer la estimacin del efecto de un factor o interaccin se multiplica la columna de

signos correspondiente por la columna de las observaciones, dividiendo despus por
n /2
2k
22 . Slo el estimador de la media va dividido por n
2k .
Una vez hechas las estimaciones para interpretarlas con intervalos de confianza o hacer
contrastes es necesaria una estimacin de la varianza residual. Hay bsicamente tres formas de
estimarla:
a) mediante una estimacin externa
b) replicando el diseo: los efectos se estiman con las medias de los valores
correspondientes y la varianza residual ser la suma de los cuadrados de los residuos
dividida entre 8(R
1) , siendo R el nmero de replicaciones; el contraste se basar
en el estadstico
sR / 2R
que sera una T de Student con 8(R
1) grados de
libertad
c) considerando que las interacciones son nulas (se utiliza mucho en diseos con ms
factores considerando nulas las interacciones de tercer orden y superiores): si es as sus
estimaciones deben ser valores aleatorios de una normal de media cero y varianza
2
/ 2 , y si no lo es y alguna interaccin es no nula, la media cambiar pero no la
varianza.
M ( )
MEDA
MEDA
Sea
la
mediana
de
las
estimaciones
de
las
interacciones
mediana( 5, 6, 7 , 8 ) . Un estimador robusto para la variabilidad es la

o
mediana
mediana i
i 5,...,8
de
las
desviaciones
absolutas
la
mediana:
M ( ) . Un estimador robusto para la desviacin tpica en
poblaciones normales ser s
MEDA
. Para realizar los contrastes de hiptesis se
0.675
07/10/2015
119
considerar que el efecto principal de un factor existe si j

del error experimental ser
2s , y una estimacin
s 2 .
En cuanto a decidir si una interaccin puede considerarse nula es habitual decidirlo de

forma grfica o geomtrica. As si se desea ver si hay interaccin entre el factor A y el C se hace
la siguiente representacin:
y
C(+)
C(-)
(-)
Factor A
(+)
El valor y representado es el valor esperado con los factores representados en la grfica al

nivel que se indica en cada punto. Por ejemplo para (-) en A y en C el valor esperado sera
y(x1
1, x 3
1)
)
2
. En cuanto a la interpretacin del grfico:
a) El hecho de que una recta sea superior a la otra indica que el factor C influye mucho
b) El hecho de que los puntos de la derecha sean siempre superiores a los de la izquierda
indica que el factor A tambin influye
c) El hecho de que no sean paralelas las rectas indica que hay interaccin entre ambas
variables. Es decir, slo se puede considerar que no hay interaccin si ambas rectas
fueran paralelas.
El modelo 2k
El modelo, estimaciones, etc. son prcticamente iguales que el modelo anterior. Slo hay
algunas matizaciones que hacer. La primera es que en estos modelos las interacciones altas se
suelen considerar nulas, en concreto las superiores a 3, lo que adems supone que se dispone de
observaciones para estimar el error experimental. Se suele utilizar el mismo estimador a partir
de la MEDA para el error experimental salvo que en este caso ser
s 2k
. Respecto a
los contrastes sobre los parmetros, en la prctica se suponen significativos aquellos para los
que j
2s y si k es grande se hace con un 3.
Una cuestin que resulta de inters es decidir si es mejor hacer un diseo 2k
replicado o
introducir un factor ms y hacer uno 2 con el riesgo de aadir un factor inerte, es decir, que no
ejerce influencia alguna. La respuesta es sencilla, es mejor hacer uno 2k , ya que si el nuevo
120
07/10/2015
facto es inerte ambos procedimientos son idnticos y tendremos el diseo replicado, y si es

activo, bien por s solo o por interaccin el diseo amplido permitir medir su efecto.
Fracciones de diseos factoriales a dos niveles
El problema de los diseos anteriores es que requiere un nmero elevado de pruebas,
especialmente si se utilizan muchos factores. La idea de los diseos fraccionales es realizar slo
una fraccin del diseo completo que permita estimar los parmetros de orden bajo. En estos
diseos se suponen nulas las interacciones de orden alto. Estos diseos se utilizan sobre todo en
los principios de una investigacin para identificar los factores que tienen mayor efecto en la
respuesta.
Supongamos que en un diseo 23 seleccionamos como fraccin aquellos experimentos en
que ABC siempre tiene signo +. La tabla sera:
AB
AC
BC
ABC
(a)
(b)
(c)
(abc)
Esta tabla requiere la mitad de observaciones. La estimacin de los parmetros se realizara

como en el diseo completo, pero hay que tener en cuenta que ahora no se estima slo el efecto
de ese factor sino que incluir tambin interacciones que no pueden separarse, es decir, ambos
efectos estn confundidos. Por ejemplo, al hacer la estimacin del parmetro del factor A no es
posible impedir que se incluya tambin el efecto de la interaccin BC ya que tiene los mismos
signos que A. Denotando por sA a la estimacin hecha de la forma habitual pero dividiendo el
resultado del algoritmo de los signos por 2 no por 4 (se cambia la notacin porque no ser la
estimacin directa del parmetro), los efectos confundidos para este diseo sern
sA
BC
sB
AC
sC
AB
ABC
De haber la fraccin de todos (-) en ABC los efectos confundidos seran
sA
BC
sB
AC
sC
AB
ABC
Por lo tanto, al seleccionar una fraccin slo se podrn estimar los efectos principales si se
consideran nulas las interacciones y los estimadores sern estos valores.
07/10/2015
121
Para saber qu efectos son los confundidos se utiliza la ecuacin generatriz. As, en el caso
anterior la ecuacin generatriz ser I
ABC ( I es una columna de signos +), y los efectos

A y
confundidos se obtienen multiplicando esta matriz por los factores con las reglas AI
AA I . As se tiene A AI
AABC IBC BC , B BI
BABC AC y
C IC ABCC ABI AB ,
es
decir,
la
confusin
ser
BC
AC
AB
ABC . Para diseos mayores se multiplica
tambin por las interacciones. El procedimiento es anlogo si se seleccionan los negativos pero
se hablar de
I.
Es obvio que no resultar equivalente elegir una ecuacin generatriz u otra ya que producir
distintos efectos confundidos. Para compararlas se utiliza el concepto de resolucin. Se define la
resolucin de una fraccin factorial como
Resolucin = 1 + orden de interaccin ms baja confundida con algn efecto principal
Por ejemplo, la media fraccin de un diseo 25 ( 25 1 ) que se obtiene con la ecuacin
generatriz I
ABCDE tiene resolucin 5 (los efectos principales se confunden con las

ABCD sera de
interacciones de cuarto orden); si fuera la media fraccin obtenida con I
resolucin 4. Obsrvese que la resolucin coincide con el nmero de letras que hay en la
ecuacin generatriz (si es una palabra, si hay ms, lo que no es posible en medias fracciones
pero s en cuartas, etc., ser el nmero de letras que hay en la palabra ms corta).
Obviamente, un diseo ser mejor cuanta mayor resolucin tenga, pues, confundir los
efectos principales con interacciones de mayor orden, y se supone que cuanto mayor sea el
orden menor importancia tiene la interaccin, e incluso se suele despreciar la interaccin a partir
de ciertos rdenes.
Construccin de diseos 2k
Supngase que se desean estudiar 5 factores con 8 experimentos. Esto supone que se desea
un diseo del tipo 25 2 . Hay dos procedimientos para determinar el diseo que se debe hacer:
uno es elegir de un 25 qu dos interacciones poner todas positivas o negativas y otro es hacer un
diseo 23 y estudiar cmo aadir las nuevas 2 variables. De ambos procedimientos es preferible
el segundo. La razn fundamental es que en el primero es difcil determinar la resolucin con la
que se hace la seleccin. Por ejemplo, si se seleccionan I
ABCDE junto con I

ABCD
al multiplicar por E en la segunda para ver los efectos confundidos se tendra
E EI
EABCD ABCDE I , con lo que la resolucin sera 1 y no sera posible
estimar el efecto de este factor.
122
07/10/2015
Para obtener el diseo haciendo un 23 completo lo que hay que saber es cmo aadir las
dos variables que faltan. Si se asigna una variable a la interaccin de tercer orden ( D
ABC )
AB ) la ecuacin de definicin de la fraccin
y otra a una de segundo orden (por ejemplo E
ABCD ABE , con lo que la resolucin ser 3. Obsrvese que de esta forma no es
ser I
posible que no se pueda estimar el efecto principal de un factor, y proporciona directamente la
ecuacin generatriz que indica la resolucin del diseo. Se llama ecuacin generatriz completa
a todas las posibles mutliplicaciones de las ecuaciones de seleccin de todas las formas posibles,
de modo que en diseo 26
definido por D
AB
AC
BC , la ecuacin
I
ABD ACE BCF
y
la
completa
I
ABD ACE BCF BDCE ACDF ABEF DEF . El inters en
conocer la ecuacin generatriz completa radica en que para saber la estructura de confusin
basta con multiplicar por la ecuacin completa el efecto que se desea saber con quin est
confundido. Por ejemplo, para saber con qu efectos se confunde A se multiplica por la
ecuacin
completa,
de
modo
que
se
obtiene
A BD CE ABCF ABDCE CDF BEF ADEF .
generatriz
sera
Anlisis de fracciones factoriales

Para analizar qu factores o estimaciones resultan significativas se suele utilizar el mtodo
de la MEDA de modo que llamando s
MEDA/ 0.675 se acepta como significativas
aquellas estimaciones que en valor absoluto sean mayores que 2s , o 3s si hay muchos datos.
Una vez decididas cules se consideran significativas hay que decidir de los efectos
confundidos en ellas cules son los que se consideran significativos. Para ello se suelen seguir
dos reglas: primera, que los efectos principales son mayores en magnitud que las interacciones y
dentro de stas las de rdenes ms bajos mayores que las de rdenes ms altos, y que es raro
encontrar interacciones altas activas que sean combinaciones de efectos inactivos. Supongamos
entonces el diseo 2 3
sA
BC
sB
con I
ABC . Los efectos confundidos en las estimaciones sern
AC
sC
AB
ABC . Supongamos que
slo se considera activa sA , entonces caben tres interpretaciones: a) slo A es activo, b) slo la
interaccin BC es activa, c) ambas son activas. De las tres opciones se opta por la primera
segn las reglas enunciadas anteriormente.
Los diseos factoriales tienen mltiples aplicaciones en la industria. En ella bsicamente
hay dos formas de experimentacin: fuera de la lnea (off-line) y en la lnea (on-line). La que se
hace fuera de la lnea suele llevarse a cabo por personal especializado, un gran nmero de
variables y tiempo limitado, por lo que se suelen utilizar diseos fraccionales. La que se hace en
07/10/2015
123
la lnea suele hacerse por personal no especializado, ha de ser sencilla pues no puede influir en
el tiempo de proceso, y suele ser sin limitacin de tiempo, por lo que suelen usarse diseos
simples ( 22 o 23 ) replicados varias veces, lo que se conoce como Operacin Evolutiva o EVOP
(por ejemplo para 2 factores se eligen 2 niveles para cada uno y se experimenta con un 22 , si
pasado un tiempo se decide que el primer factor es significativo se sita en el nivel que mejor
vaya y se selecciona otro nivel para l y se vuelve a repetir el experimento, as hasta que se de
cmo no mejorable la configuracin).
IV.7.9 Modelo de regresin

Estos modelos suponen que la variable respuesta es una funcin lineal de los factores de los
que depende el modelo, factores continuos de modo que no pueden ser fijados a todos sus
niveles y en muchos casos aleatorios, y de una perturbacin. El modelo sera de la forma
k
yi
j ij
v.a.i.i.d. N (0,
j 1
El modelo de regresin pretende medir el efecto de las variable ms importantes,

determinando cules son stas, y representa el efecto de las restantes (incluso desconocidas) en
la perturbacin.
Slo se va a hacer una breve exposicin de lo que es el modelo de regresin. Para una
descripcin detallada de las hiptesis del modelo, estimacin de parmetros y diagnosis del
modelo se debe consultar un libro de estadstica, como Pea (1998).
Las preguntas que se pueden hacer en un modelo son qu valores toman los coeficientes
que ah aparecen? es este modelo vlido?
Para responder a estas preguntas se estiman los parmetros y se hace un anlisis de la
varianza, con 2 factores en este caso, con el fin de determinar si los factores influyen en la
respuesta. Despus se analizan los residuos para ver si las hiptesis del modelo (normalidad de
residuos, homcedasticidad, etc.) son vlidas.
Sin embargo, en el modelo general de regresin existen adems otros procedimientos para
estimar los parmetros significativos del modelo, sobre todo para el caso en que las variables
explicativas no sean independientes. En este caso hay que tener en cuenta que el efecto de una
variable puede incluir el de otra con lo que hay que tener en cuenta que no se pueden estimar
por separado y no se pueden duplicar efectos.
Para determinar el modelo hay bsicamente dos procedimientos:
124
07/10/2015
a) estimar los parmetros del modelo conjuntamente y hacer un anlisis de la varianza para
determinar cules pueden considerarse significativos, prescindiendo entonces de los que
no lo sean y estimando de nuevo los parmetros de las otras sin estos factores. Con este
procedimiento la relacin que pueda haber de dos variables conjuntamente aparece
amortiguada en cada uno de los coeficientes de stas.
b) hacer una regresin por pasos, en la que en cada iteracin se va aadiendo una variable
al modelo (con la opcin incluso de quitar alguna variable que se hubiera aadido antes
si con la aadida y el resto pierde su significacin), hasta que se considera que ninguna
de las variables que no han sido incluidas en el modelo todava pueden aportar
informacin relevante (para determinar la relevancia de una variable no incluida se
analiza la relacin entre los residuos del modelo parcial con las variables restantes). Con
este procedimiento, el coeficiente con que son incluidas las nuevas variables al modelo
ser slo para explicar en los residuos lo que no hayan podido explicar las anteriores, de
modo que lo que sera por correlacin con otras variables quedara en el coeficiente de
las que ya estn incluidas en el modelo.
Respecto al tamao de la experimentacin en regresin con mltiples factores, slo
decir que no es recomendable incluir en una regresin un nmero de variables de modo que
el cociente entre el nmero de variables y el nmero de datos sea alto, ya que el coeficiente
de determinacin tiende a tomar un valor alto en esos casos y puede falsear la bondad del
modelo (con pocos datos y muchas variables es fcil ajustar la funcin para que se aproxime
a ellos).
07/10/2015
125
V Construccin de modelos de simulacin

vlidos y crebles
El objetivo principal de la metodologa de modelado es que un modelo debe ser una
representacin adecuada del sistema que se estudia. Sin embargo, una pregunta surge de forma
inmediata, cmo determinar cundo un modelo de simulacin es una representacin
suficientemente exacta del sistema, es decir, cundo el modelo es vlido?
No hay respuesta exacta a esta pregunta, slo se pueden dar algunas pautas que seguir
durante todo el proceso con el fin de hacerlo vlido y creble. Este captulo se dedica
precisamente a definir los conceptos asociados a validacin, verificacin y credibilidad, y dar
algunas normas y consejos tiles a ser seguidos en el desarrollo de un modelo.
V.1 Definiciones
El desarrollo de un modelo de simulacin pasa por distintas fases, pudiendo agruparse todas
ellas en tres:
Fase de anlisis y modelado: en la que se obtiene un modelo conceptual, entendiendo por

tal la representacin matemtica o lgica del problema, formulado para un estudio
particular.
Fase de programacin e implantacin: en la que se obtiene un modelo computacional, que

es la traduccin del modelo conceptual a un programa de ordenador e implantacin en un
ordenador.
Fase de experimentacin: en la que se hacen inferencias sobre el problema mediante

experimentos computacionales.
Cada una de estas fases tiene asociado un concepto que representa el proceso de aceptacin
de la correccin de esa fase tanto por la persona que desarrolla el modelo como por el usuario o
cliente del mismo. Estos conceptos son la verificacin, la validacin y la credibilidad.
La verificacin consiste en determinar que el programa de ordenador se comporta como es
debido, es decir, que se ha realizado una traduccin correcta del modelo conceptual a un
programa de ordenador que funciona correctamente.
07/10/2015
127
V CONSTRUCCIN DE MODELOS DE SIMULACIN VLIDOS Y CREBLES
La validacin consiste en determinar si el modelo conceptual es una representacin

adecuada del sistema, es decir, si nuestro conocimiento del sistema se ha traducido en hiptesis
que reproducen correctamente su comportamiento referente a los objetivos del estudio.
La credibilidad es hacer que los resultados sean aceptados por el decisor para ser utilizados
en el proceso de toma de decisiones, es decir, han de ser crebles.
La siguiente grfica muestra las fases y los conceptos que intervienen en cada una de ellas.
VALIDACIN
VERIFICACIN
VALIDACIN
ESTABLECER
CREDIBILIDAD
ESTABLECER
CREDIBILIDAD
SISTEMA
MODELO
CONCEPTUAL
ANLISIS
Y DATOS
PROGRAMA
SIMULACIN
RESULTADOS
CORRECTOS
DECISIONES:
IMPLANTACIN
PRUEBAS Y
PROGRAMACIN EXPERIMENTOS ACEPTACIN
POR EL
DECISOR
Figura 13. Fases y conceptos de aceptacin asociados en el desarrollo de un modelo de

simulacin
Para poder validar, verificar y establecer la credibilidad hay una serie de pautas que se
deben seguir en cada una de ellas, con el fin de facilitar esta labor.
As pues, para la validacin algunas pautas y consejos son los siguientes:
En primer lugar, determinar si de todos los aspectos del sistema hemos incorporado los que
son de real inters para nuestro estudio, sin dejarnos ninguno que pueda influir en el
comportamiento; hay que tener en cuenta que se desea experimentar con el modelo como
con un sustituto del sistema real.
Los modelos se desarrollan con un objetivo, y es importante, por lo tanto, que haya una
claridad de esos objetivos desde el principio, y que al definirlos se implique al responsable
de la toma de decisiones, de ese modo se lograr tambin la credibilidad deseada.
128
07/10/2015
Por otra parte, ha de establecerse un equilibrio entre realismo (con la complejidad que
implica) y objetivos, no incluyendo detalles innecesarios; no se debe perder nunca de vista
que el modelo es siempre una aproximacin.
Por ltimo, es recomendable utilizar en el desarrollo procedimientos jerrquicos,

empezando con modelos sencillos para luego ir complicndolos.
En cuanto a la verificacin, es un proceso ms estndar y conocido que forma parte del

mundo de la programacin, pero algunas de las pautas habituales son las siguientes:
Organizar el programa en submdulos, verificables por separado.
Para asegurarse que est libre de errores de programacin probarlo con casos sencillos, cuyo
resultado sea conocido.
Tener una traza de la ejecucin para ver si sigue la lgica de los procesos; es habitual
comparar en algn ejemplo sencillo la traza de la ejecucin con una traza desarrollada a
mano.
Utilizar la animacin grfica para hacer la verificacin mediante la visualizacin, y para dar
credibilidad al simulador.
V.2 Metodologa de validacin y credibilidad

Aunque en la seccin anterior se han dado algunas pautas generales acerca de la validacin,
pero stas se pueden concretar ms dando un procedimiento de validacin que a su vez logre
establecer la credibilidad buscada en el modelo. La metodologa sera la siguiente:
1. Desarrollar desde el principio un modelo vlido, es decir, con el objetivo de ser bueno, que
sea creble, es decir, razonable. Para ello se debe
involucrar a los usuarios
verificar la recogida de datos
si es posible, intentar basar aspectos del modelo en teoras bien establecidas

2. Verificar empricamente las hiptesis en que se basa el modelo.
Verificar adecuadamente la bondad de ajuste de las distribuciones seleccionadas.
Realizar un anlisis de sensibilidad, que permita identificar cun sensible son los
resultados de la simulacin a algn aspecto del modelo, teniendo pues especial cuidado
con los ms relevantes; este anlisis conlleva realizar un adecuado diseo de
07/10/2015
129
V CONSTRUCCIN DE MODELOS DE SIMULACIN VLIDOS Y CREBLES
experimentos. Por ejemplo, cuando hay dudas acerca de la distribucin seleccionada, se

deben realizar experimentos variando la distribucin y comparar los resultados para
determinar si el modelo realmente es sensible a una u otra distribucin de la variable.
En el caso en que s lo sea, se deber extremar el cuidado en la seleccin de la
distribucin, obteniendo si es posible nuevas observaciones que ayuden a tomar la
decisin final.
3. Determinar cun representativos son los resultados de la simulacin: esto implica hacer una
comparacin entre resultados reales y resultados de simulacin, segn se explica a
continuacin.
V.2.1 Comparacin entre datos reales y simulados

La comparacin entre los valores reales y los valores obtenidos mediante simulacin no es
una tarea trivial, sino que debe hacerse con sumo cuidado para no llegar a conclusiones
errneas.
Existen fundamentalmente tres aproximaciones para hacer esta comparacin:
1. Comparacin por inspeccin:
Sea R1,..., Rk
el conjunto de datos reales, y
,...,
el conjunto de datos simulados.
Una primera idea sera aplicar los tests de homogeneidad estadsticos, que intentar
establecer si dos muestras pueden provenir de la misma poblacin. Sin embargo, esta
aproximacin no suele ser buena ya que no suele haber independencia entre los datos, que es
una de las hiptesis de estos tests, la independencia entre ambas muestras.
Otra posibilidad fcil de llevar a cabo es hacer comparaciones directas de medias, varianzas,
etc. Sin embargo, es muy peligroso usar este sistema ya que es muy vulnerable a la
aleatoriedad.
2. Inspeccin correlacionada:
Consiste en establecer las comparaciones alimentando el modelo con los datos histricos. El
esquema sera el siguiente
Datos histricos de
entrada al sistema
SISTEMA
REAL
MODELO DE
SIMULACIN
Resultados sistema
COMPARAR
Resultados modelo
Figura 15. Inspeccin correlacionada de datos reales y datos simulados
130
07/10/2015
3. Anlisis de intervalos de confianza basados en datos independientes:

Sean R1,..., Rm } m conjuntos independientes del sistema, y M 1,..., M n } n conjuntos
independientes del modelo. Considrese la esperanza de cada uno de los m
R
E [Rj ] y
n conjuntos,
E [M j ] .
El objetivo de este anlisis es obtener un intervalo de confianza para la diferencia de ambas

medias,
El intervalo de confianza a nivel 1
ser
t f,
/2
SR2
m
SM2
n
donde el nmero de grados de libertad de la t de Student viene dado por la expresin
f (x )
x
8
1
2
5
4
0
[0,2]
(2, 8
x
x (8,10
8
resto
4. Anlisis de series cronolgicas:

Este anlisis se basa en un anlisis espectral que excede los objetivos de este captulo
07/10/2015
131
VI Aplicaciones de la simulacin en finanzas
10
VI.1 Nociones bsicas sobre derivados financieros

En las actividades financieras hay mltiples mecanismos de inversin, la mayora de ellos
denominados derivados financieros puesto que su valor depende o se deriva del valor de otro
activo financiero ms bsico denominado activo subyacente. El subyacente utilizado puede ser
muy diferente: acciones, ndices burstiles, valores de renta fija, tipos de inters o tambin
materias primas (oro, petrleo, productos agrcolas).
Las caractersticas generales de los derivados financieros son:
Su valor cambia en respuesta a los cambios de precio del activo subyacente.
Requiere una inversin inicial neta muy pequea o nula, respecto a otro tipo de contratos
que tienen una respuesta similar ante cambios en las condiciones del mercado.
Se liquidar en una fecha futura.
Pueden cotizarse en mercados organizados (como las bolsas) o no organizados ("OTC")
Los principales derivados son las siguientes:

Contrato de futuros (forward): contrato o acuerdo que obliga a las partes contratantes a
comprar o vender un nmero determinado de bienes o valores (activo subyacente) en una
fecha futura y determinada y con un precio establecido de antemano.
Opciones: contrato que da a su comprador el derecho, pero no la obligacin, a comprar o
vender una cantidad determinada del activo subyacente a un precio predeterminado
(strike o precio de ejercicio), en o hasta una fecha concreta (vencimiento o fecha de
ejercicio).
Intercambios (swaps): contrato por el cual dos partes se comprometen a intercambiar una
serie de cantidades de dinero en fechas futuras. Normalmente los intercambios de dinero
futuros estn referenciados a tipos de inters, llamndose IRS (Interest Rate Swap)
10
Basado en Camao (2006)
07/10/2015
133
VI APLICACIONES DE LA SIMULACIN EN FINANZAS
aunque de forma mas genrica se puede considerar un swap cualquier intercambio futuro
de bienes o servicios (entre ellos el dinero) referenciado a cualquier variable observable.
VI.1.1 Contratos de futuros

Un contrato de futuros es un contrato o acuerdo que obliga a las partes contratantes a
comprar o vender un nmero determinado de bienes o valores (activo subyacente) en una fecha
futura y determinada y con un precio establecido de antemano.
Existen dos motivos por los cuales alguien puede estar interesado en contratar un futuro:
Operaciones de cobertura: La persona tiene o va a tener el bien subyacente en el futuro
(petrleo, gas, naranjas, trigo, etc.) y lo vender en un futuro. Con la operacin quiere
asegurar un precio fijo hoy para la operacin de maana.
Operaciones especulativas: La persona que contrata el futuro slo busca especular con la
evolucin de su precio desde la fecha de la contratacin hasta el vencimiento.
Dentro del argot financiero, es importante entender lo que se llaman posiciones largas y
cortas.
Estar largo. Quien compra contratos de futuros, adopta una posicin larga, por lo que
tiene el derecho a recibir en la fecha de vencimiento del contrato el activo subyacente
objeto de la negociacin. Bsicamente significa comprar hoy para vender maana o
invertir hoy para maana recuperar el nominal ms las plusvalas.
Estar corto. Quien vende contratos adopta una posicin corta ante el mercado, por lo
que al llegar la fecha de vencimiento del contrato deber entregar el correspondiente
activo subyacente, recibiendo a cambio la cantidad de dinero acordada en la fecha de
negociacin del contrato de futuros. Bsicamente significa financiarse hoy con la venta
del activo que an no tenemos, tomando la obligacin de devolver el activo maana.
Con independencia de que un contrato de futuros se puede comprar con la intencin de
mantener el compromiso hasta la fecha de su vencimiento, tambin puede ser utilizado como
instrumento de cobertura en operaciones de tipo especulativo, ya que no es necesario mantener
la posicin abierta hasta la fecha de vencimiento; en cualquier momento se puede cerrar la
posicin con una operacin de signo contrario a la inicialmente efectuada: cuando se tiene una
posicin compradora, puede cerrarse la misma sin esperar a la fecha de vencimiento
simplemente vendiendo el nmero de contratos compradores que se posean; de forma inversa,
alguien con una posicin vendedora puede cerrarla anticipadamente acudiendo al mercado y
comprando el nmero de contratos de futuros precisos para compensar su posicin.
134
07/10/2015
VI.1.2 Opciones
Una opcin es un contrato que da a su comprador el derecho, pero no la obligacin, a
comprar o vender una cantidad determinada del activo subyacente a un precio predeterminado
(strike o precio de ejercicio), en o hasta una fecha concreta (vencimiento).
Una opcin se compra (o vende) a un precio o prima, que es el valor inicial de la opcin. El
precio del subyacente es observable en el tiempo y va variando siguiendo un proceso
estocstico. Segn vara el precio del subyacente va variando el valor de la opcin.
Las opciones se pueden clasificar de varias formas. De forma muy genrica se pueden
dividir en dos grupos: las "vainilla" que consisten en los contratos bsicos de opciones "call" o
"put" y las "exticas" que incorporan variantes que hacen ms complejo su tratamiento y su
valoracin.
VI.1.2.1 Opciones vainilla (vanilla options)

Se trata de las opciones "bsicas" que, dependiendo del tipo de derecho que nos den, son
opciones call (de compra) y opciones put (de venta). En funcin de su forma de ser ejercidas
podemos diferenciar:
Opcin europea: tan slo se pueden ser ejercidas en una fecha determinada (fecha de
ejercicio).
Opcin americana: pueden ser ejercidas a lo largo de su vida hasta la fecha de ejercicio.
OPCIN CALL
Una opcin call da a su comprador el derecho -pero no la obligacin- a comprar un activo
subyacente a un precio predeterminado en una fecha concreta. El vendedor de la opcin call
tiene la obligacin de vender el activo en el caso de que el comprador ejerza el derecho a
comprar.
Se llama pay-off a la ganancia al vencimiento de la opcin (sin incluir el coste de la prima).
Por ejemplo, si K es el precio de ejercicio y S el valor del activo subyacente en el momento
del ejercicio, el pay-off de una opcin call ser max( S K , 0) ( S K )
La compra de una opcin call es interesante cuando se tienen expectativas alcistas sobre la
evolucin futura del mercado de valores.
Posibles situaciones favorables para la compra de opciones call:
07/10/2015
135
Cuando se prev que una accin va a tener una tendencia alcista, ya que es ms barato y
rentable que la compra de acciones.
Cuando una accin ha tenido una tendencia alcista fuerte, el inversor no ha comprado y
puede pensar que est cara, pero que puede seguir subiendo, la compra de una call
permite aprovechar las subidas si la accin sigue subiendo y limitar las prdidas si la
accin cae.
Cuando se quiere comprar acciones en un futuro prximo porque se cree que van a subir
pero hoy NO se dispone de los fondos necesarios, la opcin call permite aprovechar las
subidas sin tener que comprar las acciones.
La compra de una opcin call implica:

a) Se puede comprar la accin a un precio fijo. Este precio (precio de ejercicio) lo fija el
comprador.
b) Todo lo que la accin suba en la Bolsa por encima de dicho precio de ejercicio menos el
precio pagado por la prima son ganancias.
c) Si el precio de la accin cae por debajo del precio de ejercicio, las prdidas son limitadas
y conocidas: son exactamente igual al precio pagado por la opcin, es decir, la prima, ya que no
se ejercera la opcin.
d) El coste de la opcin es mucho menor que el de la compra de la accin.
e) El apalancamiento (relacin coste de la inversin/rendimiento) es muy alto. Con
pequeas inversiones pueden obtenerse altas rentabilidades.
En la venta de una opcin call, el vendedor recibe la prima (el precio de la opcin). A
cambio, est obligado a vender la accin al precio fijado (precio de ejercicio), en el caso de que
el comprador de la opcin call ejerza su opcin de compra.
Posibles situaciones favorables para la venta de opciones call:
-
-Para asegurar ingresos adicionales una vez decidida la venta de las acciones.
-Es el caso de que no importe vender las acciones a un precio considerado

suficientemente alto y recibir, adems, un ingreso extra previo. Este es el caso en que se
vende una call fijando un precio de ejercicio en el nivel que se desee por encima del
precio actual de la accin en Bolsa. Si la accin llega a alcanzar ese precio, habr que
vender la accin, pero a un precio alto y, adems, se habr ingresado el valor de la
opcin.
136
07/10/2015
La venta de una opcin call supone:

-
Genera un flujo monetario inmediato derivado del ingreso procedente de la venta de la

opcin.
Retrasa el momento en que se entra en prdidas por bajadas en el precio de la accin.
Proporciona una atractiva rentabilidad si la accin se mantiene estable.
OPCIN PUT
Una opcin put da a su comprador el derecho -pero no la obligacin- a vender un activo a
un precio predeterminado hasta una fecha concreta. El vendedor de la opcin put tiene la
obligacin de comprar el activo en el caso de que el comprador de la opcin decida ejercer el
derecho a vender el activo.
El pay-off o ganancia al vencimiento de la opcin (sin incluir el coste de la prima), si K es
el precio de ejercicio y S el valor del activo subyacente en el momento del ejercicio, ser
max( K S , 0) ( S K )
La compra de opciones put se utiliza como cobertura, cuando se preven cadas de precios
en acciones que se poseen, ya que mediante la compra de Put se fija el precio a partir del cual se
gana dinero. Si la accin cae por debajo de ese precio, el inversor gana dinero. Las prdidas
quedan limitadas a la prima. Las ganancias aumentan a medida que el precio de la accin baje
en el mercado.
Por tanto, es interesante comprar una opcin put:
-
Cuando se tiene acciones y se cree que hay grandes probabilidades de que su precio
caiga a corto plazo, pero se piensa que el valor tiene una tendencia alcista a largo plazo,
por lo que no se quiere vender dichas acciones. Con la opcin put se obtienen beneficios
si caen los precios y no se tiene que vender las acciones. De este modo se aprovechara
la futura subida de los precios de la accin. Es una forma de proteger beneficios no
realizados cuando se tienen acciones compradas. A esta operacin se le conoce como
"Put protectora", porque protege la inversin de cadas.
Cuando se est convencido de que la accin va a caer y se quiere aprovechar esa cada
para obtener beneficios. Si no se tienen acciones compradas previamente tambin
interesa comprar una opcin put, pues con ello se obtienen beneficios con las cadas de
la accin.
07/10/2015
137
El vendedor de una opcin put est vendiendo un derecho por el que cobra la prima. Puesto
que vende el derecho, contrae la obligacin de comprar la accin en el caso de que el comprador
de la put ejerza su derecho a vender.
Posibles situaciones favorables para la venta de opciones put:
-
Para comprar acciones con descuento. Cuando interese comprar acciones a un precio
fijo por debajo del nivel actual de precios y adems con un descuento. El descuento es
la prima ingresada por la venta de la opcin.
Cuando se piensa que el precio de la accin va a entrar en un perodo de estabilidad, se

est convencido de que no va a caer y que es posible que tenga ligeras subidas. En esta
situacin se puede fijar un precio a partir del cual se est dispuesto a comprar;
entretanto, se ingresa la prima. El precio lmite de compra es el precio de ejercicio al
que se vender la opcin put.
VI.1.2.2 Opciones exticas (exotic options)

Son opciones que son ms complejas que las opciones comnmente negociadas (plain
vanilla). Estos productos son negociados normalmente over-the-counter (OTC). Incorporan
distintas variantes ("exoticidades") que pueden llegar a complicar el clculo de la valoracin de
la opcin en gran medida.
Exoticidad en el clculo del pago (pay off):

- Opcin asitica (Asian option): depende de la media del valor del subyacente en un
periodo determinado.
- Lookback option: se calcula en funcin del mximo (o mnimo) alcanzado por el
subyacente en un periodo. Variantes: opcin rusa (Russian option) es una opcin
lookback que est operativa en perpetuidad.
- Opcin binaria o digital (digital / binary option): el pago puede ser una cantidad
determinada (o un activo) o, por el contrario, no haber pago en absoluto.
- Opcin oscilante (swing option): el comprador puede oscilar el precio del
subyacente. Principalmente empleada en energa.
- Opcin parisina (Parisian option): depende del tiempo que el activo est por encima
(o por debajo) del strike.
138
07/10/2015
Exoticidad en la fecha/forma de ejercicio:

- Opcin bermuda (Bermudan option): permite ser ejercida en varios momentos del
tiempo (espaciados de forma discreta); por ejemplo, trimestralmente. Variantes: opcin
canaria (Canary option) es una opcin a caballo entre una opcin europea clsica y
una bermuda; permite ser ejercida en varios momentos pero nunca antes de un periodo
fijo, por ejemplo, de un ao.
- Opcin con barrera (barrier option): la opcin deja de existir knock out- (o comienza a
existir knock in-) cuando el subyacente alcanza (o se cruza) un determinado valor
(barrier level). Se pueden dar distintas combinaciones de condiciones:
Up-and-out: el subyacente comienza a fluctuar bajo el barrier level y si lo alcanza,
la opcin deja de existir (knock out).
Down-and-out: el subyacente comienza a fluctuar sobre el barrier level y si lo
cruza, la opcin deja de existir (knock out).
Up-and-in: el subyacente comienza a fluctuar bajo el barrier level y si lo alcanza, la
opcin se activa (knock in).
Down-and-in: el subyacente comienza a fluctuar sobre el barrier level y si lo cruza,
la opcin se activa (knock in).
- Opcin de estilo cap (capped-style option): la opcin se ejecuta automticamente
cuando el subyacente alcanza un determinado precio y se marca un nuevo mark to
market. No tiene nada que ver, a pesar de su nombre, con un interest rate cap.
- Opcin compuesta (compound option): consiste en una opcin sobre otra opcin,
suponiendo, de este modo, dos fechas de ejercicio y modalidades distintas.
- Opcin grito (shout option): Consite en dos fechas de ejercicio distintas. El comprador
puede sealar o gritar- una fecha en la que el precio del subyacente le parezca
interesante. En el momento final de madurez de la opcin, el comprador puede decidir si
le conviene el pago (pay off) a precio de la fecha final o a precio de la fecha del grito.
Exoticidad en funcin del subyacente:

- Opcin cesta (basket option): se basa en una media ponderada de distintos
subyacentes. Variantes: opcin arco iris (rainbow option) se basa en una cesta en la
que la ponderacin de los componentes dependen de su comportamiento final. Por
07/10/2015
139
ejemplo, un caso especial de este tipo de opcin que es bastante comn es una opcin
basada en el subyacente que peor comportamiento haya tenido dentro de una cesta. Otras
variantes: Himalayan option, mountain range option
- Opcin de intercambio (exchange option): se intercambia un activo por otro.
Exoticidad en funcin de la divisa:

- Opcin cruzada (cross / composite option): el subyacente se negocia en una divisa y el
strike est denominado en otra. Variante: opcin quanto (quanto option) es una opcin
en el que el tipo de cambio queda fijado desde el comienzo; por ejemplo, 1.
Otras exoticidades:
- Game / Israeli option: el comprador puede cancelar la opcin, afectando esto al pay off o
teniendo que pagar algn tipo de "multa".
- Reoption: es la posibilidad de renovar una opcin que expir sin haber sido ejercida.
- Chooser option: da la opcin de decidir si la opcin ser put o call.
- Forward starting option: el strike se decide en el futuro, no en el comienzo del contrato.
Variantes: cliquet option es una secuencia de forward starting options.
VI.2 Valoracin de opciones y futuros

VI.2.1 Conceptos bsicos en valoracin de derivados
Una opcin se compra (o vende) a un precio o prima, que es el valor inicial de la opcin. El
precio del subyacente es observable en el tiempo y va variando siguiendo un proceso
estocstico. Segn vara el precio del subyacente va variando el valor de la opcin.
El cobro a que da lugar una opcin en el momento del ejercicio por parte del comprador se
denomina pay-off. Obviamente, el da del vencimiento de la opcin el pay-off es igual al
valor de la opcin. En una opcin europea se ejercer el derecho de la opcin si el pay-off o
valor en la fecha de vencimiento es positivo.
En una opcin americana o bermudas el ejercicio de la opcin puede llevarse a cabo antes
de la fecha de vencimiento. En tal caso, en cada momento que se puede ejercitar hay un pay-off
que viene determinado por el valor del subyacente. Aunque puede darse el caso de que incluso
con un pay-off positivo no se ejerza la opcin con el fin de ejercerla ms adelante. La curva de
140
07/10/2015
precios del subyacente a lo largo del tiempo determina los valores para los que es ptimo ejercer
la accin es lo que se llama frontera de ejercicio ptimo. Este precio marca la frontera entre la
conveniencia o no del ejercicio en ese momento. En la valoracin de opciones americanas y
bermudas no se busca slo su valor sino tambin la frontera de ejercicio ptimo. Los problemas
para este tipo de opciones se conocen como problemas de frontera libre y son mucho ms
complejos que para las opciones europeas.
Como tratamos con cantidades en distinto momento del tiempo, hay que tener en cuenta que
stas han de ser actualizadas con la tasa de inters libre de riesgo, que llamaremos r . En
general, este inters r vendr dado como inters anual. Es decir, una cantidad K al
vencimiento de una opcin, en t aos antes de esa fecha tiene un valor de
K
.
(1 r )t
Sin embargo, en muchas ocasiones se necesita el inters en un tiempo continuo, es decir,

con una expresin vlida para cualquier incremento de tiempo t no necesariamente en aos.
Para ello se utiliza lo que se llama el inters en continuo, cuya relacin con el inters anual es
e rct (1 r )t , o lo que es lo mismo haciendo t 1 , rc ln(1 r ) . En general, en todo lo que se

refiere a diferenciales y variaciones instantneas utilizaremos la notacin r pero refirindonos
al inters en continuo.
Igualmente, para el caso en que se quiera obtener el inters o rendimiento en un intervalo
t , por ejemplo, para un mes sera t 1/12 entendiendo el ao como unidad de tiempo, el
rendimiento en ese periodo visto como inters tiene que cumplir 1 rt erc t (1 r )t .
Gran parte de la teora financiera actual descansa en la Hiptesis del Mercado Eficiente
(Efficient Market hypothesis EMH) que viene a decir:
En un mercado con inversores que actan racionalmente, los precios de las acciones
reflejan en todo momento la informacin disponible y se dice que el mercado es eficiente. En un
mercado eficiente ningn tipo de anlisis puede conducir a estrategias que batan
consistentemente a un ndice apropiado (benchmark)
Los participantes compran bajo la creencia de que lo que adquieren vale ms de lo que estn
pagando por ello y venden convencidos de que reciben ms de lo vale, pero si los mercados son
eficientes y los precios reflejan toda la informacin disponible, compradores y vendedores
intentando beneficiarse convierten al mercado en un juego de suerte y no de habilidad.
Si un mercado es eficiente, la trayectoria seguida a lo largo del tiempo por los precios de los
valores debe seguir un proceso estocstico en el que la memoria del pasado no exista. Este tipo
de procesos se conocen como procesos markovianos.
07/10/2015
141
De la EMH no se deduce que las variaciones absolutas de los precios o los rendimientos
relativos en un perodo tengan que seguir una distribucin normal, sin embargo, el modelo ms
extendido sobre los precios burstiles, aunque muy discutido, es que los precios burstiles
siguen un tipo de proceso de difusin conocido como movimiento geomtrico browniano
(GBM) cuya ecuacin diferencial estocstica viene dada por:
dS Sdt SdW o en trminos de variacin relativa
dS
dt dW siendo la
S
tendencia o drift, la volatilidad y W un proceso de Wiener (proceso markoviano cuyos

incrementos tienen distribucin normal de media 0 y varianza el tamao del incremento de
tiempo). Esta expresin viene a decir que la variacin relativa del activo sigue una distribucin
N ( dt , dt ) , y las variaciones absolutas de ste N (S dt , S dt )

Sin embargo, estas variacione son en periodos estancos, si se desea saber el rendimiento
acumulado R(t ) en un intervalo [0, t ] , se tiene
S (t )
S (t ) S (0)e R (t ) o equivalentemente R(t ) ln
ln S (t ) ln( S (0)) .
S (0)
Aplicando resultados de clculo estocstico que exceden el contenido de este captulo (en
concreto el Lema de Ito del Clculo Estocstico aplicable slo si se trabaja con un proceso de
Wiener), se llega a la ecuacin diferencial estocstica que expresa las variaciones del
1
2
rendimiento compuesto dR 2 dt dW .
Integrando el rendimiento acumulado se tiene
t
t
1
1
R(t ) 2 dt dW 2 t (W (t ) W (0)) ,
0
0
2
2
por lo que retomando el valor del activo se tiene

1 2
t (W ( t ) W (0))
2
S (t ) S (0)e
142
07/10/2015
Dadas las propiedades de los incrementos en un proceso de Wiener, el valor del activo sigue
una distribucin log-normal11. Por otra parte, dado que W (0) 0 c.s., la expresin se reduce a
1 2
t W ( t )
2
S (t ) S (0)e
Otra hiptesis asumida en la valoracin de opciones es la ausencia de arbitraje. Un arbitraje

es una estrategia de operaciones financieras, sin riesgo de crdito ni riesgo de mercado, con una
probabilidad nula de dar una rentabilidad inferior a la tasa libre de riesgo y una probabilidad
positiva de dar una rentabilidad superior a la tasa libre de riesgo correspondiente. Un mercado
donde hay posibilidad de arbitraje se dice que no est en equilibrio, ya que si se da esa
posibilidad, los arbitrajistas intervendran modificando precios hasta restablecer el equilibrio.
Por lo tanto, para la valoracin de opciones se va a suponer la ausencia de arbitraje.
A la hora de valorar un contrato se busca una funcin de valor V (S , t, T , K , , , r ) , pero
dado que todos son parmetros del contrato excepto el precio del subyacente y el tiempo, se
considera una funcin V (S , t ) como la funcin de valor de una opcin. El siguiente grfico
(Camao (2006)) muestra una funcin de valor de una opcin call a dos aos con strike 14.
Como puede observarse, al vencimiento el valor de la opcin es el pay-off.
Para opciones europeas sobre subyacentes que no dan dividendos existe solucin analtica,
conocida como ecuacin de Black&Scholes para la funcin de valor. Esta expresin es:
11
Obsrvese que la esperanza de una lognormal es la esponencial de la media de la normal asociada
ms la mitad de la varianza de esa normal, por lo que se tiene el siguiente resultado, por otra parte,
evidente
1 1
E[ S (t )] S (0) exp 2 t 2
2 2
t S (0)e
2
07/10/2015
143
e rt
V (S , t )
e
2 t 0
S 1 2
ln r t
X 2
2 2t
1
Payoff ( X )dX
X
As, en una opcin call europea Payoff ( X ) max( X K ,0) ( X K ) I ( K ,) ( X ) , y

sustituyendo y operando en la expresin anterior se llega a Vcall (S , t ) S (d1 ) Ke rt (d 2 ) ,
1
S
ln r 2 t
K
2
siendo la funcin de distribucin de una N(0,1), d1
t
1
S
ln r 2 t
K
2
d2
d1 t
t
Para una opcin put se puede repetir el proceso o utilizar la relacin de paridad existente
entre ambos tipos de opciones.
En la valoracin de opciones europeas, se da la denominada relacin de paridad. Si se
tienen dos opciones con el mismo strike K , mismo vencimiento, pero una es call comprado y
otra put vendido ambas sobre el mismo subyacente, obsrvese que si S es el precio del
suyacente, el pay-off de la cartera es C P max(S K ,0) max( K S ,0) S K . As en
cualquier momento anterior, y en particular al inicio, se tiene que cumplir la relacin de paridad
CPS
K
S e rct K . Esta relacin no tiene por qu darse en opciones americanas
t
(1 r )
o bermudas.
rt
Por lo tanto, aplicando que Vcall ( S , t ) V put ( S , t ) S Ke , y operando se llega a
V put ( S , t ) S (d1 ) Ke rt (d 2 )
Sin embargo, el objetivo en este captulo no es derivar o utilizar esta expresin analtica,
sino estimar el valor de una opcin mediante la simulacin del activo subyacente y la
estimacin del pay-off obtenido.
Para ello todava tenemos que dar algn concepto ms del mercado como es el teorema
fundamental de las finanzas y la medida de probabilidad de riesgo neutro. La idea bsica es que
el valor de una opcin puede computarse como el valor presente a la tasa libre de riesgo del
valor esperado del pay-off computado con un drift igual a la tasa libre de riesgo. Es decir,
Vopcin e rt Eriesgo neutro ( Payoff ( S ))
144
07/10/2015
No se trata de que las acciones sigan trayectorias GBM con drift igual a la tasa libre de
riesgo, no es as. Lo que sucede es que la valoracin puede realizarse suponiendo riesgo neutro
y el resultado de la valoracin es correcto.
Calcular el valor esperado del pay-off con estas trayectorias es calcular el valor esperado
de un funcional de las trayectorias (pay-off) utilizando una medida de probabilidad nueva que
denominamos medida de probabilidad de riesgo neutro. Una medida de probabilidad Q se dice
que es de riesgo neutro si el precio libre de arbitraje de un derivado es el valor presente del valor
esperado bajo Q del pay-off futuro del derivado.
En esta medida de probabilidad todas las acciones siguen GBM con drift igual a la tasa
libre de riesgo (los valores presentes a la tasa de inters libre de riesgo del valor de una accin
siguen en esta medida de probabilidad de riesgo neutro un proceso con drift nulo, es decir,
una martingala).
Todos los activos bajo Q tienen la misma tasa esperada de retorno igual a la tasa libre de
riesgo con independencia del nivel de riesgo asociado al mismo. Por este motivo se denomina a
la medida Q medida de probabilidad de riesgo neutro.
El teorema fundamental de la valoracin de activos se enuncia: Dado un mercado
financiero se tiene que:
1. No existen arbitrajes si y solo si existe una medida de probabilidad de riesgo neutro
equivalente a la medida de probabilidad real, es decir tal que los sucesos de probabilidad nula de
una y otra medida son los mismos.
2. La medida de probabilidad de riesgo neutro es nica si y solo si existen carteras de
rplica de todos los productos derivados que permiten su cobertura, es decir si y solo si el
mercado es completo.
De estos resultados se deduce que una valoracin se puede obtener como
Vopcin e rt Eriesgo neutro ( Payoff ( S )) donde S se rige por las ecuaciones diferenciales
dS rSdt SdW o en trminos relativos
dS
rdt dW . Y asumiendo que W fuera un
S
1 2
r t (W ( t ) W (0))
2
proceso de Wiener S (t ) S (0)e
Por ltimo, dentro de estas nociones bsicas, si el activo produce unos dividendos (o un
inters si fuera una divisa) del tipo d como proporcin del valor del activo, la posesin de ste
puede verse como un inters adicional o lo que es lo mismo se puede ver como tener un drift
de r d . Si se tratara de una mercanca que por el contrario tuviera un coste c su posesin
(coste de mantenimiento, etc.) el drift que habra de considerarse sera r c . Estas
07/10/2015
145
consideraciones son vlidas para la estimacin del payoff, obviamente no para la actualizacin
del precio, es decir, han de utilizarse para las trayectorias, no para la actualizacin del valor de
la opcin.
El modelo de Black-Scholes supone la resolucin de la esperanza planteada anteriormente
bajo las hiptesis de que el mercado es eficiente y que el subyacente evoluciona segn el
proceso de Wiener, para una opcin europea vainilla el valor de la opcin se puede obtener
como
Vcall (S , t ) Se dt (d1 ) Ke rt (d2 ) , siendo
1
S
ln r d 2 t
K
2
d1
t
d 2 d1 t , donde hace referencia a la funcin de distribucin de una normal estndar.
VI.2.2 Estimacin del valor de opciones sin posibilidad de

ejercicio anticipado mediante simulacin
Se asume que el mercado financiero considerado admite una medida de probabilidad de
riesgo neutro equivalente a la medida de probabilidad real, es decir, que ambas tienen el mismo
conjunto de sucesos de probabilidad nula. En estas circunstancias, el teorema fundamental de la
valoracin de activos garantiza que el valor, en ausencia de arbitrajes, de cualquier contrato
contingente viene dado por el valor presente a las tasa de inters libres de riesgo del valor
esperado del pay-off en la medida de probabilidad de riesgo neutro. Es decir, que
Vopcin e rt Eriesgo neutro ( Payoff ( S )) siendo la ecuacin diferencial estocstica de la variacin

de S de la forma
dS
rdt dW .
S
No se trata de que el subyacente siga en la realidad este proceso sino de que se puede seguir
el siguiente algoritmo para estimar mediante simulacin el valor de una opcin:
1. Simular la variable aleatoria pay-off a partir de sucesivas simulaciones del valor del
subyacente al vencimiento (asumiendo un drift igual a la tasa libre de riesgo) o de la trayectoria
discretizada del mismo segn sea requerido para el clculo del pay-off.
2. Estimar el valor esperado del pay-off mediante la media de la muestral de pay-off
correspondientes a las simulaciones.
3. Computar el valor presente a la tasa libre de riesgo de dicho valor esperado. Obsrvese que
esta actualizacin se puede hacer como V opcin e
rc t
Payoff ( S ) o como
V opcin (1 r )t Payoff ( S )
146
07/10/2015
Este clculo arroja una estimacin del valor del contrato tanto mejor cuanto mejor sea la
estimacin del valor esperado del pay-off. No importa lo complicado que sea el funcional que
se utilice para el clculo del pay-off, puede ser el simple de una opcin call europea o el
promedio aritmtico de los valores de la trayectoria que es el pay off de una opcin asitica,
la valoracin es siempre el valor presente a la tasa libre de riesgo del valor esperado con
probabilidad riesgo neutro de dicho funcional.
En casos de contratos de tipo europeo en los que el pay-off dependa slo del valor final
no es necesario simular toda la trayectoria seguida por el subyacente durante la vida del
contrato, sera suficiente simular el valor del subyacente en el dia del vencimiento, si se conoce
su distribucin. Por ejemplo, si se trata de un subyacente que sigue un GBM en la medida de
probabilidad de riesgo neutro gobernado por la ecuacin diferencial estocstica
dS
rc dt dW donde r es la tasa de inters libre de riesgo en continuo se sabe que su
S
solucin viene dada por: S (t ) S (0)e
1 2
rc t (W ( t ) W (0))
2
S (t ) es una variable aleatoria que puede simularse directamente puesto que W (t ) es una
variable aleatoria normal cuya varianza es t , y por lo tanto, no es necesario simular toda la
trayectoria para simular el valor final del subyacente.
En otros casos de contratos tambin de tipo europeo, es decir, sin la posibilidad de ejercicio
anticipado, el pay-off puede depender de la trayectoria seguida por el subyacente durante la
vida del contrato, en este caso no basta con simular el valor final hay que simular la trayectoria.
Tambin puede ocurrir que la ecuacin diferencial estocstica que gobierna el proceso
seguido por el subyacente en la medida de probabilidad de riesgo neutro no sea tan sencilla
como un GBM cuya solucin es conocida y no se disponga de la forma explcita de la
distribucin de S (t ) . De hecho, lo normal en una difusin de Ito es que se desconozca la
solucin explcita. Por ejemplo, en el caso que el subyacente siga el proceso
dS
rdt (S )dW de volatilidad no constante.
S
En estos casos se tiene que simular toda la trayectoria para calcular el payoff.
La simulacin de la trayectoria debe hacerse discretizando la ecuacin diferencial
estocstica que gobierna la dinmica del proceso seguido por el subyacente.
Obviamente, esta discretizacin de la trayectoria introduce un error propio que es
independiente del error de estimacin de Montecarlo. Incluso, aunque se pudiera simular la
trayectoria continua se incurrira en los errores propios de cualquier estimacin, pero en el caso
07/10/2015
147
de discretizacin de la ecuacin diferencial estocstica se tiene adems el error de

discretizacin.
La simulacin de trayectorias es muy simple como un modelo continuo con incremento fijo
de tiempo. Es decir, se divide el intervalo [0, t ] en el que se desea la simulacin en n
subintervalos
de
consecutivos
t ti ti 1 i 1,..., n ,
de
duracin
siendo
el
t ,
0 t0 t1 ... tn t
mecanismo
de
con
transicin
S S Srt (S )dW Serc t (S )dW S (1 r )t (S )dW .

Si el proceso considerado es un proceso de Wiener, ser ms preciso si se utiliza la frmula
1
2
rc ( S ) t ( S )(W ( t ) W (0))
2
de actualizacin final e un intervalo, es decir, S Se
, donde
W (t ) N (0, t ) .
Una vez calculados los valores de la trayectoria en los nodos para los valores intermedios se
interpola linealmente. As se construyen las trayectorias del subyacente en el interior del
intervalo [0,t].
Para cada trayectoria simulada se calcula el pay-off del contrato al que dara lugar. Se
necesitan muchas trayectorias para poder evaluar con garantas el valor esperado del pay-off y
su valor presente a la tasa libre de riesgo que ser el valor de la opcin.
Por otra parte, para hacer un intervalo de confianza o dar la precisin de la estimacin, hay
que tener en cuenta que Vcall (S ) e rct Er [ payoff (S )] Er [e rct payoff ( S )] . Cuando se hace
la estimacin mediante simulacin se tiene:
n
i 1
i 1
V call e rct payoffi / n e rct payoffi / n e rct payoff

y se puede hablar entonces de la precisin de esta estimacin como de la varianza de la media
r t
2 r t
muestral. Puesto que V [e c payoff ( S )] e c V [ payoff ( S )] , se puede decir que la varianza
de la estimacin del valor es SV2

como tn 1, / 2 e
rc t
2
S payoff
call
2
e2rct S payoff
/ n , y as obtener la precisin de la estimacin
En ocasiones puede requerir mucho esfuerzo computacional, y ser muy lento, por lo que las
tcnicas de reduccin de la varianza para aumentar la precisin o reducir el tamao de la
simulacin pueden ser muy convenientes.
148
07/10/2015
La simulacin es uno de los mejores procedimientos para valorar una opcin que no
implique ninguna decisin durante el periodo de ejercicio, como son las opciones europeas. Sin
embargo, no es apropiada para valoracin de opciones americanas o bermudas en las que el
ejercicio se puede hacer en diferentes momentos del tiempo. Una referencia para ver cmo
aplicar la simulacin a este tipo de opciones es Longstaff-Schwartz(2001), sin embargo, no es lo
ms apropiado.
Por lo tanto, a continuacin se presenta un captulo en que se muestran mtodos ya no de
simulacin Monte Carlo para valoracin de opciones americanas.
VI.2.3 Estimacin del valor de opciones con posibilidad de

ejercicio anticipado mediante mtodos numricos
Como ya se ha dicho, la simulacin no da respuesta a qu decisiones tomar sino que evala
decisiones previamente planteadas. Por lo tanto, se presenta como una herramienta muy
poderosa para valorar opciones en que no hay que tomar decisiones durante el periodo de
ejecucin. Sin embargo, no es una herramienta apropiada para valorar opciones que en su
diseo implica tomar tambin alguna decisin en funcin del valor del subyacente durante el
periodo de ejercicio, como son las opciones americanas o bermudas. En estas opciones no slo
se busca dar el valor, sino, dar adems una frontera de valores crticos que determinan cundo
se debe ejercer la opcin, siendo incluso este punto ms relevante que la valoracin de la propia
opcin.
Obviamente, el ejercicio ptimo vara con el subyacente y con el tiempo hasta el
vencimiento, S *(t ) , marcando la frontera entre la conveniencia o no del ejercicio en ese
momento. Haciendo variar t se obtiene la frontera de ejercicio ptimo, a veces tambin llamada
conjunto de valores crticos.
El siguiente grfico (de Camao (2006)) muestra la frontera de ejercicio ptimo de una
opcin put americana con strike 13. Obviamente, al final del ejercicio ( t 0 ), el valor crtico es
el propio strike, si el valor del subyacente es inferior al strike se ejerce la opcin vendiendo a 13
(por encima de lo que vale el suyacente). Tres aos antes, por ejemplo, el valor crtico es 7, con
lo que interesa ejercer la opcin anticipadamente si el valor del subyacente es inferior.
07/10/2015
149
Un grfico muy interesante para poder ver las diferencias entre el valor de opciones
europeas y americanas es el grfico de valor o del pay-off. Este grfico representa lo que sera el
pay-off en ese momento si se pudiera ejercer y el valor de la opcin en funcin del valor del
subyacente. Los dos grficos mostrados a continuacin (obtenidos de Camao (2006))
representan los diagramas pay-off de una opcin europea call y una put, respectivamente, ambas
con strike 14 y a cierto plazo del vencimiento. La lnea azul es el supuesto pay-off y la lnea roja
el valor de la opcin, ambas en funcin del valor del subyacente. Obsrvese que la lnea roja
sera una seccin (la que determine el tiempo hasta el vencimiento) de la superficie de valor
V (S , t ) que se vio en la seccin VI.2.1, y la lnea azul la correspondiente a la fecha de

vencimiento de esa misma superficie.
Obsrvese, que en la opcin put el valor de la opcin puede estar por debajo del pay-off que
se recibira en ese momento. Esto no puede ocurrir en una opcin americana pues dara una
150
07/10/2015
opcin de arbitraje, bastara con comprar la opcin (pagando su valor) y ejercerla de inmediato,
obteniendo un pay-off mayor sin riesgo alguno.
Los diagramas de valor de opciones americanas son los siguientes, tambin con strike 14 y
al mismo plazo del vencimiento.
Como puede verse en la opcin put, el grfico de valor descansa sobre el pay-off, como si
fuera un obstculo, tomando un contacto suave con l. El punto de contacto es justo el valor
crtico para ese plazo. En ese momento, para valores del subyacente por debajo del valor crtico
se debe ejercer la opcin (venta del subyacente), mientras que para valores superiores se debe
mantener hasta un tiempo posterior.
Resulta obvio, en general, la siguiente relacin
Veuropea (S , t ) Vbermudas (S , t ) Vamericana (S , t )

Sin embargo, se puede observar que el grfico de la opcin call es el mismo para una opcin
europea y americana. Sin entrar en detalles, una opcin call americana nunca es ptimo ejercerla
antes del vencimiento, ya que se compra el subyacente y se sigue sujeto a sus fluctuaciones
(pudiendo perder ms que con la opcin y aadiendo los gastos financieros para poseer el
activo). Por lo tanto, el valor de una opcin call americana que no paga dividendos es el mismo
que el de una europea. Aunque si el activo paga dividendos ya s puede interesar ejercer
anticipadamente. En efecto, ejercer la opcin significa pagar el strike y cargar con el coste de
financiacin de anticipar el pago del strike, pero la posesin anticipada de la opcin da derecho
a percibir el dividendo desde ese momento. Mientras la rentabilidad por dividendo sobre el
precio de la accin sea inferior, en trminos absolutos, al coste de financiacin del strike, no
ser ptimo ejercer antes del vencimiento. Este criterio no determina el valor crtico, pero marca
una condicin clara, es decir, S * (t ) K
ert 1
.
e Dt 1
Sin embargo, en la prctica las rentabilidades por dividendos de las acciones suelen ser
inferiores a las tasas de inters libres de riesgo D < r y esto hace que los valores crticos se
07/10/2015
151
siten alejados del strike, y, salvo que las opciones estn muy in the money, o con
rentabilidades por dividendo iguales o superiores a las tasas de inters o dividendos
extraordinarios, o con plazo remanente largo, se estar lejos del valor crtico y es raro que
interese ejercer anticipadamente una opcin call americana.
El caso de las opciones put americanas es completamente distinto al de las call americanas,
tanto si pagan dividendos como si no pagan dividendos existe una frontera de valores crticos
que marca el momento ptimo de ejercicio y el problema de valoracin es ms complejo, no
siendo vlida la ecuacin de Black&Scholes.
En 1993 Petter Bjerksund & Gunnar Stensland publicaron un artculo en el Journal of
Business Finance and Accounting bajo el ttulo American Exchange Options and a put call
transformation en el que aparece una equivalencia o relacin de paridad entre los valores de
una opcin call americana y una opcin put americana con parmetros cambiados. Esa
relacin es:
Vcall americana (S , t , K , , r, d ) Vput americana ( K , t, S , , d , d r)

que no es una relacin entre una call y su put, ya que los parmetros estn cambiados, pero sirve
para poder hacer una valoracin en un momento dado. Es vlida para americanas y europeas,
siempre que sean vanilla, es decir, sin ninguna otra sofisticacin.
Los mtodos numricos habituales para hacer una valoracin de una opcin put
americana o bermudas son bsicamente el mtodo binomial y los mtodos basados en
diferencias finitas.
VI.2.3.1 Mtodo binomial

El mtodo binomial, se basa fundamentalmente en construir unas trayectorias en tiempo
discreto cuya convergencia dbil est asegurada que es el movimiento browniano, y estimar el
pay-off sobre estas trayectorias (en cierto modo, se podra entender como una simulacin). Por
lo tanto, slo es vlido asumiendo que el subyacente sigue un movimiento browniano.
El principio de invarianza de Donsker juega un papel con los procesos estocsticos similar
al del teorema central del lmite con las variables aleatorias. Bajo ciertas condiciones, un paseo
aleatorio (random walk) discreto con saltos regidos por cualquier distribucin que tenga
varianza finita converge una vez normalizado hacia el proceso de Wiener cuando el intervalo de
tiempo entre los saltos se va aproximando a cero. Los saltos pueden tener cualquier distribucin
pero con la condicin de que tengan media nula y varianza unidad. Esta es una condicin
necesaria para la convergencia hacia el proceso de Wiener, si la media y la varianza no cumplen
este requisito pero son finitas se producir la convergencia igualmente pero no hacia el proceso
152
07/10/2015
de Wiener sino hacia una difusin de Ito cuyos parmetros sean precisamente la media y la
desviacin tpica de la distribucin de los saltos.
La formulacin del principio de invarianza sera:
Sea una sucesin de variables aleatorias
X n nN
todas ellas independientes y con la
misma distribucin que la variable aleatoria X que tiene media 0 y varianza finita positiva
n
E[ X 2 ] 2 0 . A partir de ellas se construyen las sumas parciales M n X k . Estas

k 1
sumas parciales constituyen un paseo aleatorio o random walk en tiempo discreto que puede
transformarse en un proceso continuo mediante la interpolacin lineal siguiente:
Gn (t )
M [ nt ] (nt [nt ])
X [ nt ]1
El principio de invarianza dice que en estas circunstancias, la sucesin de los procesos

continuos Gn (t )n converge dbilmente hacia el proceso de Wiener.
Generalizando el principio de invarianza se puede comprobar que si las variables aleatorias
son independientes e idnticamente distribuidas con media t y varianza 2 t siendo
t T / n , los procesos continuos

Gn (t ) M[ nt ] (nt [nt ]) X [ nt ]1 0 t T
convergen dbilmente en el intervalo [0, T] hacia una difusin de Ito G(t) cuya ecuacin
diferencial estocstica es dG dt dW , que no es un proceso de Wiener, pero sus saltos
en t son normales de media t y varianza 2 t .
Esta convergencia dbil de los paseos aleatorios a difusiones de Ito con parmetros
constantes se da cualquiera que sea la distribucin de las variables aleatorias siempre que sean
independientes e idnticamente distribuidas y tengan media t y varianza 2 t .
Naturalmente, el inters no est en los paseos aleatorios aritmticos sino en los geomtricos,
en los que cada trmino se deriva del anterior multiplicando por una variable aleatoria positiva,
n
de modo que Sk Sk 1e
Rk
Rk
S0e k 1 , pero que tomando logaritmos se transforman en paseos
aleatorios aritmticos: ln( Sk ) ln( Sk 1 ) Rk ln( S0 )
R
k 1
07/10/2015
153
Los paseos aleatorios geomtricos son los que convergen dbilmente al GBM
dS Sdt SdW . Dada esta convergencia dbil, si se dispone de una sucesin de paseos
aleatorios geomtricos que convergen en distribucin al GBM de riesgo neutro, puede
computarse el valor esperado de cualquier variable directamente mediante la medida de
probabilidad de riesgo neutro, o bien aproximando mediante la sucesin de los valores
esperados de dicha variable con la sucesin de medidas de probabilidad asociadas con los
paseos aleatorios de la sucesin.
La idea por lo tanto, es construirlos con unas variables aleatorias lo ms sencillas posible.
En concreto, se considera una variable que puede tomar dos valores posibles u 1 con
probabilidad p y d 1/ u con 1 p , de modo que el subyacente en cada salto pasa a ser
S k S k 1u con probabilidad p y Sk Sk 1d Sk 1 / u con probabilidad 1 p .

Para que se d la convergencia requerida al GBM con riesgo neutro, el rendimiento
esperado debe ser el de la tasa libre de riesgo, es decir, e r t pu (1 p ) / u , y la varianza
2 t , es decir, 2 t pu 2 (1 p) / u 2 pu (1 p) / u . Resolviendo este sistema se

2
tiene:
u e
er t 1/ u
.
u 1/ u
Obsrvese entonces que se obtiene un rbol binomial con los sucesivos saltos. Por otra
parte, a cada nodo del rbol se llega tras una serie de subidas y bajadas, independientemente de
en qu orden se hayan producido. Es decir, en la etapa n a un nodo se llega tras k subidas y
n k bajadas, desde varias trayectorias, cada una con probabilidad p k (1 p ) n k , y que el

n
k
nmero de caminos que llevan a l es de . Por lo tanto, la probabilidad de que sea
n
k
alcanzado ese nodo es la probabilidad de la distribucin binomial p k (1 p)n k , siendo el
1
u
valor del subyacente en ese nodo Su k
nk
Su 2 k n .
Con la probabilidad asociada a cada nodo se tiene definida una medida de probabilidad en el
conjunto de las posibles trayectorias seguidas por el paseo aleatorio geomtrico de riesgo
neutro, y se puede estimar el valor del pay-off en los nodos finales de forma directa, y con ello
actualizarlo con la tasa libre de riesgo y tener la valoracin de una opcin. ste es el conocido
mtodo binomial.
154
07/10/2015
Para una opcin call europea sera

n
n
Vcall europea ( S , t ) e rt p k (1 p)n k Max( Su 2 k n K , 0)
k 1 k
siendo t t / n y u e
er t 1/ u
, donde estas aproximaciones convergen al valor
u 1/ u
real de la opcin.
Este mtodo, siendo vlido para opciones europeas no lo es para opciones americanas, pues
no siempre se ejercen al final. Una modificacin inmediata para usarlo es no utilizar el valor
slo de las hojas del rbol binomial, sino, computarlo en cada nodo del rbol para poder tomar
la decisin, por ejemplo, de ejecutar en ese momento si el valor esperado de etapas futuras es
inferior. Este procedimiento exige ir recorriendo el rbol de las hojas a la raz, para poder
estimar el pay-off esperado, y se conoce como algoritmo binomial.
No es apropiado para opciones europeas pues aunque no maneja grandes nmeros
combinatorios, requiere mucha memoria y tiempo de computacin, pero es la alternativa para
opciones americanas y bermudas.
El algoritmo trata de computar el valor esperado del pay-off en la raz S, pero recorriendo
el rbol de las hojas hasta el vrtice. Comenzando desde el nivel n-simo para el cual el payoff se computa de acuerdo con las caractersticas del contrato y recorriendo el rbol, un paso
atrs cada vez, hasta llegar al vrtice. En cada nodo del nivel t k se computa el valor
esperado del pay-off calculando la media de los valores esperados del pay-off en los dos
nodos del nivel k+1 conectados con l y previamente calculados, actualizados con la tasa libre
de riesgo, y se compara con la ejecucin en el momento, eligiendo lo ms ventajoso. El valor
computado para la raz es la estimacin del valor de la opcin.
07/10/2015
155
VII Referencias
Barcel, J. (1996) Simulacin de Sistemas Discretos. Isdefe.
Bratley, P., Fox, B.L., Schrage, L.E. (1987) A Guide to Simulation. Springer-Verlag.
Camao, A. (2006) Opciones Financieras
Carter, G. and Ignall, E.J. (1975) Virtual Measures: A Variance Reduction Technique for
Simulation, Management Science, 21, 607-616.
Fushimi, M. (1989) Random Number Generation on Parallel Processors Proceedings of the
1989 Winter Simulation Conference. pp 459-461.
Geweke, J. (1989) Bayesian Inference in Econometrics using Monte Carlo Integration.
Econometrica, 57, 1317-1340.
Hammersley, J.M. and Handscomb, D.C. (1964) Monte Carlo Methods, Methuen
Hull, J.C. (2006) Options, Futures and Other Derivatives. Prentice Hall.
Kelton, W.D., Sadowski, R.P. and Sadowski, D.A. (2002) Simulation with Arena. McGraw-Hill.
Kleijnen, J.and Van Groenendaal, W. (1994) Simulation. A Statistical Perspective. Wiley&Sons
Law, A.M., Kelton, W.D. (2000) Simulation Modeling and Analysis. McGraw-Hill.
LEcuyer, P. (1999) Good Parameters and Implementations for Combined Multiple Recursive
Random Number Generators Operations Research. Vol. 47, No. 1, January-February, pp
159-164.
LEcuyer, P., Simard, R., Chen, E.J., and Kelton, D. (2002) An Object-Oriented RandomNumber Package with Many Long Streams and Substreams Operations Research. Vol.
50, No. 6, November-December, pp 1073-1075.
Longstaff, F.A. and E.S. Schwartz (2001) Valuing American Options by Simulation: A Simple
Least Squares Approach. eScholarship Repository of Anderson Graduate School of
Management, University of California. http://repositories.cdlib.org/anderson/fin/1-01
Montgomery, D.C. (1991) Diseo y anlisis de experimentos. Ed. Iberoamericana.
Pea, D. (1998) Estadstica. Modelos y mtodos,.(vol. 2). Alianza Universidad Textos.
Ros-Insa, D., Ros-Insa, S., Martn, J. (1997) Simulacin. Mtodos y Aplicaciones. Ra-Ma
Rubinstein, R.Y. and Melamed, B. (1998) Modern Simulation and Modeling. John Wiley&Sons
Thomson, S.K. (1992) Sampling. Wiley.
Trotter, H. and Tukey, J. (1956) Conditional Monte Carlo for normal samples, in Symposium on
Monte Carlo Methods, H. A. Meyer (ed.), Wiley, 64-79
07/10/2015
157
VIII Biblioteca de problemas

VIII.1 Problemas de Mtodos de Monte Carlo
PROBLEMA 1
Sea una variable aleatoria X con funcin de densidad y de distribucin:
x
8
1
f ( x) 12
5 x

4 8
0
0
2
x [0,2]
x
16
1 1
x (2,8]
, F ( x) ( x 2)
4 12
x (8,10]
x 2 5 x 21

16 4 4
resto
1
x <0
x [0,2]
x (2,8]
x (8,10]
resto
a) Explicar cmo se generaran valores de la misma. Aplicacin al caso de disponer de los

nmeros aleatorios 0.680, 0.108, 0.324, 0.814, 0.560 y 0.912.
b) Cmo se generaran valores de una variable aleatoria discreta que toma los valores 1, 5 y 9
con probabilidades 0.2, 0.5 y 0.3, respectivamente? Aplicarlo con los datos del apartado
anterior.
PROBLEMA 2
Aplicar el mtodo de la transformada inversa y el de aceptacin y rechazo para generar
variables aleatorias a partir de las siguientes funciones de densidad, y comentar qu mtodo es
el ms conveniente para cada funcin de densidad:
3x 2
f ( x) 2
0
1 x 1
cualquier otro valor
07/10/2015
159
VIII.2
0
x
a (1 a )
1
f ( x)
1 a
1 x
a (1 a )
x0
0 xa
a x 1 a para valores de 0 a 1/ 2
1 a x 1
x 1
PROBLEMA 3
Un muelle circular ejerce fuerza en funcin del ngulo de separacin . Dicho ngulo
puede estar entre 0 y 90 grados. Su fuerza en Newton se calcula como: K 2 expresando K en
Newton/rad2. El ngulo de separacin es una variable aleatoria que tiene una funcin de
densidad f ( ) cos( ) .
a) Establecer el procedimiento de la transformada inversa para muestrear la fuerza que ejerce
el muelle.
b) Utilizando como nmeros aleatorios uniformes 0.32, 0.17, 0.78, 0.90 y 0.54 calcular el
valor medio de la fuerza del muelle y la varianza de dicho valor medio.
PROBLEMA 4
Un fondo de inversin ofrece un inters anual equivalente al incremento porcentual en el
ao del ndice IBEX-35. Un potencial inversor ha analizado estadsticamente el incremento
porcentual de este ndice y ha establecido la siguiente funcin de densidad:
Funcin de densidad
1/20
1/40
1/40
% IBEX 35
-10
10
20
Calcular la media muestral del incremento porcentual del IBEX-35 aplicando el mtodo de
la transformada inversa con los nmeros pseudoaleatorios facilitados a continuacin, y
comparar el resultado con el valor real esperado segn la distribucin propuesta. Nmeros
pseudoaleatorios: 0.12, 0.28, 0.79, 0.34, 0.52, 0.37, 0.89, 0.24, 0.09, 0.93.
160
07/10/2015
PROBLEMA 5
Un equipo est formado por tres componentes idnticas configuradas en paralelo y
funcionando en redundancia activa, es decir, las tres al mismo tiempo y con la misma carga. El
fallo de una componente es catastrfico para la misma.
Si designamos por T a la variable duracin de una componente, la probabilidad de que una
cualquiera de las componentes falle antes del instante t viene dada por
F t P T t 1 e
t
5
Estimar, mediante simulacin y con ayuda de la secuencia de nmeros aleatorios que se

adjunta (0.51, 0.46, 0.41, 0.53, 0.21, 0.08, 0.74, 0.10, 0.65, 0.77, 0.25, 0.74, 0.89, 0.95, 0.69), la
vida media del equipo.
PROBLEMA 6
Un transformador tiene una capacidad mxima de transformacin C que se distribuye
segn una funcin de densidad uniforme en el intervalo a, b . Su potencia transformada p se
distribuye estadsticamente segn una distribucin triangular cuyo valor mnimo es 0 y cuyo
valor mximo es el valor de C y que a su vez coincide con el valor ms probable de la
distribucin, ver figura adjunta.
f(p)
Potencia
transformada
a) Establecer un procedimiento basado en el mtodo de la transformada inversa para simular la

potencia transformada.
b) Establecer un procedimiento que utilice el mtodo de aceptacin-rechazo simple que
permita simular la potencia transformada.
c) Estimar por uno de los dos procedimientos la media de la potencia transformada con los
valores de a 395 y b 410 a partir de la siguiente secuencia de nmeros
pseudoaleatorios: 0.435, 0.128, 0.301, 0.604, 0.321, 0.165, 0.603, 0.516, 0.321, 0.932,
0.859, 0.932.
07/10/2015
161
VIII.2
PROBLEMA 7
Un producto consta de dos componentes que se producen por separado con maquinaria y
personal independiente, y una vez fabricadas se ensamblan conjuntamente. En la planta de
produccin han estimado la distribucin del tiempo que lleva fabricar cada una de las
componentes, en horas, as como el tiempo de ensamblado.
El tiempo de fabricacin de la primera componente se distribuye segn la funcin de densidad
12 x
f ( x) 32
0
4 x 12
resto
La fabricacin de la segunda componente se distribuye segn la funcin de densidad
1/ 6 6 x 7
1/ 3 7 x 9
g ( x)
1/ 6 9 x 10
0
resto
Por ltimo, el tiempo de ensamblado de las dos piezas sigue una distribucin discreta cuya
funcin de masa de probabilidad es:
P(1) 0.3
P(1.5) 0.5
P(2) 0.2
1) Dar un procedimiento para obtener un valor del tiempo total de produccin del
producto. Expresarlo en pseudocdigo o grficamente.
2) Aplicar el procedimiento, utilizando el mtodo de la transformada inversa para simular
el tiempo de produccin de cada componente, para obtener el valor medio del tiempo de
produccin total. Dar el valor medio y la precisin de la estimacin al 95%.
3) Aplicar el procedimiento, utilizando el mtodo de aceptacin-rechazo para simular el
tiempo de produccin de cada componente, para obtener el valor medio del tiempo de
produccin total. Dar el valor medio y la precisin de la estimacin al 95%.
4) Indicar cmo sera el procedimiento con variables antitticas, y aplicarlo utilizando el
mtodo de la transformada inversa para simular el tiempo de produccin de cada
componente, para obtener el valor medio del tiempo de produccin total. Obtener una
muestra del mismo tamao que en el apartado 2, y dar el valor medio y la precisin de
la estimacin al 95%.
Utilizar los siguientes valores uniformes en (0,1), secuencialmente segn se necesiten: 0.01,
0.23, 0.85, 0.97, 0.34, 0.48, 0.08, 0.17, 0.71, 0.68, 0.42, 0.71, 0.16, 0.24, 0.79, 0.92, 0.84, 0.02
162
07/10/2015
VIII.2 Resultados de los problemas de Mtodos de

Monte Carlo
RESULTADO DEL PROBLEMA 3
Datos:
- q varia entre 0 y 90 grados.
- La frmula de la fuerza es: F Kq 2 [N];
- La funcin de densidad de ngulo q: f(q)=cos(q); q (0,90)
- La funcin de distribucin del ngulo q es: F(q) = sen(q) q (0,90)
Generamos un nmero aleatorio entre 0 y 1 y luego se determina x tal que F(x) = u, luego x
= -arcsen(u)
Con los nmeros aleatorios propuestos: 0.32, 0.17, 0.78, 0.90 y 0.54, y x= q:
18,66 9,79 51,26 64,15 32,68
Las diferentes fuerzas saldrn:
Fuerzas
348,2 K
95,84 K
2627 K
4117 K
1069 K
La fuerza media del muelle viene dada por:
i 5
fuerzas
Media =
i 1
K 1651, 23 [ Newton
i 5
( xi x)2
La varianza del valor medio viene dada por: Valor =
s 2 i 1
K 574413;
5
5 (5 1)
07/10/2015
163
VIII.2

Establecemos la funcin de densidad y calculamos la funcin de distribucin:
Funcin de densidad:
1/ 20 0 x 10
1/ 40 10 x 0
i ( x)
1/ 40 10 x 20
0 resto
La funcin de distribucin quedar:
0 x 10
x 10
10 x 0
40
p
1 x
I ( x) i ( x)dx
0 x 10
4
20
0
3 x 10
4 40 10 x 20
1 x 20
Nmeros pseudoaleatorios: 0.12, 0.28, 0.79, 0.34, 0.52, 0.37, 0.89, 0.24, 0.09, 0.93
Clculo de la media muestral del incremento porcentual del IBEX-35 aplicando el mtodo
de la transformada inversa:
Regla:
Si u (0,1/ 4) entonces u = (x+10)/40
Si u (1/ 4,3/ 4) entonces u = +x/20;
Si u (3/ 4,1) entonces u = +(x-10)/40;
Las variables aleatorias resultantes:
U
0.12,
0.28,
0.79,
0.34,
-5,2
0,6
11,6
1,8
164
07/10/2015
0.52,
0.37,
0.89,
0.24,
0.09,
0.93
5,4
2,4
15,6
-0,4
-6,4
17,2
i 10
xi
La media sale: media =
i 1
10
4, 26 %
Comparando este resultado con el valor esperado segn la distribucin:

Gracias al grfico adjunto se ve que sale 5 %.
La diferencia entre ambos es de 0.74 %.
F t P T t 1 e
t
5
exponencial de media 5.
Estimacin de la vida media del equipo:

Mtodo de la transformada inversa: t = - 5 Ln(F);
Con los 15 nmeros aleatorios sacamos 15 tiempos de duracin t y tomamos estos de 3 en 3. La
vida del equipo ser el mximo tiempo de entre los tres; esto es porque estn en paralelo, y el
equipo no dejar de funcionar hasta que las tres componentes fallen.
Usando los nmeros aleatorios:
0.51, 0.46, 0.41, 0.53, 0.21, 0.08, 0.74, 0.10, 0.65, 0.77, 0.25, 0.74, 0.89, 0.95, 0.69
fallos componentes fallos de equipo

u
07/10/2015
165
VIII.2
1
0.51
3.36672277
0.46
3.88264395
0.41
4.4579906
0.53
3.17439136
0.21
7.80323874
0.08
12.6286432
0.74
1.50552546
0.1
11.5129255
0.65
2.15391458
0.77
1.30682382
0.25
6.93147181
0.74
1.50552546
0.89
0.58266908
0.95
0.25646647
0.69
1.85531841
4.46
12.62
11.51
6.93
1.86
i 5
Vida media
tiempo
i 1
7, 478

Segn el enunciado, vemos que la funcin de densidad de C va a ser:
f (C )
1
aC b
ba
Segn la distribucin triangular tenemos:
f ( p)dp 1 Area tringulo hC / 2 1 h C

0
La funcin de densidad de f ( p) queda:
166
07/10/2015
f ( p)
2p
C2
0 pC
y la de distribucin:
p
F ( p)
0
1 p C
f ( p )dp p 2
luego p C F ( p)
0
C
2
C
Mtodo de la transformada inversa:

Tomamos dos valores aleatorios de U[0,1]: u1 y u2;
Con u1: C a (b a )u1
Con u2: p C u 2
Como tenemos 12 nmeros aleatorios vamos a obtener 6 valores de p.
Mtodo aceptacin rechazo:
f ( p)
2p
C2
0 pC
Vamos a necesitar tres nmeros aleatorios: u1, u2, u3:

Con u1: C a (b a )u1
Con u2: p* Cu 2
Con u3: f ( p)*
2
u3
C
Si f ( p)* f ( p* ) acepto p *
Si no: no acepto.
Resultados para a = 395 y b = 410:

Mtodo de la transformada inversa:
Con u1: C 395 (410 395)u1
Con u2: p Cmax u 2
07/10/2015
167
VIII.2
Usamos los siguientes nmeros aleatorios:

u1,u2
0.435 401.525 143.653951

0.128
0.301 399.515 310.492818
0.604
0.321 399.815 162.405621
0.165
0.603 404.045 290.23821
0.516
0.321 399.815 385.981989
0.932
0.859 407.885 393.772779
0.932
i 6
Media
p
i 1
281.09
Mtodo de aceptacin-rechazo:
u1,u2,u3
p*
0.435
401.525
51.3952
f ( p )*
f ( p* )
0.00063757 0.001499284 No acepto
0.128
0.301
0.604
404.06 129.70326 0.00158887 0.00081671
129.7
0.321
0.165
0.603
404.045 208.48722 0.00255417 0.001588932 No acepto
0.516
0.321
0.932
408.98 351.31382 0.00420069 0.00455768 No acepto
0.859
Media: 129.7
168
07/10/2015
VIII.3 Problemas de simulacin de sistemas dinmicos

PROBLEMA 1
Dado un sistema de dos componentes colocadas en serie de modo que el fallo de una de
ellas supone el fallo del sistema, y tal que cuando una pieza falla la otra se desconecta (no sigue
funcionando hasta que la que ha fallado no sea reparada), cuyos tiempos de vida y reparacin
siguen las siguientes distribuciones:
Pieza 1: Tiempo Vida: Cauchy(1,0) truncada en 0
Tiempo reparacin: Exponencial(2)
Pieza 2: Tiempo Vida: Uniforme(1,3)
Tiempo reparacin: Exponencial(4)
a) Hacer un modelo de simulacin discreto con avance al prximo evento para estudiar la
disponibilidad de un sistema de estas caractersticas.12
b) Obtener la disponibilidad del sistema explicando el procedimiento utilizado para generar las
variables aleatorias que aparecen en el modelo, con un tiempo lmite de 10 horas, y
utilizando los siguientes valores obtenidos independientemente y con distribucin uniforme
en el intervalo (0,1) (cada secuencia para una variable)13:
Vida Pieza 1: 0.2, 0.9, 0.7, 0.3, 0.9, 0.8, 0.1
Reparacin Pieza 1: 0.1, 0.3, 0.7, 0.6, 0.9, 0.8, 0.2
Vida Pieza 2: 0.6, 0.8, 0.2, 0.5, 0.7, 0.1, 0.9
Reparacin Pieza 2: 0.4, 0.2, 0.6, 0.8, 0.6, 0.4, 0.3
PROBLEMA 2
Una empresa de envasado de productos congelados del mar dispone de dos envasadoras
iguales. Los productos llegan en contenedores o lotes, segn una distribucin de tiempo entre
las llegadas: 15 minutos con probabilidad 0.25, 30 minutos con probabilidad 0.5 y 45 minutos
con probabilidad 0.25.
Disponibilidad: Proporcin de tiempo que el sistema est funcionando

1
13
Funcin densidad de la distribucin Cauchy(1,0): f (x )
, x
(1 x 2 )
12
07/10/2015
169
VIII BIBLIOTECA DE PROBLEMAS
Cada contenedor o lote tarda en ser procesado por una envasadora un tiempo que se
distribuye segn una distribucin exponencial de media 1 hora truncada en 45 minutos, no
pudiendo ser la duracin inferior a este valor.
Si un lote llega y no puede ser procesado inmediatamente, la empresa dispone de una
cmara de congelacin para la espera. La cmara puede alojar nicamente a un lote de
productos, y el coste de funcionamiento diario (no proporcional al tiempo que se utilice) est
estimado en 50 euros diarios.
Si la cmara est llena cuando llega un lote, ste habr de ser rechazado. Se ha estimado el
beneficio que produce un lote (en trminos medios) en 100 euros. Se supone un da de 8 horas.
a) Hacer un modelo de simulacin discreto con avance al prximo evento para este problema,
que obtenga el coste (por funcionamiento de cmaras y por prdida de lotes) diario
esperado, que admita ms de una cmara de congelacin.
b) Obtener el coste de un da utilizando los siguientes valores obtenidos independientemente y
con distribucin uniforme en el intervalo (0,1) (cada secuencia para una variable):
Llegadas: 0.2, 0.3, 0.9, 0.7, 0.1, 0.2, 0.9, 0.2, 0.6, 0.5, 0.8, 0.3, 0.7, 0.9, 0.4
Servicios: 0.1, 0.3, 0.7, 0.6, 0.9, 0.8, 0.2, 0.5, 0.1, 0.3, 0.7, 0.2, 0.6, 0.4, 0.9
PROBLEMA 3
El taller de mantenimiento de los autobuses urbanos de Madrid consta de una zona de
inspeccin y otra de reparacin. Los autobuses, una vez acabado su turno acuden a este taller.
Cada media hora un autobs finaliza su turno. En el taller, en primer lugar se inspecciona cada
autobs con un tiempo distribuido segn la distribucin trapezoidal f1(x) que se describe ms
abajo. La zona de inspeccin es alimentada por una nica cola de tipo FIFO. Histricamente, la
inspeccin detecta que el 30 % de los autobuses requiere reparacin. La zona de reparacin est
alimentada tambin por una nica cola de tipo FIFO y los tiempos de reparacin se distribuyen
segn una distribucin Gamma de parmetros p
2ya
0.05 , truncada en 30 minutos (no
puede ser inferior).
x
f1(x )
20
20
50
0.1
25
35 x
50
0
25
30
35
30
resto
170
07/10/2015
a) Obtener el nmero medio de autobuses que hay en el taller, explicando el procedimiento

utilizado para generar las variables aleatorias que aparecen en el modelo, con un tiempo
lmite de 4 horas, y utilizando los siguientes valores obtenidos independientemente y con
distribucin uniforme en el intervalo (0,1) (cada secuencia una variable y redondear a un
decimal los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
Serie 3: 0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
b) Hacer un modelo de simulacin discreto con avance al prximo evento para estudiar el
nmero medio de autobuses que hay en el taller de mantenimiento
PROBLEMA 4
Una empresa fabrica dos tipos de productos que han de ser procesados por un nico
empleado. El tiempo de fabricacin del primer tipo de producto sigue una distribucin normal
de media 4 horas y desviacin tpica 1, y el del segundo tipo de producto sigue una distribucin
triangular simtrica entre 2 y 4 horas, es decir, con funcin de densidad:
f (x )
2 x
(2, 3)
x x
(3, 4)
Los pedidos son unitarios, el tiempo que transcurre entre pedidos es uniforme entre 3 y 5
horas, y el 35 % de ellos son pedidos de tipo 1.
a) Obtener el nmero medio de pedidos sin atender al finalizar el da, explicando el
procedimiento utilizado para generar las variables aleatorias que aparecen en el modelo, con
un tiempo lmite de 40 horas, y utilizando los siguientes valores obtenidos
independientemente y con distribucin uniforme en el intervalo (0,1) (cada secuencia una
variable y redondear a un decimal los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
Serie 3:0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
Serie 4: 0.2, 0.7, 0.5, 0.3, 0.1, 0.9, 0.5, 0.6, 0.2, 0.8, 0.7, 0.4, 0.5, 0.6, 0.9, 0.3, 0.1, 0.4
b) Hacer un modelo de simulacin discreto con avance al prximo evento para estudiar el
nmero medio de pedidos pendientes de ser servidos en la fbrica.
PROBLEMA 5
Se considera un taller de reparaciones con dos mecnicos. El primer mecnico cobra a razn
de 30 /h y puede reparar a razn de 5 mquinas por hora. El segundo mecnico cobra 50 /h
07/10/2015
171
pero puede reparar a razn de 8 mquinas por hora. Ambos sueldos se pagan con independencia
de que los trabajadores estn ocupados u ociosos. Los clientes estiman que una mquina
averiada les representa un coste de 80 /h y el taller lo asume como coste por unidad de tiempo
de espera por cliente. Se supone que las mquinas llegan al taller segn un proceso de Poisson
de parmetro 4 mquinas por hora y que el tiempo de reparacin sigue una distribucin
exponencial.
a) Escribir un modelo que permita evaluar el coste de cada mecnico (un nico programa que
evale el coste de cada uno por separado).
b) A la vista de los siguientes resultados Qu trabajador resulta ms econmico para la
empresa? Razonar la respuesta.
Relative clock
Facility
MECAN1
MECAN2
Queue
(AD set)
TLLER1
MECAN1
TLLER2
MECAN2
Queue
(AD set)
720.00
Absolute clock
(1)
(2)
Average
Number
utilization
entries
.80
2869
.51
2892
(1)
Maximum
contents
19
18
11
10
(6)
Average
time/trans
(2)
Average
contents
3.73
2.93
.98
.47
(7)
$Average
time/trans
720.00
(3)
Average
time/trans
.20
.13
(3)
Total
entries
(4)
Zero
entries
2869
2869
2892
2892
0
566
1
1455
(5)
Percent
zeros
.00
19.73
.03
50.31
(8)
Current
contents
TLLER1
.94
.94
1
MECAN1
.74
.92
0
TLLER2
.24
.24
0
MECAN2
.12
.23
0
$Average time/trans=average time/trans excluding zero entries
PROBLEMA 6
A una centralita llaman clientes de dos tipos, con tiempos entre llamadas distribuidos segn
una distribucin Exponencial de parmetro 1 (minutos) para el primer tipo de clientes y
uniforme entre 2 minutos y 5 minutos para el segundo tipo. La centralita tiene varias lneas con
unos amables caballeros que atienden cada una de ellas. Si al recibir una llamada todas las
lneas estn ocupadas, salta una espantosa musiquilla con la que se suponen entretienen al
172
07/10/2015
cliente de modo que ste queda pacientemente esperando a que su llamada sea atendida, lo cual
se hace por riguroso orden de llamada.
Una vez que la llamada del cliente es atendida, se le pasa la llamada a unas agradables
seoritas que amablemente resuelven la razn de la llamada, escuchando una segunda horrorosa
msica si todas las seoritas estn atendiendo otras llamadas hasta que le toque el turno de ser
atendido por stas.
La distribucin del tiempo que cada caballero tarda en atender la llamada se distribuye
segn una uniforme entre 3 y 5 minutos, y la distribucin del tiempo que las seoritas tardan en
resolver el problema uniforme entre 5 y 15 minutos.
Escribir un modelo/programa para estudiar en una jornada de 8 horas el nmero de lneas
que debe tener la centralita y de seoritas que resuelven el problema, dando para el diseo
ptimo el tiempo medio que pasa un cliente escuchando la espantosa primera musiquilla, el
tiempo medio que pasa un cliente escuchando la horrorosa segunda msica, y una tabla de
frecuencias y la media del tiempo que pasa cada tipo de clientes colgado del telfono, adems
del grado de ocupacin de cada uno de los amables caballeros y de las eficientes seoritas.
PROBLEMA 7
En una fbrica se producen dos tipos de producto segn peticiones. La demanda de los
productos es unitaria siguiendo el tiempo entre pedidos una distribucin exponencial de media 2
horas para el primer producto, y de media 30 minutos para el segundo producto.
El proceso de produccin es diferente para cada tipo de producto, involucrando a 5 tipos de
mquinas y con diferente tiempo de proceso en cada una de ellas segn el producto de que se
trate (todo en horas):
M1
P1
U(0.5,1)
P2
U(0.5,1)
M2
U(1,1.5)
M3
M4
M5
U(0.75,1.25)
U(0.3,0.5)
U(0.5,0.8)
U(0.75,1.25)
U(0.75,1.25)
Disear el nmero de mquinas que se debe poner en la planta suponiendo produccin

continua, y para esta configuracin dar el tiempo medio desde que llega la peticin de un
producto hasta que ste es terminado (para cada tipo de producto) con el fin de poder dar una
aproximacin del tiempo en que podr ser servido, el mximo nmero de cola que se forma
delante de cada tipo de mquinas para saber cuanto espacio es necesario reservar, as como el
tamao medio de las colas.
07/10/2015
173
PROBLEMA 8
Una compaa ferroviaria pinta sus propios vagones, segn se vayan necesitando, en sus
propios talleres, donde se pinta a mano de uno en uno con una velocidad que se distribuye segn
una exponencial de media uno cada 4 horas y un coste anual de 4 millones de u.m. Se ha
determinado que los vagones pueden llegar segn un proceso de Poisson de media uno cada 5
horas. Adems el coste por cada vagn que no est activo es 500 u.m/hora.
Se plantean otras dos posibilidades. Una es encargar dicho trabajo a una empresa de pintura
que lo hara con aerosol con el consiguiente ahorro de tiempo. Sin embargo el presupuesto para
esta segunda alternativa es de 10 millones de u.m. anuales. En este caso el proceso se aproxima
a uno de Poisson con una tasa de uno cada 3 horas. La otra opcin es poner otro taller
exactamente igual al que hay actualmente, con igual tasa de servicio y coste anual, que permita
pintar dos vagones a la vez. En todos los casos el trabajo se considera ininterrumpido, esto es, se
trabajan 24x365=8760 horas anuales.
A la vista de los resultados de la simulacin:
a) Cul de los tres procedimientos es preferible?
b) Si se deseara conocer la distribucin del tiempo que pasan actualmente los vagones
inactivos, qu informacin sera relevante? Cmo la utilizaras? Con la informacin
actual qu distribucin de probabilidad conjeturaras?
c) Cul es el nivel de utilizacin de los recursos en cada caso?
SIMULATEtall3
GENERATE 5*FN$XPDIS
STORAGE
2QTABLE ARRIVE OPT2
OPT1,0,5,15
SEIZE aer,Q
ADVANCE 3*FN$XPDIS
GENERATE
RELEASE aer
5*FN$XPDISARRIVE
DEPART OPT2
OPT1SEIZE
TERMINATE
tall1,QADVANCE
4*FN$XPDIS
RELEASE tall1
DEPART OPT1
TERMINATE
Facility
TALL1
AER
Storage
contents
.37
Storage
(1)
Average
utilization
.77
.62
(2)
Number
entries
1682
1754
Capacity
Average
utilization
1711
3.76
(6)
Current
contents
GENERATE 5*FN$XPDIS
ARRIVE OPT2
SEIZE aer,Q
ADVANCE 3*FN$XPDIS
RELEASE aer
DEPART OPT2
TERMINATE
GENERATE 8760
TERMINATE 1
START 1
END
(3)
Average
time/trans
4.02
3.08
Average
time/trans TALL3
Entries
2
Average
.73
(7)
Maximum
contents
174
07/10/2015
TALL3
0
(1)
Total
contents
Average
(AD set)
OPT1
TALL1
OPT2
AER
OPT3
TALL3
Queue
(AD set)
19
18
13
12
7
5
(6)
Average
time/trans
2
(2)
(3)
Zero
Percent
contents
entries
3.04
2.26
1.53
.92
.84
.10
(7)
$Average
time/trans
(4)
entries
1682
1682
1754
1754
1711
1711
0
418
0
688
0
1355
(5) Queue
Maximum
zeros
.00
24.85
.00
39.22
.00
79.19
(8)
Current
contents
OPT1
15.81
15.81
0
TALL1
11.79
15.69
0
OPT2
7.65
7.65
1
AER
4.57
7.52
0
OPT3
4.28
4.28
0
TALL3
.52
2.50
0
$Average time/trans=average time/trans excluding zero entries
Table
(1)
(2)
(3)
Entries in table
Mean argument
Standard deviation
1682
15.81
14.87
Range
Observed
Per cent
frequency
of total
percentage
remainder
.00
.00
100.00
.01 5
436
25.92
25.92
5.01 10
358
21.28
47.21
10.01 15
232
13.79
61.00
15.01 20
161
9.57
70.57
20.01 25
121
7.19
77.76
25.01 30
103
6.12
83.89
30.01 35
88
5.23
89.12
35.01 40
56
3.33
92.45
40.01 45
35
2.08
94.53
45.01 50
30
1.78
96.31
50.01 55
19
1.13
97.44
55.01 60
11
.65
98.10
60.01 65
10
.59
98.69
Overflow
22
1.31
100.00
(5) Average value of overflow
72.84
(4)
Sum of arguments
26592.06
Cumulative
Cumulative
0
0
74.08
52.79
39.00
29.43
22.24
16.11
10.88
7.55
5.47
3.69
2.56
1.90
1.31
.00
PROBLEMA 9
El departamento de contabilidad de una empresa tiene un sistema informtico con varios
ordenadores en un mismo dominio, un ordenador que acta como servidor de impresin (que
procesa los trabajos por riguroso orden de llegada sin que sean establecidas prioridades en los
trabajos) y una impresora (con un buffer en principio ilimitado.) Los miembros del
departamento han elevado una solicitud (queja) a la direccin para que sea mejorado este
servicio de impresin, aduciendo que la mquina al final de mes (instante de cierre contable)
est sobresaturada. La direccin desea hacer un modelo de simulacin para analizar el uso de la
impresora, es decir, para obtener el factor de utilizacin de la mquina.
07/10/2015
175
Tras realizar las observaciones oportunas en esta poca de final de mes, y analizar los datos
obtenidos llega a las siguientes conclusiones:
-
El tiempo que pasa entre rdenes de impresin que llegan al servidor se distribuye segn
una exponencial de media 5 minutos.
El tiempo que el servidor tarda en procesar la tarea solicitada sigue una distribucin
trapezoidal cuya funcin de densidad es (minutos)
f (x )
4
x
3
2/3
2
(2.25
3
0
0.5
x
0.5
x ) 1.25
1.25
2.25
resto
El tiempo que tarda en imprimir los trabajos la impresora, se distribuye segn la funcin de
distribucin (minutos)
0
x
G (x )
1
12
5
20
1
a)
10
10
15
15
Obtener el factor de utilizacin de la impresora a final de mes simulando media hora,

mediante una traza, explicando qu son todos los elementos del modelo (variables de
estado, datos, hiptesis, eventos, ...) y el procedimiento utilizado para generar las
variables aleatorias que aparecen en el modelo, utilizando los siguientes valores
obtenidos independientemente y con distribucin uniforme en el intervalo (0,1) (cada
secuencia una variable y redondear a un decimal los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2, 0.9
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
Serie 3:0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
b)
Hacer un modelo para este problema (con distribuciones uniformes de tiempos de

servicio con lmites los mismos de las distribuciones del enunciado), que sea lo mnimo
para ver el factor de utilizacin de la impresora.
176
07/10/2015
PROBLEMA 10
Se considera un taller de reparaciones con un robot. Se considera la posibilidad de sustituir
ste por otro robot. Ambos robots son diferentes, con diferentes costes. En la siguiente tabla se
recogen los datos de cada uno de los robots, entendindose por costes operativos los costes por
unidad de tiempo que el robot est realizando alguna reparacin y por costes de amortizacin
costes por unidad de tiempo, est reparando o no el robot.
Costes amortizacin (/h)
Costes operativos (/h)
Robot 1
1000
2000
Robot 2
1500
4000
El primer robot puede reparar a razn de 6 mquinas por hora y el segundo puede reparar a
razn de 7 mquinas por hora.
Cuando una mquina se encuentra en el taller de reparacin se considera un coste por
unidad de tiempo por prdida de productividad estimado en 8000 /h y el taller lo asume como
coste por unidad de tiempo y por cliente. Se supone que las mquinas llegan al taller segn un
proceso de Poisson de parmetro 5 mquinas por hora y que el tiempo de reparacin con que
reparan los robots sigue una distribucin exponencial.
Adems los robots se averan, siendo
f (x )
32
(x 0.75) 0.75 x 1
3
16
(1.5 x ) 1 x 1.5
3
0
resto
la distribucin del tiempo en horas hasta que se averan y 15 minutos el tiempo que tarda en ser
reparado un robot. Cuando una mquina se estropea se interrumpe lo que est haciendo, si es
que est activa en ese momento, continuando el proceso una vez reparado en el punto en que se
dej el proceso.
a) Obtener el coste por hora del primer robot, mediante una traza que simule hasta 2 horas (no
incluir eventos posteriores a 2 horas), explicando cules son todos los elementos del modelo
(variables de estado, datos, hiptesis, eventos, ...) y el procedimiento utilizado para generar
las variables aleatorias que aparecen en el modelo, utilizando los siguientes valores
07/10/2015
177
obtenidos independientemente y con distribucin uniforme en el intervalo (0,1) (cada

secuencia una variable en el orden en que se piden en la hoja de soluciones y redondear a 2
decimales los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.2, 0.1, 0.6, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2, 0.9, 0.8
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6, 0.7
Serie 3: 0.9, 0.1, 0.8, 0.6, 0.2, 0.5, 0.7, 0.4, 0.1, 0.6, 0.3, 0.7, 0.3, 0.1, 0.1, 0.4, 0.3, 0.1
b) Hacer un modelo para el problema del apartado anterior, considerando distribucin
uniforme del tiempo de vida con lmites los mismos de la distribucin del enunciado, y
considerando que la ruptura de la mquina no es tal, sino un proceso de mantenimiento que
cuando se lanza espera para ser procesado a que todos los trabajos previos ejecutndose o en
espera hayan acabado.
PROBLEMA 11
Juan Prez est estudiando la posibilidad de abrir un taller de lavado de vehculos. Los
vehculos que solicitan el servicio pueden ser dos tipos: turismos y camiones. El tiempo que se
tarda en lavar un turismo es de 4 minutos, y el tiempo de un camin es el doble que el requerido
por los turismos, siendo el porcentaje de turismos del 65 %. Supngase que no hubiera
limitacin de espacio y que utiliza una mquina rpida. Para asegurar que el lavado es correcto
un 25 % de los vehculos (elegidos de forma aleatoria, no con un orden) que terminan un
servicio han de pasar de nuevo por el servicio de lavado para recibir otro lavado cuya duracin
sigue una distribucin con funcin de densidad f (x )
12 x
32
0
12
. Estos
resto
vehculos tienen prioridad no interruptora respecto a los del lavado normal. Por otra parte, el
tiempo entre dos llegadas de vehculos sigue una distribucin Exponencial de media 7 minutos.
a) Hacer un modelo de simulacin de eventos discretos con incremento de tiempo al prximo
evento para obtener los ingresos esperados durante un tiempo mximo T si los turismos
pagan 3 euros y los camiones 5, definiendo todos los elementos que intervienen.
b) Obtener los ingresos durante 45 minutos del funcionamiento del taller mediante una traza,
explicando el procedimiento utilizado para generar las variables aleatorias que aparecen en
el modelo, utilizando los siguientes valores obtenidos independientemente y con
distribucin uniforme en el intervalo (0,1) (cada secuencia una variable en el orden en que
se piden en la hoja de soluciones y redondear a 2 decimales los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.6, 0.2, 0.3, 0.8, 0.1, 0.9, 0.7, 0.6, 0.1, 0.5, 0.1, 0.3, 0.5, 0.1, 0.8
178
07/10/2015
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6, 0.7
Serie 3: 0.9, 0.2, 0.8, 0.6, 0.2, 0.5, 0.7, 0.4, 0.1, 0.6, 0.3, 0.7, 0.3, 0.5, 0.1, 0.4, 0.3
PROBLEMA 12
Sea una planta de produccin con un puesto al que llegan dos tipos de producto, P1 y P2. El
tiempo entre llegadas de los productos se considera que sigue una distribucin F1, de las cuales
el 65 % son productos de tipo P1. Los productos llegan en un orden aleatorio. En el puesto hay
un robot que tarda en procesar los productos de tipo P1 un tiempo distribuido segn una
distribucin G1 y los productos de tipo P2 segn una distribucin G2. El robot tiene dos modos
de configuracin, uno para cada tipo de producto, de forma que para cambiar de modo de
configuracin (pasar de procesar un producto de un tipo a procesar uno de otro tipo), el robot
requiere un tiempo de ajuste de Taj minutos. Por esta razn, el orden en que se procesan los
productos es tal que si el robot est procesando un producto de un tipo a continuacin procesar
otro del mismo tipo, hasta que no le queden ms, es decir, hasta que al acabar un producto no
queden ms de ese tipo en la cola. Inicialmente, el modo en que est configurado el robot es el
modo 1, es decir, para procesar productos de tipo P1.
a) Hacer un modelo de simulacin de eventos discretos con incremento de tiempo al prximo
evento para obtener el nmero de productos procesados de cada tipo durante un tiempo T y
el nmero de productos de cada tipo que quedan sin procesar al final, definiendo todos los
elementos que intervienen.
b) Obtener durante 100 minutos los productos procesados de cada tipo, y el nmero de
productos que quedan sin procesar de cada tipo al final, siendo:
f (x )
0.1345e
0
x 10
16
10
20
resto
funcin de densidad de la distribucin F1, G1 determinista de valor 5 minutos, G2

determinista de valor 30 minutos, y el tiempo de ajuste Taj de 5 minutos. Explicar el
procedimiento utilizado para generar las variables aleatorias que aparecen en el modelo,
utilizando los siguientes valores obtenidos independientemente y con distribucin uniforme
en el intervalo (0,1) (cada secuencia una variable en el orden en que se piden en la hoja de
soluciones y redondear a 2 decimales los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.6, 0.2, 0.3, 0.8, 0.1, 0.9, 0.7, 0.6, 0.1, 0.5, 0.1, 0.3, 0.5, 0.1, 0.8
Serie 2: 0.8, 0.1, 0.9, 0.6, 0.2, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6, 0.7, 0.3
07/10/2015
179
PROBLEMA 13
El servicio de entrega de las declaraciones de la renta en la Agencia Tributaria

consiste en dos ventanillas, la primera para comprobar que la declaracin es correcta y
la segunda para pagar o recibir el importe de la declaracin. Una vez que la declaracin
es verificada en la ventanilla primera toda persona se pone en cola en la segunda. Una
vez saldada su cuenta con Hacienda la persona se va de la Agencia Tributaria. Los
declarantes llegan a la Agencia segn una distribucin exponencial de tiempo entre
llegadas con media de 1 minuto. Los tiempos de servicio de las respectivas ventanillas
siguen una distribucin discreta. El tiempo de servicio de la primera es de 0.6 minutos
con probabilidad 0.2, 0.7 minutos con probabilidad 0.5 y 0.8 minutos con probabilidad
0.3. El tiempo de servicio de la segunda es de 0.8 minutos con probabilidad 0.1, 0.9
minutos con probabilidad 0.7 y 1 minuto con probabilidad 0.2.
a) Hacer un modelo de simulacin que simule el proceso estocstico que ocurre en la
Agencia Tributaria durante 10 minutos, con el objetivo de estimar el tiempo medio
pasado por los clientes en dicha agencia y el nmero medio de personas en cada cola
y en el sistema. Suponer que las ventanillas estn vacas al comienzo.
b) Representar en una tabla el avance del tiempo de simulacin, los eventos que se
producen y su tipo, y el valor instantneo del nmero de personas en cada cola de
cada ventanilla y siendo atendidas.
Para representar el comportamiento de las variables aleatorias se han extrado estas
tres series independientes y uniformes de nmeros pseudoaleatorios distribuidos entre 0
y 1 suficientemente largas que se utilizarn para determinar cada una de las variables
aleatorias consecutivamente.
Serie 1: 0,76 0,06 0,16 0,79 0,54 0,59 0,17 0,88
Serie 2: 0,12 0,03
0,3 0,38 0,79 0,46 0,19
0,5 0,93 0,33 0,64 0,51 0,73 0,23 0,62
0,5 0,14
0,6 0,44 0,79 0,01 0,99 0,63 0,37
Serie 3: 0,74 0,73 0,42 0,91 0,02 0,49 0,71 0,62 0,98 0,59 0,05 0,17 0,24 0,78 0,84
0,4
180
07/10/2015
VIII.4 Resultados de los problemas de simulacin de

sistemas dinmicos
En primer lugar se presentar el modelo con todos los elementos que incluye y en segundo
lugar se presentar la traza, junto con los mtodos utilizados para generar las variables aleatorias
que se describen.
ELEMENTOS DEL MODELO:
Variables de estado:
El objetivo de la simulacin va a ser estudiar el coste diario esperado en una empresa de
envasado; se va a tener en cuenta que el nmero de cmaras de congelacin puede ser ms
de una (para ello, utilizamos el parmetro K). Para saber el coste diario, al final de cada da
deberemos saber el nmero de lotes rechazados. Para ello vamos a usar las siguientes
variables de estado:
N1(t) = Nmero de lotes que hay en la envasadora 1 .
N2(t) = Nmero de lotes que hay en la envasadora 2 .
NR/t)= Nmero de lotes que se rechazan .
NE(t)= Nmero de envases que se congelan en las K camaras disponibles.
Nota: El nmero total de clientes en nuestro sistema va a ser N1+N2+NE.
Eventos:
Los eventos que se pueden dar en nuestro sistema tal que produzcan un cambio en el mismo
son:
- Llegada de un lote.
- Servicio de un lote en envasadora 1.
- Servicio de un lote en envasadora 2.
Mecanismo de transicin:
Los cambios que se producen en el estado del sistema cuando se produce uno de los eventos
anteriormente descritos son:
07/10/2015
181
- Llegada de un lote.
N1
N1
N1
N2
N2
N2
0 N1
NE
NE
N2
1 N1
1.NE
NR
NR
N2
1 N1
1.NE
- Servicio de un lote en envasadora 1. N1

N1-1 o NE
NE-1
- Servicio de un lote en envasadora 2. N2
N2-1 o NE
NE-1
Datos:
- Distribucin de tiempos entre llegadas al sistema (Discreta).
- Distribucin de los tiempos de servicio en ambas envasadoras (Exponencial)
- TMAX = tiempo mximo de simulacin. (8 horas = 480 minutos).
Otras variables:
- TM: Reloj de simulacin.
- DL: Tiempo entre llegadas = Discreta.
- DS1: Tiempo de servicio envasadora1 = Exponencial.
- DS2: Tiempo de servicio envasadora2 = Exponencial.
- TL: Instante de la prxima llegada.
- TS1: Instante del prximo final de servicio en envasadora1
- TS2: Instante del prximo final de servicio en envasadora2
MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; NR = 0; NE = 0; TM= 0; TS1=inf.; TS2=inf.;
Generar DL; TL = DL
1.- Actualizacin del reloj de simulacin:
TM = min (TL, TS1, TS2);
N= N1 +N2 + NE;
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL. Llamar a subrutina: Llegada a sistema.
Si TM = TS1. Llamar a subrutina: Servicio1.
3.- Regla de parada.
Si TM<TMAX, ir a 1. Si no, parar:
N1, N2. NR. Coste
5000 k
NR 10000
182
07/10/2015
Subrutinas
Llegada a sistema
1.- Si N1 = 0, N1=N1+1. Generar DS1, poner TS1=TM+DS1
Si no
Si N2= 0, N2= N2+1. Generar DS2 poner TS2=TM+DS2
Si no,
Si NE < k Entonces NE=NE+1
Si no, NR= NR + 1;
2.- Generar DL, poner TL=TM+DL.
3.- Volver a Programa principal.
Servicio1
1.- Si NE>0 entonces NE=NE-1; Generar DS1, poner TS1 =TM +DS1,
Si no, N1=N1-1, TS1=inf.
Servicio2
1.- Si NE>0 entonces NE=NE-1; Generar DS2, poner TS2 =TM +DS2,
Si no, N2=N2-1, TS2=inf.
MTODOS DE GENERACIN DE VARIABLES ALEATORIAS:

- Los tiempos de llegada al sistema: distribucin discreta.
Probabilidad de 0.25 que sean 15 minutos: Si u<0.25,
x 15
Probabilidad de 0.5 que sean 30 minutos:
x 30
Si 0.25<u<0.75,
Probabilidad de 0.25 que sean 45 minutos: Si u>0.75,
x 45
Valores para DL con la serie 1:

0.2, 0.3, 0.9, 0.7, 0.1, 0.2, 0.9, 0.2, 0.6, 0.5, 0.8, 0.3, 0.7, 0.9, 0.4, 0.8
- Llegadas al servicio1 y 2: distribucin exponencial de media 1 minuto, truncada en 45
minutos: x=-Ln(u);
- Valores para DS1 y DS2 con la serie 2:
0.1, 0.3, 0.7, 0.6, 0.9, 0.8, 0.2, 0.5, 0.1, 0.3, 0.7, 0.2, 0.6, 0.4, 0.9 0.47 0,19 0,074
07/10/2015
183
TRAZA: (k=1)
DL: Tiempo de llegada a la ventanilla 1:
15 30 45 30 15 15 45 15 30 30 45 30 30 45 30 45
DS1: Tiempos de servicio1 y 2:
138 72 nulo nulo nulo nulo 96 nulo 138 72 nulo 96 nulo 54 nulo 45 99 156
Nota: Usaremos los nmeros aleatorios para ambos servicios.

N even. TM
Evento
N1 N2 NR NE
TL
TS1 TS2
Inicio
15
15
Llegada
45
153
45
Llegada
90
153
117
90
Llegada
120
153
117
117
Servicio2
120
153
213
120
Llegada
135
153
213
135
Llegada
150
153
213
150
Llegada
195
153
213
153
Servicio1
195
291
213
195
Llegada
210
291
213
10
210
Llegada
240
291
213
11
213
Servicio2
240
291
285
12
240
Llegada
270
291
285
13
270
Llegada
315
291
285
14
285
Servicio2
315
291
381
15
291
Servicio1
315
16
315
Llegada
345
345
381
17
345
Llegada
375
345
381
18
345
Servicio1
375
390
381
19
375
Llegada
420
390
381
20
381
Servicio2
420
390
480
21
390
Servicio1
420
546
480
22
420
Llegada
450
546
480
23
450
Llegada
495
546
480
24
480
Servicio2
381
184
07/10/2015
La solucin final y objetivo del problema, ser:

Al cabo de 8 horas se tiene que
Coste
5000 k
NR 10000
5000 1
4 10000
45000pts
272.

que se describen.
El objetivo de la simulacin va a ser estudiar el nmero de autobuses que hay en el sistema,
formado por las zonas de inspeccin y de reparacin (vamos a saber cal es el n de
autobuses en cada zona en cada momento):
N1(t) = Nmero de clientes que hay en el servidor 1 ( zona de inspeccin).
N2(t) = Nmero de clientes que hay en el servidor 2 ( zona de reparacin).
Nota: El nmero total de clientes en nuestro sistema va a ser N1+ N2.
Eventos:
son:
- Llegada de un autobs al servidor 1.
- Servicio de un autobs en el servidor 1, que implica la llegada de autobs al servidor 2 o
la salida definitiva del sistema despus de servicio 1
- Servicio de un autobs en el servidor 2 (lo que equivale a irse definitivamente del
sistema).
- Llegada de un autobs al servidor 1 : N1 N1+1.
- Servicio de un autobs del servidor 1. N1
N1-1. y con probabilidad p es la llegada de
un autobs al servidor 2 N2
N2+1, o la salida definitiva del sistema despus de
servicio 1.
- Servicio de un autobs en el servidor2: N2
N2-1.
07/10/2015
185
Datos:
- Distribucin de tiempos entre llegadas a la zona de inspeccin (la llegada se produce
cada 30 minutos).
- Distribucin de los tiempos de servicio en la zona de inspeccin 1 (distribucin
trapezoidal).
- Llegada de autobuses a la zona de reparacin (discreta), p.
- Distribucin de los tiempos de servicio en la zona de reparacin (distribucin Gamma de
parmetros p = 0,2 y a = 0,05, truncada en 30 minutos).
- TMAX = tiempo mximo de simulacin. ( 4 horas =240 minutos).
Otras variables:
- DL1: Tiempo entre llegadas al servidor 1 = Cte.
- DS1: Tiempo de servicio ventanilla1 = Trapeizoidal.
- DS2: Tiempo de servicio ventanilla2 = Gamma.
- DP: Tipo de servicio despus de salir de servidor1 (llegada a servidor 2 o salida
definitiva).
- TL1: Instante de la prxima llegada.
- TS1: Instante del prximo final de servicio en ventanilla1.
- SUMA: contador acumulado suma de reas de autobuses en el sistema por tiempo de
permanencia.
- TANT: variable auxiliar.
- NANT: variable auxiliar.
MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; TM = 0; TS1=inf.; TS2=inf.;
DL1 = 30; TL = DL1; SUMA=0;
1.- Actualizacin del reloj de simulacin: TM = min (TL, TS1, TS2);
Si TM = TL1. Llamar a subrutina: Llegada a servidor 1.
186
07/10/2015

Si TM< TMAX, ir a 1. Si no, parar: N1, N2.
N = N1 + N2;
SUMA/TM
Subrutinas
Llegada a servidor1
1.- N1=N1+1:
2.- Generar DL, poner TL1= TM+DL.
Si N1=1, Generar DS1, poner TS1=TM+DS1
3.- SUMA = SUMA + NANT x (TM-TANT)
4.- NANT=N1+N2, TANT=TM
Servicio1
1.- N1 = N1 - 1; .
2.- Si N1 = 0, poner TS1=inf. Si no, Generar DS1, poner TS1 = TM + DS1
3.- Generar TP.
-Si TP = servidor 2 (prob. p), N2= N2+1; Si N2=1, Generar DS2, poner TS2 = TM +
DS2
Servicio2
1.- N2 = N2 1.
2.- Si N2 = 0, poner TS2= inf. Si no, Generar DS2, poner TS2 = TM + DS2
07/10/2015
187

- Llegadas al servidor 1: Cte de 30 min.
- Distribucin de los tiempos de servicio en la zona de inspeccin 1 (distribucin
trapezoidal).
x
f1(x )
20
20
50
0.1
25
35 x
50
0
30
25
30
35
resto
Valores para DS1 con la serie 1:

Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Modo de obtencin de las variables aleatorias:
(20, 35);
max f (x ) : x
0,1;
(20, 35) ;
Genero
u1, u 2
x
20
15 u1;
0,1 u 2;
Calculof (x )
Si y
f (x )
Acepto x ;
- Llegada de autobuses a la zona de reparacin (discreta). Generacin de TP.

Probabilidad de 0.3 que el autobs pase al servidor 2:
Si u<0.3, TP
servidor2.
Probabilidad de 0.7 que el autobs se vaya definitivamente del sistema.
TP
Fuera
Si
0.3<u<1,
Usaremos la serie 2:
0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
188
07/10/2015
- Distribucin de los tiempos de servicio en la zona de reparacin (distribucin Gamma de

parmetros p = 2 y a = 0,05) truncada en 30 minutos:
Nota: Al ser el parmetro p natural, vamos a usar una Erlang(2, 0.05)
p
ln ui
De la serie 3 calcularemos: x
i 1
Vamos a usar la serie 3:

0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
TRAZA:
DS1: Tiempos de servicio del servidor 1 salen:
27,5 24,5 33,5 nulo 32 29 nulo 33,5 26
DS2: Tiempos de servicio de la ventanilla 2:
64,37 nulo 39,32 59,91 nulo nulo 34,29 31,21 37,94
TP: S2, Fuera, Fuera, Fuera, Fuera, S2, S2, Fuera, Fuera, , Fuera, Fuera Fuera, Fuera S2 S2
Fuera S2 fuera
N Evento
TM
Evento
N1 N2
Inicio
30
Llegada
57.5
Servicio1
60
60
Llegada
90
84.5
Servicio1
90
90
Llegada
120 123.5 121.87
84.5
120
Llegada
150 123.5 121.87
144.5
150.11
TL
TS1
TS2
TP
30
60
SUMA
0
57.5
0
121.87
84.5
S2
27.5
121.87
30
121.87 Fuera
79
121.87 Servicio2
150 123.5
123.5
Servicio1
150 155.5
150
Llegada
180 155.5
10
155.5
Servicio1
180 184.5
11
180
Llegada
210 184.5
12
184.5
Servicio1
210
218
13
210
Llegada
240
218
14
218
Servicio1
240
244
257
15
240
Llegada
270
244
257
Fuera
153.37
179.87
Fuera
190.87
215.37
Fuera
224.37
249.87
S2
265.87
309.87
07/10/2015
189
Al cabo de las 4 horas el nmero total de autobuses es:

N= N1 + N2 = 3 autobuses en el taller de mantenimiento.
Al cabo de los 4 horas el nmero medio de autobuses es:
SUMA/TM = 1,29 autobuses cada minuto en el sistema.

que se describen.
Variables de estado: El objetivo de la simulacin va a ser estudiar el nmero medio de
pedidos sin atender que quedan al final del da; as pues, las variables de estado van a ser:
N(t) = Nmero de pedidos de ambos tipos que hay en el sistema.
Eventos:
son:
- Llegada de pedido.
- Fabricacin de pedido.
-
Llegada de pedido. N
N+1
- Fabricacin de pedido. N2 N - 1
Datos:
- Distribucin de tiempo entre pedidos. Es uniforme entre 3 y 5 horas.
- Distribucin de tiempo de fabricacin de tipo de producto 1 (normal)
- Distribucin de tiempo de fabricacin de tipo de producto 2 (triangular)
- Tipo de pedido (discreta)
- TMAX = tiempo mximo de simulacin. (40 horas).
Otras variables:
- DL: Tiempo entre pedidos. (uniforme).
- DS1: Tiempo de servicio tipo 1 = Normal.
190
07/10/2015
DS2: Tiempo de servicio tipo 2 = Normal.

TL: Instante de la prxima llegada de cualquier tipo de pedido.
TS1: Instante del prximo final de servicio de tipo 1.
TS2: Instante del prximo final de servicio de tipo 2.
TP: Tipo de pedido.
MODELO:
Programa principal:
0.- Inicializacin
N = 0; TM = 0; TS1 = inf.; TS2 = inf.; SUMA =0;
Generar DL;
TL = DL;
1.- Actualizacin del reloj de simulacin: TM = min (TL TS1, TS2);
TANT =TM;
Si TM = TL1. Llamar a subrutina: Llegada a fabricaron.
Si TM < TMAX, ir a 1. Si no, parar: SUMA/TM
Subrutinas
Llegada a fabricacin
1.- N = N + 1;
2.- Generar DL; TL = TM + DL;
3.- Si N = 1; Generar TP;
Si TP = 1; Generar DS1 TS1= TM + DS1; TS2 = inf.
4.- SUMA
SUMA
(N
1) (TM
TANT )

Servicio1
1.- N = N - 1.
2.- Si N = 0, poner TS1 = inf. TS2 = inf.
Si N > 0;Generar TP;
07/10/2015
191

3.- SUMA
SUMA
(N
1) (TM
TANT ).

Servicio2
1.- N = N - 1.
2.- Si N = 0, poner TS1 = inf. TS2 = inf.
Si N > 0 Generar TP;
Si TP = 2; Generar DS2 TS2= TM + DS2; TS1 = inf;
3.- SUMA
SUMA
(N
1) (TM
TANT ).

- Llegadas de pedidos: distribucin uniforme de entre 3 y 5 horas.
Usamos la serie:
Serie 3: 0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
Calculamos las variables aleatorias:
Dado u (0,1); tenemos que x = 3 + (5-3) u;
Resultado: 3.2 3.8 4 4.2 4.4 3.4 3.2 4 4.4 4.8 4.6 4.2 4.8 3.4 3.6 4.4 3.6 4
- Los tiempos de fabricacin de los pedidos de tipo 1: distribucin normal de media 4 horas
y desviacin tpica 1.
Vamos a usar como nmeros aleatorios:
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Dado u (0 ,1); tenemos que x = 1 u + 4;
Resultado:
4.5, 4.9, 4.3, 4.7, 4.9, 4.2, 4.1, 4.6, 4.8, 4.3, 4.6, 4.1, 4.8, 4.7, 4.9, 4.1, 4.4, 4.2
- Los tiempos de fabricacin de los pedidos de tipo 2: distribucin triangular simtrica

entre 2 y 4 horas.
192
07/10/2015
Vamos a usar como nmeros aleatorios:

Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
Dado u1, u2 (0,1); tenemos el tringulo de base (2,4) y altura (0,1):
Mtodo:
(2, 4);
max f (x ) : x
1;
Genero
(2, 4) ;
u1, u 2
2 u1;
1 u 2;
Calculof (x )
Si y
f (x )
Acepto x ;
Resultado: No acepto; No acepto; No acepto; 3.4; 2.4; 3.6; No acepto; No acepto; 3.4:
- Lo tipos de pedido se distribuyen segn una discreta; vamos a usar:

Serie 4: 0.2, 0.7, 0.5, 0.3, 0.1, 0.9, 0.5, 0.6, 0.2, 0.8, 0.7, 0.4, 0.5, 0.6, 0.9, 0.3, 0.1, 0.4
Probabilidad de 0.35 que sea de tipo1:
Si u<0.35,
Probabilidad de 0.65 que sea de tipo 2.:
Si 0.35<u<1,
Valores para TP segn la serie 4: 1 2 2 2 2 1 1 2 2 2 2 2 2 1 1 2 1 2
TRAZA:
DL: Tiempo de llegadas al sistema:
3.2 3.8 4 4.2 4.4 3.4 3.2 4 4.4 4.8 4.6 4.2 4.8 3.4 3.6 4.4 3.6 4
DS1: Tiempos de fabricacin de pedido 1:
4.5, 4.9, 4.3,
4.7, 4.9, 4.2, 4.1, 4.6, 4.8, 4.3, 4.6, 4.1, 4.8, 4.7, 4.9, 4.1, 4.4, 4.2
DS2: Tiempos de fabricacin de pedido 2:
No acepto; No acepto; No acepto; 3,4; 2,4; 3,6; No acepto; No acepto; 3,4:
TP: tipo de pedido: 1 2 2 2 2 1 1 2 2 2 2 2 2 1 1 2 1 2
07/10/2015
193
N
Reloj
evento TM
Tipo
evento
N TL
TS1
Inicio
3.2
3.2
Llegada
7.7
Llegada
11
7.7
7.7
Servicio1 1
11
11
Llegada
TS2
11.1
11.1
Servicio2 1 15.2
13.5
13.5
Servicio2 0 15.2
15.2
18.8
19.6
Llegada
10
23
Llegada
2 26.4
11
23
7.1
2
18.8
Servicio2 0 19.6
23
27.9
2 29.6
27.9
13
27.9 Servicio1 1 29.6
32.2
14
29.6 Llegada
32.2
15
32.2 Servicio1 1 33.6
35.6
16
33.6 Llegada
38
35.6
17
35.6 Servicio2 1
38
38
19
38
Servicio2 1 42.8
7.1
2 42.8
7.1
10.5
26.4 Llegada
Llegada
23
12
38
7.1
7.1
23
18
3.8
7.1
1 19.6
2 33.6
0
3.8
11.1
Servicio2 1 26.4
SUMA
2 15.2
Llegada
TP
10.5
13.9
13.9
15.6
15.6
17
17
38
19.4
41.6
19.4
Al cabo de estas 40 horas se han dejado sin atender 1 pedido. Se han dado servicio a una
media de 19.4/40 = 0.485 productos cada hora.
194
07/10/2015

que se describen.
El objetivo de la simulacin va a ser estudiar el factor de utilizacin de la impresora.
NES(t) = Nmero de trabajos que esperan para ser procesados por el servidor
NEI(t) = Nmero de trabajos que esperan en el buffer para ser impresos o estn siendo
impresos.
N(t) = Nmero de trabajos impresos.
Eventos:
Los eventos que se pueden dar en nuestro sistema produciendo un cambio en el mismo son:
- Llegada de un trabajo al servidor.
- Servicio de un trabajo en el servidor = Llegada de cliente al buffer directamente a
impresin.
- Impresin de un trabajo (lo que equivale a irse definitivamente del sistema).
- Llegada de un cliente al servidor 1 : NES
NES+1.
- Servicio de un trabajo en el servidor =Llegada de un cliente al servidor 2
NES(t)
NES(t)-1;
NEI(t)
NEI(t)+1.
- Servicio de un cliente en el servidor2: NEI(t)

N(t)
NEI(t)-1.
N(t) + 1.
Datos:
- Distribucin de tiempos entre llegadas al servidor (exponencial de media 5 minutos)
- Distribucin de los tiempos de servicio del servidor (trapezoidal)
- Distribucin de los tiempos de impresin de la impresora (G(x))
- TMAX = tiempo mximo de simulacin. (30 minutos).
Otras variables:
07/10/2015
195
TU: tiempo que la impresora ha estado trabajando.

DL: Tiempo entre llegadas = Exponencial.
DS1: Tiempo de servicio servidor = Trapezoidal.
DS2: Tiempo de servicio impresora = G(x).
TL: Instante de la prxima llegada.
TS1: Instante del prximo final de servicio en servidor.
TS2: Instante del prximo final de servicio en impresora.
MODELO:
Programa principal:
0.- Inicializacin
NES = 0; NEI = 0; N = 0;TM = 0; TS1 = inf.; TS2 = inf.; TU = 0
Generar DL; TL = DL
Si TM = TL. Llamar a subrutina: Llegada a servidor.
Si TM = TS1. Llamar a subrutina: Servicio.
Si TM = TS2. Llamar a subrutina: Impresin.
Si TM < TMAX, ir a 1. Si no, parar: NES, NEI, N, factor de utilizacin = TU/TM;
Subrutinas
Llegada a servidor
1.- NES = NES + 1:
2.- Generar DL, poner TL = TM + DL.
Si NES = 1, Generar DS1, poner TS1 = TM + DS1:
Servicio
1.- NES = NES - 1; NEI = NEI + 1.
2.- Si NES = 0, poner TS1 = inf. Si no, Generar DS1, poner TS1 = TM + DS1;
196
07/10/2015
Si NEI = 1, Generar DS2, poner TS2 = TM + DS2; TU = TU +DS2.

Impresin
1.- NEI = NEI 1. N = N + 1;
2.- Si NEI = 0, poner TS2 = inf. Si no, Generar DS2, poner TS2 = TM + DS2;
TU = TU + DS2.

- Los tiempos de llegada al sistema: distribucin exponencial de media 5
Se emplea el mtodo de la transformada inversa; mediante los nmeros aleatorios uniforme
u
[0,1) obtenemos DL: x
ln(u )
1/ 5
Usamos serie 1: 0.5, 0.9, 0.3, 0.7, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4,
0.2, 0.9
3.47 0.53 6.02 1.78 8.05 11.51 2.55 1.12 6.02 2.55 11.51 1.12 1.78 0.53 11.51 4.58 8.05
0.53
- Los tiempos de servicio del servidor: distribucin trapezoidal de funcin de densidad:.
f (x )
4
x
3
2/3
2
(2.25
3
0
0.5
x
0.5
x ) 1.25
1.25
2.25
resto
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
07/10/2015
197
(0.2,25);
max f (x ) : x
2 / 3;
Genero
(0.2,25) ;
u1, u 2
2,25 u1;
2 / 3 u 2;
Calculof (x )
Si
f (x )
Acepto x ;
Valores para DS1: 0.45 no acepto no acepto 1.575 0.675 1.8 0.9 0.45 1.575
-Los tiempos de servicio de la impresora DS2: funcin de distribucin G(x):
0
x
G (x )
1
12
5
20
10
10
15
15
Usamos el mtodo de la transformada inversa:

Si u < 0.75
12
Si u > 0.75
20
Usamos la serie 3:
Serie 3:0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
Resultados para DS2:
4.6 5.8 11 8.2 9.4 3.4 2.2 7 9.4 13 11 8.2 13 3.4 4.6 9.4 4.6 7
TRAZA:
DL: 3.47 0.53 6.02 1.78 8.05 11.51 2.55 1.12 6.02 2.55 11.51 1.12 1.78 0.53 11.51 4.58
8.05 0.53
DS1: 0.45 no acepto no acepto 1.575 0.675 1.8 0.9 0.45 1.575
DS2: 4.6 5.8 11 8.2 9.4 3.4 2.2 7 9.4 13 11 8.2 13 3.4 4.6 9.4 4.6 7
198
07/10/2015
N evento Reloj TM Tipo evento NES NEI

0
TL
TS1
TS2
TU
8.52
4.6
8.52
4.6
Inicio
3.47
3.47
Llegada
3.92
Servicio
Llegada
10.02
5.75
Servicio
10.02
8.52
4.6
8.52
Impresin
10.02
14.32
10.4
10.02
Llegada
11.8
10.7
14.32
10.4
10.7
Servicio
11.8
12.5
14.32
10.4
11.8
llegada
19.85
12.5
14.32
10.4
12.5
Servicio
19.85
14.32
10.4
10
14.32
Impresin
19.85
25.32
21.4
11
19.85
Llegada
31.36
25.32
21.4
12
20.75
Servicio
31.36
25.32
21.4
13
25.32
Impresin
31.36
33.52
29.6
3.92
5.75
20.75
El factor de utilizacin resulta de dividir el nmero de trabajos impresos entre el tiempo de

utilizacin de la mquina en los 30 minutos simulados.
Factor de utilizacin = 3/29.6 = 0.101.

que se describen.
El objetivo de la simulacin va a ser estudiar el coste por hora del primer robot:
N1(t) = Nmero de maquinas que hay en el taller de reparacin.
R: Variable que me dice si el robot esta funcionando (R = 0) o esta arreglndose (R = 1).
Eventos:
son:
- Llegada de una mquina al taller.
07/10/2015
199
- Reparacin de una maquina = Salida de mquina del taller.

- Inicio avera de un robot.
- Fin reparacin del robot
- Llegada de una mquina al taller : N1
N1+1.
- Reparacin de una maquina = Salida de mquina del taller.
N1
N1-1;
- Avera de un robot. N1 se mantiene. R=0

- Fin de reparacin de robot. R=1
Datos:
- Distribucin de tiempos entre llegadas de mquinas al taller (Poisson de parmetro 5 )
- Distribucin de los tiempos de reparacin (exponencial)
- Distribucin de los tiempos de avera del robot: f(x)
- Tiempo de duracin de reparacin robot 15 min.
Otras variables:
- DL: Tiempo entre llegadas = Poisson
- DS1: Tiempo de reparacin = Exponencial.
- DAR: Tiempo entre averas de robot. F(x).
- TS1: Instante del prximo final de reparacin.
- TAR: Instante del prximo final de avera de robot.
- TFR: instante del prximo final de reparacin de robot
- SUMA: contador acumulado suma de reas de taller en el sistema por tiempo de
permanencia.
- TANT: variable auxiliar.
- NANT: variable auxiliar.
- A: Variable auxiliar que me dice cuanto tiempo trabaja el robot.
- T(t) :Tiempo que el robot esta funcionando.
MODELO:
Programa principal:
200
07/10/2015
0.- Inicializacin
N1 = 0; N2 = 0; TM = 0; TS1 = inf.; TFR = inf.; NNAT = 0; TANT = 0; R=0 ; A = 0 ;
Generar DL; TL = DL
Generar DAR; TAR = DAR;
1.- Actualizacin del reloj de simulacin: TM = min (TL, TS1, TAR, TFR);
Si TM = TL. Llamar a subrutina: Llegada a taller.
Si TM = TS1. Llamar a subrutina: Reparacin.
Si TM = TAR. Llamar a subrutina: Avera.
Si TM = TFR. Llamar a subrutina: Fin Avera.
Si TM < TMAX, ir a 1. Si no, parar:
Coste = 1000 2+2000 A/60+8000 SUMA/120
Subrutinas
Llegada a taller
1.- Si R = 0
1.- N1 = N1 + 1:
Si N1 = 1, Generar DS1, poner TS1 = TM + DS1, A = DS1 + A;
NANT=N1, TANT=TM
Volver a Programa principal.
2.- Si R = 1
N1 = N1 +1
Si N1 = 1
Generar DS1, TS1 = TFR + DS1, A = DS1 + A;
3. Generar DL, poner TL = TM + DL.
SUMA = SUMA + NANT x (TM-TANT)
NANT=N1, TANT=TM
4. Volver a Programa principal.
07/10/2015
201
Reparacin
1.- N1 = N1 - 1;
2.- Si N1 = 0, poner TS1 = inf. Si no, Generar DS1, poner TS1 = TM + DS1; A = A + DS1;
3.-SUMA = SUMA + NANT x (TM-TANT)
4.- NANT=N1, TANT=TM
Avera
R=1
1.- TFR = TAR + 15;
Si N >= 1
TS1 = TS1 + 15;
2.-SUMA = SUMA + NANT x (TM-TANT)
3.- NANT=N1, TANT=TM
Fin avera
R=0
1.- TFR = infinito;
Generar DAR; TAR = DAR + TM;
2.- Volver a programa principal

- Llegadas al taller: distribucin exponencial de media 1/5 *60 = 12 minutos
X = -Ln(u)*12;
8,31 1,26 14,44 4,28 19,31 27,63 6,12 14,44 6,12 27,63 2,67 4,28 1,26 27,63 10,99 19,31
1,26 2,67
202
07/10/2015
- Los tiempos de reparacin: distribucin exponencial. El robot 1 arregla. 6 mquinas por

hora: Exponencial de media 10 minutos.
X = -Ln(u) 10;
Valores para DS1 con la serie 2:
16,09 2,23 22,07 6,93 1,05 5,10 23,02 12,03 5,10 2,23 12,03 9,16 6,93 16,09 1,05 3,56 5,10
3,56
-
Los tiempos de servicio del servidor: distribucin de funcin de densidad:.
f (x )
32
(x 0.75) 0.75 x 1
3
16
(1.5 x ) 1 x 1.5
3
0
resto
Serie 3: 0.9, 0.1, 0.8, 0.6, 0.2, 0.5, 0.7, 0.4, 0.1, 0.6, 0.3, 0.7, 0.3, 0.1, 0.1, 0.4, 0.3, 0.1
(0, 75.1, 5);
max f (x ) : x
2, 66
Genero
(0, 75.1, 5) ;
u1, u 2
0, 75
0, 5 u1;
2, 66 u 2;
Calculof (x )
Si
f (x )
Acepto x ;
Valores para DAR (en minutos): 72 No acepto 69 63 51 60 66 57 48

TRAZA:
DL: Tiempo de llegada al taller: 8,31 1,26 14,44 4,28 19,31 27,63 6,12 14,44 6,12 27,63
2,67 4,28 1,26 27,63 10,99 19,31 1,26 2,67
DS1: Tiempos de reparacin del robot 1: 16,09 2,23 22,07 6,93 1,05 5,10 23,02 12,03 5,10
2,23 12,03 9,16 6,93 16,09 1,05 3,56 5,10 3,56
Valores para DAR (en minutos): Tiempos de avera robot. 72 No acepto 69 63 51 60 66 57 48
07/10/2015
203
N
Reloj
evento TM
Tipo
evento
N1 N2
TL
Inicio
8.31
8.31
Llegada
16.09
9.57
9.57
Llegada
24.01
Llegada
24.4
Reparacin
26.63
TS1
TAR
TFR
R SUMA
72
24.4
72
16.09 24.01
24.4
72
1.26
16.09 28.29
24.4
72
30.14
18.32 28.29
26.63
72
31.31
Reparacin
40.39 28.29
48.7
72
35.77
28.29
Llegada
40.39
47.6
48.7
72
37.42
47.6
Llegada
40.39 75.23
48.7
72
76.04
48.7
Reparacin
47.32 75.23
55.63
72
79.34
55.63
Reparacin
48.37 75.23
56.68
72
93.2
10
56.68
Reparacin
48.37 75.23
72
94.25
11
72
Avera
48.37 75.23
72
87
94.25
12
75.23
Llegada
53.47
77.9
92.1
87
94.25
13
77.9
Llegada
53.47 82.18
92.1
87
96.92
14
82.18
Llegada
53.47 83.44
92.1
87
1 105.48
15
83.44
Llegada
53.47 111.07
92.1
87
1 109.26
16
87
Fin avera
53.47 111.07
92.1
17
92.1
Reparacin
18
111.07
Llegada
19
115.92 Reparacin
141
0 109.26
76.49 111.07 115.02
141
0 129.66
76.49 122.07 115.02
141
0 186.57
88.52 122.07
141
0 205.97
126.8
Coste = 1000 2+2000 A/60+8000 SUMA/120 = 18679 euros en dos horas. 9339 Euros
/ hora.
204
07/10/2015
RESULTADOS DEL PROBLEMA 13

que se describen.
El objetivo de la simulacin va a ser estudiar el nmero de clientes que hay en cada una
de las ventanillas, as pues, las variables de estado van a ser:
- N1 = Nmero de clientes que hay en el servidor 1 ( ventanilla para comprobar que la
declaracin es correcta).
- N2 = Nmero de clientes que hay en el servidor 2 ( ventanilla para pagar o recibir el
importe de la declaracin ).
Nota: El nmero total de clientes en nuestro sistema va a ser N1+N2.
Eventos:
Los eventos que se pueden dar en nuestro sistema tal que produzcan un cambio en el
mismo son:
- Llegada de un cliente al servidor 1.
- Servicio de un cliente en el servidor 1 = Llegada de cliente al servidor 2
- Servicio de un cliente en el servidor 2 (lo que equivale a irse definitivamente de la
agencia o sistema).
Los cambios que se producen en el estado del sistema cuando se produce uno de los
eventos anteriormente descritos son:
- Llegada de un cliente al servidor 1 : N1 N1+1.
- Servicio de un cliente del servidor 1 =Llegada de un cliente al servidor 2
N1
N1-1;
N2
N2+1.
- Servicio de un cliente en el servidor2: N2 N2-1.

Datos:
- Distribucin de tiempos entre llegadas a la ventanilla 1 (exponencial de media 1 min.)
- Distribucin de los tiempos de servicio de la ventanilla 1 (discreta)
- Distribucin de los tiempos de servicio de la ventanilla 2 (discreta)
07/10/2015
205
Otras variables:
- DL: Tiempo entre llegadas = Exponencial.
- DS1: Tiempo de servicio ventanilla1 = Discreta.
- DS2: Tiempo de servicio ventanilla2 = Discreta.
MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; TM = 0; TS1=inf.; TS2=inf.;
Generar DL; TL = DL
Si TM = TL. Llamar a subrutina: Llegada a servidor 1.
Si TM<TMAX, ir a 1. Si no, parar: N1, N2.
Subrutinas
Llegada a servidor1
1.- N1=N1+1:
2.- Generar DL, poner TL=TM+DL.
Si N1=1, Generar DS1, poner TS1=TM+DS1:
Servicio1
1.- N1 = N1 - 1; N2 = N2 + 1.
2.- Si N1 = 0, poner TS1=inf. Si no, Generar DS1, poner TS1 = TM + DS1
Si N2=1, Generar DS2, poner TS2 = TM + DS2;
206
07/10/2015
Servicio2
1.- N2 = N2 1.
2.- Si N2 = 0, poner TS2=inf. Si no, Generar DS2, poner TS2 = TM + DS2;

- Llegadas a la ventanilla 1: distribucin exponencial de media 1 minuto: x=-Ln(u);
0.27, 2.81, 1.83, 0.23, 0.61, 0.52, 1.77, 0.12, 0.69, 0.07, 1.1, 0.44, 0.67, 00.31, 1.46, 0.47.
- Los tiempos de servicio de la ventanilla 1: distribucin discreta.
Probabilidad de 0.2 que sean 0.6 minutos:
Si u<0.2,
x 0.6
Si 0.2<u<0.7,
x 0.7
Si u>0.7,
x 0.8
Valores para DS1 segn la serie 2:

0.6, 0.6, 0.7, 0.7, 0.8, 0.7, 0.6, 0.7, 0.6, 0.7, 0.7, 0.8, 0.6, 0.8, 0.7, 0.7
-Los tiempos de servicio de la ventanilla 2: distribucin discreta.
Probabilidad de 0.1 que sean 0.8 minutos: Si u<0.1,
x 0.8
Probabilidad de 0.7 que sean 0.9 minutos: Si 0.1<u<0.8, x 0.9

Probabilidad de 0.2 que sea 1 minuto:
Si u>0.8,
x 1
Valores para DS2 segn la serie 3:

0.9, 0.9, 0.9, 1, 0.8, 0.9, 0.9, 0.9, 1, 0.9, 0.8, 0.9, 0.9, 0.9, 1, 0.9
TRAZA:
DL: Tiempo de llegada a la ventanilla 1:
0.27, 2.81, 1.83, 0.23, 0.61, 0.52, 1.77, 0.12, 0.69, 0.07, 1.1, 0.44, 0.67, 0.31
0.6, 0.6, 0.7, 0.7, 0.8, 0.7, 0.6, 0.7, 0.6, 0.7, 0.7, 0.8, 0.6, 0.8, 0.7, 0.7
0.9, 0.9, 0.9, 1, 0.8, 0.9, 0.9, 0.9, 1, 0.9, 0.8, 0.9, 0.9, 0.9, 1, 0.9
07/10/2015
207
N evento
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Reloj TM
0
0.27
0.87
1.77
3.08
3.68
4.58
4.91
5.14
5.61
5.75
6.27
6.31
6.51
7.11
7.51
7.81
8.04
8.16
8.31
8.64
8.85
8.92
9.21
9.34
9.94
10.02
Tipo evento
Inicio
Llegada
Servicio1
Servicio2
Llegada
Servicio1
Servicio2
Llegada
Llegada
Servicio1
Llegada
Llegada
Servicio1
Servicio2
Servicio1
Servicio2
Servicio1
Llegada
Llegada
Servicio2
Servicio1
Llegada
Llegada
Servicio2
Servicio1
Servicio1
Parada
N1
0
1
0
0
1
0
0
1
2
1
2
3
2
2
1
1
0
1
2
2
1
2
3
3
2
1
1
N2
0
0
1
0
0
1
0
0
0
1
1
1
2
1
2
1
2
2
2
1
2
2
2
1
2
3
3
TL
0.27
3.08
3.08
3.08
4.91
4.91
4.91
5.14
5.75
5.75
6.27
8.04
8.04
8.04
8.04
8.04
8.04
8.16
8.85
8.85
8.85
8.92
10.02
10.02
10.02
10.02
TS1
TS2
0.87
1.77
3.68
4.58
5.61
5.61
6.31
6.31
6.31
7.11
7.11
7.81
7.81
8.64
8.64
8.64
9.34
9.34
9.34
9.34
9.94
10.64
6.51
6.51
6.51
6.51
7.51
7.51
8.31
8.31
8.31
8.31
9.21
9.21
9.21
9.21
10.11
10.11
10.11
208
07/10/2015
IX Prcticas propuestas para finanzas

Estas prcticas estn propuestas como gua en el inicio a la simulacin aplicada a finanzas, con
orden creciente de complejidad, sobre todo del instrumento financiero sobre el que se proponen.
Pueden programarse en cualquier lenguaje, herramienta u hoja de clculo (Matlab, Excel).
PRCTICA 1: GENERADOR CONGRUENCIAL Y NORMAL
1. Programar un generador congruencial ( m 231 1 , a=16807, b=0)
2. Generar dos series de normales mediante Box-Mller ( x 2ln u1 cos(2 u2 ) ,
y 2ln u1 sen(2 u2 ) )
3. Hacer el histograma, y dar la media, varianza, coeficientes de asimetra y curtosis, el VaR y
la correlacin entre ambas series.
PRCTICA 2: VARIABLES ANTITTICAS Y ESTIMACIN

1. Generar las antitticas de las muestras anteriores.
2. Estimar la correlacin entre las muestras originales y sus antitticas. Estimar VaR, media y
varianza de las muestras antitticas y de las formadas por las muestras originales y las
antitticas
PRCTICA 3: MOVIMIENTO BROWNIANO

1. Generar un movimiento browniano unidimensional para T=100, con t 1 segn la
expresin X X t N (0,1) . Representar grficamente
2. Generar un movimiento browniano bidimensional para T=100, con t 1 segn la
expresin X X t N (0,1), Y Y t N (0,1) . Representar grficamente
3. Generar una muestra de valores de un movimiento browniano en T=100, con t 1 segn
las dos opciones siguientes y comparar los resultados de la estimacin de media y varianza
a.
X X t N (0,1)
b.
Z T N (0,1)
07/10/2015
209
PRCTICA 4: VALORACIN OPCIN CALL EUROPEA VAINILLA

Obtener el valor de una opcin call europea vainilla con vencimiento T. Dar la estimacin del
valor si Vcall e
rc t
Eriesgo neutro [ payoff ] (1 r ) t Eriesgo neutro [ payoff ] y la precisin (tened en
cuenta que la varianza de la estimacin del valor es S 2Vcall e rct
2
).
S payoff
1. Obtener el valor final del subyacente mediante la expresin en el plazo final
S (t ) S (0)e
1 2
rc d c t t N (0,1)
2
2. Obtener el valor final del subyacente mediante simulacin dinmica con t 1/12 y la
1 2
rc dc t t N (0,1)
2
expresin S Se
3. Obtener el valor final del subyacente mediante simulacin dinmica con t 1/12 y el
mecanismo de transicin
S S S (rt d t ) S t N (0,1) Se( rc dc ) t S t N (0,1) S (1 r d ) t S t N (0,1)

4. Comparar
los
resultados
anteriores
con
la
frmula
de
Black-Scholes
Vcall (S , t ) Se dc (d1 ) Ke rct (d2 ) , donde
d1
ln S / K rc dc 1/ 2 2 t
y d 2 d1 t )
Utilizar datos anuales: r= 3%, Strike = 14, Plazo T = 1, 2 y 3 aos, = 0,3; S0 = 14, d (divid)=0%
PRCTICA 5: VALORACIN OPCIN CALL EUROPEA VAINILLA NO BROWNIANA

(T DE STUDENT)
Obtener mediante simulacin el valor de una opcin call europea vainilla con dividendos para
plazos t=1, 2,,T, pero cuyos incrementos se rigen segn una distribucin T de Student. Dar la
estimacin del valor y la precisin y comparar con el resultado de la prctica anterior. Utilizar
los mismos datos de la prctica anterior, y n 6 . (Nota: recordar que la varianza de una T de
Student con n grados de libertad es
ha
de
hacerse
con
S Se( rc dc ) t S t
sta
n
, con lo que al sustituir la normal por la T de Student,
n2
tipificada).
Utilizar
para
la
evolucin
del
subyacente
Tn
.
n / (n 2)
210
07/10/2015
PRCTICA 6: VALORACIN OPCIN CALL EUROPEA VAINILLA BROWNIANA CON

SALTOS
Obtener mediante simulacin el valor de una opcin call europea vainilla en la que el
subyacente evoluciona segn un proceso de Wiener y un proceso de Poisson. Es decir, suponer
que sobre el proceso de Wiener acta un proceso de Poisson de parmetro 2 (anual) para
10%S 1/ 2
. Dar la
15%S 1/ 2
saltos en la valoracin, y que esos saltos se distribuyen segn X S
estimacin del valor y la precisin, y comparar con el resultado de las prcticas anteriores.
PRCTICA 7: VALORACIN OPCIN PUT EUROPEA Y AMERICANA: ALGORITMO

BINOMIAL
Obtener mediante el algoritmo binomial el valor de una opcin put europea y una opcin put
americana, con los datos de la prctica 4, y comparar el resultado de la estimacin del valor de
la opcin europea con el obtenido mediante simulacin (usar la relacin de paridad sobre el
valor obtenido en el ejercicio 4).
PRCTICA 8: VALORACIN OPCIN CALL ASITICA

Obtener mediante simulacin el valor de una opcin call asitica browniana con dividendos y
vencimiento T. Dar la estimacin del valor y la precisin. Utilizar los mismos datos que en la
prctica 4, y comparar el resultado con los obtenidos en esa prctica.
PRCTICA 9: VALORACIN OPCIN PUT BERMUDAS

Obtener el valor de una opcin put bermudas browniana y con opcin de ejercicio trimestral.
Utilizar los mismos datos que en la prctica 4, y comparar con los resultados de la prctica 7.
PRCTICA 10: VALORACIN ESTRATEGIA BUTTERFLY

Obtener mediante simulacin el valor de una estrategia butterfly formada por la compra de una
opcin call europea con strike K, la compra de otra opcin europea con strike K>K, y la venta
de dos call europeas con strike K tal que K<K<K, todas sobre el mismo subyacente. Aplicar
suponiendo los datos del apartado 4 con K=14, K=16 y K=15.
07/10/2015
211
PRCTICA 11: VALOR Y RIESGO DE UNA CARTERA DE OPCIONES

Obtener mediante simulacin el valor de una cartera formada por opciones call y put europeas
sobre diversos subyacentes relacionados entre s, y comparar con el valor supuesto que son
independientes. Obtener el VaR de los payoff de la cartera a los 3 aos. Suponer la siguiente
composicin de la cartera (una unidad de cada opcin) y los siguientes datos: r = 5%
Correlacin 12 0, 7
Opcin 1: Subyacente S1 , call Strike = 15, Plazo T = 3 aos, sigma = 0,3, S1 (0) = 14
Opcin 2: Subyacente S1 , put Strike = 14, Plazo T = 3 aos, sigma = 0,3, S1 (0) = 14
Opcin 3: Subyacente S 2 , call Strike = 11, Plazo T = 3 aos, sigma = 0,4, S 2 (0) = 10
212
07/10/2015

Simulacion y Finanzas-Completo

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Simulacion y Finanzas-Completo

Uploaded by

Copyright:

Available Formats

FACULTAD DE MATEMTICAS

MODELOS Y MTODOS DE SIMULACIN:

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN ................................... 5

II.3.2 Generacin de variables aleatorias discretas ......................................................... 56

II.3.2.3 Geomtrica ( p) ........................................................................................................................... 58

II.3.3 Generacin de variables aleatorias absolutamente continuas ................................ 59

II.3.4 Generacin de variables aleatorias mixtas ............................................................. 69

de Student multivariante ......................................................................................................... 75

III SOFTWARE DE SIMULACIN DE MODELOS DINMICOS ........................ 77

IV.2 TIPOS DE SIMULACIN SEGN EL ANLISIS DE RESULTADOS .........................................87

VI APLICACIONES DE LA SIMULACIN EN FINANZAS ............................... 133

VI.2 VALORACIN DE OPCIONES Y FUTUROS ....................................................................... 140

VII REFERENCIAS....................................................................................... 157

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

I Modelado de sistemas mediante simulacin

Modelo: Representacin simplificada de un sistema. Es una abstraccin del sistema.

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

aceleracin con el tiempo, las caractersticas de la posicin, el movimiento de otros objetos,

Anlisis experimental o mtodo inductivo: consiste en construir un modelo matemtico a

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Figura 1. Modelo de simulacin de perforacin montaa M1.

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

I.2 Ventajas e inconvenientes de la simulacin

S existen, pero resulta ms barato y sencillo simular, ya que en muchas ocasiones el

Si se desea experimentar con el sistema antes de su uso o construccin. El ejemplo ms

Si es imposible experimentar sobre el sistema y se desean prevenir eventualidades. ste es

Si hay razones ticas que impiden la experimentacin, como en el caso de sistemas

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Sin embargo, tambin tiene ciertos inconvenientes la simulacin:

Es frecuente despreciar elementos o relaciones sin importancia aparente y obtener

Es difcil establecer el grado de precisin de los resultados, ya que se obtienen muestras y

I.3 Tipos de sistemas y de simulacin

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

Segn la evolucin del tiempo

Estticos: representan un sistema en un instante particular. A menudo, a este tipo de

Dinmicos: representan un sistema que evoluciona con el tiempo.

Deterministas: no incluyen variables aleatorias. Dados unos datos de entrada, existe un

Probabilistas o estocsticos: contienen variables aleatorias, las salidas son aleatorias

Segn las variables de estado

Discretos: si todas las variables de estado cambian en determinados instantes de tiempo.

Hbridos o combinados: si incluyen variables de estado continuas y discretas.

Un ejemplo de un modelo continuo es el clsico modelo presa - depredador de Lotka

X (t ) : nmero individuos presa en el instante t

Y (t ) : nmero de individuos depredador en el instante t

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

donde r es la tasa de crecimiento de la poblacin presa en ausencia de depredadores, s la tasa

I.4 Elementos de un modelo de simulacin dinmico

Incremento en tiempo fijo (time step): el reloj de simulacin se incrementa en exactamente

t unidades de tiempo ( t elegido apropiadamente). Cada vez que se incrementa el

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

I.4.2 Mecanismo de transicin

X (t ) : nmero individuos presa en el instante t

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

En el caso de un modelo de eventos discretos, el mecanismo de transcin va asociado con

I.5 Organizacin de un modelo de simulacin dinmico

Contadores estadsticos: son variables utilizadas para almacenar informacin sobre el

Rutina de tiempo: determina el siguiente evento y avanza el reloj de simulacin al instante

Generador de informes o resultados: realiza los clculos o estimaciones de las

Programa principal: enlaza todas las rutinas anteriores.

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

Determinar tipo prximo evento i

Avanzar reloj de simulacin

Generar futuros eventos y

Clculos finales (estimaciones)