Professional Documents
Culture Documents
DEPARTAMENTO DE ESTADSTICA E
INVESTIGACIN OPERATIVA I
Begoa Vitoriano
bvitoriano@mat.ucm.es
Universidad Complutense de Madrid
NDICE
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
p) ........................................................................................................................... 58
( 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
Tn
FACULTAD DE MATEMTICAS
ii
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
iii
FACULTAD DE MATEMTICAS
iv
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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.
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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.
FACULTAD DE MATEMTICAS
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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.
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
Los modelos de simulacin a su vez pueden ser clasificados atendiendo a varios criterios:
Segn la aleatoriedad
o
Continuos: si todas las variables de estado cambian de forma continua con el tiempo.
FACULTAD DE MATEMTICAS
10
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
dX
rX (t ) aX (t )Y (t ),
dt
dY
sY (t ) bX (t )Y (t ),
dt
a0
b0
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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 )
FACULTAD DE MATEMTICAS
12
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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 .
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.
Rutina de evento: actualiza las variables cuando ha ocurrido un evento. Hay una por cada
tipo de evento.
Plasmado en un diagrama de flujo, ste sera el siguiente (donde no hay numeracin es que
el orden no es relevante):
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
13
Rutina
inicializacin
Reloj simulacin = 0
Inicializar estado y contadores
Inicializar lista de eventos
Programa principal
Actualizar estado
Actualizar contadores
2 Llamar
rutina evento
Regla de parada
Fin de
simulacin?
NO
SI
Generador
resultados
FACULTAD DE MATEMTICAS
14
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
N (t )
N (t )
1 si es llegada de un cliente
N (t )
1 si es final de servicio
TM reloj de simulacin
DS tiempo de servicio
permanencia
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
FACULTAD DE MATEMTICAS
16
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
7 8
10 11
13 14 15
18
31 35
20 18
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
17
sistema ES
1 en funcionamiento
0 en reparacin
y la del
1 sistema en funcionamiento
0 sistema en fallo
Fallo de un componente x i
TM reloj de simulacin
1.
Inicializacin:
TM
TPS
0
0
FACULTAD DE MATEMTICAS
18
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
xi
ES 1
Generar muestra de distribucin de tiempo entre fallos TFi
TPi
TFi
TM
(a quin)
3. Rutina de evento de fallo del componente i
xi
TM
TPi
TPi
0 y
TRi
xi
TPS
TPS
TM
TPi
TPi
TFi
EENS
E (D
G )d | D
P D
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
19
Grupo
1
2
3
4
5
6
7
Potencia [MW]
1000
1500
750
500
350
250
200
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
FACULTAD DE MATEMTICAS
20
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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.
FACULTAD DE MATEMTICAS
22
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
24
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
25
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
27
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:
Es no decreciente
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,...)
FACULTAD DE MATEMTICAS
28
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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
f ( x) dx 1
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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 ) :
P( B) f ( x )dx
f ( X1 ,..., X n ) ( x1 ,..., xn ) /
P( B) p( x )
p( X1 ,..., X n ) ( x1 ,..., xn ) /
f X i ( xi )
xB
...
xi1 xi1
xn
FACULTAD DE MATEMTICAS
30
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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.
E[ X ] xi
xf ( x)dx siendo X i variable continua
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
FACULTAD DE MATEMTICAS
32
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
ij
Cij
i j
1 ij 1
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.
X t tT ,
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
33
i ; i
i2 2 ; i
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
FACULTAD DE MATEMTICAS
34
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
iii) t , a 0 X t a X t ( a )
X t tI
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] .
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
35
n
i 1
( xi )2
n
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
S (n)
2
n
i 1
( xi X (n)) 2
n 1
var X (n)
S ( n)
( x X (n))
i 1
n(n 1)
FACULTAD DE MATEMTICAS
36
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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).
2
2
, X (n) z
X (n) z
2
2
n
n
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
FACULTAD DE MATEMTICAS
38
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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
tipo II:
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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
FACULTAD DE MATEMTICAS
40
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
41
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)
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
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:
FACULTAD DE MATEMTICAS
42
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
a)
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
43
Histogramas
b)
c)
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
FACULTAD DE MATEMTICAS
44
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
45
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
FACULTAD DE MATEMTICAS
46
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
8
datos
7
datos
16
datos
8 datos
10
7
datos
4
datos
2
datos
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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.
FACULTAD DE MATEMTICAS
48
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
Existen dos tipos de tests de bondad de ajuste que son los ms utilizados: el test de la
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
( 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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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 .
FACULTAD DE MATEMTICAS
50
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
Dn Dn
Dn
Dn
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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:
FACULTAD DE MATEMTICAS
52
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
xn 1 axn b
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
53
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.
FACULTAD DE MATEMTICAS
54
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
55
x1 con prob p1
x con prob p
2
2
determinada probabilidad X
, siendo pk 1 .
k
x3 con prob p3
FACULTAD DE MATEMTICAS
56
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
p1
p1 + p2
p1 + p2 + p3
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
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].
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
57
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
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
x x 1
7
u tambin.
FACULTAD DE MATEMTICAS
58
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
Generar u U (0,1)
3. Salida: X se distribuye segn Geomtrica ( p)
F ( x) u .
Supongamos que la variable tiene distribucin exponencial con F ( x ) 1 e x para
ln(1 u )
ln(u )
xa
si
ba
x (a, b) (0 para valores menores y 1 para valores mayores) y dado un nmero aleatorio u
( 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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
59
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 ) .
FACULTAD DE MATEMTICAS
60
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
61
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
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 u1
u1
FACULTAD DE MATEMTICAS
62
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
63
2.
k 1
i 1
i 1
X i t X i . Puesto que
X
i 1
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
FACULTAD DE MATEMTICAS
64
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
U (0,1) sera
u n 2
i 1 i
n /12
12
u 6.
i 1 i
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
65
2 ln w
, x1 v1 y , x2 v2 y
w
5. Hacer y
II.3.3.5 Lognormal ( , )
La distribucin lognormal, como su nombre indica, se deriva de la distribucin normal,
d
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
U (0,1) , y calcular x
p
i 1
ln ui
Beta ( , ) ,
FACULTAD DE MATEMTICAS
66
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
i 1
ln ui
i1 ln ui i1 ln vi
X d
Beta( , ) , por lo
X Y
x
x y
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
X X i2 , siendo
i 1
( p n / 2, a 1/ 2)
2
n
ln Ui n2
2. Salida: X 2
i 1
( 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
FACULTAD DE MATEMTICAS
68
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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)
m2 / m
m2 , n2 independientes.
n2 / n
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
3/ 2 0 u 1/ 2
Y (u )
u 1/ 2
u 1
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
69
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.
FACULTAD DE MATEMTICAS
70
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
la
n
xT Ax 0 x 0
Propiedades:
1. A simtrica definida positiva
1 0,..., n 0
i de norma 1.
3. A definida positiva
A1 definida positiva
A A
T
nn
BT AB definida positiva
Triangulacin de Cholesky: nn ij
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
n/2
1
x T 1 x
2
donde
C e1 ,..., en matriz
de autovectores normalizados.
d
resultado
es
obvio
ya
que
es
normal
E[ X ] PE[Z ]
Sea
Z Z1 ,..., Zn N (0, I )
siendo
la
matriz
identidad,
entonces
FACULTAD DE MATEMTICAS
72
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
1k
1k
x1
, ak
, k
k2
k 1
k 1,k
Algoritmo
X n /( X 1 ,..., X n 1 ))
xk 1 )
, xn n ) N (, )
V [ X i ] i2 , i 1, 2 y Cov ( X 1 , X 2 ) 1 2
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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 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
FACULTAD DE MATEMTICAS
74
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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 )
Xj
Y
n
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
75
Son ms sencillos de codificar y, por lo tanto, tambin son ms fciles de modificar para
llevar a cabo los distintos experimentos.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
77
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 accesibles, ya que estos lenguajes suelen estar disponibles en cualquier plataforma,
no as los de simulacin.
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.
FACULTAD DE MATEMTICAS
78
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
79
a)
b)
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
FACULTAD DE MATEMTICAS
80
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
Vamos a ver ahora en qu consiste cada una de las estrategias de los lenguajes de
simulacin.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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:
FACULTAD DE MATEMTICAS
82
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
Llegada
Inicio servicio
Final servicio
Evento
Evento
Evento
t
Tiempo en cola
Tiempo en sericio
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
SI
Sacar cliente
de la cola
Ocupar servidor
10
Volver
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
FACULTAD DE MATEMTICAS
86
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
S=20
E [ Di / S ]
d 9
S=0
S: n clientes en sistema en t=0,
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
87
IV ANLISIS DE RESULTADOS
Y
i 1
expresin es S 2
(Y Y )
i 1
n 1
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
FACULTAD DE MATEMTICAS
88
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
S 2 ( n)
2
1
n 1
2
(
n
2)
S
Y
n
1
( n 1)
n
n 1
n
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
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
89
IV ANLISIS DE RESULTADOS
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 ,
FACULTAD DE MATEMTICAS
90
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
cada replicacin X 1
Y1i
i l 1
ml
, ..., X n
i l 1
ni
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.
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
S 2 (n, k )
(Y (k ) Y (n, k ))
j 1
n 1
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
91
IV ANLISIS DE RESULTADOS
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
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
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
FACULTAD DE MATEMTICAS
92
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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.
( x)dx : (a, b)
c(b a)
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
93
IV ANLISIS DE RESULTADOS
, k ) ( , ) medible.
( x ) f ( x )dx .
1 n
( X (i ) )
n i 1
d
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
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.
FACULTAD DE MATEMTICAS
94
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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.
Condicionamiento
Muestreo estratificado.
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])
1 2 E ( X1 j ) E ( X 2 j )
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
95
IV ANLISIS DE RESULTADOS
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
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.
FACULTAD DE MATEMTICAS
96
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
As si U1 ,...,U n son variables aleatorias con distribucin uniforme en (0,1), las variables
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 )
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
97
IV ANLISIS DE RESULTADOS
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,
n E[ X / Z z ] .
i 1
FACULTAD DE MATEMTICAS
98
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
Di
h( x) f ( x)dx h( x) f ( x)dx i
D
i 1
Di
i 1
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
99
IV ANLISIS DE RESULTADOS
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.
E[h( X )] h( x) f ( x)dx
D
La idea bsica de este mtodo consiste en observar que para cualquier otra variable aleatoria
h( z ) f ( z )
h( z ) f ( z )
g ( z )dz EZ
D
g ( z)
g ( z)
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.
FACULTAD DE MATEMTICAS
100
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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).
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
101
IV ANLISIS DE RESULTADOS
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
FACULTAD DE MATEMTICAS
102
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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
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.
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.
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
103
IV ANLISIS DE RESULTADOS
bConc
1
b2Temp
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.
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.
FACULTAD DE MATEMTICAS
104
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
H0 :
...
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 .
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
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
105
IV ANLISIS DE RESULTADOS
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
uij , i
1,..., I , j
1,..., J
, un efecto
0 ), un efecto
(de nuevo
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
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. 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
FACULTAD DE MATEMTICAS
106
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
107
IV ANLISIS DE RESULTADOS
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
yij
j
j
)ij
)ij
)ij
uij
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
residuos no es posible contrastar el modelo, salvo que se consideren las interacciones nulas, o
que se replique el experimento.
FACULTAD DE MATEMTICAS
108
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
1 ahora hay ms
y...
yi ..
y...
y. j .
y...
yij .
)ij
yi ..
yijk
y. j .
y...
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
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
109
IV ANLISIS DE RESULTADOS
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.
que si N
FACULTAD DE MATEMTICAS
110
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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).
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
111
IV ANLISIS DE RESULTADOS
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
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
C2
C3
C4
V1
T3
T4
T2
T1
V2
T4
T3
T1
T2
V3
T2
T1
T3
T4
V4
T1
T2
T4
T3
FACULTAD DE MATEMTICAS
112
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
yij (k )
donde
es el efecto fila,
uij (k ),
el efecto columna,
2
i, j, k
1,..., N
0.
yij .
i, j
y...
N2
yij .
yi ..
y...;
yi ..
y. j .
y...;
y. j .
y..k
y...;
y..k
i, j
yij (k )
SR2
N
yij .
N
yij (k )
N
k , y la estimacin centrada
eij2 (k )
i, j
(N
1)(N
2)
Suma cuadrados
G. libertad
Varianzas
i2
s2
s2
Efecto columna
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
113
IV ANLISIS DE RESULTADOS
k2
Efecto letra
s2
(N
eij2 (k )
Residual
1)(N
2)
sR2
i, j
y... )2
(yijk
Total
N2
sy2
i, j
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).
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
FACULTAD DE MATEMTICAS
114
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
, siendo esta
,... 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 )
),
j (i )
es el efecto del
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
115
IV ANLISIS DE RESULTADOS
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)
2
2
2
R
s
K
K
donde s22
yi .. )2
(yij .
i, j
I (J
1)
s12
K 2
KJ
JK
donde s12
y... )2
(yi ..
i
FACULTAD DE MATEMTICAS
116
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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)
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
1
(o a b
4
1
)
(o ab
2
ab)
a
1
(a
2
ab
b)
1
(b
2
ab
a)
b)
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
117
IV ANLISIS DE RESULTADOS
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
yijk
estima la varianza residual con la suma de los cuadrados de los residuos dividida por 4(R
1)
(k
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
FACULTAD DE MATEMTICAS
118
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
AB
AC
BC
ABC
(o)
(a)
(b)
(ab)
(c)
(ac)
(bc)
(abc)
n /2
2k
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
en el estadstico
sR / 2R
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
varianza.
M ( )
MEDA
MEDA
Sea
la
mediana
de
las
estimaciones
de
las
interacciones
mediana
mediana i
i 5,...,8
de
las
desviaciones
absolutas
la
mediana:
MEDA
. Para realizar los contrastes de hiptesis se
0.675
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
119
IV ANLISIS DE RESULTADOS
2s , y una estimacin
s 2 .
C(-)
(-)
Factor A
(+)
y(x1
1, x 3
1)
)
2
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
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
FACULTAD DE MATEMTICAS
120
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
AB
AC
BC
ABC
(a)
(b)
(c)
(abc)
sA
BC
sB
AC
sC
AB
ABC
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
121
IV ANLISIS DE RESULTADOS
Para saber qu efectos son los confundidos se utiliza la ecuacin generatriz. As, en el caso
anterior la ecuacin generatriz ser I
BC
AC
AB
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
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
FACULTAD DE MATEMTICAS
122
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
AC
sC
AB
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
123
IV ANLISIS DE RESULTADOS
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).
yi
j ij
v.a.i.i.d. N (0,
j 1
FACULTAD DE MATEMTICAS
124
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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).
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
125
V.1 Definiciones
El desarrollo de un modelo de simulacin pasa por distintas fases, pudiendo agruparse todas
ellas en tres:
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
127
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
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.
FACULTAD DE MATEMTICAS
128
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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.
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
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
129
,...,
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
FACULTAD DE MATEMTICAS
130
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
E [Rj ] y
n conjuntos,
E [M j ] .
ser
t f,
/2
SR2
m
SM2
n
f (x )
x
8
1
2
5
4
0
[0,2]
(2, 8
x
x (8,10
8
resto
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
131
10
10
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
133
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.
FACULTAD DE MATEMTICAS
134
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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:
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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.
FACULTAD DE MATEMTICAS
136
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
138
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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.
FACULTAD DE MATEMTICAS
140
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
dt dW siendo la
S
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
t (W ( t ) W (0))
2
S (t ) S (0)e
FACULTAD DE MATEMTICAS
142
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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,
FACULTAD DE MATEMTICAS
144
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
rdt dW . Y asumiendo que W fuera un
S
1 2
r t (W ( t ) W (0))
2
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
1
S
ln r d 2 t
K
2
d1
t
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 )
FACULTAD DE MATEMTICAS
146
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
147
de
consecutivos
t ti ti 1 i 1,..., n ,
de
duracin
siendo
el
t ,
0 t0 t1 ... tn t
mecanismo
de
con
transicin
2
rc ( S ) t ( S )(W ( t ) W (0))
2
, 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
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.
FACULTAD DE MATEMTICAS
148
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
FACULTAD DE MATEMTICAS
150
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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:
FACULTAD DE MATEMTICAS
152
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
misma distribucin que la variable aleatoria X que tiene media 0 y varianza finita positiva
n
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
de modo que Sk Sk 1e
Rk
Rk
R
k 1
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
1
u
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.
FACULTAD DE MATEMTICAS
154
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
157
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
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
160
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
FACULTAD DE MATEMTICAS
162
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
fuerzas
Media =
i 1
K 1651, 23 [ Newton
i 5
( xi x)2
s 2 i 1
K 574413;
5
5 (5 1)
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
163
VIII.2
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
FACULTAD DE MATEMTICAS
164
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
i 1
10
4, 26 %
F t P T t 1 e
t
5
exponencial de media 5.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
f (C )
1
aC b
ba
FACULTAD DE MATEMTICAS
166
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
f ( p)
2p
C2
0 pC
2
u3
C
Si f ( p)* f ( p* ) acepto p *
Si no: no acepto.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
167
VIII.2
Media
p
i 1
281.09
Mtodo de aceptacin-rechazo:
u1,u2,u3
p*
0.435
401.525
51.3952
f ( p )*
f ( p* )
0.128
0.301
0.604
129.7
0.321
0.165
0.603
0.516
0.321
0.932
0.859
Media: 129.7
FACULTAD DE MATEMTICAS
168
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
169
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
x
f1(x )
20
20
50
0.1
25
35 x
50
0
25
30
35
30
resto
FACULTAD DE MATEMTICAS
170
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
FACULTAD DE MATEMTICAS
172
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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)
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
FACULTAD DE MATEMTICAS
174
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
b)
FACULTAD DE MATEMTICAS
176
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
177
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
FACULTAD DE MATEMTICAS
178
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
179
PROBLEMA 13
0,5 0,14
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
FACULTAD DE MATEMTICAS
180
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
5000 k
NR 10000
FACULTAD DE MATEMTICAS
182
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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.
3.- Volver a Programa principal.
Servicio2
1.- Si NE>0 entonces NE=NE-1; Generar DS2, poner TS2 =TM +DS2,
Si no, N2=N2-1, TS2=inf.
3.- Volver a Programa principal.
x 15
x 30
Si 0.25<u<0.75,
x 45
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
FACULTAD DE MATEMTICAS
184
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
Coste
5000 k
NR 10000
5000 1
4 10000
45000pts
272.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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:
- TM: Reloj de simulacin.
- 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.
- TS2: Instante del prximo final de servicio en ventanilla2.
- 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);
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL1. Llamar a subrutina: Llegada a servidor 1.
Si TM = TS1. Llamar a subrutina: Servicio1.
Si TM = TS2. Llamar a subrutina: Servicio2.
FACULTAD DE MATEMTICAS
186
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
187
x
f1(x )
20
20
50
0.1
25
35 x
50
0
30
25
30
35
resto
(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 ;
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
FACULTAD DE MATEMTICAS
188
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
ln ui
De la serie 3 calcularemos: x
i 1
TM
Evento
N1 N2
Inicio
30
Llegada
57.5
Servicio1
60
60
Llegada
90
84.5
Servicio1
90
90
Llegada
84.5
120
Llegada
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
189
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:
- TM: Reloj de simulacin.
- DL: Tiempo entre pedidos. (uniforme).
- DS1: Tiempo de servicio tipo 1 = Normal.
FACULTAD DE MATEMTICAS
190
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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;
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL1. Llamar a subrutina: Llegada a fabricaron.
Si TM = TS1. Llamar a subrutina: Servicio1.
Si TM = TS2. Llamar a subrutina: Servicio2.
3.- Regla de parada.
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.
Si TP = 2; Generar DS2 TS2= TM + DS2; TS1 = inf.
4.- SUMA
SUMA
(N
1) (TM
TANT )
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
191
SUMA
(N
1) (TM
TANT ).
SUMA
(N
1) (TM
TANT ).
- 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
FACULTAD DE MATEMTICAS
192
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
(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:
Si u<0.35,
Si 0.35<u<1,
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
32.2
14
29.6 Llegada
32.2
15
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.
FACULTAD DE MATEMTICAS
194
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
NEI(t)+1.
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:
- TM: Reloj de simulacin.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
195
MODELO:
Programa principal:
0.- Inicializacin
NES = 0; NEI = 0; N = 0;TM = 0; TS1 = inf.; TS2 = inf.; TU = 0
Generar DL; TL = DL
1.- Actualizacin del reloj de simulacin: TM = min (TL, TS1, TS2);
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL. Llamar a subrutina: Llegada a servidor.
Si TM = TS1. Llamar a subrutina: Servicio.
Si TM = TS2. Llamar a subrutina: Impresin.
3.- Regla de parada.
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:
3.- Volver a Programa principal.
Servicio
1.- NES = NES - 1; NEI = NEI + 1.
2.- Si NES = 0, poner TS1 = inf. Si no, Generar DS1, poner TS1 = TM + DS1;
FACULTAD DE MATEMTICAS
196
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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
Valores para DL con la serie 1:
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
Usaremos la serie 2:
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
Modo de obtencin de las variables aleatorias:
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
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
FACULTAD DE MATEMTICAS
198
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
199
N1-1;
FACULTAD DE MATEMTICAS
200
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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);
2.- Identificacin de evento y llamada a subrutinas de evento.
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.
3.- Regla de parada.
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.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
5.- Volver a Programa principal.
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
4.- Volver a Programa principal.
Fin avera
R=0
1.- TFR = infinito;
Generar DAR; TAR = DAR + TM;
2.- Volver a programa principal
FACULTAD DE MATEMTICAS
202
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
f (x )
32
(x 0.75) 0.75 x 1
3
16
(1.5 x ) 1 x 1.5
3
0
resto
Usaremos la serie 3:
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
Modo de obtencin de las variables aleatorias:
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 ;
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
141
0 129.66
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.
FACULTAD DE MATEMTICAS
204
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
N2+1.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
205
Otras variables:
- TM: Reloj de simulacin.
- DL: Tiempo entre llegadas = Exponencial.
- DS1: Tiempo de servicio ventanilla1 = Discreta.
- DS2: Tiempo de servicio ventanilla2 = Discreta.
- TL: Instante de la prxima llegada.
- TS1: Instante del prximo final de servicio en ventanilla1.
- TS2: Instante del prximo final de servicio en ventanilla2.
MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; TM = 0; TS1=inf.; TS2=inf.;
Generar DL; TL = DL
1.- Actualizacin del reloj de simulacin: TM = min (TL, TS1, TS2);
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL. Llamar a subrutina: Llegada a servidor 1.
Si TM = TS1. Llamar a subrutina: Servicio1.
Si TM = TS2. Llamar a subrutina: Servicio2.
3.- Regla de parada.
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:
3.- Volver a Programa principal.
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;
3.- Volver a Programa principal.
FACULTAD DE MATEMTICAS
206
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
Servicio2
1.- N2 = N2 1.
2.- Si N2 = 0, poner TS2=inf. Si no, Generar DS2, poner TS2 = TM + DS2;
3.- Volver a Programa principal.
Si u<0.2,
x 0.6
Si 0.2<u<0.7,
x 0.7
Si u>0.7,
x 0.8
x 0.8
Si u>0.8,
x 1
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
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
FACULTAD DE MATEMTICAS
208
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
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.
X X t N (0,1)
b.
Z T N (0,1)
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
209
rc t
2
).
S payoff
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
los
resultados
anteriores
con
la
frmula
de
Black-Scholes
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%
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)
FACULTAD DE MATEMTICAS
210
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015
10%S 1/ 2
. Dar la
15%S 1/ 2
estimacin del valor y la precisin, y comparar con el resultado de las prcticas anteriores.
FACULTAD DE MATEMTICAS
07/10/2015
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
211
FACULTAD DE MATEMTICAS
212
DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I
07/10/2015