CAPITULO 3 GENERACIN DE VARIABLES ALEATORIAS

3.1 Introduccin
De forma general, el proceso de simulacin necesita la generacin de datos semejantes a los que se producen en la realidad, lo que precisa la posibilidad de generar variables aleatorias de varias distribuciones, por ejemplo la exponencial. El algoritmo concreto a utilizar depender de la distribucin a generar, pero de forma general tendr las siguientes etapas:

Figura 12 proceso de genracin de variables aleatorias Caractersticas deseables: Exacto, si es posible (existen mtodos aproximados). Eficiente: Poco almacenamiento, rpido, robusto. Sencillo, fcil de comprender y de implementar.

Que precise solo nmeros aleatorios entre 0 y 1 y, si es posible generar con un solo nmero un valor de una variable. Que precise solo nmeros aleatorios entre 0 y 1 y, si es posible generar con un solo nmero un valor de una variable.

3.2 Mtodos para generar variables aleatorias

La generacin de estadsticas simuladas o sea de valores de las variables aleatorias, es de naturaleza numrica y debe configurarse mediante la aportacin de nmeros pseudo aleatorios. Al querer reproducir algn proceso estocstico particular, se recurre al empleo de las distribuciones tericas convencionales y en su defecto a una distribucin emprica. Al considerar procesos estadsticos que involucran variables aleatorias continuas o discretas, se tiene que definir F(x), funcin de densidad acumulada. Si la variable aleatoria es discreta, x tomar valores especficos y F(x) ser una funcin aleatoria es continua, x tomar valores en un rango especificado. Si F(x) es continua en el dominio de x, entonces F(x) se podr diferenciar, para lo cual se define escalonada. Si la variable

53

como la funcin de densidad de probabilidad. Luego entonces:

f(x) representa el valor de la funcin de densidad de probabilidad de la variable aleatoria X cuando X = x. Tambin tenemos que: 0 r 1 y F(x) = r. Existen tres mtodos para generar los valores de variables aleatorias a partir de distribuciones de probabilidad: 1. Mtodo de la transformacin inversa 2. Mtodo de aceptacin - rechazo 3. Mtodo de convolucin

3.2.1

Mtodo de la transformada inversa, aceptacin rechazo y convolucin

Mtodo de la transformada inversa

Se generan valores de xi a partir de F(x). En primer lugar hay que obtener F(x). Puesto que F(x) se define en el rango de 0 a 1 se pueden generar nmeros aleatorios para sustituir a F(x)=r. De manera unvoca cada valor de r i define un valor de F(x), tal como se muestra en la siguiente grfica:

54

Figura 13 Mtodo de la transformada inversa para distribuciones discretas

Figura 14 Mtodo de la transformada inversa para distribuciones continuas El mtodo exige que obtengamos la funcin inversa de F o sea F -1(x), si es posible obtenerla, de donde toma su nombre de la transformada inversa., de aqu podemos hacer: x0 = F-1(r0) Se puede decir de manera general que:

Entonces se cumple la siguiente expresin:

Ejemplo:

Mtodo de aceptacin - rechazo Este mtodo requiere que f(x) sea una distribucin de probabilidad acotada y con un rango finito como a x b. Los pasos requeridos son:

55

1. Normalizar el rango de f mediante un factor de escala c de tal manera que c* f(x) 1 a x b

2. Definir una funcin lineal de r, o sea

x = a + (b a)r. 3. Generar parejas de nmeros aleatorios (r1, r2). 4. Si se cumple la siguiente relacin con el par de nmeros generados r2 c * f[a + (b a)r1]

Mtodo de convolucin Muchas variables aleatorias incluyendo la normal, binomial, poisson, gamma, erlang, etc, se pueden expresar de forma exacta o aproximada mediante la suma lineal de otras variables aleatorias. El mtodo de convolucin se puede usar siempre y cuando la variable aleatoria X se pueda expresar como una combinacin lineal de k variables aleatorias y generar k nmeros aleatorios (u1,u2,...,uk) para generar (x1,x2,...xk) variables aleatorias usando alguno de los mtodos anteriores para lograr un valor de la variable aleatoria que se desea obtener por convolucin. Si X puede ser expresado como la suma de variables Y1,.., Yk, de forma que X=Y1+Y2+..+Yk entonces generar las Yi puede ser ms fcil que generar X. Algoritmo 1. Generar Y1 ,..,Yk 2. Devolver X=Y1 +Y2 +..+Yk Ejemplo: Si X tiene una distribucin Erlang con parmetros r y , entonces X puede ser expresado como una suma de k exponenciales independientes Yi, cada una con media . Un algoritmo ms eficiente para este ejemplo es Generar k nmeros aleatorios U(0,1). Colocar X= - ln(U1, U2 ..Uk)= -(lnU1+lnU2+... +lnUk ) No hay que confundir el mtodo de convolucin con el de composicin. En el primero la variable aleatoria X se puede expresar como suma de variables aleatorias Yi mientras en el de composicin la funcin de distribucin de X, F(X), es una suma ponderada de otras funciones de

56

distribucin. Otros ejemplos de aplicacin de este mtodo los veremos cuando veamos mtodos particulares de cada una de las distribuciones ms utilizadas.

3.2.1.1 Generacin de variables aleatorias discretas Distribucin binomial Cuando realizamos una experimento individual donde el resultado debe ser slo uno de dos resultados posibles: acierto fallo, cara guila, defectuoso, no defectuoso, bueno, malo, etc. decimos que es un ensayo de Bernouilli. la distribucin de Bernoulli (o distribucin dicotmica), nombrada as por el matemtico y cientfico suizo Jakob Bernoulli es una distribucin de probabilidad discreta, que toma valor 1 para la probabilidad de xito ( p) y valor 0 para la probabilidad de fracaso (q = 1 p). Si X es una variable aleatoria que mide "nmero de xitos", y se realiza un nico experimento con dos posibles resultados (xito o fracaso), se dice que la variable aleatoria X se distribuye como una Bernouilli de parmetro p. La frmula ser:

f(x) = px (1 p)1-x

con x = {0,1}

Su funcin de probabilidad viene definida por:

y la suma de n ensayos Bernoulli independientes nos da una distribucin binomial. la distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos independientes Bernoulli con una probabilidad fija p de ocurrencia del xito entre los ensayos. Existen muchas situaciones en las que se presenta una experiencia binomial. Este tipo de experiencias se caracteriza por estar formada por un nmero predeterminado n de experimentos iguales. Cada uno de los experimentos es independiente de los restantes (la probabilidad del resultado de un experimento no depende del resultado del resto). El resultado de cada experimento ha de admitir slo dos categoras (a las que se denomina xito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos los experimentos (se denotan como p y q o p y 1-p).

57

Se designa por X a la variable que mide el nmero de xitos que se han producido en los n experimentos. Cuando se dan estas circunstancias, se dice que la variable X sigue una distribucin de probabilidad binomial, y se nota B(n,p). Su funcin de probabilidad es:

El valor esperado y la varianza son: E [ X ] = np Var [ X ] = np ( 1 p )

Grficamente el aspecto de la distribucin depende de que sea o no simtrica Por ejemplo, el caso en que n = 4:

QuickTime and a decompressor are needed to see this picture.

Figura 15 Grfica de la distribucin binomial simtrica

58

QuickTime and a decompressor are needed to see this picture.

Figura 16 Grfica de la distribucin binomial asimtrica

Generacin de variables aleatorias Binomiales Para generar variables aleatorias binomiales se utiliza el mtodo de la transformada inversa y de la identidad recursiva:

Si x denota el valor en cuestin, pr = P(X=x) la probabilidad de que X sea igual a x, y F= F (x) probabilidad de que X sea menor o igual a x, el algoritmo se puede expresar de la manera siguiente: Algoritmo de la transformada inversa para generar una variable aleatoria binomial ( n, p ) 1. Generar un nmero aleatorio R

2. c = p/(1-p), x = 0, pr=(1-p)n, F=pr

3. Si R < F, hacer X=x y terminar 4. Pr = [c(n-x)/(x+1)pr], F=F+pr, x=x+1 Ir al paso 3.

Distribucin de Poisson Fue descubierta por Simen Denis Poisson, que la dio a conocer en 1838 en su trabajo Recherches sur la probabilit des jugements en matires criminelles et matire civile

59

(Investigacin sobre la probabilidad de los juicios en materias criminales y civiles ).

Simen Denis Poisson (1781 1840) Matemtico, astrnomo y fsico francs. Fue alumno de Lagrange y Laplace en lcole Polytechnique, donde comenz su actividad docente como ayudante de Fourier. Miembro de la Academia de Ciencias, presidente del Bureau des Longitudes y profesor de mecnica de la Facultad de Ciencias, para Poisson la vida es trabajo. De su esfuerzo continuado a lo largo de su vida surgieron ms de trescientas obras que recogen importantes aportaciones a la fsica (elasticidad, magnetismo, calor, capilaridad, mecnica celeste,) y a la matemtica (teora de nmeros, probabilidad, series de Fourier,). Poisson naci el 27 junio de 1781 en Pithiviers, ciudad en la que su padre haba sido destinado en un modesto puesto administrativo tras combatir como soldado en la guerra de los siete aos. Hurfano a los 15 aos, fue acogido por su to, cirujano militar en Fontainebleau, quien trat de iniciarle en la profesin El escaso inters de Poisson por la medicina y el fracaso de sus primera intervencin, que se salda con la muerte del paciente pocas horas despus, le llevan a abandonar la ciruga. De vuelta a casa encuentra, entre los papeles de su padre, una copia de las pruebas de ingreso en la Escuela Politcnica que despiertan su inters por las matemticas y le descubren un mundo que ser su futuro. Poisson fue considerado por sus contemporneos un gran cientfico y un excelente profesor pero tambin una persona obstinada y con excesivo amor propio, dado a discusiones y controversias. Entre ellas, podemos citar (Pajares, 1955) la mantenida con Laplace sobre la teora de la capilaridad; con Fourier sobre la teora del calor y con Fresnel, sobre la teora ondulatoria. O el rechazo, junto con Lacroix, de la memoria presentada por Galois sobre las condiciones para que una ecuacin de grado primo sea resoluble por radicales que tanta trascendencia ha tenido en

60

el desarrollo de la matemtica. La distribucin de poisson P(l) surge cuando estamos interesados en medir el nmero de sucesos aleatorios que suceden en un intervalo fijo. Por ejemplo el nmero de llamadas recibidas en una central telefnica en un periodo de 30 segundos, el nmero de defectos en una fibra de vidrio de 1 Km de longitud, el nmero de meteoritos encontrados en una hectrea de tierra desierta, el nmero de clientes que llegan en un determinado perodo de tiempo, como podemos ver es una de las distribuciones de gran importancia para la simulacin. Son problemas en los que la variable aleatoria se distribuye a lo largo del tiempo o del espacio. En todos los casos, las condiciones para que se trate de una distribucin de Poisson son: Los eventos de inters deben ocurrir independientemente unos de otros. La probabilidad de que suceda un evento en un intervalo depende de la longitud del intervalo y no de su posicin. Su distribucin de probabilidad es:

Y su distribucin de probabilidad acumulada sera la siguiente:

De la Distribucion Binomial a la Distribucion Poisson Supongamos que se tiene una tabla rectangular de madera, de 1 metro por 1 metro, pintada con un recubrimiento sobre cuya superficie se presentan aleatoriamente pequeos defectos.

61

Podramos subdividir la superficie en zonas rectangulares mas pequeas y de igual tamao:

Ahora tenemos la superficie dividida en 4 zonas rectangulares de igual tamao. Observamos que en algunas zonas aparece un defecto superficial y en otras no. Vamos a hacer las siguientes suposiciones: 1. En cada zona slo puede aparecer 1 defecto. 2. Si la probabilidad de que aparezca un defecto en todo el rea es p, la probabilidad de que aparezca un defecto en una zona es p/4. Entonces, utilizando la Distribucin Binomial podemos calcular la probabilidad de que en nuestra superficie aparezcan 0, 1, 2, 3, 4 defectos:

El promedio de defectos en la superficie total ser:

Pero sabemos que en realidad en cada zona podran aparecer ms de 1 defecto. Esto hace inexacto nuestro clculo.

62

Podramos hacer el clculo ms exacto si subdividimos las zonas:

Dividimos cada zona en 4 y ahora tenemos 16 zonas. La probabilidad de tener 1 defecto en una zona es p/16 Podemos entonces calcular la probabilidad de tener 0, 1, 2, 3, ...., 16 defectos en el rea total:

Y el promedio de defectos en la superficie resulta ser el mismo que antes:

An as podran aparecer ms defectos por zona:

Si dividimos nuevamente cada zona en 4 tendramos 64 zonas y ahora la probabilidad de tener 1

63

defecto en una zona sera p/64

La probabilidad de tener 0, 1, 2, 3, ....., 64 defectos en la superficie total sera:

Lo que estamos haciendo es ir aumentando n al mismo tiempo que disminuye p en igual proporcin. Por lo tanto el promedio de defectos en la superficie total n.p se mantiene constante. Como vimos, al suponer que en cada subzona slo puede haber 1 defecto o ningn defecto estamos cometiendo un error. Este error se hace cada vez menor, porque a medida que subdividimos el rea total se hace menos probable que en una subzona aparezca mas de un defecto. Si continuamos subdividiendo el rea indefinidamente, la frmula binomial nos dar la probabilidad de obtener 0, 1, 2, 3, ... n defectos, con n tendiendo a infinito. En el lmite, la frmula binomial tiende a la frmula de Poisson:

El producto de n por p, en el lmite, es igual al parmetro de la distribucin:

n* p =
El nmero de defectos x en la superficie total es una variable aleatoria discreta que puede tomar valores 0, 1, 2, 3, 4, ... y cuya distribucin de probabilidades se conoce como Distribucin de Poisson.

64

Figura 17 Distribucin de Poisson para diferentes valores de , conforme esta crece se hace ms simtrica. El eje horizontal representa el valor de la variable aleatoria X Se puede observar que la curva de la funcin de Poisson es asimtrica, como la binomial. El promedio de esta variable aleatoria es igual al parmetro de la distribucin:

As mismo la varianza, tambin es igual al parmetro de la distribucin:

Por lo tanto la desviacin estandar es:

65

Figura 18 Funcin de probabilidad acumulada de Poisson. El eje horizontal representa el valor de la variable aleatoria X. Aplicaciones La distribucin de Poisson, se aplica a varios fenmenos discretos de la naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3, ... veces durante un periodo definido de tiempo o en un rea determinada) cuando la probabilidad de ocurrencia del fenmeno es constante en el tiempo o el espacio. Ejemplos de estos eventos que pueden ser modelados por la distribucin de Poisson incluyen: El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente distantes de los semforos) durante un periodo definido de tiempo. El nmero de errores de ortografa que uno comete al escribir una nica pgina. El nmero de llamadas telefnicas en una central telefnica por minuto. El nmero de servidores web accedidos por minuto. El nmero de animales muertos encontrados por unidad de longitud de ruta. El nmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de radiacin. El nmero de ncleos atmicos inestables que decayeron en un determinado periodo de tiempo en una porcin de sustancia radiactiva. La radiactividad de la sustancia se debilitar con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo debe ser significativamente menor que la vida media de la sustancia. El nmero de estrellas en un determinado volumen de espacio. La distribucin de receptores visuales en la retina del ojo humano.

66

La inventiva de un inventor a travs de su carrera.

Generacin de variables aleatorias Poisson Para generar este tipo de variables aleatorias utilizaremos el mtodo de la transformada inversa, mediante la formula recursiva como en la generacin de variables aleatorias binomiales, la formula recursiva aplicable es la siguiente:

x0 Al aprovechar esta recursin para calcular las probabilidades Poisson conforme se necesiten, el logaritmo de la transformada inversa para generar una variable aleatoria Poisson con media se puede expresar como sigue ( la cantidad se refiere al valor en cuestin; p=p(x) es la probabilidad de que X sea a x, y F=F (x) es la probabilidad de que X sea menor o igual a x) 1. Generar un nmero aleatorio R

2. X = 0, p=e- , F=p
3. Si R<F, hacer X=x y terminar 4. p= p/(x+1), F=F+p, x = x+1 Ir al paso 3

Distribucin geomtrica Permite calcular la probabilidad de que tengan que realizarse un nmero x de ensayos para obtener un xito en el ltimo ensayo, siendo p la probabilidad de obtener un xito. As pues, esta distribucin es un caso particular de la distribucin binomial negativa. P( X = x ) = p ( 1-p )x-1

Y tambien:
P( X = x ) = p ( 1-p )x

67

Se utiliza en la distribucin de los tiempos de espera, de manera que si los ensayos se realizan a intervalos regulares de tiempo, esta variable aleatoria proporciona el tiempo transcurrido hasta el primer xito. Por ejemplo, encontrar la primera pieza defectuosa, la primera ocurrencia de un suceso, la llegada de un cliente a un lugar de servicio, la rotura de una cierta pieza, etc. Esta distribucin presenta la propiedad denominada propiedad de Markov o de falta de memoria, que implica que la probabilidad de tener que esperar un tiempo ti no depende del tiempo que ya se haya esperado. Hay autores (Aranda y Gmez, 1992).que dicen que a la distribucin binomial negativa se la conoce tambin con el nombre de distribucin de Pascal, mientras que otros (Castillo, 1978) definen la distribucin de Pascal para el caso de r=1, es decir para la distribucin geomtrica. En el siguiente grfico se muestra la funcin de probabilidad de una distribucin Geomtrica con una probabilidad de xito de 0.3.

QuickTime and a decompressor are needed to see this picture.

figura 19

Generacin de variables aleatorias geomtricas La variable geomtrica se puede relacionar fcilmente con la variable exponencial: Sea Y = Exp ( ), FY(y) = 1 e-y , y 0. Sea x 0

68

P ( x < Y x +1 ) = FY(x+1) FY(x) = 1 e-(x+1)

- 1 + e-x

P ( x < Y x +1 ) = e-x -

+ e-x = (e-)x (1 - e-)

Como e- es un valor entre 0 y 1, hacemos tal que 1 - e - sea igual a p para conseguir la expresin de probabilidad puntual de una distribucin G(p). Para esto es necesario tomar. = - ln ( 1 p ), despus se genera un valor de a cuerdo con una exponencial Exp (- ln ( 1 p )) y se toma x =[y], para lo cual hay que hacer

donde R es un nmero aleatorio entre 0 y 1 Por lo tanto podemos concluir que podemos generar una variable aleatoria x, mediante:

3.2.1.2 Generacin de variables aleatorias continuas Distribucin uniforme Es la funcin de densidad de probabilidad ms simple que se caracteriza por ser constante el intervalo (a,b) y cero fuera de l. La distribucin uniforme en el intervalo (a,b) tiene como funcin de densidad y de distribucin las siguientes:

QuickTime and a decompressor are needed to see this picture.

La funcin de distribucin acumulada se obtiene integrando la funcin de densidad f(x)

QuickTime and a decompressor are needed to see this picture.

La media de la distribucin es:

69

QuickTime and a decompressor are needed to see this picture.

y la varianza :
QuickTime and a decompressor are needed to see this picture.

Para simular una distribucin uniforme en cierto intervalo ( a,b , se aplica el mtodo de la transformada inversa, partiendo de la ecuacin de la funcin de distribucin acumulada igualando F(x) a un nmero aleatorio entre 0 y 1 y despus despejando x, obtenemos los nmeros aleatorios que deseamos.

x=a+(ba)r El algoritmo seria como sigue: Generar u (sigue U(0,1)) x a + (b-a)r salida x Distribucin exponencial En la vida diaria por lo general ocurren eventos aleatorios en los cuales nos interesa los intervalos de tiempo que suceden entre cada evento, tales como los nacimientos, defunciones, accidentes, tiempos entre llegadas, etc. Si la probabilidad de que ocurra un evento en un intervalo de tiempo corto, y si la ocurrencia del evento es independiente de la ocurrencia de otros eventos, entonces el intervalo de tiempo entre ocurrencias se distribuye en forma exponencial. Suposiciones que debe satisfacer los valores de variables aleatorias de tipo exponencial 1. La probabilidad de que ocurra en el intervalo [t, (t+t)] es t 2. es una constante que no depende de t o de algn otro factor 3. La probabilidad de que durante un intervalo [t, (t+t) ocurra ms de un evento tiende a 0 a medida que t 0 , y su valor debe ser menor a t. Algunos procesos que cumplen con los anteriores supuestos son: el intervalo entre accidentes

70

en un a fbrica, el tiempo entre llegadas a una fila de clientes, el tiempo entre llegadas de los pedidos a una compaa, el registro de pacientes en un hospital, el aterrizaje de aviones en un aeropuerto, de aqu se deduce la gran importancia que tiene para la simulacin este tipo de variable aleatoria. La funcin de densidad y Funcin de densidad acumulada son las siguientes: Haciendo = 1/

QuickTime and a decompressor are needed to see this picture.

La media de la distribucin es; Y la varianza 1/ 2 Para la generacin de nmeros aleatorios exponenciales se utiliza el mtodo de la transformada inversa ya que la F(x) existe explcitamente. F(x) = 1 e-x/ = r

donde r es un nmero pseudo aleatorio entre 0 y 1

Despejando x obtenemos la ecuacin que nos da un valor x de una variable aleatoria exponencial por cada valor de r. x = - log r = - media de la distribucin log r. Distribucin Gamma La distribucin gamma tiene dos parmetros y su funcin de densidad es la siguiente:

QuickTime and a decompressor are needed to see this picture.

Donde (

) es la funcin gamma y se determina por:

QuickTime and a decompressor are needed to see this picture.

La media es:

71

E(x) = Y la varianza es: Var(x) = 2

La distribucin Gamma es una de las ms usadas para modelar procesos dada, su capacidad para asumir una amplia variedad de formas. Ejemplos de procesos que estn distribuidos segn una gamma son el tiempo que se tarda en ejecutar una tarea, el tiempo de CPU que un trabajo necesita para ejecutarse, la desviacin de una trayectoria desde su blanco, ventas mensuales de un determinado item, etc. Un caso especial de la distribucin gamma es cuando es un entero, en este caso la distribucin se conoce como Erlang. La distribucin Erlang es frecuentemente usada para modelar el proceso de servicio en un sistema de colas. Una propiedad importante de la distribucin Erlang es que puede expresarse como la suma de a distribuciones exponenciales independientes. Hay tres propiedades de la distribucin gamma que a menudo son utilizadas para generar variables aleatorias: 1) La distribucin exponencial es una distribucin gamma con a=1.

2) Si X1 es una gamma (1, ) y X2 es una gamma (2 ,) entonces Y=X1+X2 es una gamma

(1+ 2 , ). 3) Si X es una gamma ( ,1) entonces , X es una gamma (, ), para cualquier , >0. Como la funcin de densidad acumulada de la distribucin Gamma no se puede formular explcitamente, haremos uso de la propiedad 1) y que para valores enteros se considera que es una distribucin Erlang. Para lograr generar nmeros aleatorios Gamma se toman k valores de variable aleatoria con distribucin Exponencial, cuyo valor esperado es el mismo. Si tenemos x1, x2, x3,, xk valores de variable aleatoria Exponencial de valor esperado , por lo tanto el valor de la variable aleatoria Gamma o Erlang x se puede calcular de la siguiente manera:

substituyendo xi

Para que el clculo en la computadora sea ms eficiente, se puede expresar como:

72

Distribucin Beta Esta distribucin se usa a menudo para representar variables aleatorias que estn restringidas al intervalo (0,1). Se utiliza para generar entradas cuando no tenemos datos (por ejemplo el tiempo que tarda en estropearse un aparato, el tiempo que tarda en suceder algo,...). Cuando en proyectos PERT se ha de aproximar el tiempo que se le da a las distintas actividades, se usa esta distribucin. En general suele usarse como modelo en primera aproximacin en ausencia de datos experimentales. Uno de los principales recursos de esta distribucin es el ajuste a una gran variedad de distribuciones empricas, pues adopta formas muy diversas dependiendo de cules sean los valores de los parmetros de forma 1 y 2, mediante los que viene definida la distribucin. La funcin de densidad de probabilidad es:

QuickTime and a decompressor are needed to see this picture.

Donde:
QuickTime and a decompressor are needed to see this picture.

La media y la varianza de la distribucin son:

QuickTime and a decompressor are needed to see this picture.

QuickTime and a decompressor are needed to see this picture.

Una de los ms comunes y simples mtodos de generacin de valores de la distribucin beta es usar las relaciones que existen entre sta y la distribucin gamma: Si X1 es una gamma(1,1) y X2 es una gamma(2,1), entonces y = X1/ X1 + X2 es una beta(1, 2). Este algoritmo es fcil de implementar pero debido a que los mtodos de generacin de

73

gammas pueden ser ineficientes, se han desarrollado mtodos de generacin basados en el mtodo de aceptacin-rechazo (Ahrens and Deiter). Partiendo de que una distribucin U(0,1) es similar a una distribucin beta (1,1). Una variable X que sigue una distribucin beta(1, 2) en [0,1] puede reescalarse y desplazarse para obtener una variable beta(1, 2) en [a, b] con los mismos parmetros de forma mediante la transformacin a+(b-a)X. Aprovechando la simetra de la distribucin uniforme, si X sigue una beta(1, 2) en [0,1], entonces (1-X) sigue tambin una beta(1, 2) en [0,1]. Aplicando el mtodo de inversin podemos obtener valores para la beta(a1, 1):

QuickTime and a decompressor are needed to see this picture.

QuickTime and a decompressor are needed to see this picture.

Distribucin Triangular La funcin de distribucin triangular tiene como funcin de densidad de probabilidad
QuickTime and a decompressor are needed to see this picture.

La funcin de probabilidad acumulada F(x) es:

QuickTime and a decompressor are needed to see this picture.

74

Calculando la inversa de F(x) y resolviendo para x tenemos:

QuickTime and a decompressor are needed to see this picture.

El algoritmo para generar un valor de la variable aleatoria Triangular x, sera como sigue:

QuickTime and a decompressor are needed to see this picture.

QuickTime and a decompressor are needed to see this picture.

Figura 20 Grafica generada con una muestra de tamao 1,000 Distribucin Normal La distribucin normal es la ms conocida y la que ms se utiliza, ya que muchos fenmenos, procesos o eventos que observamos en la vida diaria siguen el patrn esta distribucin, y todava por si esto no fuera suficiente, de acuerdo con el teorema del lmite central que nos dice que la suma de N valores de variables aleatorias X i, independientes pero distribuidas idnticamente, con medias i y variancias i2, se aproxima asintticamente a una distribucin normal, a medida que N se hace ms grande, con media y varianza:

75

QuickTime and a decompressor are needed to see this picture.

La distribucin normal tiene como funcin de densidad de probabilidad

QuickTime and a decompressor are needed to see this picture.

Si los parmetros de la distribucin normal tienen los valores de x = 0 y x = 1, la funcin distribucin recibir el nombre de distribucin normal estndar, con funcin de densidad:
QuickTime and a decompressor are needed to see this picture.

Cualquier distribucin normal se puede convertir a la forma estndar, mediante la siguiente substitucin:
QuickTime and a decompressor are needed to see this picture.

La funcin de distribucin acumulada F(x) o F(z) no existen explcitamente, pero F(z) se encuentra tabulada en cualquier libro de estadstica. El valor esperado y la varianza estn dados por:
QuickTime and a decompressor are needed to see this picture.
QuickTime and a decompressor are needed to see this picture.

Para generar nmeros aleatorios normales, se utiliza un procedimiento basado en el teorema del lmite central. Se procede de la siguiente manera: Partiendo de la ecuacin para transformar cualquier variable aleatoria normal a la forma estndar

QuickTime and a decompressor are needed to see this picture.

Despejando x tenemos una expresin en la cual x estara en funcin de z y los parmetros de la distribucin que queremos simular, enseguida dependemos de cmo podemos generar valores de la variable aleatoria z, existen dos opciones una de ellas es recurrir a las tablas ya existentes

76

de la variable normal estndar z y la otra opcin es precisamente utilizando el teorema del lmite central.

Si r1, r2,..rN representan variables aleatorias independientes,

cada una de las cuales posee la misma distribucin de probabilidad caracterizada por E [ri] = y V (ri) = 2, entonces:

QuickTime and a decompressor are needed to see this picture.

El procedimiento para simular valores normales utilizando computadoras requiere el uso de la suma de K valores de variable aleatoria distribuidos uniformemente; esto es, la suma de

r1, r2,

..rN, con cada ri definida en el intervalo 0 < ri < 1. As, tenemos que:
QuickTime and a decompressor are needed to see this picture.

QuickTime and a decompressor are needed to see this picture.

Finalmente tenemos

QuickTime and a decompressor are needed to see this picture.

77

Ecuacin con la cual podemos generar valores de variable aleatoria normalmente distribuidos, cuya media sea igual a (x) y varianza 2(x). Para generar un solo valor de x (un valor de variable aleatoria con distribucin normal) bastara con sumar K nmeros aleatorios definidos en el intervalo de 0 a 1. Substituyendo el valor de esta suma en la ecuacin , as como tambin los valores de (x) y 2(x) para la distribucin deseada, encontraremos que se ha determinado un valor particular de x. Ciertamente, este procedimiento se puede repetir tantas veces como valores de variable aleatoria normalmente distribuidos se requieran. 3.2.2 Distribuciones empricas de Probabilidad Si el modelador ha sido incapaz de encontrar una distribucin terica que proporcione un buen modelo para los datos de entrada, puede ser necesario utilizar una distribucin de datos emprica.

Ejemplo: Supongamos que se han recogido los tiempos de reparacin de 100 aparatos estropeados. Los datos se resumen en la tabla siguiente en funcin del nmero de observaciones de los distintos intervalos. Hubo 31 observaciones entre 0 y 0.5 hora, 10 entre 0.5 y 1 hora, y as sucesivamente.

La tcnica de la transformada inversa se aplica directamente para generar variables de tiempo de reparacin, X. Recordando la interpretacin grfica de la tcnica, primero se genera un nmero aleatorio R1, por ejemplo R1 = 0.83, y se obtiene X1 de la tabla anterior. De forma simblica esto se escribe como X 1 = F-1(R1) pero algebraicamente, puesto que R 1 est entre 0.66 y 1.00, X1 se calcula mediante una interpolacin lineal entre 1.5 y 2.0, es decir X1 = 1.5 + {(R1 - 0.66) / (1 - 0.66)} (2.0 - 1.5) = 1.75. Cuando R1 = 0.83, se puede apreciar que (R 1 - 0.66) / (1 - 0.66) = 0.5, por lo que X 1 estar a la mitad de la distancia entre 1.5 y 2.0 ya que R1 est a la mitad de la distancia entre 0.66 y 1.00.

78

El algoritmo sera como sigue: 1. Generar R 2. Encontrar el intervalo i en el que cae R, es decir, encontrar i de forma que ri R ri+1 3. Calcular X mediante X = xi + ai (R ri ) Si los valores de origen son discretos no se realiza interpolacin Consideremos el tamao de los paquetes de una red que puede tomar los valores siguientes:

La funcin de distribucin acumulada sera:

La correspondiente funcin acumulada inversa esta dada por:

Distribucin Discreta Emprica Cuando la distribucin de probabilidad de una variable aleatoria discreta viene dada por un conjunto de probabilidades, el mtodo ms comn para generar valores de la misma es el mtodo de la Tablas de Bsqueda. Para conseguir ms eficiencia se han de ordenar los valores de F(x) en orden decreciente. El algoritmo de generacin es el siguiente: Generar un nmero aleatorio r fin FALSO

79

i 1; MIENTRAS NO fin HACER SI r <= F(xi) ENTONCES fin VERDAD SI NO i i+1 FIN _ MIENTRAS DEVOLVER xi Eleccin del mtodo adecuado Si la funcin de distribucin se puede invertir utiliza inversin. Si la funcin de distribucin es la suma de otras funciones de distribucin utiliza composicin. Si la variable aleatoria es composicin de otras variables aleatorias utiliza convolucin Si existe una funcin que maximice la funcin densidad utiliza aceptacin rechazo. Si existe algn tipo de relacin utiliza mtodos especficos.

Mtodos recomendados para cada una de las distribuciones de probabilidad Uniforme: Transformada inversa Exponencial: Transformada inversa Erlang: Convolucin Gamma: Aceptacin-rechazo Weibull: Transformada inversa Normal: Transformacin directa Triangular: Transformada inversa Emprica: Transformada inversa Bernoulli: Transformada inversa Uniforme: Transformada inversa Discreta arbitraria: Transformada inversa Binomial: Convolucin Geomtrica: Transformada inversa Poisson: Aceptacin-rechazo

3.2.3 Simulacin de procesos aleatorios

80

Aplicacin del mtodo de Monte Carlo en la evaluacin econmica de proyectos de inversin estocsticos

Figura 21 Mtodo de Monte Carlo Ejemplo para la evaluacin econmica de un solo proyecto con variable que son dependientes: La tcnica de Monte Carlo proporciona caractersticas importantes y nicas para el anlisis de situaciones en las cuales las variables son dependientes y por lo tanto son difciles y en algunos casos imposibles de manipular analticamente para obtener un resultado. Supongamos que la vida de un proyecto sigue una funcin de distribucin con una media que esta en funcin del flujo de efectivo neto anual del proyecto. Adicionalmente, el flujo de efectivo neto anual del proyecto esta descrita por algn tipo de distribucin de probabilidad, y que se desea determinar la distribucin del valor presente neto de los flujos de efectivo durante la vida del proyecto. Ejemplo numrico El flujo de efectivo neto de un proyecto se estima que esta normalmente distribuido con una media de $10,000 y una desviacin estndar de $2000. La vida del proyecto sigue una funcin

81

de distribucin uniforme con una media de 0.0005 del flujo de efectivo neto anual (redondeado al entero ms cercano), y un rango (diferencia entre la mxima y minima vida del proyecto) de 6 aos. La tasa de inters aplicada para el proyecto es de 10% y se pide obtener la media del valor presente neto del proyecto. Para obtener una solucin haremos una simulacin con el mtodo de Monte Carlo, utilizando el Excel que facilita la tabulacin de resultados y la aplicacin del la tcnica, sobre todo en comparacin con el uso de lenguajes de propsito general que son menos amigables y requieren mayor dominio de las tcnicas de programacin para modelar este tipo de situaciones. Para generar valores del flujo de efectivo neto anual utilizamos con la tcnica de generacin que ya vimos anteriormente. La generacin de variables aleatorias normales parten de la siguiente ecuacin
QuickTime and a decompressor are needed to see this picture.

de la cual si despejamos x tendremos:

x = x + zx, en los datos del problema tenemos la media y la varianza de la distribucin del
flujo de efectivo, por lo tanto faltara nicamente generar nmeros aleatorios normales (z), para lo cual utilizamos la ecuacin basada en el teorema del lmite central:

QuickTime and a decompressor are needed to see this picture.

El valor de z recomendado es de 24, aun cuando podemos obtener una buena aproximacin con z = 12, pero no es confiable para valores de x mayores a 3 veces la desviacin estndar. Tambin podemos utilizar nmeros aleatorios ya generados en tablas, con la desventajas que esto trae consigo, sin embargo para fines prcticos del ejemplo lo haremos con tabla de nmeros z. Para el clculo de los valores aleatorios de la vida del proyecto utilizamos el mtodo de generacin de nmeros aleatorios uniformes, si partimos de la ecuacin de generacin x = a + ( b a ) r en este caso no se puede aplicar porque no tenemos el valor de a y b, pero tenemos el valor del rango (b-a), por lo tanto utilizaremos una formula alternativa que se puede deducir de las relaciones ya conocidas.

82

x = (a + b)/2 (b a)/2 + r (b a) En esta expresin aun cuando aparecen a y b, vemos que el primer termino es la media y el segundo es el rango dividido por dos y el ltimo es el rango multiplicado por el nmero aleatorio (0, 1). Por ultimo para calcular el valor presente neto en cada uno de los ensayos Monte Carlo utilizamos la correspondiente formula de ingeniera econmica

donde A corresponde al flujo de efectivo neto anual y n la vida del proyecto. A continuacin se presenta ;a tabla de Excel para realizar los ensayos Monte Carlo correspondientes. Formula en Excel para el flujo de efectivo

QuickTime and a decompressor are needed to see this picture.

Funcin para generar nmeros aleatorios (0,1) en Excel.

QuickTime and a decompressor are needed to see this picture.

Formula para calcular la vida del proyecto

83

QuickTime and a decompressor are needed to see this picture.

Funcin de redondeo para la vida del proyecto

QuickTime and a decompressor are needed to see this picture.

Calculo del Valor presente neto

QuickTime and a decompressor are needed to see this picture.

Tabla completa para 30 ensayos Monte Carlo y la obtencin de un valor medio, si queremos generar una distribucin de probabilidad muestral, se tendra que realizar este procedimiento, mnimo una muestra de 30 veces para que de acuerdo al teorema del lmite central, se obtenga una aproximacin estadstica adecuada.

84

QuickTime and a decompressor are needed to see this picture.

Simulacin de un sistema de inventarios La simulacin es usada para comparar alternativas ordenando polticas para un sistema de inventarios. Muchos de los elementos de modelos representativos son encontrados en sistemas de inventarios actuales. Planteamiento del problema Una compaa vende un producto en particular. Desea saber cuantos de estos productos se tendra en el inventario para cada uno de los prximos n meses. Los tiempos entre las demandas son variables aleatorias, con una media de 0.1 mes. Los tamaos de las demandas D, son variables aleatorias, con una distribucin de probabilidad

85

emprica. D 1 2 3 4 Probabilidad 1/6 1/3 1/3 1/6

Al inicio de cada mes la compaa revisa el nivel del inventario y decide cuantos artculos ordenar de su proveedor. Si la compaa ordena Z artculos, incurre en un costo de K+iZ, donde K = $32 que es el costo de preparacin e i = $3 que es el costo incremental por artculo ordenado. (si Z = 0, este costo no ocurre). Cuando una orden es colocada, el tiempo requerido para que esta llegue (llamado periodo de entrega o Leadtime en ingls) es una variable aleatoria que esta distribuida uniformemente entre 0.5 y 1 mes. La compaa usa una poltica (s,S) para decidir cuanto ordenar, o sea
QuickTime and a decompressor are needed to see this picture.

Donde I es el inventario el inicio del mes. Cuando una demanda ocurre, esta es satisfecha inmediatamente si el nivel del inventario es al menos tan grande como la demanda. Si la demanda excede el nivel del inventario, el exceso sobre el suministro es acumulado y satisfecho por futuras entregas. (En este caso, el nuevo nivel del inventario es igual al nivel del inventario anterior menos el tamao de la demanda, resultando en un nivel del inventario negativo). Cuando una orden llega, primero es usada para eliminar cuando mucho tanto como sea posible las demandas pendientes; el resto de la orden es agregada al inventario. Hasta ahora, hemos discutido solamente un tipo de costo incurrido por el sistema de inventario, el costo de ordenar. Sin embargo, en la mayora de los sistemas reales tambin hay dos tipos de costos adicionales, costo de mantenimiento y de no tener o dficit, los cuales discutiremos despus de introducir algunas anotaciones adicionales. Sean: I(t) el nivel del inventario en el tiempo t[ note que I(t) podra ser positivo, negativo o cero] I+(t)= max [I(t),0] el nmero de artculos fsicamente disponibles en el inventario en el tiempo t [note que I+(t) 0]

I-(t)= max [-I(t),0] los pendientes en el tiempo t [I -(t) 0].

86

Una posible realizacin de I(t), I +(t), I-(t) se muestra en la siguiente figura. Los puntos en el tiempo que I(t) decrece son los nicos en los cuales la demanda ocurre.

QuickTime and a decompressor are needed to see this picture.

Figura 22 Grfica del sistema de inventarios Para nuestro modelo, debemos asumir que la compaa incurre en un costo de mantenimiento de h=1 por artculo por mes mantenido en el inventario. El costo de mantenimiento incluye tales costos como la renta del almacn, seguros, impuestos, y mantenimiento tambin como el costo de oportunidad de tener el capital en el inventario que invertir en otra parte. Hemos ignorado en nuestra formulacin el hecho de que algunos costos de mantenimiento ya incurrieron cuando I+(t)=0. Sin embargo, dado que nuestro objetivo es comparar polticas de ordenar, ignorando este factor, que despus de todo es independiente de la poltica usada, no afectar en nuestra evaluacin de qu poltica es la mejor. Ahora dado que I +(t) es el nmero de artculos mantenidos en el inventario en el tiempo t, el tiempo promedio (por mes) nmero de artculos mantenidos en el inventario por un periodo de n meses es

QuickTime and a decompressor are needed to see this picture.

As que el costo promedio de atrasos por mes es

Asuma que el nivel de inventario inicial es I(0)=60 y que no ordenar no es importante. Simulemos el sistema de inventario para n = 120 meses y use el costo total promedio por mes (que es la suma del costo de ordenar promedio por mes, el costo de mantenimiento promedio por mes y el

87

costo de dficit promedio por mes) para comparar las siguientes nueve polticas de inventario. s S 20 40 20 60 20 80 20 100 40 60 40 80 40 100 60 80 60 100

Polticas seleccionadas en base a tcnicas estadsticas. Note que las variables de estado para un modelo de simulacin de este sistema de inventario son el nivel de inventario I(t), la cantidad de una orden prominente de la compaa al proveedor, y el tiempo del ultimo evento.(el cual es necesaria para calcular las reas bajo las funciones I +(t) e I-(t)) ORGANIZACIN Y LGICA DEL PROGRAMA El modelo de sistema de inventario usa los siguientes tipos de eventos. Tipo de Evento 1 2 3 4 Descripcin del evento Llegada de una orden a la compaa del proveedor Demanda para el producto de un cliente Termino de la simulacin despus de n-meses Evaluacin del inventario (al inicio de mes)

Hemos tenido que hacer el fin de la simulacin, con el evento de tipo 3 en lugar del tipo 4, ambos eventos fin-simulacin y evaluacin-inventario desde el tiempo 120 que sern eventualmente programar y querer ejecutar el primer evento anterior en este tiempo. (Puesto que la simulacin se hace despus del tiempo 120, no hay sentido en la evaluacin del inventario y una posible colocacin de una orden, incurriendo en un costo de ordenar por una orden que nunca llegar). La ejecucin del evento tipo 3 antes del evento tipo 4 es garantizado por que la rutina del tiempo da preferencia al mas bajo evento numerado, si dos o mas eventos son programados para ocurrir al mismo tiempo. En general un modelo de simulacin sera designado a procesar eventos en un orden apropiado cuando un ciclo de tiempo ocurra.

QuickTime and a decompressor are needed to see this picture.

Grafica de un evento Hay tres tipos de variables aleatorias que se necesitan para simular este sistema. Los tiempos indeterminados son distribuidos exponencialmente, los que se pueden simular como se defini anteriormente.

88

De los cuatro eventos solamente 3 involucran verdaderamente el cambio de estado (el termino de eventos de simulacin es la excepcin) por lo tanto su lgica, es un lenguaje independiente. En el evento llegada orden, se muestra en la figura siguiente y debemos hacer los cambios necesarios cuando una orden llegue del proveedor. El nivel del inventario es incrementado y desde su consideracin del evento llegada de una orden debe ser eliminada. Evento de orden de llegada

QuickTime and a decompressor are needed to see this picture.

El evento de la demanda procesa los cambios necesarios para representar un caso de demanda. Primero, el tamao de la demanda es generada, y el inventario se disminuye por esta cantidad. Finalmente el tiempo de la prxima demanda es programada en la lista de eventos. Note que esto ocurre donde el nivel del inventario pueda ser negativo. Para el evento de evaluacin del inventario que tiene lugar al comienzo de cada mes, el diagrama de flujo se presenta enseguida. Si el nivel del inventario I(t) en el tiempo de evaluacin es al menos s, entonces ninguna orden se coloca, y no se hace nada excepto la programacin de la siguiente evaluacioLn en la lista de eventos. En cambio, si I(t)<s, colocamos una orden para S I(t) artculos. Esto es hecho para almacenar la cantidad de ordenar [S I(t)]hasta la llegada de la orden, y programar su tiempo de llegada. En este caso tambin, queremos programar el prximo evento evaluacin del inventario. Como en el modelo de colas de un solo servidor, es conveniente escribir una rutina para actualizar los acumuladores de la estadstica de tiempo continuo.

89

QuickTime and a decompressor are needed to see this picture.

El principal punto es si necesitamos actualizar el rea debajo de I -(t) o I+(t) (o ninguno). Si el nivel de inventario ha sido negativo desde el ultimo evento, entonces tenemos un atraso, en el rea debajo de I-(t) solo estaramos actualizando. En cambio si el nivel del inventario ha sido positivo necesitamos actualizar en el rea I+(t). Si el nivel de inventario ha sido cero no se necesita actualizar. El cdigo en ambos lenguajes para esta rutina tambin trae la variable de tiempo del ltimo evento al tiempo presente. Esta rutina ser invocada desde el programa principal justo despus de regresar de la rutina coordinada. Ignorando el tipo de evento o si le nivel del inventario esta actualizado en los cambios en estos puntos. Esto proporciona una simple manera de actualizar integrales para estadsticas de tiempos continuos. Para completar el ejercicio es deseable que se desarrolle el programa en lenguaje C ++ o Visual Basic.

90

BIBLIOGRAFA
1. Banks Jerry, Carson John, Discret event simulation, Editorial Prentice Hall 2. Canada John R., Intermediate economic anlisis for Management and engineering, EditorialPrentice Hall. 3. Checkland PB. 1971, asystems map of the universe, Journal of Systems Engineering 2(2): 107-114 4. Coss Bu Ral, Simulacin Un enfoque prctico, Editorial Limusa. 2002. 5. Fishman, G. Principles of discrete event simulation, Editorial John Wiley & Sons. Gordon, G. Simulacin de Sistemas, Mxico: Editorial Diana. 1989. 6. Gottfried, B.S. Elements of Stochastic Process Simulation, Englewood Cliffs, N.J.: Editorial Prentice Hall 7. Guasch Antoni, Piera Miguel, Casanova Josep, Figueras Jaume, Modelado y Simulacin,Editorial Alfaomega, 2005. 8. Harrell Ch. Ghosh B., Bowden R. Simulation using PROMODEL w/CD-ROM, second Edition, Editorial Mc Graw Hill, 2004. 9. Hillier, F.S. y Lieberman, G.J. Introduccin a la Investigacin de Operaciones, Mxico: Editorial Mc Graw Hill. 2003. 5 Edicin. 10. Kelton W David, Sadowski Randall, Sturrock David, Simulacin con software Arena, cuarta edicin, Editorial McGraw Hill, 2008. 11. Law A. y Kelton W. Simulation Modeling and Anlisis, Editorial Mc Graw Hill. 12. Naylor, Balintfy y Burdick, Tcnicas de Simulacin de computadoras, Editorial Limusa. 13. Ross, S. Simulation, USA: Editorial Academic Press. 1997. 2 Edicin. 14. Taha, H.A. Investigacin de Operaciones, Mxico: Editorial Alfa Omega. 15. Winston. Investigacin de Operaciones, Editorial Iberoamericana.

91