OPERACIONES 2

Simulacin
Profesor: Pablo Diez Bennewitz
Ingeniera Comercial - U.C.V.
En la administracin de operaciones se utilizan
dos tipos de modelos:
Modelos de Optimizacin
Modelos de Simulacin
Modelo de
Optimizacin
Modelo de
Simulacin
Responde a la pregunta
Cul es la mejor decisin ?
Responde a la pregunta
Qu pasara si ............ ?
MODELOS DE SIMULACIN
MODELOS DE SIMULACIN
Un modelo de simulacin corresponde a una
estructura de anlisis de un sistema que permite
ir ensayando la respuesta del sistema, ante
diferentes condiciones
Las situaciones reales o sistemas
deben ser simplificadas a travs
de modelos, los que deben ser
representativos de la realidad,
para as formular soluciones
tiles
MODELOS DE SIMULACIN
La simulacin surge debido a que no siempre es
posible formular modelos de optimizacin que
sean representativos de la realidad
Sistema
Modelo
Condiciones
de trabajo
Parmetros
del modelo
Variables
de decisin
Respuesta
Respuesta
SIMULACIN
Es observar el comportamiento de un sistema a
travs de un modelo, ante diferentes situaciones
que se ensayan. Esto implica experimentacin

Se simulan los experimentos usando relaciones
matemticas (determinsticas o probabilsticas),
para medir los resultados representativos de la
realidad

Simulacin no es una tcnica optimizante ni
busca la mejor solucin o decisin, aunque al
menos debe proporcionar soluciones cercanas a
la ptima
MODELOS DE SIMULACIN
Aunque para todo administrador resulte ms
conveniente trabajar con modelos de
optimizacin, sin embargo, no existen en la
variedad de casos necesarios. Por lo tanto, los
modelos de simulacin, tienen algunas ventajas
MODELOS DE SIMULACIN
Ventajas de los modelos de simulacin:
El modelo de simulacin es ms fcil de
construir y comprender que uno de optimizacin

Los modelos de optimizacin, generalmente, no
evalan todas las soluciones subptimas. En
cambio, los modelos de simulacin si las evalan

El modelo de simulacin hace experimentacin
en computadores, lo que le otorga:
Mayor rapidez para procesar la informacin
Capacidad de anticipar resultados posibles
en situaciones nuevas o imprevistas
MODELOS DE SIMULACIN
Desventajas de los modelos de simulacin:
El modelo de simulacin requiere personal
especializado para su realizacin y anlisis

Es imprescindible el uso de computadores

No necesariamente alcanza resultados ptimos
ETAPAS PARA HACER LA SIMULACIN
EN UN PROGRAMA COMPUTACIONAL
1) Formulacin del Problema: Definir la situacin o
sistema a resolver, sus variables y un esquema de
la solucin buscada

2) Construccin del Modelo: Hacer representacin
simplificada de la realidad, con relaciones
matemticas acordes con dicha realidad, lo que
implica muchas veces eliminar variables poco
relevantes

3) Recoleccin de Datos: Identificar y recopilar la
informacin pertinente para especificar las
condiciones de trabajo del modelo
ETAPAS PARA HACER LA SIMULACIN
EN UN PROGRAMA COMPUTACIONAL
4) Implementacin del Modelo: Traducir el modelo
a un programa computacional y verificar que el
programa pueda ejecutarse

5) Validacin del Modelo: Es la evaluacin del
resultado del modelo computacional respecto de
su representacin de la realidad

6) Anlisis de los Resultados: Se hace la
experimentacin propiamente tal y se interpretan
los resultados obtenidos
SIMULACIN DE MONTECARLO
Es una tcnica de muestreo aleatorio simple
(M.A.S.) en la que el muestreo se hace en un
espacio finito a partir de la generacin de
nmeros aleatorios: la poblacin son todos los
nmeros aleatorios y el muestreo consiste en
determinar valores sucesivamente a partir de los
nmeros aleatorios
X : Variable aleatoria
Que tiene un
comportamiento
segn alguna
distribucin de
probabilidades
SIMULACIN DE MONTECARLO
Se obtienen valores para X ( X1, X2, X3, ........., Xn )
X1
X2
X3




Xn
Son valores generados utilizado un
M.A.S. de los nmeros aleatorios ri
NMEROS ALEATORIOS
ri
Es cualquier nmero entre 0 y 99, con igual
probabilidad de seleccin: todos los
nmeros tienen la misma probabilidad de
ser escogidos en cualquier instante, es
decir que tienen una distribucin de
probabilidades uniforme
ri
f (r)
0 99
ri
U ( 0, 99 )
EJEMPLO DE SIMULACIN
Una sucursal bancaria canjea cierta cantidad de
cheques cada da, segn el siguiente
comportamiento en un mes:
Cheques Frecuencia
canjeados Frecuencia Frecuencia Relativa
por da (miles) Absoluta Relativa Acumulada Media
1 - 500 2 0.05 0.05 250,5
501 - 1000 6 0.15 0.2 750,5
1001 - 1500 18 0.45 0.65 1250,5
1501 - 2000 10 0.25 0.9 1750,5
2001 - 2500 4 0.1 1 2250,5
EJEMPLO DE SIMULACIN
Histograma de Frecuencia Relativa:
0,05
0,15
0,45
0,25
0,1
500 2000 2500 1500 1000
f i
Qcheques / da
EJEMPLO DE SIMULACIN
Mediante el uso de los nmeros aleatorios es
posible simular una muestra (de M.A.S.)
Frecuencia Relativa
Acumulada
0,05
0,20
0,65
0,9
1
00 - 04
05 - 19
20 - 64
65 - 89
90 - 99
Nmero
Aleatorio
Clase n
(1)
(2)
(3)
(4)
(5)
EJEMPLO DE SIMULACIN
N aleatorio
Pertenece a
la clase n
84
18
31
61
04
52
40
75
89
16
37
97
(4)
(2)
(3)
(3)
(1)
(3)
(3)
(4)
(4)
(2)
(3)
(5)
Clase fi fi / n
(1)
(2)
(3)
(4)
(5)
1
2
5
3
1
0,08
0,16
0,42
0,25
0,08
n = 12
Esta es una corrida de
12 nmeros aleatorios
EJEMPLO DE SIMULACIN
Histograma de Frecuencia Relativa:
0,08
0,16
0,42
0,25
500 2000 2500 1500 1000
f i
Qcheques / da
Al obtener el histograma
de frecuencia relativa, el
comportamiento se
mantiene, aunque no es
igual, debido a que se
trata de una muestra
EJEMPLO DE SIMULACIN
N aleatorio
Pertenece a
la clase n
48
70
19
36
87
50
07
24
78
91
37
59

(3)
(4)
(2)
(3)
(4)
(3)
(2)
(3)
(4)
(5)
(3)
(3)
Clase fi fi / n
(1)
(2)
(3)
(4)
(5)
0
2
6
3
1
0,00
0,16
0,50
0,25
0,08
n = 12
Esta es otra corrida de
12 nmeros aleatorios
EJEMPLO DE SIMULACIN
Histograma de Frecuencia Relativa:
0,08
0,16
0,50
0,25
500 2000 2500 1500 1000
f i
Qcheques / da
Al obtener el histograma de
frecuencia relativa, una vez
ms el comportamiento se
mantiene, sin ser igual,
debido a que se trata de
otra muestra
GENERACIN DE VALORES PARA
DISTINTAS DISTRIBUCIONES A PARTIR
DE LOS NMEROS ALEATORIOS
En los modelos de simulacin, cada variable de
decisin tiene una distinta distribucin
(determinstica o probabilstica). Cada distribucin
tiene una corrida diferente de nmeros aleatorios

Un mismo nmero aleatorio no puede ser usado
para simular dos variables a la vez, porque las
variables son independientes entre s

Para determinar los valores simulados se utiliza la
distribucin de probabilidades acumulada
GENERACIN DE VALORES CON
DISTRIBUCIN DISCRETA
Muchas variables de decisin no son continuas,
entonces se utilizan las categoras de frecuencia
relativa acumulada para generar los valores a
partir de los nmeros aleatorios, siendo muy til
para variables con distribuciones determinsticas

Ejemplo: Supongamos que para el precio de una
accin existe una probabilidad del 20% de que
baje, 50% de que se mantenga igual, y 30% de que
suba su valor; en la siguiente transaccin burstil

Entonces, se asigna un intervalo 0, 1
proporcional a cada probabilidad
GENERACIN DE VALORES CON
DISTRIBUCIN DISCRETA
Frecuencia
Frecuencia Relativa Nmeros
Relativa Acumulada Aleatorios
Accin Baja 0,2 0,2 00 - 19
Accin Igual 0,5 0,7 20 - 69
Accin Sube 0,3 1 70 -99
Si 00 ri 19
Si 20 ri 69
Si 70 ri 99
Se asume que el precio
de la accin sube
Se asume que el precio
de la accin baja
Se asume que el precio de
la accin se mantiene igual
<
<
<
<
<
<
GENERACIN DE VALORES CON
DISTRIBUCIN UNIFORME
En el caso de una distribucin uniforme en el
intervalo a, b , se consideran 99 nmeros
aleatorios pertenecientes al intervalo 0, 1
X U (a,b)
fi (X)
X
Xi
P (Xi X) ri
P (Xi X)
<
< =
=
Xi - a
b - a
a b
GENERACIN DE VALORES CON
DISTRIBUCIN UNIFORME
ri
Xi - a
b - a
=
con ri ( b - a ) Xi - a
=
Xi a + ri ( b - a )
=
0 ri 1
< <
a + b
2
=
E (X) V (X)
=
( b - a )
2
2
GENERACIN DE VALORES CON
DISTRIBUCIN EXPONENCIAL
fi (X)
Xi
X
X exp ( )


f (X) e
x
-
x > 0

> 0
E (X)

1
=

1
=
V (X)
2
P (Xi X) ri
<
=
=
0 ri 1
< <

GENERACIN DE VALORES CON
DISTRIBUCIN EXPONENCIAL
=
con 0 ri 1
<
P (Xi X) ri < < <
Distribucin de
probabilidad acumulada
P (Xi X) 1 - e
=
-
x
1 - e
- x
=
ri
e
x
-
=
1 ri
-
/ ln
=
Xi -
ln ( 1 )
ri
-
ln ( 1 )
ri
-
-
=

Xi
con 0 ri 1
< <
GENERACIN DE VALORES CON
DISTRIBUCIN DE WEIBULL
fi (X)
X
Su funcin de densidad de probabilidades es:
= 1
< 1
> 1


X W ( , )
f (X, , )



=


X
( - 1)



e
-
( x )
X 0
>

GENERACIN DE VALORES CON
DISTRIBUCIN DE WEIBULL
Ntese que si 1, entonces la distribucin de
Weibull corresponde a la distribucin exponencial

La funcin de densidad acumulada es:

=
P (Xi X) 1 - e
= <
- ( xi )

Luego, para generar
valores de Xi de una
variable aleatoria con
distribucin de Weibull,
a partir de un nmero
aleatorio
ri
=
1 - e
- ( xi )


e
=
- ( xi )

1 ri
-
( Xi )

=
-
ln ( 1 )
- ri
ri
GENERACIN DE VALORES CON
DISTRIBUCIN DE WEIBULL
Xi
=
1
-

( ln ( 1 ) )
ri
-
1

con 0 ri 1
<
<
Obs: La distribucin de Weibull se utiliza en la
descripcin de las 3 etapas (rodaje, vida
til y desgaste) de la curva de fallas
t
( t )

Vida til
= 1
< 1 > 1
Rodaje Desgaste

Proba-
bilidad
de falla
( t )
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL
fi (X)
Xi
X N ( , )

2
La funcin de
probabilidad
acumulada
corresponde a
P (Xi X)
< =
x
8

1
2

e
1
2
- ( )
x
-
2
dx
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL
La funcin de probabilidad acumulada de la
distribucin normal no puede ser resuelta por
mtodos de integracin corrientes, lo que impide
tener una frmula cmoda para despejar
observaciones aleatorias simuladas de Xi a partir
de los nmeros aleatorios
No obstante, las observaciones
se pueden generar mediante el
siguiente razonamiento:
ri
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL
Los nmeros aleatorios tienen una distribucin
uniforme en el intervalo 0 , 1
f (ri)
ri
Para un
nmero
aleatorio
E ( ) ri
V ( ) ri
=
=
a + b
(b - a)
2
12
=
=
2
12
1
1
0 ri 1
<
<
Para una muestra de n nmeros aleatorios,
se puede inferir su comportamiento gracias
al teorema del lmite central
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL
Si X N

Xi N
Por lo tanto

i=1
n
ri
=
N
( )
n n
2 12
,
Vlido, solo en la medida en que n es un valor
bastante grande, lo que se asume cuando n 12
>
Entonces
Z
Xi
-
=
ri
i=1

n
-
n
2
12
n
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL
Xi
=

+
( )
i=1

n
ri
-
n
2
n
12
<
0 ri 1
<
si n 12
>
Aunque la expresin es vlida para cualquier n 12,
tpicamente se usa n = 12 para el muestreo de las
observaciones de variable con distribucin normal
ya que se simplifica un clculo
>
EJEMPLO DE GENERACIN DE
VALORES CON DISTRIBUCIN NORMAL
Xi
=

+
( )
i=1

n
ri
-
n
2
n
12
X tiene distribucin normal, con = 460 y = 36

Observacin para X con los nmeros aleatorios:
r1 = 0,46
r2 = 0,95
r3 = 0,23
r4 = 0,61
r5 = 0,39
r6 = 0,74
r7 = 0,26
r8 = 0,13
r9 = 0,92
r10 = 0,55
r11 = 0,07
r12 = 0,48
Xi
=
460 +
36 ( 5,79 - 6 )
1
=
467,56 Xi