Simulacin Parte 1

Optimizacin y Simulacin
Ing. Lourdes Roxana Daz Amaya
Escuela de Ingeniera de Sistemas
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 )
Caractersticas Variable Aleatoria
Una variable aleatoria es una funcin con valores numricos y
definida sobre un espacio muestral
Una variable aleatoria discreta toma diversos valores con
probabilidades especificadas por su distribucin de
probabilidad
Utilidad de una v.a.: reduce el espacio de muestra a uno ms
fcil de manejar
Ejemplo: En una familia de 3 hijos, cul es la probabilidad de
que haya un varn o menos?
2
1
8
3
8
1
) 1 ( ) 0 ( ) 1 Pr( = + = + = s p p X
a) Variable aleatoria X= Cantidad de varones
b) Diagrama de su distribucin de probabilidad
Variable aleatoria
Frecuentemente interesa conocer ms que el resultado de un
experimento aleatorio, una funcin de dicho resultado.
Una variable aleatoria es una funcin con valores numricos y
definida sobre un espacio muestral
Si lanzamos al aire tres monedas, podemos definir la funcin
como X:
X: nmero de caras que resultan del experimento.

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
<
<
<
<
<
<
Distribucin uniforme
Es aquella que puede tomar cualquier valor dentro de un intervalo, todos
ellos con la misma probabilidad.
Una variable aleatoria X esta uniformemente distribuida en el intervalo
(a,b) si su funcin es la siguiente:





La funcin de distribucin acumulada esta dada por:




La media y la varianza de la distribucin estn dadas por:
otro
b x a
a b
x f
s s

=
,
, 0
1
) (

>
< s

<
=
b x
b x a
a b
a x
a x
x F
, 1
,
, 0
) (
2
) (
b a
X E
+
=
12
) (
) (
2
a b
X V

=
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 ( )
o
o
o f (X) e
x
-
x > 0
o
> 0
E (X)
o
1
=
o
1
=
V (X)
2
P (Xi X) ri
<
=
=
0 ri 1
< <
o
GENERACIN DE VALORES CON
DISTRIBUCIN EXPONENCIAL
=
con 0 ri 1
<
P (Xi X) ri < < <
Distribucin de
probabilidad acumulada
P (Xi X) 1 - e
=
-
o x
1 - e
- o x
=
ri
e
o x
-
=
1 ri
-
/ ln
=
Xi -
ln ( 1 )
ri
-
ln ( 1 )
ri
-
-
=
o
Xi
con 0 ri 1
< <
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
t
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
E
Xi N
Por lo tanto
E
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
E
n
-
n
2
12
n
GENERACIN DE VALORES CON
DISTRIBUCIN NORMAL
Xi
=

+
( )
i=1
E
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
E
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
Distribucin Normal Standard
Una variable con distribucin normal estndar (=0
=1) se nota con la letra Z.
Si:


Conversin: la variable Z se define como:


Para que tenga una distribucin Normal estndar.
) , (
2
o N X =
o

=
X
Z
Distribucin Normal
Se ve que -como en
cualquier distribucin
continua- la
probabilidad de que
P(X=a)=0 para
cualquier a. Luego lo
que se calculan son
reas (grfico).
Distribucin Normal
Ejemplos
1775 . 0 0968 . 0 2743 . 0
) 3 . 1 Pr( ) 6 . 0 Pr(
) 3 . 1 6 . 0 Pr(
2743 . 0 ) 6 . 0 Pr(
= =
= > >
= s s
= >
Z Z
Z
Z
Ejemplo
| |
8185 . 0 0228 . 0 1587 . 0 1
1587 . 0 ) 1 Pr( ) 1 Pr(
0228 . 0 ) 2 Pr(
) 2 Pr( ) 1 Pr( 1
) 2 1 Pr(
=
= > = s
= >
= > + s
= s s
Z Z
Z
Z Z
Z
Distribucin de Poisson
El modelo probabilstico de Poisson, es utilizado a menudo
para variables aleatorias distribuidas en el tiempo o en el
espacio. Por ej: Nmero de bacterias por cm
3
de agua,
nmero de accidentes con motocicletas por mes, etc.
Para que el modelo de Poisson est presente debe verificar
lo siguiente:
1) Los sucesos que ocurren en un intervalo (de tiempo, regin
del espacio, etc) son independientes de los que ocurren en
cualquier otro intervalo (de tiempo, regin del espacio, etc)
2) La probabilidad de que un suceso se presente, es
proporcional a la longitud del intervalo.
3) La probabilidad de que uno o mas sucesos se presenten en
un intervalo muy pequeo es tan pequea que puede
despreciarse.
Distribucin de Poisson
Distribucin de Poisson
La funcin de densidad de probabilidad es:

(1)
E(X)= Var(X)=
La funcin de distribucin acumulada (fda)
esta dada por:

!
) (
k
e
k X P
k

= =

=
x
i
i
i
e
x F
0
!
) (

Proceso de Poisson
Considere eventos aleatorios tales como el arribo de aviones a un
aeropuerto, el arribo de barcos a un puerto, el arribo de llamadas a una
central, la falla de mquinas en una fbrica, etc.
Estos eventos pueden ser descriptos por una funcin de conteo N(t)
definida para todos los t >=0.
Esta funcin de conteo representar el nmero de eventos que ocurrirn
en [0,t].
El tiempo cero es el punto en el cual la observacin comienza, ya sea que
un arribo ocurra o no en ese instante.
Si los arribos ocurren de acuerdo a un proceso de Poisson, la probabilidad
de que N(t)=n es:

(2)

!
) (
) ) ( (
n
t e
n t N P
n t

= =