La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

SIMULACIÓN DE MONTECARLO. En la administración de operaciones se utilizan dos tipos de modelos: Modelos de Optimización Modelos de Simulación Modelo de.

Presentaciones similares


Presentación del tema: "SIMULACIÓN DE MONTECARLO. En la administración de operaciones se utilizan dos tipos de modelos: Modelos de Optimización Modelos de Simulación Modelo de."— Transcripción de la presentación:

1 SIMULACIÓN DE MONTECARLO

2 En la administración de operaciones se utilizan dos tipos de modelos: Modelos de Optimización Modelos de Simulación Modelo de Optimización Modelo de Simulación Responde a la pregunta ¿ Cuál es la mejor decisión ? Responde a la pregunta ¿ Qué pasaría si ? MODELOS DE SIMULACIÓN

3 SIMULACIÓN Es observar el comportamiento de un sistema a través de un modelo, ante diferentes situaciones que se ensayan. Esto implica experimentación Se simulan los experimentos usando relaciones matemáticas (determinísticas o probabilísticas), para medir los resultados representativos de la realidad Simulación no es una técnica optimizante ni busca la mejor solución o decisión, aunque al menos debe proporcionar soluciones cercanas a la óptima

4 MODELOS DE SIMULACIÓN Ventajas de los modelos de simulación: 4 El modelo de simulación es más fácil de construir y comprender que uno de optimización 4 Los modelos de optimización, generalmente, no evalúan todas las soluciones subóptimas. En cambio, los modelos de simulación si las evalúan 4 El modelo de simulación hace experimentación en computadores, lo que le otorga: Y Mayor rapidez para procesar la información Y Capacidad de anticipar resultados posibles en situaciones nuevas o imprevistas

5 MODELOS DE SIMULACIÓN Desventajas de los modelos de simulación: 4 El modelo de simulación requiere personal especializado para su realización y análisis 4 Es imprescindible el uso de computadores 4 No necesariamente alcanza resultados óptimos

6 SIMULACIÓN DE MONTECARLO Es una técnica de muestreo aleatorio simple (M.A.S.) en la que el muestreo se hace en un espacio finito a partir de la generación de números aleatorios: la población son todos los números aleatorios y el muestreo consiste en determinar valores sucesivamente a partir de los números aleatorios X : Variable aleatoria Que tiene un comportamiento según alguna distribución de probabilidades

7 SIMULACIÓN 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 números aleatorios r i

8 NÚMEROS ALEATORIOS riri Es cualquier número entre 0 y 99, con igual probabilidad de selección: todos los números tienen la misma probabilidad de ser escogidos en cualquier instante, es decir que tienen una distribución de probabilidades uniforme riri f (r) 0 99 riri U ( 0, 99 )

9 EJEMPLO DE SIMULACIÓN Una sucursal bancaria canjea cierta cantidad de cheques cada día, según el siguiente comportamiento en un mes:

10 EJEMPLO DE SIMULACIÓN Histograma de Frecuencia Relativa: 0,05 0,15 0,45 0,25 0, f i Qcheques / día

11 EJEMPLO DE SIMULACIÓN Mediante el uso de los números aleatorios es posible simular una muestra (de M.A.S.) Frecuencia Relativa Acumulada 0,05 0,20 0,65 0, Número Aleatorio Clase nº (1) (2) (3) (4) (5)

12 EJEMPLO DE SIMULACIÓN Nº aleatorio Pertenece a la clase nº (4) (2) (3) (1) (3) (4) (2) (3) (5) Clasef i f i / n (1) (2) (3) (4) (5) ,08 0,16 0,42 0,25 0,08 n = 12 Esta es una corrida de 12 números aleatorios

13 EJEMPLO DE SIMULACIÓN Histograma de Frecuencia Relativa: 0,08 0,16 0,42 0, f i Qcheques / día Al obtener el histograma de frecuencia relativa, el comportamiento se mantiene, aunque no es igual, debido a que se trata de una muestra

14 EJEMPLO DE SIMULACIÓN Nº aleatorio Pertenece a la clase nº (3) (4) (2) (3) (4) (3) (2) (3) (4) (5) (3) Clasef i f i / n (1) (2) (3) (4) (5) ,00 0,16 0,50 0,25 0,08 n = 12 Esta es otra corrida de 12 números aleatorios

15 EJEMPLO DE SIMULACIÓN Histograma de Frecuencia Relativa: 0,08 0,16 0,50 0, f i Qcheques / día Al obtener el histograma de frecuencia relativa, una vez más el comportamiento se mantiene, sin ser igual, debido a que se trata de otra muestra

16 GENERACIÓN DE VALORES PARA DISTINTAS DISTRIBUCIONES A PARTIR DE LOS NÚMEROS ALEATORIOS En los modelos de simulación, cada variable de decisión tiene una distinta distribución (determinística o probabilística). Cada distribución tiene una corrida diferente de números aleatorios Un mismo número aleatorio no puede ser usado para simular dos variables a la vez, porque las variables son independientes entre sí Para determinar los valores simulados se utiliza la distribución de probabilidades acumulada

17 GENERACIÓN DE VALORES CON DISTRIBUCIÓN DISCRETA Muchas variables de decisión no son continuas, entonces se utilizan las categorías de frecuencia relativa acumulada para generar los valores a partir de los números aleatorios, siendo muy útil para variables con distribuciones determinísticas Ejemplo: Supongamos que para el precio de una acción existe una probabilidad del 20% de que baje, 50% de que se mantenga igual, y 30% de que suba su valor; en la siguiente transacción bursátil Entonces, se asigna un intervalo 0, 1 proporcional a cada probabilidad

18 GENERACIÓN DE VALORES CON DISTRIBUCIÓN DISCRETA Si00 r i 19 Si20 r i 69 Si70 r i 99 Se asume que el precio de la acción sube Se asume que el precio de la acción baja Se asume que el precio de la acción se mantiene igual < < < < < <

19 GENERACIÓN DE VALORES CON DISTRIBUCIÓN UNIFORME En el caso de una distribución uniforme en el intervalo a, b, se consideran 99 números aleatorios pertenecientes al intervalo 0, 1 XU (a,b) f i (X) X XiXi P (X i X) r i P (X i X) < <= = X i - a b - a ab

20 GENERACIÓN DE VALORES CON DISTRIBUCIÓN UNIFORME riri X i - a b - a = con r i ( b - a ) X i - a = X i a + r i ( b - a ) = 0 r i 1 << a + b 2 = E (X)V (X) = ( b - a ) 2 2

21 GENERACIÓN DE VALORES CON DISTRIBUCIÓN EXPONENCIAL f i (X) XiXi X Xexp ( ) f (X) e x - x > 0 > 0 E (X) 1 = 1 = V (X) 2 P (X i X) r i < = = 0 r i 1 <<

22 GENERACIÓN DE VALORES CON DISTRIBUCIÓN EXPONENCIAL = con 0 r i 1 < P (X i X) r i <<< Distribución de probabilidad acumulada P (X i X) 1 - e = - x 1 - e - x = riri e x - = 1 r i - / ln = XiXi - ln ( 1 ) riri - riri - - = XiXi con 0 r i 1 <<

23 GENERACIÓN DE VALORES CON DISTRIBUCIÓN DE WEIBULL f i (X) X Su función de densidad de probabilidades es: = 1 < 1 > 1 X W (, ) f (X,, ) = X ( - 1) e - ( x ) X 0 >

24 GENERACIÓN DE VALORES CON DISTRIBUCIÓN DE WEIBULL Nótese que si 1, entonces la distribución de Weibull corresponde a la distribución exponencial La función de densidad acumulada es: = P (X i X) 1 - e =< - ( x i ) Luego, para generar valores de Xi de una variable aleatoria con distribución de Weibull, a partir de un número aleatorio riri = 1 - e - ( x i ) e = - ( x i ) 1 r i - ( X i ) = - ln ( 1 ) -riri riri

25 GENERACIÓN DE VALORES CON DISTRIBUCIÓN DE WEIBULL XiXi = 1 - ( ln ( 1 ) ) riri - 1 con 0 r i 1 < < Obs:La distribución de Weibull se utiliza en la descripción de las 3 etapas (rodaje, vida útil y desgaste) de la curva de fallas t ( t ) Vida Útil = 1 < 1 > 1 Rodaje Desgaste Proba- bilidad de falla ( t )

26 GENERACIÓN DE VALORES CON DISTRIBUCIÓN NORMAL f i (X) XiXi X N (, ) 2 La función de probabilidad acumulada corresponde a P (X i X) <= x e ()() x - 2 dx

27 GENERACIÓN DE VALORES CON DISTRIBUCIÓN NORMAL La función de probabilidad acumulada de la distribución normal no puede ser resuelta por métodos de integración corrientes, lo que impide tener una fórmula cómoda para despejar observaciones aleatorias simuladas de X i a partir de los números aleatorios No obstante, las observaciones se pueden generar mediante el siguiente razonamiento: riri

28 GENERACIÓN DE VALORES CON DISTRIBUCIÓN NORMAL Los números aleatorios tienen una distribución uniforme en el intervalo 0, 1 f ( r i ) riri Para un número aleatorio E ( ) riri V ( ) riri = = a + b (b - a) 2 12 = = r i 1 < < Para una muestra de n números aleatorios, se puede inferir su comportamiento gracias al teorema del límite central

29 GENERACIÓN DE VALORES CON DISTRIBUCIÓN NORMAL Si X N XiXi N Por lo tanto i=1 n riri = N ( ) nn 2 12, Válido, solo en la medida en que n es un valor bastante grande, lo que se asume cuando n 12 > Entonces Z XiXi - = riri i=1 n - n 2 12 n

30 GENERACIÓN DE VALORES CON DISTRIBUCIÓN NORMAL XiXi = + ( ) i=1 n riri - n 2 n 12 < 0 r i 1 < si n 12 > Aunque la expresión es válida para cualquier n 12, típicamente se usa n = 12 para el muestreo de las observaciones de variable con distribución normal ya que se simplifica un cálculo >

31 EJEMPLO DE GENERACIÓN DE VALORES CON DISTRIBUCIÓN NORMAL XiXi = + ( ) i=1 n riri - n 2 n 12 X tiene distribución normal, con = 460 y = 36 Observación para X con los números aleatorios: r 1 = 0,46 r 2 = 0,95 r 3 = 0,23 r 4 = 0,61 r 5 = 0,39 r 6 = 0,74 r 7 = 0,26 r 8 = 0,13 r 9 = 0,92 r 10 = 0,55 r 11 = 0,07 r 12 = 0,48 XiXi = ( 5, ) 1 = 467,56XiXi


Descargar ppt "SIMULACIÓN DE MONTECARLO. En la administración de operaciones se utilizan dos tipos de modelos: Modelos de Optimización Modelos de Simulación Modelo de."

Presentaciones similares


Anuncios Google