21 Revista Colombiana de Estadística N° 3 - 1981 S I M U L A C I Ó N JoAÍ Ffiancl6co Pafina Gaicfi Profesor Asociado Universidad Nacional. Suma r i o En este articulo se presentan algunas definiciones de Simulación así como los principales métodos utilizados por dicha técnica. Se discri_ minan una serie de ventajas y desventajas de las técnicas de Simulación. También se enumeran las fases asociadas con el Método de Montecarlo; se explican los procedimientos para generar números aleatorios y valores de variables aleatorias con distribución de probabilidad conocida. I nt roducc ion La simulación se refiere a la operación de un mo délo numérico que representa la estructura de un pro ceso dinámico. Dados los valores de las condiciones iniciales, los parámetros y las variables exógenas, se lleva a cabo una simulación para representar la conducta del proceso a través del tiempo. Igualmente, la simulación es la representación 22 de la realidad mediante otro m e c a n i s m o que reaccionará la realidad b a j o una Simular hechos cursos técnicas en c o n d i c i o n e s DE de rimentos muestra la toma ocasiones en los que es a c o n s e j a b l e de m u e s t r e o es imposible c a s o s , a menudo universo pero de a c - clase de simulado obtener implica real de e l e m e n t o s de p r o b a b i l i d a d en deci- El método información útil a simulado. el r e e m p l a z o por una cierta de esa p o b l a c i ó n del teórico distribuy la se^ t e ó r i c a , me^ aleatorios. tomar esa m u e s t r a , asi como de dichos m é t o d o s la tales de " m o n t e c a r l o " es el de decisión algún c o s t o s o . En por el u n i v e r s o de n ú m e r o s expe- físicamente que se supone a d e c u a d a lección de una muestra una tabla utilizar de m u e s t r e o correspondiente, descrito problemas real se tienen tomar o demasiado se puede de alguna El m u e s t r e o para alternativos SIMULACIÓN. procedimiento diante dadas. incertidumbre. Mon t eca r1 o. En m u c h a s ción que y s u p o s i c i o n e s , con un m o d e l o m a t e m á t i c o pro^ MÉTODOS partir del mismo modo cuantitativas, basados g r a m a b l e , a fin de facilitar siones de un m o d e l o u serie de c o n d i c i o n e s es avaluar ción, mediante el empleo la d i s c u s i ó n que d e p e n d e n de m u e s t r e o . procedimiento de los fundamentalmente 23 El método se utiliza para resolver problemas que dependen de la probabilidad, en los que la experimentación física es impracticable o sumamente costo sa, y donde es imposible la creación de una fórmula exacta. Fundamentalmente se está estudiando una prolongada secuencia de fases o acontecimientos, cada uno de los cuales se relaciona con la probabilidad. Se puede escribir la función matemática para la probabilidad de cada fase o suceso, pero frecuentemente es imposible escribir una ecuación que sintetice las probabilidades de todas las fases o sucesos. Juegos Operae iona1 es. "Jugar" es utilizar un mo délo de juego para permitir a los participantes tomar decisiones y observar el comportamiento del modelo como resultado de sus acciones. Un "Juego operacional" es la utilización seria del juego, con el fin de determinar tanto soluciones óptimas para estrategias como estructuras óptimas para sistemas. Los "juegos operacionales" se refieren a aquellas situaciones donde hay algún conflicto de intereses entre los jugadores o entre quienes toman decisiones, dentro de la estructura de un ambiente s^ mulado. Las dos formas de juegos operacionales que se 24 usan más extensamente, son los juegos de administra ción de negocios (programables) y los juegos milita res. Los participantes en los juegos de negocios deben tomar decisiones basados en informaciones del pasado. Esas decisiones crean el ambiente en el que se toman las decisiones subsiguientes, e influyen en él. Sus características son las decisiones en s£ cuencia, una rápida re troal iment ación y nuevas reac^ clones. Los juegos militares son esencialmente mecanismos de adiestramiento para los dirigentes militares, que les permiten poner a prueba estrategias alterna^ tivas en condiciones bélicas simuladas. La simulación del efecto de operación de estrategias en un sistema empresarial, basado en un mode^ lo de juegos operacionales, muestra los resultados del juego en términos de costos o de otras bases de criterio. Simulación de sistemas. Es un método en el que la información utilizada en el análisis de un proble^ ma complicado, se procesa mediante el funcionamiento de un modelo. El modelo de simulación es una reproducción del ambiente de funcionamiento, y sus características 25 permiten que el observador analice la reacción del ambiente a ciertas actividades alternativas de la administración. Esa reacción del ambiente proporciona un medio para determinar la decisión que se tome en el problema. Este método se distingue del enfoque de Montecarlo en los siguientes aspectos: 1. El método de simulación de sistemas obtiene muestras entre una población real, en vez de obtenerlas en una tabla de números aleatorios. 2. En la simulación de sistemas no se emplea ningún duplicado teórico de la población real. 3. El método de simulación de sistemas emplea un modelo matemático que puede resolverse analíticamente para ayudar a tomar una decisión. Sin emba_r go, cuando hay situaciones complicadas que no se prestan para analizarlos con un modelo matemático la técnica de montecarlo es la solución. VENTAJAS Y DESVENTAJAS DE LAS TÉCNICAS DE SIMULACIÓN Ventajas. 1. Son muy útiles porque permiten expe rimentar con un modelo en vez del sistema real que está funcionando. 2. Las técnicas de simulación permiten que el 26 grupo manipule ra efectuar una réplica corridas a la empresa del verdadero de prueba a efectuar antes de sistema p£ comprometer grandes desembolsos en efec t i vo . 3. Los e s t u d i o s forma muy valiosa subsistemas subsistema de simulación y conveniente un sistema puede que hace lación funcionar de causa algunas aumente y efecto utilizar que puede para m e j o r a r aleatoria un proceso el proceso que se que utiliza s i s t e m a , nos permite t a n t e o , los v a l o r e s de produzcan mente de dar por lo la re resultado el sistema y sus benéfico administrativo compli^ desarrollar que r e p r e s e n t e todo algún modelo matem^ de juegos para determinar las v a r i a b l e s los m e j o r e s El empleo relaciones estudia. 5. La s i m u l a c i ó n 6. permj_ observar s i m u l a d o , que complicado m o d e l o m a t e m á t i c o que también y p r e d e c i b l e , es más un del o conjuntamen^ su c o n o c i m i e n t o casos en que hay cadas de n a t u r a l e z a tico en relativos. 4. En m u c h o s fácil individual al s i s t e m a , y deja sugestiones subsistemas para d e s c o m p o n e r tipo de s i m u l a c i ó n te que el o b s e r v a d o r una c o m p l i c a d o . A su v e z , cada simularse te con o t r o s . Este constituyen resultados en todos controlables para de n e g o c i o s el a d i e s t r a m i e n t o mediante la empresa. ha sido del suma- personal los n i v e l e s , porque permite 27 que los j u g a d o r e s o b s e r v e n sus d e c i s i o n e s la reacción en las p o l í t i c a s c o m p a ñ í a , en c o n d i c i o n e s y objetivos de i n c e r t i d u m b r e . si todos los juegos de n e g o c i o s r e s , dan a los p a r t i c i p a n t e s con el p r o c e s a m i e n t o cierta fácilmente cialmente de s i m u l a c i ó n al personal ca- computado- de los d a t o s . permite inveresen- puede matemático explicarse a d m i n i s t r a t i v o , porque es una d e s c r i p c i ó n sión con la simulación del fácil la más esen- comportamiento de compren- que con un c o m p l i c a d o c o m p a r a b l e , las p r o b a b i l i d a d e s modelo de éxito considerablemente. Desventaj a s . y cada corrida 1. No produce de s i m u l a c i ó n que se efectúa nes d a d a s , definida bajo por una rán m u c h a s c o r r i d a s de 2. A m e d i d a una un óptimas, experimento serie de condicio- serie de v a l o r e s lo tanto para se n e c e s i t a - simulación. que a u m e n t a la capacidad de la s i m u l a c i ó n , puede haber frecuentemente soluciones es como la solución de e n t r a d a , y por pender Como de s i t u a c i o n e s un sistema o p r o c e s o . Si es más aislado de la dinámicas. 8. Un modelo aumentan de familiaridad en c o m p u t a d o r a s tir el tiempo en el análisis cialmente emplean electrónico 7. La simulación reciproca de esa de una tendencia empleo para t é c n i c a , a causa d£ de su 28 relativa facilidad por resultado vez de emplear do son más de a p l i c a c i ó n , lo que puede la substitución tico usado técnicas matemáticas se hace ser el número sobrepasar se a un m o d e l o materna^ cuantificar el c o m p o r t a m i e n t o la capacidad de en computa- todas del de las v a r i a b l e s que se que incluidas omisión las v a - sistema, revisan la c o m p u t a d o r a todas las e n t r a d a s o c o m i s i ó n , y algunas imposible nes entre conocidas en el m o d e l o , debido a errores i n s u m o s y los r e s u l t a d o s de ser relaciones pueden las v a r i a b l e s del mulación está otros modelos sujeta sistema pueden expresarse relaciio ser tan con una o v a la sl^ que matemáticos. ejecutiva La simulación crean El p r o b l e m a de incorporar tiene excesivamente los p a r t i c i p a n t e s administración. para los a las m i s m a s d e f i c i e n c i a s 4. La simulación lidad no desconocerse, o pu£ rias e c u a c i o n e s m a t e m á t i c a s . Por c o n s i g u i e n t e que de de entre a v e r i g u a r l a s . Las diversas c o m p l i c a d a s que no puedan tajas. cuajn dispone. Es posible estén en analíticas de s i m u l a c i ó n imposible r i a b l e s que afectan que referencia en un programa d o r a , puede puede de la s i m u l a c i ó n adecuadas. 3. Cuando o bien dar que ciertas simplificada se s o b r e e s t i m a consiste en la todas las v a r i a b l e s que la simulación desven sea c o m p l e t a m e n t e hace a la imposibi- pertinentes real. 29 En la mayor parte de los casos los participantes no actúan como lo harían en situaciones de la vida real, y hay la tendencia a considerar ln simu- lación como artificial, hasta el punto en que su participación se relaciona con las ganancias y no con el aprendizaje. Les preocupa encontrar la clave del éxito, por ejemplo, la combinación correcta de precios, publicidad y número de vendedores que esta blece el modelo de juego. El de.se o de ganar en términos de totales de activos y ganancias, oculta la posible experiencia del aprendizaje mismo. EMPLEO DEL MÉTODO DE MONTECARLO, Complementando las definiciones consideradas an teriormente, el método de montecarlo es una simulación con técnicas de muestreo, o sea que en vez de obtener muestras de una población real, se obtienen de un duplicado teórico de la población. El método de montecarlo puede emplearse para re solver varios problemas diferentes. El primero es el que comprende cierta clase de proceso estocástifo, y el segundo es el tipo de problema determinístico matemático que no puede resolverse fácilmente, o tal vez de ningún modo, con métodos determi nistieos . Para el primer tipo de problemas, se han desa- 30 rrollado métodos de montecarlo para simular datos basándose en distribuciones de probabilidad. Para el segundo tipo de problemas, puede ser posible ob tener soluciones aproximadas, simulando un proceso estocástico cuya función de distribución acumulada satisface las relaciones funcionales y los requeri_ mientos de la solución del problema determinístico. El método de montecarlo comprende las siguientes fases: 1. Determinación de la distribución de probabilidad de la variable de que se trata. Con los datos estadísticos disponibles sobre el comportamiento de la variable a estudiar, es preciso comprobar a través de la prueba chi-cuadrado, o por cualquier otro procedimiento,la ley de probabilidad seguida por el fenómeno en consideración. 2. Obtención de una muestra de esa distribución mediante números aleatorios. En efecto, se usa una serie de números aleatorios para generar una serie de valores que tengan las mismas características de distribución de la ex^ periencia real que se quiera simular. GFNERADOR DE NÚMEROS ALEATORIOS. Uno de los métodos más sencillos posibles para 31 tratar de d e t e r m i n a r rios, comprende una serie de n ú m e r o s el empleo de cosas p a r e c i d a s , que sean la e n u m e r a c i ó n clonan 10 e s f e r a s , fichas o idénticas prejuicio una serie de a l e a t o r i o s . Podría h a c e r s e un muy usarse objetos meros de números para que no hubiera se registro de sele£ (de uno en uno con p l a z a m i e n t o ) p o d e m o s obtener de m a n e r a a excepción de O a 9. Si esos elementos sin ningún grande aleato- reem dígitos de una serie en los p r o b l e m a s , necesidad de volver físicos que se usaron para obtener a los los n ú - aleatorios. Otro m é t o d o , con las mismas a n t e r i o r , sería u t i l i z a r ruletas plean en los sorteos de las Para preparar computador rado obtener n ú m e r o s las m a t e m á t i c a s como las que los se em de tal modo que con esos aleatorios que c u m p l i e n d o d a t o s , se ha por medio de las pruebas t i c a s , no requieran más o p e r a c i o n e s das por que procu fórmu- estadís- las emplea- tales como la mitad c u a d r a d o s y el m é t o d o de las c o n g r u e n c i a s , se generalmente vo deriva en alguna clase de relación con e n t e r o s , o sea que del El primer tre una el computadores. Los m é t o d o s a r i t m é t i c o s relacionada del loterías. los trabajos pueda operar características de basan recursiva cada número nue- anterior. valor población se escoge en forma finita aleatoria eri de e n t e r o s , de modo que la 32 máquina pueda producir un valor inicial que se requiera para iniciar la relación recursiva. En algún punto se producirá un número que ya ha ocurrido, y de ese modo se forma una secuencia de circuito cerrado con un ciclo continuo de ese punto en adelante. La longitud de esa secuencia de circuito cerrado se llama periodo del generador, y es conveniente jue sea igual o casi igual al total de la población de enteros de la máquina. (El periodo puede ser mayor si se usa una relación recursiva que comprenda más de un número previo). El problema consiste en encontrar una relación que produzca una secuencia suficientemente aleatoria de números, con un periodo prolongado y con un mínimo de tiempo de computadora. Los números generados por computadoras que logran pasar las prueba estadí^ ticas con respecto a su carácter aleatorio, se llaman números pseudo-a1eatorios , aunque se produzcan mediante un proceso completamente determinístico. /UTOOO DE LA MITAD DE CUADRADOS. Por lo que se refiere a los computadores, el pri_ mcr método aritmético se debe a Von Neumann y consis te en tomar un número elevarlo al cuadrado, y después "decapitarlo" por los dos lados (más que "decapitarlo"); repitiendo el procedimiento un número su1 iciente de veces se forma la secuencia equiprobable 'le base con las partes centrales de cada número. 33 Ahora bien, en este tipo de métodos de obtención de números equiprobables, como en muchos otros pare cidos, se corre el riesgo de ebtener una serie periódica en la cual a partir de la obtención de una serie determinada de equiprobables, se va repitiendo continuamente la extracción de los datos, lo que hace que el método se venga abajo. Sea el número 8632. Su cuadiado será 69923044, siendo 9230 el número equiprobable buscado, se eleva al cuadrado el número 9230, resultando el número 85192900, a partir del cual se obtiene el número equiprobable 1929, pudiéndose obtener de esta forma cuantos números aleatorios se deseen. MÉTODO DE LAS CONGRUENCIAS. Para simulaciones manuales es posible ( y cómo do ) construir una muestra utilizando una tabla de números aleatorios; sinembargo, si se utiliza una computadora no es aconsejable este método (habría que leer la tabla de números aleatorios de tarietas o de cinta, y estas son operaciones lentas en una computadora). El llamado método de las congruencias arranca con un número entero arbitrario X éste se construye: y a partir de 34 X j = ÍC X^ XQ = K Xj K X A-l donde K es un entero fijo y los valores X . se ajustan de acuerdo con algunas reglas que se consideran más adelante. Puede demostrarse que los números X.,X„,...,X así construidos tienen las siguientes propiedades. 1. Cualquiera que sea K y X-, la serie se repite a sí misma al cabo de un número de términos se dice que h e s h; el periodo de la serie, su valor depende de K y X . 2. Los valores de los X^ y antes de que la serie se repita, los h valores son todos diferentes y se suceden en un orden impredecible de tal manera que, a los ojos de quien no supiera como fueron obtenidos, pasarían como ordenados al azar. Sea por ejemplo K = 28 y X_ = 9, entonces: K X„ " 252 por tanto X. 52 K X^ = 28x52 = 1456 por tanto Xj = 56 K K^ ' 28x56 - 1568 por tanto X^ - 68 Continuando así encontraríamos 20 números dife- 35 rentes y X-, sería igual a 52 tras lo cual la serie se repite. Si el periodo es suficientemente grande (lo cual puede lograrse escogiendo números con muchos dígitos) los valores: X, 1 2 w 1 3 r„, Ti, w = T t • • • » w p w pueden usarse como probabilidades acumuladas donde W = 10 yA. es el número de dígitos contenidos en cada X... El valor X^ no puede terminar ni en cero, ni en cinco y tampoco ser par, es recomendable que sea cercano a la raíz cuadrada de 10 . Una formulación adecuada para obtener el equiprobable puede ser: K. = K X._j = (10' -H 3)xX._^ donde el número inicial X„ tiene 2n cifras. Al número X - se le truncan cifras superiores (izquierda) permaneciendo las 2n inferiores. 36 GENERACIÓN DE VALORES DE VARIABLES ALEATORIAS CON PISTRIBUCION DE PROBABILIDAD CONOCIDA. Aunque los números aleatorios, tal como se defi^ nieron en la sección anterior, pueden utilizarse a veces directamente en un modelo de simulación, es más probable que deban generarse valores de variables aleatorias con distribuciones de probabilidad i o n o (• i d a s . En casi todos los casos, se emplean números alea torios para generar esos valores de variables aleat^ rias, mediante técnicas del tipo que se describen en esta parte; sinembargo, los valores de las variables aleatorias normalmente distribuidas pueden obtenerse en forma directa de tablas publicadas. Debido a que el empleo de tablas no es muy práctico en los modelos de computadora, ni siquiera en el caso de distribución normal, se necesitan por lo tanto métodos programables para la generación de valores de variables aleatorias normales. El método más directo para obtener valores de va^ riables aleatorias con una distribución deseada, es utilizar la inversa de la expresión matemática para la función de distribución acumulativa. Con el fin de ilustrar el procedimiento en términos generales, defínase a "V" como una variable aleatoria, con una función de probabilidad (((V) y 37 una función de d i s t r i b u c i ó n A . ; A„;...;A una m u e s t r a acumulativa artificial aleatorios que varian entre la inversa F ( ' ) , entonces función entre A y "V" puede f'^(^l)s 1 de (/2 " ^ En el caso de que forma c e r r a d a , habría . , £/ , las e c u a c i o n e s F(í/l) = A j ; f i y ^ ) INTERPRETACIÓN de la (•) que no como por la (•) como: '''^A„) sea expresable resolver y., para en t/_,.. correspondientes: = A^; F(í/^) == A^-,...., F (i/^) - / GRÁFICA. Para tomar un e l e m e n t o al azar de una descrita F relación ^ A ^ ) , . . ., í/„ = F números cero y uno y sea escribirse Sea F(Í/). función de densidad población (((x) se procede sigue: 1. Se gráfica la función a c u m u l a t i v a bilidad (el m é t o d o funciona gráfica el c o m p l e m e n t o como tabla de d í g i t o s a l e a t o r i o s mientos anteriormente si se é(y)dy Se escoge al azar un número (con tantos d e c i m a l e s bien proba- l-F(x) ) . F(x) - / 2. igualmente de entre cero y uno se d e s e e ) , m e d i a n t e o mediante descritos. una los p r o c e d i - 38 3, Se proyecta horizontalmente el eje de o r d e n a d a s aleatorio el punto que c o r r e s p o n d e entre cero y u n o , hasta a este que se sobre número intersec- te la curva F ( x ) . 4. Se anota el valor ponde toma de X (abscisa) que corres^ al punto de i n t e r s e c c i ó n . como el valor m u e s t r e a d o toria de la v a r i a b l e siguiente se m u e s t r a alea- el p r o c e d i - a seguir F(x) - Numero 1 Aleatorio F(x) f Número " x " se "X". En la gráfica miento Este valor J Aleatorio 1 n 1 »— , 1 1 —i *. 1 Figura N" 1 39 GENERACIÓN DE V A L O R E S DISTRIBUCIÓN En OE P R O B A B I L I D A D lo q u e s i g u e muestra artificial tribución muestra DE U N A V A R I A B L E uniforme artificial A BINARIA A„,...,A CON .p. representará de una variable entre ALEATORIA aleatoria una con dis O y 1 , y * i t ^^ 9 » • • • .''^i d e la d i s t r i b u c i ó n en la considera- ción. Sea p el p a r á m e t r o de la d i s t r i b u c i ó n binaria. De f i n i m o s : Puede lización 1 SI O si Afe > P considerarse general GENERACIÓN caso es DE UNA VARIABLE DE PROBABILIDAD mente Xr una m u e s t r a !/, , i/^ , • . . , t/„ z. CON distribución. requerido, generamos X de una n binaria con parámetro p, y hacemos: (/, ALEATORIA BINOMIAL. Sean t y p los p a r á m e t r o s de esta Para cada valor la especia- del m é t o d o . DE VALORES DISTRIBUCIÓN que este -I- t / , -^...-^ í/, preliminardistribución 40 GENERACIÓN DE VALORES DISTRIBUCIÓN DE UNA DE P R O B A B I L I D A D Puede u t i l i z a r s e para obtener tribuidas función de de variables a lo largo de otros función CON inversa uniformemente i n t e r v a l o s . Para distribuida de densidad ALEATORIA UNIFORME. el concepto valores v.a. uniformemente la VARIABLE en el di^ una intervalo [íl, bj es: para a ^ X ^ b para X < a ó X > 6 b~a I^(X) O La ne por función medio de distribución de la acumulativa se obtÍ£ integración: X. F(x .) = / ^ ,-- dx = I--<•' b~a b-a ^Á - a F(x.) = -^-5 De acuerdo tituímos con el procedimiento F(x.) por A para resolvie ndo para s u s^ obtener: ^l-a b-a . V establecido X, X . = a + obtenemos A • (b-a) la relación inversa 41 El procedimiento para generar valores de variables aleatorias uniformemente distribuidas consiste en generar números aleatorios y sustituirlos por Aen la ecuación anterior, para encontrar los valores correspondientes de X -. GENERACIÓN DE VALORES DE UNA VARIABLE ALEATORIA CON DISTRIBUCIÓN DE PROBABILIDAD EXPONENCIAL. La distribución exponencial, cuya primordial aplicación se centra en los fenómenos de espera, es una ley continua cuya formulación obtiene la probabilidad de que por ejemplo entre dos sucesos (salidas o llegadas) transcurra un intervalo de t unida- des de tiempo. Esta formulación será la siguiente: Mí -vt para-t>0 y p > 0 iit) = en o t r o O caso donde \i indica el promedio de sucesos que acontecen por unidad de tiempo. Y la probabilidad acumulada F(^) para -t^ será la probabilidad de que entre dos sucesos trascurra un intervalo de tiempo no superior a t •. La función de probabilidad acumulada será: Ht^) - / ye dt • l - z O Para efectuar la simulación del intervalo t^ que media entre dos sucesos, una vez extraído el 42 dígito seudoequiprobab1e A^ es preciso, con base en este dígito, obtener en la función acumulada de la ley exponencial correspondiente el valor t¿. aleatorio El programa que en el ordenador simula esta sj^ tuación se basa, para obtener el valor t ^ en función del equiprobable A-, en el siguiente algoritmo: A, = F(í .) = 1 - e ^*^ 1-A . = e -u-í^ In(l-A^) = -pí^ ¿ 1«(1-A^) Puesto que A^ está uniformemente distribuida de O a 1, la cantidad (1-A^) de la ecuación anterior tiene la misma distribución. Por ende, la ecuación puede simplificarse ligeramente, utilizando A . en lugar de (1-A-), entonces p >«(^>- oENERACION DE VALORES DE UNA VARIABLE ALEATORIA CON DISTRIBUCIÓN DE PROBABILIDAD ERLAG-K. La función de probabilidad que se presenta en esta sección recibe su nombre debido al ingeniero d^ nes llamado A.K. Erlag. 43 En esta d i s t r i b u c i ó n que llegan a un centro se simula de servicio s e s , cada una con una d u r a c i ó n ne la que las unidades pasan por fe fa- exponencial que forma: é^(t') = y'e ^'"^ de tal forma que no se permite que una unidad al centro de servicio abandonado la última hasta que total cho en otra la anterior aleatoria del s e r v i c i o p r e s t a d o forma el intervalo el a c o n t e c i m i e n t o será: ^.fe ^ f e - i ^-M't (fe - que es la llamada no indica haya separa entonces su ^ * o fe = D: se puede la du^ en fe f a s e s , o di^ de tiempo que distribución La v a r i a b l e t que n y n+k, de número función de p r o b a b i l i d a d gfe(í) entre fase. Si T es una v a r i a b l e dación tie- 1,2, Erlang-fe, expresar como la suma de t variables t- exponencialmente t ' » » « I t ^ + t ^ + t . ^ + . . .-Kjj Si fe y p son los p a r á m e t r o s erlang-fe, se generan cemos : de la distribución independientemente do en c o n s i d e r a c i ó n fe v a l o r e s una d i s t r i b u c i ó n distribuidas. exponencial por el mét£ Í/, , t/, , í/3 » • • • , í/fe ^^e con p a r á m e t r o y' y ha- 44 '-'l^"2^"3"---^"fc resulta ^< = -¿T-ln(l-Aj)-^ln(l-A2)-¿-xln(l-A3)-. ..-;^1«(1-A^) t. = -yrí l n ( l - A p + ln( l-A2) + l"(l-A^)-(-. . .-Hn(l-A^)} t^ - -^^^r{l"(l-Aj)(l-A2)(l-A^) . . . (l-A,^)} (1) Lo anterior ya que es complicado lor i - en función probabilidad de A acumulada obtener a través de la función de de la erlang-fc, s e r í a : ^- y'fet'^-l e-^ ^ < - ''^bMi^ - / La simulación dt (fe-l)l de una v a r i a b l e ley erlang-fe se basa el va- X¿ que sigue la en la g e n e r a c i ó n de fe dígitos seudoeq uiprobab 1 es A . , A „ , A - , . . . , A|j y en la a p l i c a ción de estos valores en la fórmula (1) o b t e n i d a an t e r i ormen t e. GENERACIÓN DE VALORES DISTRIBUCIÓN DE UNA VARIABLE OE PROBABILIDAD Sea X una variable A L E A T O R I A CON NORMAL. aleatoria normalmente distri b u i d a , es d e c i r : ,, , (í(x) = 1 e 2 , 2 -^(x-p)Vo' para -«> .$ x < «> 45 donde o es la desviación estándnr y u la esperanza mat emát ica. De acuerdo con el procedimiento establecido, la simulación de un valor X • de esta variable aleatoria se logra al resolver la ecuación A^ = / ^ é(x)dx - 00 lo cual equivale gráficamente a: Figura N" 2 por lo complicado de las operaciones, es más sencillo obtener los valores simulados de X mediante la distribución normal tipificada, en donde: 2 = ^L_1_.H. ^ N(0;1) El seudoequiprobable A- se utilizaría para si mu lar un valor de la variable Z y por medio de ésta el correspondiente de la variable X. ^^ = / " ¿(O dz donde 46 )J(z) * 1 e -z^/2 para -<» .$ 2 -$ «> lo que gráficamente se interpreta así Figura N" 3 O sea que z - ^-^-1^ El valor simulado de X será entonces; x_¿ . a Z_¿ + y Otro procedimiento se basa en el conocimiento que se tiene de la distribución de A ., que es uniforme entre O y 1 y en las conclusiones dadas por el teorema central del límite. Si hacemos: a. = A^-j-A^+A--»- ... + Ajj obtendremos, muy aproximadamente, muestras de una distribución normal con media R/2 y varianza R/12. Los valores generador de X.- se obtienen: 47 a^-R/2 X, - a + \¡ R • 12 es un valor conveniente, ya que es suficientemente grande para que el teorema central del límite dé buena aproximación y evita la división por /RTTT. GENERACIÓN DE VALORES DE UNA VARIABLE ALEATORIA CON DISTRIBUCIÓN DE PROBABILIDAD POISSON. Considérese una serie de acontecimientos independientes E que se suceden en el tiempo (por ejem- plo, llegadas de clientes a una tienda, paso de vehículos sobre una carretera, errores cometidos por una secretaria, etc.) La variable X que indica el número de acontecimientos que se producen en un intervalo de tiempo, de acuerdo con características especiales se demuestra que tiene como función de cuantía: .-X , X P(X-x) para X = 0,1,2,... xl donde \ indica el número medio de acontecimientos que se producen por unidad de tiempo. La función de probabilidad acumulada será p ( x ;< x ^ ) - A^ - ^ e-^'^ J: X-0 x: 48 -A e Como r. , A fl-i-A-i- — 2 la d i s t r i b u c i ó n una v a r i a b l e a l e a t o r i a mar valores de Poisson -r } corresponde a d i s c r e t a , y X . solo puede n u m e r a b l e s ; se ha de simular de esta v a r i a b l e de m o d o que lor A -»• — -»-, 3! P(X 4 Xj) A^ valor el c o r r e s p o n d i e n t e sea igual o i n m e d i a t a m e n t e -A el t£ va- superior a A^ J7l ^ > ^l A^ A^ A "^ ; (1 -f A -f y - -^ ^ -H...-»- ^ ) ¿ A ^ e' Por iguale t a n t o , el valor X ^ simulado esta e c u a c i ó n , o que haga por p r i m e r a que el valor del primer m i e m b r o sa al sea el que que vez sobrepa- segundo. Otro p r o c e d i m i e n t o zar será aquel manual consistiría las tablas de la d i s t r i b u c i ó n niendo los v a l o r e s n u m é r i c o s lidades de acuerdo con aplicar el proceso m o s t r a d o El proceso m o s t r a d o teriormente sección. se d e s c r i b e en u t i l i - de P o i s s o n , o b t e - de X y de sus p r o b a b i - el valor conocido de A y en en la gráfica N" 1. en la gráfica m e n c i o n a d a aji en p a l a b r a s en la siguiente 49 GENERACIÓN CON DE VALORES DISTRIBUCIÓN Cuando DE UNA VARIABLE DE P R O B A B I L I D A D se conocen la v a r i a b l e función basa en la u t i l i z a c i ó n ladas para establecer ticular Esta porción da por valor de valores una c o d i f i c a c i ó n codificación aleatorios variable P(X"X) que se acumu- permita generan un pa_r aleatoria. debe g a r a n t i z a r aleatorios la probabilidad proba- de las p r o b a b i l i d a d e s de la v a r i a b l e de números de una de p r o b a b i l i d a d cuáles n ú m e r o s valor tomar y sus c o r r e s p o n d i e n t e s b i l i d a d e s , la s i m u l a c i ó n determinar DISCRETA. los v a l o r e s que puede aleatoria a l e a t o r i a X con ALEATORIA que una pro- igual a la e s t a b l e c i - puntual sea la que simule un de la v a r i a b l e . Para lo anterior aleatorios se r e c o m i e n d a con igual número de dígitos a los n i d o s por las cifras d e c i m a l e s En forma general continuación utilizar de la el p r o c e d i m i e n t o para p r o b a b i l i d a d e s números conte- probabilidad. se ilustra a con dos cifras d e - cimales . Esto indica que todos comprendidos generan los n ú m e r o s en el i n t e r v a l o el valor la m i s m a m a n e r a 00 a de la v a r i a b l e X para los d e m á s aleatorios ( 1 O O P ( X í X j ) - 1) igual a X ^ intervalos. así de 50 X P(X°x) P(X^Xi) X^ P(X=Xj) P(X^xp 00 a 100 P(X$Xj) - 1 X^ PiK=x^) P(Kíx^) P(X^Xj)100 a 100 P(X^X2)-1 X3 P(X=X2) P(X$X3) P(X«X2)100 a 100 P(X;$X3)-1 X^ P(X=x^) 1 CODIFICACIÓN P(X^x^_piOO a 99 Esta explicación no quiere decir que éste sea el úni^ co procedimiento a seguir para la codificación y para la simulación, en realidad existen diferentes pr£ cedimientos. * * * BIBLIOGRAFÍA [1] Clark,Charles, Thí U t l í l t y O f, S t a t l ¿ t l c ¿ dom NumbefiA, 0 f, Han Operation Research. [2J Escudero,L., La S i m u l a c i ó n de. t a Empn.e¿a, España, Deusto, (1973). (3J Hammersley,S.M. y Handscomb,D.C.,Moníe C a n t o thod¿, Me New York, John Wiley. (4] Meier,R.N., y Pazer,H., 1 í c n l c a h en Kdmlnl¿tfLacl6n (1975) . de Simulación y Economía, Mertrillas, *