21

Revista Colombiana de Estadstica

N 3 - 1981
S I M U L A C I N
JoA Ffi ancl 6co Pafina Ga i c f i
Profesor Asociado
Universidad Nacional.
Suma r i o
En este articulo se presentan algunas defi-
niciones de Simulacin as como los principales
mtodos utilizados por dicha tcnica. Se discri_
minan una serie de ventajas y desventajas de
las tcnicas de Simulacin. Tambin se enumeran
las fases asociadas con el Mtodo de Montecarlo;
se explican los procedimientos para generar n-
meros aleatorios y valores de variables aleato-
rias con distribucin de probabilidad conocida.
I nt roducc ion
La simulacin se refiere a la operacin de un mo
dlo numrico que representa la estructura de un pro
ceso dinmico. Dados los valores de las condiciones
iniciales, los parmetros y las variables exgenas,
se lleva a cabo una simulacin para representar la
conducta del proceso a travs del tiempo.
Igualmente, la simulacin es la representacin
22
de la realidad mediante el empleo de un modelo u
otro mecanismo que reaccionar del mismo modo que
la realidad bajo una serie de condiciones dadas.
Simular es avaluar cursos alternativos de ac-
cin, mediante tcnicas cuantitativas, basados en
hechos y suposiciones, con un modelo matemtico pro^
gramable, a fin de facilitar la toma real de deci-
siones en condiciones de incertidumbre.
MTODOS DE SIMULACIN.
Mon t eca r1 o. En muchas ocasiones se tienen expe-
rimentos en los que es aconsejable utilizar algn
procedimiento de muestreo pero tomar fsicamente la
muestra es imposible o demasiado costoso. En tales
casos, a menudo se puede obtener informacin til a
partir de alguna clase de muestreo simulado.
El muestreo simulado implica el reemplazo del
universo real de elementos por el universo terico
correspondiente, descrito por una cierta distribu-
cin de probabilidad que se supone adecuada y la se^
leccin de una muestra de esa poblacin terica, me^
diante una tabla de nmeros aleatorios.
El mtodo de "montecarlo" es el procedimiento
para tomar esa muestra, asi como la discusin de los
problemas de decisin que dependen fundamentalmente
de dichos mtodos de muestreo.
23
El mtodo se utiliza para resolver problemas que
dependen de la probabilidad, en los que la experi-
mentacin fsica es impracticable o sumamente costo
sa, y donde es imposible la creacin de una frmula
exacta.
Fundamentalmente se est estudiando una prolon-
gada secuencia de fases o acontecimientos, cada uno
de los cuales se relaciona con la probabilidad. Se
puede escribir la funcin matemtica para la proba-
bilidad de cada fase o suceso, pero frecuentemente
es imposible escribir una ecuacin que sintetice
las probabilidades de todas las fases o sucesos.
Juegos Operae iona1 es. "Jugar" es utilizar un mo
dlo de juego para permitir a los participantes to-
mar decisiones y observar el comportamiento del mo-
delo como resultado de sus acciones.
Un "Juego operacional" es la utilizacin seria
del juego, con el fin de determinar tanto solucio-
nes ptimas para estrategias como estructuras pti-
mas para sistemas.
Los "juegos operacionales" se refieren a aque-
llas situaciones donde hay algn conflicto de inte-
reses entre los jugadores o entre quienes toman de-
cisiones, dentro de la estructura de un ambiente s^
mulado.
Las dos formas de juegos operacionales que se
24
usan ms extensamente, son los juegos de administra
cin de negocios (programables) y los juegos milita
res.
Los participantes en los juegos de negocios de-
ben tomar decisiones basados en informaciones del
pasado. Esas decisiones crean el ambiente en el que
se toman las decisiones subsiguientes, e influyen
en l. Sus caractersticas son las decisiones en s
cuencia, una rpida re troal iment acin y nuevas reac^
clones.
Los juegos militares son esencialmente mecanis-
mos de adiestramiento para los dirigentes militares,
que les permiten poner a prueba estrategias alterna^
tivas en condiciones blicas simuladas.
La simulacin del efecto de operacin de estra-
tegias en un sistema empresarial, basado en un mode^
lo de juegos operacionales, muestra los resultados
del juego en trminos de costos o de otras bases de
criterio.
Simulacin de sistemas. Es un mtodo en el que
la informacin utilizada en el anlisis de un proble^
ma complicado, se procesa mediante el funcionamiento
de un modelo.
El modelo de simulacin es una reproduccin del
ambiente de funcionamiento, y sus caractersticas
25
permiten que el observador analice la reaccin del
ambiente a ciertas actividades alternativas de la
administracin. Esa reaccin del ambiente propor-
ciona un medio para determinar la decisin que se
tome en el problema.
Este mtodo se distingue del enfoque de Monte-
carlo en los siguientes aspectos:
1. El mtodo de simulacin de sistemas obtiene
muestras entre una poblacin real, en vez de obte-
nerlas en una tabla de nmeros aleatorios.
2. En la simulacin de sistemas no se emplea
ningn duplicado terico de la poblacin real.
3. El mtodo de simulacin de sistemas emplea
un modelo matemtico que puede resolverse analti-
camente para ayudar a tomar una decisin. Sin emba_r
go, cuando hay situaciones complicadas que no se
prestan para analizarlos con un modelo matemtico
la tcnica de montecarlo es la solucin.
VENTAJAS Y DESVENTAJAS DE LAS TCNICAS DE SIMULACIN
Ventajas. 1. Son muy tiles porque permiten expe
rimentar con un modelo en vez del sistema real que
est funcionando.
2. Las tcnicas de simulacin permiten que el
26
grupo manipule una rplica del verdadero sistema p
ra efectuar corridas de prueba antes de comprometer
a la empresa a efectuar grandes desembolsos en efec
t i vo .
3. Los estudios de simulacin constituyen una
forma muy valiosa y conveniente para descomponer en
subsistemas un sistema complicado. A su vez, cada
subsistema puede simularse individual o conjuntamen^
te con otros. Este tipo de simulacin tambin permj_
te que el observador aumente su conocimiento de lo
que hace funcionar al sistema, y deja observar la r e
lacin de causa y efecto que puede dar por resultado
algunas sugestiones para mejorar el sistema y sus
subsistemas relativos.
4. En muchos casos en que hay relaciones compli^
cadas de naturaleza aleatoria y predecible, es ms
fcil utilizar un proceso simulado, que desarrollar
un complicado modelo matemtico que represente todo
el proceso que se estudia.
5. La simulacin que utiliza algn modelo matem^
tico del sistema, nos permite determinar mediante
tanteo, los valores de las variables controlables
que produzcan los mejores resultados para la empresa.
6. El empleo de juegos de negocios ha sido suma-
mente benfico para el adiestramiento del personal
administrativo en todos los niveles, porque permite
27
que los jugadores observen la reaccin reciproca de
sus decisiones en las polticas y objetivos de la
compaa, en condiciones de incertidumbre. Como ca-
si todos los juegos de negocios emplean computado-
res, dan a los participantes cierta familiaridad
con el procesamiento electrnico de los datos.
7. La simulacin en computadoras permite inver-
tir el tiempo en el anlisis de situaciones esen-
cialmente dinmicas.
8. Un modelo de simulacin puede explicarse ms
fcilmente al personal administrativo, porque esen-
cialmente es una descripcin del comportamiento de
un sistema o proceso. Si es ms fcil la compren-
sin con la simulacin que con un complicado modelo
matemtico comparable, las probabilidades de xito
aumentan considerablemente.
Desventaj as. 1. No produce soluciones ptimas,
y cada corrida de simulacin es como un experimento
aislado que se efecta bajo una serie de condicio-
nes dadas, definida por una serie de valores para
la solucin de entrada, y por lo tanto se necesita-
rn muchas corridas de simulacin.
2. A medida que aumenta la capacidad de empleo
de la simulacin, puede haber una tendencia para d
pender frecuentemente de esa tcnica, a causa de su
28
relativa facilidad de aplicacin, lo que puede dar
por resultado la substitucin de la simulacin en
vez de emplear tcnicas matemticas analticas cuajn
do son ms adecuadas.
3. Cuando se hace referencia a un modelo materna^
tico usado en un programa de simulacin en computa-
dora, puede ser imposible cuantificar todas las va-
riables que afectan el comportamiento del sistema,
o bien el nmero de las variables que se revisan
puede sobrepasar la capacidad de la computadora de
que se dispone.
Es posible que todas las entradas conocidas no
estn incluidas en el modelo, debido a errores de
omisin o comisin, y algunas relaciones entre los
insumos y los resultados pueden desconocerse, o pu
de ser imposible averiguarlas. Las diversas relaciio
nes entre las variables del sistema pueden ser tan
complicadas que no puedan expresarse con una o va-
rias ecuaciones matemticas. Por consiguiente la sl^
mulacin est sujeta a las mismas deficiencias que
otros modelos matemticos.
4. La simulacin ejecutiva tiene ciertas desven
tajas. La simulacin excesivamente simplificada hace
que los participantes crean que se sobreestima a la
administracin. El problema consiste en la imposibi-
lidad de incorporar todas las variables pertinentes
para que la simulacin sea completamente real.
29
En la mayor parte de los casos los participan-
tes no actan como lo haran en situaciones de la
vida real, y hay la tendencia a considerar ln simu-
lacin como artificial, hasta el punto en que su
participacin se relaciona con las ganancias y no
con el aprendizaje. Les preocupa encontrar la clave
del xito, por ejemplo, la combinacin correcta de
precios, publicidad y nmero de vendedores que esta
blece el modelo de juego. El de.se o de ganar en tr-
minos de totales de activos y ganancias, oculta la
posible experiencia del aprendizaje mismo.
EMPLEO DEL MTODO DE MONTECARLO,
Complementando las definiciones consideradas an
teriormente, el mtodo de montecarlo es una simula-
cin con tcnicas de muestreo, o sea que en vez de
obtener muestras de una poblacin real, se obtienen
de un duplicado terico de la poblacin.
El mtodo de montecarlo puede emplearse para re
solver varios problemas diferentes. El primero es
el que comprende cierta clase de proceso estocsti-
fo, y el segundo es el tipo de problema determins-
tico matemtico que no puede resolverse fcilmente,
o tal vez de ningn modo, con mtodos determi nisti-
eos .
Para el primer tipo de problemas, se han desa-
30
rrollado mtodos de montecarlo para simular datos
basndose en distribuciones de probabilidad. Para
el segundo tipo de problemas, puede ser posible ob
tener soluciones aproximadas, simulando un proceso
estocstico cuya funcin de distribucin acumulada
satisface las relaciones funcionales y los requeri_
mientos de la solucin del problema determinstico.
El mtodo de montecarlo comprende las siguien-
tes fases:
1. Determinacin de la distribucin de probabi-
lidad de la variable de que se trata.
Con los datos estadsticos disponibles sobre el
comportamiento de la variable a estudiar, es preci-
so comprobar a travs de la prueba chi-cuadrado, o
por cualquier otro procedimiento,la ley de probabi-
lidad seguida por el fenmeno en consideracin.
2. Obtencin de una muestra de esa distribucin
mediante nmeros aleatorios.
En efecto, se usa una serie de nmeros aleato-
rios para generar una serie de valores que tengan
las mismas caractersticas de distribucin de la ex^
periencia real que se quiera simular.
GFNERADOR DE NMEROS ALEATORIOS.
Uno de los mtodos ms sencillos posibles para
31
tratar de determinar una serie de nmeros aleato-
rios, comprende el empleo de 10 esferas, fichas o
cosas parecidas, que sean idnticas a excepcin de
la enumeracin de O a 9. Si esos elementos se sele
clonan sin ningn prejuicio (de uno en uno con reem
plazamiento) podemos obtener una serie de dgitos
aleatorios. Podra hacerse un registro de una serie
muy grande de nmeros para usarse en los problemas,
de manera que no hubiera necesidad de volver a los
objetos fsicos que se usaron para obtener los n-
meros aleatorios.
Otro mtodo, con las mismas caractersticas del
anterior, sera utilizar ruletas como las que se em
plean en los sorteos de las loteras.
Para preparar los trabajos de tal modo que el
computador pueda operar con esos datos, se ha procu
rado obtener nmeros aleatorios por medio de frmu-
las matemticas que cumpliendo las pruebas estads-
ticas, no requieran ms operaciones que las emplea-
das por los computadores.
Los mtodos aritmticos tales como la mitad de
cuadrados y el mtodo de las congruencias, se basan
generalmente en alguna clase de relacin recursiva
relacionada con enteros, o sea que cada nmero nue-
vo deriva del anterior.
El primer valor se escoge en forma aleatoria eri
tre una poblacin finita de enteros, de modo que la
32
mquina pueda producir un valor inicial que se re-
quiera para iniciar la relacin recursiva. En algn
punto se producir un nmero que ya ha ocurrido, y
de ese modo se forma una secuencia de circuito ce-
rrado con un ciclo continuo de ese punto en adelan-
te. La longitud de esa secuencia de circuito cerra-
do se llama periodo del generador, y es conveniente
jue sea igual o casi igual al total de la poblacin
de enteros de la mquina. (El periodo puede ser ma-
yor si se usa una relacin recursiva que comprenda
ms de un nmero previo).
El problema consiste en encontrar una relacin
que produzca una secuencia suficientemente aleatoria
de nmeros, con un periodo prolongado y con un mni-
mo de tiempo de computadora. Los nmeros generados
por computadoras que logran pasar las prueba estad^
ticas con respecto a su carcter aleatorio, se lla-
man nmeros pseudo-a1eatorios , aunque se produzcan
mediante un proceso completamente determinstico.
/UTOOO DE LA MITAD DE CUADRADOS.
Por lo que se refiere a los computadores, el pri_
mcr mtodo aritmtico se debe a Von Neumann y consis
te en tomar un nmero elevarlo al cuadrado, y des-
pus "decapitarlo" por los dos lados (ms que "deca-
pitarlo"); repitiendo el procedimiento un nmero su-
1 iciente de veces se forma la secuencia equiprobable
'le base con las partes centrales de cada nmero.
33
Ahora bien, en este tipo de mtodos de obtencin
de nmeros equiprobables, como en muchos otros pare
cidos, se corre el riesgo de ebtener una serie pe-
ridica en la cual a partir de la obtencin de una
serie determinada de equiprobables, se va repitien-
do continuamente la extraccin de los datos, lo que
hace que el mtodo se venga abajo.
Sea el nmero 8632. Su cuadiado ser 69923044,
siendo 9230 el nmero equiprobable buscado, se ele-
va al cuadrado el nmero 9230, resultando el nmero
85192900, a partir del cual se obtiene el nmero
equiprobable 1929, pudindose obtener de esta forma
cuantos nmeros aleatorios se deseen.
MTODO DE LAS CONGRUENCIAS.
Para simulaciones manuales es posible ( y cmo
do ) construir una muestra utilizando una tabla de
nmeros aleatorios; sinembargo, si se utiliza una
computadora no es aconsejable este mtodo (habra
que leer la tabla de nmeros aleatorios de tarie-
tas o de cinta, y estas son operaciones lentas en
una computadora).
El llamado mtodo de las congruencias arranca
con un nmero entero arbitrario X y a partir de
ste se construye:
34
Xj = C X Q
X^ = K Xj
K X
A - l
donde K es un entero fijo y los valores X . se ajus-
tan de acuerdo con algunas reglas que se consideran
ms adelante.
Puede demostrarse que los nmeros X.,X,...,X
as construidos tienen las siguientes propiedades.
1. Cualquiera que sea K y X-, la serie se repi-
te a s misma al cabo de un nmero de trminos h;
se dice que h e s el periodo de la serie, su valor
depende de K y X .
2. Los valores de los X^ y antes de que la se-
rie 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 ob-
tenidos, pasaran 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 as encontraramos 20 nmeros dife-
35
rentes y X-, sera igual a 52 tras lo cual la serie
se repite.
Si el periodo es suficientemente grande (lo cual
puede lograrse escogiendo nmeros con muchos dgi-
tos) los valores:
X,
1 2 3
T i , r ,
w
1
w w
T t
= p
w
pueden usarse como probabilidades acumuladas donde
W = 10 yA. es el nmero de dgitos 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 raz cuadrada de 10 .
Una formulacin adecuada para obtener el equi-
probable puede ser:
K. = K X._j = (10' -H 3)xX._^
donde el nmero inicial X tiene 2n cifras.
Al nmero X - se le truncan cifras superiores
(izquierda) permaneciendo las 2n inferiores.
36
GENERACIN DE VALORES DE VARIABLES ALEATORIAS CON
PISTRIBUCION DE PROBABILIDAD CONOCIDA.
Aunque los nmeros aleatorios, tal como se defi^
nieron en la seccin anterior, pueden utilizarse a
veces directamente en un modelo de simulacin, es
ms probable que deban generarse valores de varia-
bles aleatorias con distribuciones de probabilidad
i o n o ( i d a s .
En casi todos los casos, se emplean nmeros alea
torios para generar esos valores de variables aleat^
rias, mediante tcnicas 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 prc-
tico en los modelos de computadora, ni siquiera en
el caso de distribucin normal, se necesitan por lo
tanto mtodos programables para la generacin de va-
lores de variables aleatorias normales.
El mtodo ms directo para obtener valores de va^
riables aleatorias con una distribucin deseada, es
utilizar la inversa de la expresin matemtica para
la funcin de distribucin acumulativa.
Con el fin de ilustrar el procedimiento en tr-
minos generales, defnase a "V" como una variable
aleatoria, con una funcin de probabilidad (((V) y
37
una funcin de distribucin acumulativa F ( / ) . Sea
A.; A;...;A una muestra artificial de nmeros
aleatorios que varian entre cero y uno y sea F ()
la funcin inversa de F ( ' ) , entonces la relacin
entre A y "V" puede escribirse como:
1
f ' ^ ( ^ l ) s (/2 " ^ ^ A ^ ) , . . ., / = '''^A)
En el caso de que F () no sea expresable en
forma cerrada, habra que resolver para y . , t/_,..
. , / , las ecuaciones correspondientes:
F(/l) = A j ; f i y ^ ) = A^; F(/^) == A^-,...., F (i/^) - /
INTERPRETACIN GRFICA.
Para tomar un elemento al azar de una poblacin
descrita por la funcin de densidad (((x) se procede
como sigue:
1. Se grfica la funcin acumulativa de proba-
bilidad (el mtodo funciona igualmente bien si se
grfica el complemento l-F(x) ) .
F(x) - / ( y) dy
2 . Se escoge al azar un nmero entre cero y uno
(con tantos decimales como se desee), mediante una
tabla de dgitos aleatorios o mediante los procedi-
mientos anteriormente descritos.
38
3, Se proyecta horizontalmente el punto sobre
el eje de ordenadas que corresponde a este nmero
aleatorio entre cero y uno, hasta que se intersec-
te la curva F(x).
4. Se anota el valor de X (abscisa) que corres^
ponde al punto de interseccin. Este valor "x" se
toma como el valor muestreado de la variable alea-
toria "X".
En la grfica siguiente se muestra el procedi-
miento a seguir
F(x)
- Numero Aleatorio
Nmero Aleatorio
1
1 n
1
i 1
F( x)
J

1
,
f
1
*.
Figura N" 1
39
G E N E R A C I N DE V A L O R E S DE U N A V A R I A B L E A L E A T O R I A C O N
D I S T R I B U C I N OE P R O B A B I L I D A D B I N A R I A . p .
E n lo q u e s i g u e A A , . . . , A r e p r e s e n t a r u n a
m u e s t r a a r t i f i c i a l de u n a v a r i a b l e a l e a t o r i a c o n d i s
t r i b u c i n u n i f o r m e e n t r e O y 1, y * i t ^^ 9 .''^i la
m u e s t r a a r t i f i c i a l de la d i s t r i b u c i n en c o n s i d e r a -
c i n .
S e a p el p a r m e t r o de la d i s t r i b u c i n b i n a r i a .
De f i n i m o s :
1
O
SI
s i
Afe > P
Puede considerarse que este caso es la especia-
lizacin general del mtodo.
GENERACIN DE VALORES DE UNA VARIABLE ALEATORIA CON
DISTRIBUCIN DE PROBABILIDAD BINOMIAL.
Sean t y p los parmetros de esta distribucin.
Para cada valor Xr requerido, generamos preliminar-
mente una muestra !/, , i/^ , . . , t/ de una distribucin
X z. n
binaria con parmetro p, y hacemos:
(/, -I- t/, -^...-^ /,
40
GENERACIN DE VALORES DE UNA VARIABLE ALEATORIA CON
DISTRIBUCIN DE PROBABILIDAD UNIFORME.
Puede utilizarse el concepto de funcin inversa
para obtener valores de variables uniformemente di^
tribuidas a lo largo de otros intervalos. Para una
v.a. uniformemente distribuida en el intervalo [l, bj
la funcin de densidad es:
I^(X)
para a ^ X ^ b
b~ a
O para X < a X > 6
La funcin de distribucin acumulativa se obt
ne por medio de la integracin:
X .
F(x .) = / ^ ,-- dx = I---
<- ' b ~ a b - a
^ - a
F(x.) = -^-5
De acuerdo con el procedimiento establecido s u s^
titumos F(x.) por A para obtener:
. ^ l - a
b- a
V resolvie ndo para X , obtenemos la relacin inversa
X . = a + A ( b - a )
41
El procedimiento para generar valores de varia-
bles aleatorias uniformemente distribuidas consiste
en generar nmeros aleatorios y sustituirlos por A-
en la ecuacin anterior, para encontrar los valores
correspondientes de X -.
GENERACIN DE VALORES DE UNA VARIABLE ALEATORIA CON
DISTRIBUCIN DE PROBABILIDAD EXPONENCIAL.
La distribucin exponencial, cuya primordial
aplicacin se centra en los fenmenos de espera, es
una ley continua cuya formulacin obtiene la proba-
bilidad de que por ejemplo entre dos sucesos (sali-
das o llegadas) transcurra un intervalo de t unida-
des de tiempo. Esta formulacin ser la siguiente:
i i t ) =
M
O
- v t
p a r a - t > 0 y p > 0
en o t r o c a s o
donde \i indica el promedio de sucesos que acontecen
por unidad de tiempo. Y la probabilidad acumulada
F(^) para -t^ ser la probabilidad de que entre dos
sucesos trascurra un intervalo de tiempo no superior
a t .
La funcin de probabilidad acumulada ser:
Ht ^) - /
ye
dt l - z
O
Para efectuar la simulacin del intervalo t ^
que media entre dos sucesos, una vez extrado el
42
dgito seudoequiprobab1e A^ es preciso, con base en
este dgito, obtener en la funcin acumulada de la
ley exponencial correspondiente el valor aleatorio
t . El programa que en el ordenador simula esta sj^
tuacin se basa, para obtener el valor t ^ en funcin
del equiprobable A-, en el siguiente algoritmo:
A, = F( .) = 1 - e ^*^
1-A . = e
-u-^
In(l-A^) = -p^
1(1-A^)
Puesto que A^ est uniformemente distribuida de
O a 1, la cantidad (1-A^) de la ecuacin anterior
tiene la misma distribucin. Por ende, la ecuacin
puede simplificarse ligeramente, utilizando A . en
lugar de (1-A-), entonces
p >(^>-
oENERACION DE VALORES DE UNA VARIABLE ALEATORIA CON
DISTRIBUCIN DE PROBABILIDAD ERLAG-K.
La funcin de probabilidad que se presenta en
esta seccin recibe su nombre debido al ingeniero d^
nes llamado A.K. Erlag.
43
En esta distribucin se simula que las unidades
que llegan a un centro de servicio pasan por fe fa-
ses, cada una con una duracin exponencial que tie-
ne la forma:
^ ( t ' ) = y'e ^'"^
de tal forma que no se permite que una unidad entre
al centro de servicio hasta que la anterior no haya
abandonado la ltima fase.
Si T es una variable aleatoria que indica la du^
dacin total del servicio prestado en fe fases, o di^
cho en otra forma el intervalo de tiempo que separa
el acontecimiento de nmero n y n + k , entonces su
funcin de probabilidad ser:
gf e( )
^. fe ^f e- i ^ - M ' t
(fe - D :
^ * o
fe = 1,2,
que es la llamada distribucin Erlang-fe,
La variable t se puede expresar como la suma de
t
variables t - exponencialmente distribuidas.
I
t ' t ^+t ^+t . ^+. . .-Kjj
Si fe y p son los parmetros de la distribucin
erlang-fe, se generan independientemente por el mt
do en consideracin fe valores /, , t/, , /3 , /fe ^^e
una distribucin exponencial con parmetro y' y ha-
cemos :
44
resulta
'-'l^"2^"3"---^"fc
^< = -T-ln(l-Aj)-^ln(l-A2)--xln(l-A3)-. ..-;^1(1-A^)
t . = -yr ln(l-Ap + 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 obtener el va-
lor i - en funcin de A a travs de la funcin de
probabilidad acumulada de la erlang-fc, sera:
< - ''^bMi^ - /
^- y'fet'^-l e-^ ^
dt
( f e - l ) l
La simulacin de una variable X que sigue la
ley erlang-fe se basa en la generacin de fe dgitos
seudoeq uiprobab 1 es A . , A , A - , . . . , A|j y en la aplica-
cin de estos valores en la frmula (1) obtenida an
t e r i ormen t e.
GENERACIN DE VALORES DE UNA VARIABLE ALEATORIA CON
DISTRIBUCIN OE PROBABILIDAD NORMAL.
Sea X una variable aleatoria normalmente distri
buida, es decir:
2 , 2
, , , 1 -^(x-p)Vo'
((x) = e para -> .$ x < >
45
donde o es la desviacin estndnr y u la esperanza
mat emt ica.
De acuerdo con el procedimiento establecido, la
simulacin de un valor X de esta variable aleato-
ria se logra al resolver la ecuacin
A^ = / ^ (x)dx
- 00
lo cual equivale grficamente a:
Figura N" 2
por lo complicado de las operaciones, es ms senci-
llo obtener los valores simulados de X mediante la
distribucin normal tipificada, en donde:
2 = ^L_1_.H. ^ N(0;1)
El seudoequiprobable A- se utilizara para si mu
lar un valor de la variable Z y por medio de sta
el correspondiente de la variable X.
^^ = / " (O
dz
donde
46
1 -z^/2
)J(z) * e para -< .$ 2 -$ >
lo que grficamente se interpreta as
Figura N" 3
O sea que
z - ^ - ^ - 1 ^
El valor simulado de X ser entonces;
x_ . a Z_ + y
Otro procedimiento se basa en el conocimiento
que se tiene de la distribucin de A ., que es uni-
forme entre O y 1 y en las conclusiones dadas por
el teorema central del lmite.
Si hacemos:
a . = A^-j-A^+A--- ... + Ajj
obtendremos, muy aproximadamente, muestras de una
distribucin normal con media R/2 y varianza R/12.
Los valores generador de X.- se obtienen:
47
X, -
a^-R/2
a + \
R 12 es un valor conveniente, ya que es sufi-
cientemente grande para que el teorema central del
lmite d buena aproximacin y evita la divisin por
/RTTT.
GENERACIN DE VALORES DE UNA VARIABLE ALEATORIA CON
DISTRIBUCIN DE PROBABILIDAD POISSON.
Considrese una serie de acontecimientos inde-
pendientes E que se suceden en el tiempo (por ejem-
plo, llegadas de clientes a una tienda, paso de ve-
hculos sobre una carretera, errores cometidos por
una secretaria, etc.) La variable X que indica el
nmero de acontecimientos que se producen en un in-
tervalo de tiempo, de acuerdo con caractersticas
especiales se demuestra que tiene como funcin de
cuanta:
.-X , X
P(X-x)
xl
para X = 0,1,2,...
donde \ indica el nmero medio de acontecimientos
que se producen por unidad de tiempo.
La funcin de probabilidad acumulada ser
p ( x ;< x ^) - A ^ - J:
X-0
^ e-^'^
x:
48
- A r . , A A
e f l - i - A - i - - --,
2 3 !
-r }
Como la distribucin de Poisson corresponde a
una variable aleatoria discreta, y X. solo puede t
mar valores numerables; se ha de simular el valor
de esta variable de modo que el correspondiente va-
lor P(X 4 Xj ) sea igual o inmediatamente superior a
-A A^ A^
J7l ^ > ^l
A ^ A ^ A "^ ;
(1 -f A -f y- -^ ^ -H...-- ^ ) A^ e'
Por tanto, el valor X^ simulado ser aquel que
iguale esta ecuacin, o que haga por primera vez
que el valor del primer miembro sea el que sobrepa-
sa al segundo.
Otro procedimiento manual consistira en utili-
zar las tablas de la distribucin de Poisson, obte-
niendo los valores numricos de X y de sus probabi-
lidades de acuerdo con el valor conocido de A y en
aplicar el proceso mostrado en la grfica N" 1.
El proceso mostrado en la grfica mencionada aji
teriormente se describe en palabras en la siguiente
seccin.
49
GENERACIN DE VALORES DE UNA VARIABLE ALEATORIA
CON DISTRIBUCIN DE PROBABILIDAD DISCRETA.
Cuando se conocen los valores que puede tomar
la variable aleatoria y sus correspondientes proba-
bilidades, la simulacin de valores de una variable
aleatoria X con funcin de probabilidad P(X"X) se
basa en la utilizacin de las probabilidades acumu-
ladas para establecer una codificacin que permita
determinar cules nmeros aleatorios generan un pa_r
ticular valor de la variable aleatoria.
Esta codificacin debe garantizar que una pro-
porcin de nmeros aleatorios igual a la estableci-
da por la probabilidad puntual sea la que simule un
valor de la variable.
Para lo anterior se recomienda utilizar nmeros
aleatorios con igual nmero de dgitos a los conte-
nidos por las cifras decimales de la probabilidad.
En forma general el procedimiento se ilustra a
continuacin para probabilidades con dos cifras de-
cimales .
Esto indica que todos los nmeros aleatorios
comprendidos en el intervalo 00 a (1OOP(XXj)- 1)
generan el valor de la variable X igual a X^ as de
la misma manera para los dems intervalos.
50
X P(Xx) P(X^Xi) CODIFICACIN
X^ P(X=Xj) P(X^xp 00 a 100 P(X$Xj) - 1
X^ Pi K=x ^ ) P( K x ^) P(X^Xj)100 a 100 P(X^X2)-1
X3 P(X=X2) P(X$X3) P(XX2)100 a 100 P(X;$X3)-1
X^ P(X=x^) 1 P(X^x^_piOO a 99
Esta explicacin no quiere decir que ste sea el ni^
co procedimiento a seguir para la codificacin y pa-
ra la simulacin, en realidad existen diferentes pr
cedimientos.
* * *
BIBLIOGRAFA
[1] Clark,Charles, Th U t l l t y O f, S t a t l t l c 0 f, Han
dom N umbefiA , Operation Research.
[2J Escudero,L., L a S i mu l a c i n de. t a E mpn. e a, Espaa,
Deusto, (1973).
(3J Hammersley,S.M. y Handscomb,D.C.,Mone C a nt o Me
t h o d , New York, John Wiley.
(4] Meier,R.N., y Pazer,H., 1 c n l c a h de S i mu l a c i n
en Kdml nl t fL acl 6n y E conom a, Mertrillas,
(1975) .
*