04 - Mpmspo - Simulación - Monte Carlo - Cad - 2016 - 1 - Nuevo2 PDF

Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas.
Unidad de Post Grado

Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
4. EJEMPLOS DE DISTRIBUCIONES CONTINUAS

Tambin existe una lista numerosa de distribuciones continuas, basta ver las que estn
en Excel o MATLAB. Desde el punto de vista matemtico hay infinitas distribuciones
continuas, pues basta elegir una funcin no negativa y con integral finita.
Se har una revisin de tres distribuciones: la Normal, la Exponencial y la Uniforme.
4.1 Funcin de distribucin Normal o distribucin de probabilidad normal
x
La Distribucin Normal Acumulada es la funcin F ( x) f (t )dt , donde la funcin
de densidad es
(1)
1
f (t )
e
2
( t )2
2 2
Aqu es la denominada media y la desviacin estndar.

Propiedades de la funcin de densidad o de la distribucin normal f (t )
a) La grfica de f (t ) es simtrica respecto de la recta vertical t y
cero cuando t
1
b) El mximo valor de f (t ) se da en t y es igual a f ( )
2
f (t ) tiende a
c) La integral
f (t )dt 1 , es independientemente de los valores de
1
d) Como Max f (t )
, entonces, cuando la desviacin estndar aumenta, el
t
2
mximo de f (t ) disminuye; pero como su integral no vara, entonces la curva se
ensancha. Viceversa, cuando disminuye, entonces su mximo aumenta y la curva se

adelgaza. (Ver figuras 4 y 5)
x
e) La distribucin normal acumulada: F ( x) f (t )dt es estrictamente creciente y
derivable para todo x , pues F ( x) f ( x) 0 para todo x

f) La variable aleatoria asociada a esta distribucin es X F 1 inv ( F ) . Es la
variable aleatoria normal, que depende de los parmetros y
Los grficos que siguen muestra la funcin de densidad y la funcin de distribucin
normal (acumulada) cuando la media es 0.5 y la desviacin estndar sigma
0.46531
Haciendo uso del comando disttool de MATLAB y al ejecutar se abre el interface
que permite mostrar las grficas de la distribucin normal y la distribucin normal
acumulada para los parmetros indicados.
Fig. 1
Fig. 2
62
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Ejemplo 1
Otra manera de mostrar las grficas en MATLAB de la Distribucin Normal DISN y la
Distribucin Normal Acumulada DISNA, con media mu=0.46531 y desviacin
estndar sigma=0.5 es correr el programa que sigue. El intervalo en el que se va
graficar es [-6, 6], que es suficiente, porque los valores de la funcin de DISN para
valores fuera de este intervalo son extremadamente pequeos. Por ejemplo para x=6.5
es 1.8626e-032
EJE Y
DISTRIBUCION NORMAL y ACUMULADA,MEDIA=0.46531; SIGMA=0.5

>>mu=0.46531; sigma=0.5;
1
a=-6; b=6; N=100; h=(b-a)/N;
DISTR. NORMAL
0.9
DISTR. ACUMULADA
X=a:h:b; % X= matriz particin de 101 puntos
0.8
DISN = normpdf(X,mu,sigma);
0.7
DISNA = normcdf(X,mu,sigma);
0.6
plot(X,DISN,'r','LineWidth',2);
0.5
hold on
0.4
plot(X,DISNA,'b','LineWidth',2);
grid
0.3
ylabel('EJE Y');
0.2
xlabel('EJE X');
0.1
title('DISTRIBUCION NORMAL y
0
-6
-4
-2
0
2
4
6
EJE X
ACUMULADA,MEDIA=0.46531; SIGMA=0.5');
Legend('DISTR. NORMAL','DISTR. ACUMULADA');
4.2 La funcin de distribucin Exponencial

La funcin Exponencial es Exp( x, a) ae ax , con x 0 y a 0 y .
x
La distribucin acumulada es: ExpA( x, a ) ae at dt 1 e ax , con x 0

0
MATLAB define esta funcin de una manera ligeramente distinta:

a) Exp( x, )
ex /
y la acumulada ser con x 0 y 0
b) ExpA( x, )
x e t /
dt 1 e x /
63
Fig.4
Ejemplo 2
DISTRIBUCION EXPONENCIAL Y SU ACUMULADA CON

1
>>X = 0:0.5:3;
DISTR. EXP
DISTR. EXP
DISTR. EXP ACUMU
0.9
MU = 1:0.5:4;
Y = exppdf(X,MU);
YA = expcdf(X,MU);
0.8
0.7
set(get(gca,'Children'),'FaceColor',[.8 .8
1]);
EJE Y
0.6
bar(X,Y);
0.5
0.4
grid
0.3
hold on
0.2
plot(X,Y,'r','LineWidth',2);
plot(X,YA,'b','LineWidth',2);
0.1
ylabel('EJE Y');
0
-0.5
0
0.5
xlabel('EJE X');
Title('DISTRIBUCION EXPONENCIAL Y SU ACUMULADA CON');
Legend('DISTR. EXP','DISTR. EXP','DISTR. EXP ACUMU');
1.5
EJE X
2.5
3.5
Otra manera de mostrar las grficas en MATLAB de la distribucin Exponencial DIEXP

y la Distribucin Exponencial Acumulada DIEXPA, con mu=3 es con disttool de
MATLAB.
Fig. 5
Fig. 6
NOTA: La distribucin Exponencial es un caso particular de la Distribucin Gama

x
1
g ( x , a, b) a
x a1e b
b ( a)
cuando a 1 .
4.3 La funcin de distribucin uniforme o distribucin de probabilidad uniforme

Tiene como funcin de densidad:
1
si a t b
f (t ) b a
0
en caso contrario
Las propiedades de esta distribucin no requieren mayor explicacin.
64
a) En general los valores de a , b son cualesquiera, con la nica condicin de que

a b.
b) La integral
f (t )dt
1
dt 1
b
a
a
Activando el comando disttool

Se visualiza la grfica de la funcin de densidad y de la distribucin uniforme
acumulada. Se ha tomado (Min) a=-2; (Max) b=3
Fig. 7
Fig. 8
5. GENERACION DE VARIABLES ALEATORIAS

En muchas aplicaciones se requiere contar con variables aleatorias cuya distribucin
tenga caractersticas asociadas al problema que se pretende resolver. Para estos fines se
aplica la parte (d) de la proposicin 1 de la seccin 2.3, tomando la inversa de las
distribuciones acumuladas conocidas, como la normal, uniforme, de Bernoulli etc.
Nota: Por la proposicin 1 de la seccin 2.3 las distribuciones acumuladas son no
decrecientes y sus valores estn en el intervalo [0 , 1], entonces todas las variables
aleatorias generadas mediante la inversa de una distribucin acumulada sern vectores
de probabilidad, es decir sus componentes sern no nulas y sumadas darn siempre 1.
5.1 Variable aleatoria con distribucin Normal
Distintas herramientas permiten generar variables aleatorias con distribuciones
conocidas. Por ejemplo Excel tiene funciones que permiten definir variables aleatorias
diversas. La variable aleatoria normal, lo hace con:
X=DISTR.NORM.INV(Y;media;sigma). Por ejemplo si media=15000, sigma=4500 y
la Y=0.644 entonces devuelve el valor 16661.2711
En MATLAB para un arreglo Y de 26 nmeros en el rango [0,1], los nmeros aleatorios
con media mu=15000 y desviacin estndar sigma=4500 se obtienen como sigue:
Ejemplo 1
65
mu=15000; sigma=4500;
a=0.01; b=0.99; N=45; h=(b-a)/N;
Y=a:h:b;
Fig. 1
X:DISTRIBUCION NORMAL CON MEDIA=15000; SIGMA=4500

8
X
7
X=norminv(Y,mu,sigma);
hist(X);
grid on
set(get(gca,'Children'),'FaceColor',[.8 .8 1]);
5
EJE Y
ylabel('EJE Y');
xlabel('EJE X');
Title('RANDOM CON
INV.DIST.NORMAL,MEDIA=15000; SIGMA=4500');
Legend('X');
4
3
2
1
0
0.5
1.5
EJE X
5.2 Variable aleatoria con distribucin Exponencial
2.5
3
4
x 10
Esta variable se genera con la inversa de la distribucin exponencial acumulada. Como

ya se indic antes en MATLAB se define esta funcin como sigue:
a) Exp( x, )
ex /
y la acumulada ser con x 0 y 0
b) ExpA( x, )
x e t /
dt 1 e x /
Los comandos que usa MATLAB para estas dos funciones son
Y = exppdf(X,MU), donde X, MU son matrices del mismo orden.
Y = expcdf(X,MU), donde X, MU son matrices del mismo orden.
0
c) Generacin de una Variable aleatoria exponencial con expinv (la inversa de expcdf)
Ejemplo 3
Fig. 2
a=0.01; b=0.99; N=30; h=(b-a)/N;
Y=a:h:b;
A = 2;
X= expinv(Y,A);
hist(X);
grid on
RANDOM CON INV.DIST.EXP,MU=2

12
X
10
ylabel('EJE Y');
xlabel('EJE X');
Title('RANDOM CON INV.DIST.EXP,MU=2');
Legend('X');
8
EJE Y
set(get(gca,'Children'),'FaceColor',[.8
.8 1]);
6
4
2
0
La variable aleatoria tiene la distribucin Exponencial.
EJE X
5.3 Variable aleatoria con distribucin Beta

La distribucin Beta est definida por:
1
Beta( x, a, b)
x a1 (1 x )b1
(a )(b)
, donde B (a, b) t a1 (1 t )b1 dt
es la
B ( a, b)
( a b)
0
funcin Beta. Cuando a n b m son enteros se tiene B(n, m)
66
n !m!
(n m)!
10
La variable x siendo un nmero real o un vector debe satisfacer 0 x 1

En MATLAB esta funcin de distribucin est implementada en el comando
a) betapdf(X,A,B)
a) betacdf(X,A,B)
Ejemplo4
Fig.3
a=0.01; b=0.99; N=30; h=(b-a)/N;

Y=a:h:b;
A = 10;B=5;
X= betainv(Y,A,B);
hist(X);
grid on
RANDOM CON INV.DIST.BETA,A=10,B=5

5
X
4.5
4
3.5
ylabel('EJE Y');
xlabel('EJE X');
Title('RANDOM CON
INV.DIST.BETA,A=10,B=5');
Legend('X');
3
EJE Y
.8 1]);
2.5
2
1.5
1
0.5
0
0.4
0.5
0.6
0.7
EJE X
0.8
0.9
6. NMEROS ALEATORIOS Y SU GENERACION

Este es un tema bastante denso y complejo, comenzando por el mismo significado de lo
que es un nmero aleatorio, [3] Rios I. et. al. pgina 13, dan una definicin modificada
de Kolmogorov (1987) que dice una sucesin de nmeros es aleatoria si no puede
producirse eficientemente mediante un programa ms corto que la propia serie.
Daremos una de los mtodos de obtencin de los nmeros aleatorios, basado en la
congruencia de nmeros. Existen muchos otros mtodos y ms sofisticados.
6.1 Congruencia de nmeros, modulo un entero
Dos nmeros a y b son congruentes mdulo m, y se escribe a b (m) si (a b) es
mltiplo entero de m , que se escribe (a b) k m , donde k es entero. De aqu
b a km y esto es lo que calcula con el comando: b mod (a , m) .
Ejemplos:
a)b=mod(11,5)
b = 1 11-b=10=2(5) es mltiplo de 5
b)b=mod(3.5,5.4)
b=3.5 3.5-b=0
es mltiplo de 5.4
c)a=[1:5]; b=mod(a,3)
b=1 2 0 1 2 a=[1,2,3,4,5]. a-b=0 0 3 0 -3 son mltiplos de 3
d)x=mod(23,4);
x=3
El cuadrado mgico: es una matriz de nmeros enteros, de nxn, donde la suma de las
componentes, tanto de sus filas y como de sus columnas son iguales.
>> magic(3)
ans =
67
8
3
4
1
5
9
6
7
2
>> mod(magic(3),3)
ans =
2
1
0
0
2
1
1
0
2
6.2 Generacin de nmeros aleatorios congruenciales

En este caso se sigue un proceso recursivo: xn1 (axn b) mod(m) y los nmeros
aleatorios son vn xn / m . Los parmetros reciben los siguientes nombres:
a multiplicador, b sesgo, m modulo, x0 semilla.

Ejemplo 1
Consideremos: a=6 multiplicador, b=6 sesgo, m=10 mdulo, x(1)=6 semilla y n=20
nmeros aleatorios.
>> a=6; b=6; m=10; x(1)=6; n=20;
for i=2:n
k=a*x(i-1)+b;
x(i)=mod(k,m);
end
>> x = 6 2 8 4 0 6 2 8 4 0 6 2 8 4 0 6 2 8 4 0
>>v=x/n= 0.3000 0.1000 0.4000 0.2000 0 0.3000 0.1000 0.4000 0.2000 0
v=0.3000 0.1000 0.4000 0.2000 0 0.3000 0.1000 0.4000 0.2000 0
Son los nmeros aleatorios generados. Pero vemos que es cclico, se repiten. Entonces
no son aleatorios.
Ejemplo 2
Ahora consideremos: a=5 multiplicador
b=7 sesgo, mdulo m=2^(31)-1=2.1475*109, x(1)=1 semilla y n=50 nmeros
aleatorios.
a=5; b=7; m=2^(31)-1; x(1)=1;
n=50;
% se tiene
for i=2:n
k=a*x(i-1)+b;
x(i)=mod(k,m);
50 NMEROS ALEATORIOS
1
CURVA
N ALEATORIO
VALORES DE los 50 NUMEROS
0.9
Fig.1
end
u=x/m;
plot(u,'r');
hold on;
grid;
plot(u,'ob','MarkerSize',6,'LineWidth',0.5);
ylabel('VALORES DE los 50 NUMEROS');
xlabel('SECUENCIA DEL 1 AL 50');
Title('50 NMEROS ALEATORIOS');
Legend('CURVA','N ALEATORIO');
68
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
SECUENCIA DEL 1 AL 50
40
50
>>u'
ans =
0.000000000465661
0.000000005587935
0.000000031199306
0.000000159256160
0.000000799540431
0.000004000961782
0.000020008068541
0.820452119605826
Fig. 2
15
10
La grfica de la distribucin se consigue

adicionando al programa anterior los
comandos
0
0.2
hist(u);
grid on
set(get(gca,'Children'),'FaceColor',[.8 .6 0.2]);
0.4
0.6
0.8
El histograma (Fig. 2) indica que los 50 nmeros aleatorios generados no tiene una
distribucin conocida.
6.3 Generadores comerciales (poco confiables, comparado con las anteriores)
UNIX
a=25214903917; b=11;
m=2^(48); x(1)=1;
Para
n=20;
for i=2:n
k=a*x(i-1)+b;
x(i)=mod(k,m);
end
u=x/m;
VISUAL BASIC
a=1140671485; b=12820163;
m=2^(24); x(1)=1;
Para
n=20;
for i=2:n
k=a*x(i-1)+b;
x(i)=mod(k,m);
end
u=x/m;
EXCEL 97
a=9821.0; b=0.211327; m=1;
x(1)=1;
Para
n=20;
for i=2:n
k=a*x(i-1)+b;
x(i)=mod(k,m);
end
> u'
ans =
0.000000000000004
0.000089581334095
0.731953177135438
0.212944030761719
0.355430603027344
0.495841979980469
0.222557067871094
0.418876647949219
0.114585876464844
0.306266784667969
> u'
ans =
0.000000059604645
0.753459930419922
0.484230279922485
0.245288372039795
0.352006614208221
0.122855305671692
0.724798977375031
0.612998723983765
0.553807258605957
0.841977357864380
> x'
ans =
1.000000000000000
0.211327000000892
0.653794008764635
0.122287077478177
0.192714913174314
0.864489284933370
0.360594330628373
0.608248101255413
0.815929429407333
0.454253209421040
69
7. SIMULACION DE MONTE CARLO EN UN ESTUDIO DE MERCADO

Se trata de una empresa que desea lanzar al mercado un nuevo producto, tomando en
cuenta que debe pagar por mano de obra calificada entre 40 y 50 Dlares por producto.
Los insumos varan en el mercado entre 80 y 120 Dlares, tambin por producto.
Piensan invertir 450,000 $ en gastos administrativos y 550,000$ en publicidad. El
precio de venta calculado es de 239 $ y esperan vender unas 15,000 unidades.
En esta medida tomando los costos ms bajos y con la demanda que esperan del
mercado tendran un escenario bsico, que les reportara una utilidad de
U=(239-40-80)15,000-1000,000=785,000$
Un escenario de prdida puede darse si, se toman los costos ms altos y la venta solo
llega, por ejemplo, a 12,000 unidades.
U=(239-50-120)12,000-1000,000= -172,000$
Estas dos situaciones motivan la bsqueda de ms escenarios posibles, que ayuden a
tomar una decisin adecuada. Esto depender de las tres variables siguientes:
x: Costo mano de obra calificada (en$/unidad)
y: Costo de los insumos (en$/unidad)
z: Demanda del nuevo producto (en unidades)
U 249 x y z 1000000 , (la utilidad en Dlares)

El lanzamiento de un producto al mercado siempre corre el riesgo de arrojar prdida.
Entonces se toman en forma aleatoria los valores de x, y, z, para estudiar ms escenarios
y estudiar en estos el comportamiento de la utilidad. De esta manera se tendr una idea
de los niveles de ganancia o prdida que puede generar este negocio. Con esta ayuda se
podr tomar una mejor decisin.
7.1 Simulacin con MATLAB
Consideremos una sucesin de 200 nmeros aleatorios, pero que tienen distribuciones
acordes a las variables que se quiere simular. A estos nmeros aleatorios se les
denominar por brevedad random.
1) RANDOM PARA LA MANO DE OBRA: MO
N=200;
rmo=rand(N,1);
for i=1:N
if 0.9<=rmo(i)<=1 MO(i)=48;
end
if 0.8<=rmo(i)<0.9 MO(i)=47;
end
DISTRIBUCIN MANO DE OBRA

45
40
35
30
25
20
15
10
70
5
0
40
42
44
46
48
if 0.7<=rmo(i)<0.8
end
if 0.6<=rmo(i)<0.7
end
if 0.5<=rmo(i)<0.6
end
if 0.4<=rmo(i)<0.5
end
if 0.3<=rmo(i)<0.4
end
if 0.2<=rmo(i)<0.3
end
if 0.1<=rmo(i)<0.2
end
end
hist(MO)
MO(i)=46;
MO(i)=45;
MO(i)=44;
MO(i)=43;
MO(i)=42;
MO(i)=41;
MO(i)=40;
grid on
Title('DISTRIBUCIN MANO DE OBRA');
set(get(gca,'Children'),'FaceColor',[.6 .5 1]);
2) RANDOM PARA LA MATERIA PRIMA=MP
DISTRIBUCIN MATERIA PRIMA

30
rmp=rand(N,1); % valores aleatorios para MP.

for i=1:N
MP(i)=80+rmp(i)*40;
end
hist(MP);
25
20
15
10
grid on
Title('DISTRIBUCIN MATERIA PRIMA');
set(get(gca,'Children'),'FaceColor',[.6 .5 0.2]);
5
0
80
90
100
110
120
3) RANDOM PARA LA DEMANDA=DEM

rdem=rand(N,1); % vector de valores aleatorios para DEM.
media=15000;dst=4500;
for i=1:N
DEM(i)=norminv(rdem(i),media,dst); % distribucion
normal inversa
end
hist(DEM)
grid on
Title('DISTRIBUCIN DE LA DEMANDA');
0.2]);
DISTRIBUCIN DE LA DEMANDA
60
50
40
30
20
.5
10
0.5
1.5
2.5
3
4
x 10
71
4) SIMULACION DE LA: UTILIDAD =(239-MO-MP)*DEM-1000000

DISTRIBUCIN DE LA UTILIDAD
for i=1:N
UTILIDAD(i)=(239-MO(i)-MP(i))*DEM(i)-1000000;
end
hist(UTILIDAD,30)
45
40
35
30
grid on
Title('DISTRIBUCIN DE LA UTILIDAD');
.6 0.7]);
25
20
15
10
5
0
-1
-0.5
0.5
1.5
5) ESTADISTICA DE LA UTILIDAD
UTILIDAD EN
DETALLE
-972642.53
-824113.93
-675585.33
-527056.73
-378528.12
-229999.52
-81470.92
67057.67
215586.27
364114.88
512643.48
661172.08
809700.68
958229.29
1106757.89
1255286.49
1403815.09
1552343.70
1700872.30
1849400.90
HISTOGRAMA DE LA UTILIDAD
1
0
1
1
8
12
18
21
23
23
25
22
16
12
6
6
1
3
0
1
25
20
FRE CUE NCIA
M1=minmax(UTILIDAD);
a=M1(1);
b=M1(2);
N=20;
h=(b-a)/(N-1);
for i=1:N
X1(i)=a+h*(i-1);
end
N1=length(X1);
hist(UTILIDAD, N1)
grid on
set(get(gca,'Children'),'FaceC
olor',[.5 .5 1]);
hold on
ylabel('FRECUENCIA');
xlabel('UTILIDAD');
Title('HISTOGRAMA DE LA
UTILIDAD');
Frr1=hist(UTILIDAD,X1);
format short;
Frec1=[X1',Frr1']
2
6
x 10
15
10
0
-1
-0.5
6) CORRELACIN ENTRE LA UTILIDAD Y LA DEMANDA (93.49%)

[m,b,r]=postreg(UTILIDAD,DEM);
72
0.5
UTILIDAD
1.5
2
6
x 10
[m,b,r]
ans =
1.0e+005 *
0.0009133
-9.5425406
0.0000093
7) CORRELACIONES DE LA UTILIDAD CON MANO DE OBRA (1.19%) Y MATERIA PRIMA

(23.72%)
8.2 Escenarios de riesgo y utilidad (ordenado) del peor al mejor

M=[UTILIDAD' MO' MP' DEM'];
MOrd=M;
S=size(M);
A=M(:,1);
for i = 1 : S(1)
[aux, k] = min(A);
MOrd(i,1)=aux;
A(k) = Inf;
for j = 2 : S(2)
MOrd(i,j)= M(k,j);
end
73
end
Haciendo
>> MOrd
%=[ UTILIDAD' MO' MP' DEM'];
se obtiene la tabla:
MOrd =
1.0e+006 *
-0.884359.823069031 0.000047000000000
-0.655639168415336 0.000047000000000
-0.500551053296741 0.000045000000000
-0.479905410363706 0.000044000000000
-0.391306804925584 0.000047000000000
-0.320310984214749 0.000048000000000
-0.283754973142825 0.000048000000000
-0.268582489763240 0.000048000000000
1.307556804573684 0.000045000000000
1.335676423510621 0.000043000000000
1.435231730121935 0.000048000000000
1.506113170451864 0.000044.000000000
0.000101872228750
0.000103141002441
0.000106661116536
0.000119519280126
0.000102006253716
0.000115186148979
0.000104899003440
0.000113012551816
0.001283.069306237
0.003875362552405
0.005718517650958
0.006890429642268
0.006763727705624
0.008965235331463
0.008318661287021
0.009378656787331
0.000103319455310 0.025447099071360
0.000090488469911 0.022136693701111
0.000098151908349 0.026228129052750
0.000087.790571583 0.023375.865420126
a) Grfica de las 4 variables (UTILIDAD y DEM escaladas con U y D)

Calculamos primero los mximos
>>MU=max(UTILIDAD);
MMO=max(MO);
MMP=max(MP);
MDEM=max(DEM);
% 1576,200
% 48
% 119.9632
% 26,228
Luego se toman las escalas adecuadas para tener una grfica escalada.
>>U=1000/MU; D=100/MDEM;
for i=1:N
% U=1/15762; D=1/262;
Ind(i)=i;
end
% M=[ UTILIDAD' MO' MP' DEM'];
>> plot(Ind, U*MOrd(:,1),'m','LineWidth',2);
hold on
plot(Ind, MOrd(:,2),'r','LineWidth',2);
plot(Ind, MOrd(:,3),'b','LineWidth',2);
plot(Ind, D*MOrd(:,4),'g','LineWidth',2);
Title('SIMULACION DE LA UTILIDAD ORDENADA');
Legend('UTILIDAD','MANO DE OBRA','MATERIA PRIMA','DEMANDA');
74
SIMULACION DE LA UTILIDAD ORDENADA
120
100
80
60
40
20
0
UTILIDAD
MANO DE OBRA
MATERIA PRIMA
DEMANDA
-20
-40
-60
20
40
60
80
100
120
140
160
180
200
b) Grficas de las 4 variables (c/u escaladas con su Mximo)

plot(Ind, MOrd(:,1)/MU,'m','LineWidth',2);
hold on
plot(Ind, MOrd(:,2)/MMO,'r','LineWidth',2);
plot(Ind, MOrd(:,3)/MMP,'b','LineWidth',2);
plot(Ind, MOrd(:,4)/MDEM,'g','LineWidth',2);
Title('SIMULACION DE LA UTILIDAD ORDENADA');
Legend('UTILIDAD','MANO DE OBRA','MATERIA PRIMA','DEMANDA');
SIMULACION DE LA UTILIDAD ORDENADA
1
0.8
0.6
0.4
0.2
0
UTILIDAD
MANO DE OBRA
MATERIA PRIMA
DEMANDA
-0.2
-0.4
-0.6
20
40
60
80
100
120
140
160
180
200
De la tabla MOrd se obtienen las siguientes:

CONCLUSIONES:
A) La mxima utilidad (1506,113.17) se logra cuando la mano de obra se paga a 44$, la
materia prima se compra a 87.79 $ y la demanda es de 23,375 unidades anuales.
B) La mxima prdida (-884,359.82$) se da cuando la mano de obra se paga a 47$, la
materia prima se compra a 101.87 $ y la demanda es de 1,283 unidades anuales.
C) El volumen de la demanda determina, el xito del negocio. Hay una alta correlacin
entre las dos variables. (Ver grafica)
75
D) Las variables MO (Mano de obra) y MP (Materia prima) no influyen en el Utilidad,

las correlaciones son R=0.0119 y R=0.2372 respectivamente.
E) La mayor probabilidad de xito se produce cuando la utilidad est entre 67,057.67 y
809,700.68, que viene a ser del 65% de probabilidad
Ejercicios
1. Complete el siguiente vector para que sea un vector de probabilidad.
p 0.2 , 0.1 , 0.0 , 0.4,...., 0.1 , 0.0
REFERENCIAS
[1] Sheldon M. Ross Simulacin, segunda edicin Ed. Prentice Hall. Mexico 1999
[2] Barry R. James Probabilidad, un curso de nivel intermedio Ed. IMCA, 2004
[3] Rios I. D. y otros Simulacin, mtodos y aplicaciones Ed. Alfaomega, 2009.
[4] De Guzman M. y Rubio B. Integracin:Teora y Tcnicas Ed. Alhambra 1979.
[5] P. R. Halmos: Measure Theory, D.Van Nostrand Company. Princeton, N.J. 1960.
[6] W. Rudin: Real and Complex Anlisis, Ed. McGraw-Hill, 1974.
[7] E. LeLionnais Colaboradores: Las grandes corrientes del pensamiento matemtico
Ed. Universitaria de Buenos Aires. 1976.
[8] M. Perero: Historia e historias de Matemticas Grupo Ed. Ibero Americana. 1994.
[9] A brief overview of what the Monte-Carlo method is and does.
http://www.physics.gla.ac.uk/~donnelly/files/montecarlo/
[10] Arsham H. System Simulation: The Shortest Route to Applications.
http://home.ubalt.edu/ntsbarsh/Business-stat/simulation/sim.htm.
[11] Barreto H. and Howland F. Introductory Econometrics via Monte Carlo Simulation
with Microsoft Excel. http://www.wabash.edu/econometrics
[12] Bong D. Monte Carlo Simulation.
http://www.visionengineer.com/mech/monte_carlo_simulation.shtml.
76

04 - Mpmspo - Simulación - Monte Carlo - Cad - 2016 - 1 - Nuevo2 PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

04 - Mpmspo - Simulación - Monte Carlo - Cad - 2016 - 1 - Nuevo2 PDF

Загружено:

Авторское право:

Доступные форматы

Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas.

Unidad de Post Grado

4. EJEMPLOS DE DISTRIBUCIONES CONTINUAS

La Distribucin Normal Acumulada es la funcin F ( x) f (t )dt , donde la funcin

Aqu es la denominada media y la desviacin estndar.

f (t )dt 1 , es independientemente de los valores de

ensancha. Viceversa, cuando disminuye, entonces su mximo aumenta y la curva se

e) La distribucin normal acumulada: F ( x) f (t )dt es estrictamente creciente y

derivable para todo x , pues F ( x) f ( x) 0 para todo x

DISTRIBUCION NORMAL y ACUMULADA,MEDIA=0.46531; SIGMA=0.5

4.2 La funcin de distribucin Exponencial

La distribucin acumulada es: ExpA( x, a ) ae at dt 1 e ax , con x 0

MATLAB define esta funcin de una manera ligeramente distinta:

DISTRIBUCION EXPONENCIAL Y SU ACUMULADA CON

Otra manera de mostrar las grficas en MATLAB de la distribucin Exponencial DIEXP

NOTA: La distribucin Exponencial es un caso particular de la Distribucin Gama

4.3 La funcin de distribucin uniforme o distribucin de probabilidad uniforme

a) En general los valores de a , b son cualesquiera, con la nica condicin de que

Activando el comando disttool

5. GENERACION DE VARIABLES ALEATORIAS

X:DISTRIBUCION NORMAL CON MEDIA=15000; SIGMA=4500

5.2 Variable aleatoria con distribucin Exponencial

Esta variable se genera con la inversa de la distribucin exponencial acumulada. Como

RANDOM CON INV.DIST.EXP,MU=2

La variable aleatoria tiene la distribucin Exponencial.

5.3 Variable aleatoria con distribucin Beta

funcin Beta. Cuando a n b m son enteros se tiene B(n, m)

La variable x siendo un nmero real o un vector debe satisfacer 0 x 1

a=0.01; b=0.99; N=30; h=(b-a)/N;

RANDOM CON INV.DIST.BETA,A=10,B=5

6. NMEROS ALEATORIOS Y SU GENERACION

6.2 Generacin de nmeros aleatorios congruenciales

a multiplicador, b sesgo, m modulo, x0 semilla.

VALORES DE los 50 NUMEROS

La grfica de la distribucin se consigue

7. SIMULACION DE MONTE CARLO EN UN ESTUDIO DE MERCADO

U 249 x y z 1000000 , (la utilidad en Dlares)

DISTRIBUCIN MANO DE OBRA

2) RANDOM PARA LA MATERIA PRIMA=MP

DISTRIBUCIN MATERIA PRIMA

rmp=rand(N,1); % valores aleatorios para MP.

3) RANDOM PARA LA DEMANDA=DEM

4) SIMULACION DE LA: UTILIDAD =(239-MO-MP)*DEM-1000000

FRE CUE NCIA

6) CORRELACIN ENTRE LA UTILIDAD Y LA DEMANDA (93.49%)

7) CORRELACIONES DE LA UTILIDAD CON MANO DE OBRA (1.19%) Y MATERIA PRIMA

8.2 Escenarios de riesgo y utilidad (ordenado) del peor al mejor

%=[ UTILIDAD' MO' MP' DEM'];

a) Grfica de las 4 variables (UTILIDAD y DEM escaladas con U y D)

b) Grficas de las 4 variables (c/u escaladas con su Mximo)

De la tabla MOrd se obtienen las siguientes:

D) Las variables MO (Mano de obra) y MP (Materia prima) no influyen en el Utilidad,

Вам также может понравиться