2.

Metoda de simulare Monte Carlo

2.1. Introducere 2.2. Generarea fr calculator a valorilor variabilelor probabiliste 2.3. Ideea de baz a metodei Monte Carlo 2.4. Generatori de numere pseudoaleatoare 2.5. Utilizarea metodei Monte Carlo pentru generarea valorilor variabilelor probabiliste 2.5.1. Distribuii de probabilitate 2.5.2. Obinerea de selecii simulate n cazul variabilelor probabiliste discrete 2.5.3. Obinerea de selecii simulate n cazul variabilelor probabiliste continue 2.6. Concluzii

2. Metoda de simulare Monte Carlo 2.1. Introducere n perioada de dezvoltare a energiei atomice de dup cel de al doilea rzboi mondial s-a ajuns la necesitatea rezolvrii problemei de difuzie a neutronului sau a transportului neutronului ntr-un mediu izotrop (mediu care are aceleai proprieti n orice direcie). Aceast problem modelat ca un sistem de ecuaii difereniale pariale s-a dovedit foarte dificil de rezolvat prin ecuaii cu diferene7. Exista ns un rezultat prin care se stabilea analogia dintre ecuaiile integro-difereniale i procesele stochastice. n acest context, John von Neumann i Stanislaw Ulam de la Los Alamos National Laboratory (S.U.A.) au sugerat c s-ar putea obine o aproximaie utilizabil a soluiei cutate prin realizarea de experimente bazate pe numere aleatoare efectuate pe calculatoare digitale. Ei au denumit aceast metod Monte Carlo dup cazinourile de la Monte Carlo ale cror rulete pot fi considerate instrumente de generare a numerelor aleatoare. Aceast propunere a inversat modul de raionament de pn atunci. n locul utilizrii ecuaiilor cu diferene pentru a obine soluii ale problemelor probabiliste, se genereaz selecii prin experimente cu numere aleatoare pentru a se obine soluii ale unor ecuaii integro-difereniale, care nu sunt n mod necesar de natur probabilist. Punerea n practic a metodei propuse de von Neumann i Ulam a fost posibil i datorit progreselor obinute n acea perioad n domeniul calculatoarelor digitale. Dei decepional de simpl n concept, metoda Monte Carlo furnizeaz soluii aproximative pentru o mare varietate de probleme matematice. O caracteristic important a metodei Monte Carlo const n faptul c dintre metodele numerice care se bazeaz pe evaluarea a n puncte ntr-un spaiu m dimensional pentru a obine o soluie aproximativ, metoda -1/2 Monte Carlo permite estimaii a cror eroare absolut descrete cu n pe
Fishman, S.G., Monte Carlo: concepts, algorithms, and applications. Springer-Verlag New York Berlin Heidelberg, 1997, pag. 1-4
7

Simulri n afaceri cnd toate celelalte estimaii au erori ce descresc cu n-1/m cel mult. n plus, timpul de lucru al metodei Monte Carlo crete polinomial cu numrul de variabile m, pe cnd la alte metode timpul de lucru crete exponenial n raport cu m. n prezent, metoda de simulare Monte Carlo se aplic din ce n ce mai mult n domeniul afacerilor, pentru analiza problemelor stochastice sau n condiii de risc, atunci cnd aceeai direcie de aciune poate avea mai multe consecine, ale cror probabiliti se pot estima. Variabilele ale cror valori nu sunt cunoscute cu certitudine, dar pot fi descrise prin distribuii de probabilitate se numesc variabile stochastice sau probabiliste. n simulare, pentru a imita variabilitatea unei astfel de variabile este necesar generarea valorilor posibile pe baza distribuiei sale de probabilitate. Probabilitile au un rol important n modelarea situaiilor n care intervin mrimi stochastice. n simulare, cunotinele despre probabiliti sunt necesare att n faza de construire a modelului de simulare ct n faza de analiz a rezultatelor simulrii. Probabilitile pot fi obinute n mai multe moduri. Cea mai simpl este metoda subiectiv, prin care experii estimeaz pe o scar de la zero la unu probabilitatea ca un anumit eveniment s se realizeze [23, 39]. O alt metod este metoda obiectiv sau metoda bazat pe frecvenele relative care utilizeaz datele istorice sau obinute prin msurarea direct a valorilor unei mrimi stochastice. Pentru construirea distribuiei de probabilitate a unei variabile stochastice sau probabiliste pe baza datelor istorice sau obinute prin msurare direct se poate aplica o procedur format din trei etape: 1. Colectarea datelor referitoare la valorile variabilei probabiliste. 2. Gruparea datelor pe intervale i construirea histogramei frecvenelor relative. 3. Analiza graficului histogramei frecvenelor relative pentru a stabili dac seamn cu forma unei distribuii teoretice cunoscute. Tipul distribuiei de probabilitate poate fi apreciat prin teste de concordan (Kolmogorov, Smirnov, Pearson sau 2) care msoar apropierea dintre distribuia teoretic i distribuia valorilor variabilei probabiliste obinute din seriile de

Simulri n afaceri date istorice sau prin msurare. n final, se calculeaz parametri distribuiei. Testul Pearson (2) calculeaz pe baza distribuiei frecvenelor teoretice fti i a distribuiei frecvenelor fsi obinute prin simulare statistica:
(ft fs ) 2calculat = i i . ft i =1
i

Dac 2calculat < 2,, atunci se poate considera c exist concordan ntre cele dou distribuii comparate, pentru un nivel de semnificaie i num rul de grade de libertate = k c 1, unde k este numrul intervalelor de valori pentru care s-au determinat frecvenele fti i fsi, iar c reprezint numrul parametrilor distribuiei de probabilitate analizate. Valoarea lui 2, se citete din tabele. Testul 2 nu se poate aplica dac exist frecvene fsi <5. Testul Kolmogorov Smirnov calculeaz pentru fiecare interval i de valori, diferenele absolute dintre funcia Fti teoretic de probabilitate cumulat i funcia Fsi de probabilitate cumulat obinut prin n experimente de simulare i dac: max {|Ft1 Fs1|, |Ft2 Fs2|, ...,|Ftk Fsk|} < (1,36/n), atunci se poate considera c exist concordan ntre cele dou distribuii comparate, pentru un nivel de semnificaie = 0,05 i n >30. Exist dou categorii de variabile probabiliste i anume variabile probabiliste discrete i variabile probabiliste continue. Variabilele probabiliste discrete pot avea numai valori specifice (de exemplu numai valori ntregi), iar variabilele probabiliste continue pot avea orice valoare real ntr-un interval i prin urmare numrul valorilor posibile este infinit.

Simulri n afaceri 2.2. Generarea fr calculator a valorilor variabilelor probabiliste Generarea valorilor variabilelor probabiliste reprezint motorul unui model de simulare. Prin extragerea la ntmplare a unui eantion din distribuia de probabilitate care descrie comportamentul unei variabile probabiliste se reproduce n modelul de simulare caracterul aleator al variabilei necontrolabile de decident. Pentru a ilustra modul n care se pot extrage la ntmplare valorile unei variabile probabiliste se va prezenta un exemplu de simulare a vnzrilor sptmnale de calculatoare PC ntr-un centru comercial. Acest exemplu nu se refer la o problem de decizie, de aceea nu sunt definite variantele decizionale controlabile de decident. Exemplul 2.1. Tabelul 2.1 prezint vnzrile de calculatoare PC ale centrului comercial ALFA n ultimele 30 de sptmni. Tabelul 2.1 Numr curent i 1 2 3 4 5 Calculatoare vndute pe sptmn xi 0 1 2 3 4 Numr de sptmni fi 6 12 6 3 3

Pentru a simula cererea sptmnal de calculatoare se va determina distribuia de probabilitate a cererii sptmnale utiliznd frecvena relativ a cererii n cele 30 sptmni, adic P(xi) = fi/30. Tabelul 2.2 Numr curent i 1 2 3 4 5 Calculatoare vndute pe sptmn xi 0 1 2 3 4 Probabilitatea cererii P(xi) 0,20 0,40 0,20 0,10 0,10

Simulri n afaceri O modalitate de a genera numrul de calculatoare care se vor vinde ntr-o anumit sptmn ar putea fi urmtoarea: Se pregtesc 100 de bilete de hrtie de aceeai culoare i dimensiune. Pe 20 dintre ele se scrie numrul 0, pe 40 bilete se scrie numrul 1, pe alte 20 bilete se scrie numrul 2, pe 10 bilete se scrie numrul 3, iar pe alte 10 bilete se scrie numrul 4. Se mpturesc biletele cu partea scris spre interior i se amestec ntr-un bol. Se extrage un bilet i se citete numrul de pe bilet. Evident, ansa cea mai mare de a fi extras i aparine numrului 1. Se introduce din nou n bol biletul mpturit i extragerea se va repeta de mai multe ori pentru a se reproduce vnzrile reale.

Alt modalitate de generare a vnzrilor dintr-o sptmn const n folosirea ruletei (Figura 2.1). Dup punerea n micare, acul indicator se poate opri cu aceeai probabilitate n dreptul oricrui punct de pe circumferina ruletei. Se mparte circumferina discului n 100 diviziuni egale, numerotate de la 0 la 99. Se mparte discul ruletei n sectoare ale cror arii corespund probabilitilor asociate diferitelor valori ale cererii sptmnale de calculatoare. Se pune n funciune acul indicator. Dac acul se oprete ntr-un anumit sector se va considera c s-a generat numrul de calculatoare asociat acelui sector.

Acul indicator va fi acionat de mai multe ori pentru a reproduce variabilitatea vnzrilor reale. Se observ c pentru a genera numrul xi de calculatoare PC, a fost

necesar mai nti s se asocieze fiecrei cantiti un anumit numr de diviziuni: numrului x1 = 0 i corespund diviziunile numerotate de la 0 la 19, adic 20% din numrul total de diviziuni; numrului x2 = 1 i corespund diviziunile numerotate de la 20 la 59, adic 40% din numrul total de diviziuni; numrului x3 = 2 i corespund diviziunile numerotate de la 60 la

Simulri n afaceri 79, adic 20% din numrul total de diviziuni; numrului x4 = 3 i corespund diviziunile numerotate de la 80 la 89, adic 10% din numrul total de diviziuni; numrului x5 = 4 i corespund diviziunile numerotate de la 90 la 99, adic 10% din numrul total de diviziuni. Rezult c proporia numerelor de diviziuni asociate fiecrei cantiti xi este egal cu probabilitatea de vnzare a cantitii xi, adic modul de mprire a discului ruletei n sectoare corespunde distribuiei de probabilitate care descrie vnzrile sptmnale de calculatoare.
98 99 0 1 2

90 89 88 87 86 85 84 83 82 81 80 79 78 77 76 75 74 73 72 71 70 69 68 67 66 65 64 63 62 61

91

92

93

94

95

96 97

3 4

6 7

10

11

12 13 14 15

10% x5=4 10% x4=3

20% x1=0

16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

20% x3=2

40% x2=1

60

59

58

57 56

55 54 46 53 52 51 50 49 48 47

45

44

43

42

41

Figura 2.1 Dei uor de neles, metodele bazate pe bilete numerotate sau pe rulet ar fi dificil de utilizat pentru generarea unui numr mare de valori

Simulri n afaceri pentru x. De aceea, este necesar o alt metod, care s poat fi implementat pe calculator i care s selecteze, la ntmplare, valorile unei mrimi stochastice descrise printr-o distribuie de probabilitate. Biletele de aceeai culoare i dimensiune au rolul de a acorda fiecrui bilet aceeai ans de a fi extras, indiferent de numrul care l conine. Acul ruletei bine calibrat se poate opri cu aceeai probabilitate n dreptul oricrei diviziuni numerotate de la 0 la 99, indiferent de sectorul din care face parte acea diviziune. Biletele de aceeai culoare i dimensiune sau acul ruletei bine calibrat reproduc ntmplarea din sistemul real. Ele sunt nlocuite n programele de simulare pentru calculator cu generatoare de numere aleatoare.

2.3. Ideea de baz a metodei Monte Carlo Procesul de generare aleatoare a valorilor unei variabile probabiliste este referit n literatura de specialitate ca metoda Monte Carlo i const n generarea mai nti a unui numr aleator i apoi utilizarea numrului obinut pentru extragerea unei valori din distribuia de probabilitate care descrie comportamentul variabilei probabiliste. Metoda Monte Carlo genereaz artificial valorile unei variabile probabiliste, prin utilizarea unui generator de numere aleatoare uniform distribuite n intervalul [0, 1] i a funciei distribuiei cumulative asociat variabilei probabiliste respective. Un numr aleator este orice numr care poate fi obinut ntr-un asemenea mod nct valoarea lui nu poate fi prevzut dinainte. Astfel, zarurile sau ruleta pot fi folosite pentru a construi tabele de numere aleatoare, dar utilizarea acestora nu este convenabil pentru simularea pe calculator. De aceea, numerele aleatoare necesare simulrii sunt obinute prin proceduri aritmetice numite generatori. n aceast lucrare, pentru numere aleatoare se va utiliza terminologia folosit de obicei de practicienii n domeniul simulrii i anume c numerele aleatoare sunt numere uniform distribuite ntre 0 i 1.

Simulri n afaceri Cei mai muli generatori de numere aleatoare implementai pe calculatoare sunt de fapt generatori de numere pseudoaleatoare care se comport ca i numerele aleatoare n sensul c numere pseudoaleatoare satisfac testul statistic al caracterului aleator, dar sunt predictibile i reproductibile. n seciunea 2.4 va fi prezentat unul din cei mai utilizai generatori i anume generatorul congruenial liniar.

2.4. Generatori de numere pseudoaleatoare n seciunea 2.3 s-a artat c numerele aleatoare sunt numere uniform distribuite n intervalul [0, 1] i c, pentru simularea la calculator, este convenabil s se utilizeze proceduri aritmetice numite generatori. Numerele generate de calculator pe baza unor proceduri aritmetice se numesc numere pseudoaleatoare deoarece, dei irul de numere obinut verific testul caracterului aleator, aceste numere sunt predictibile i reproductibile. Calitatea rezultatelor simulrii depinde calitatea generatorului de numere aleatoare utilizat. Se consider, [46, 52], c un generator de numere aleatoare este bun dac ndeplinete urmtoarele condiii: 1) Numerele generate au o perioad lung de repetiie. 2) Numerele generate pot fi reproduse. 3) irul de numere nu este degenerat, adic nu conine unul sau mai multe numere care se repet. Numerele generate sunt uniform distribuite n intervalul [0, 1]. 4) Procedura este rapid i nu necesit mult memorie intern de calcul. 5) Produce numere care verific testul caracterului aleator adic numerele sunt stochastic independente. Reproductibilitatea este important pentru realizarea experimentelor de simulare deoarece permite controlul condiiilor experimentale. Prin utilizarea aceluiai ir de numere aleatoare pentru analiza a dou sau mai multe variante decizionale, se va elimina variabilitatea produs de numerele aleatoare i se vor putea observa mai uor diferenele dintre rezultatele aplicrii diferitelor variante. Exist un numr mare de metode aritmetice care pot fi utilizate

Simulri n afaceri pentru generarea de numere pseudoaleatoare [3, 52, 61]. Dintre metodele aritmetice de generare a numerelor aleatoare, cele mai studiate din punct de vedere teoretic i cu bune rezultate practice sunt metodele congrueniale liniare care se bazeaz pe clase de resturi. Acest tip de metode utilizeaz proceduri recursive prin care se genereaz n numere ntregi cuprinse ntre 0 i (m-1) care apoi, prin normalizare, se transform numere uniform distribuite n intervalul [0, 1]. Procedura recursiv const din trei pai: Pasul 1. Alege o valoare iniial x 0 Pasul 2. xi+1 = (axi + c) modulo m u = i +1 i+1 m Pasul 3. Repet Pasul 2. Valoarea iniial x0 se numete smn (seed). xi+1 = (axi + c) modulo m nseamn c valoarea lui xi+1 este egal cu restul mpririi lui (axi + c) la m. Exemplul 2.2. Se consider a = 2, c = 3, m = 5 i x0 = 3. S se genereze primele 6 numere pseudoaleatoare. Rezolvare n Tabelul 2.3 sunt prezentate numerele generate prin metoda congruenial. Tabelul 2.3 Nr.crt. 0 1 2 3 4 5 xi 3 4 1 0 3 4 2xi + 3 9 11 5 3 9 11
x i +1 xi+1 = (2xi + 3) modulo 5 u i+1 = m 9:5 = 1 rest 4 0,8 1 0,2 0 0 3 0,6 4 0,8 1 0,2
x

Se observ c irul de numere se repet dup 4 valori, deci lungimea perioadei n acest caz este (m-1) = 5-1 = 4.

Simulri n afaceri Pentru a obine un generator bun este necesar s se aleag cu atenie valorile a, c i m. De exemplu, pentru a = 513, c = 0, m =(231 1) i smna 1 x0 2147483647, irul de numere pseudoaleatoare va avea o perioad cu lungimea de 2147483646 numere, n care fiecare numr apare numai o singur dat. Toate limbajele de programare generale si speciale i programele comerciale de tip foi de calcul (LOTUS 1-2-3, EXCEL etc.) conin generatori de numere aleatoare foarte bine verificai i testai. Limbajul de programare BASIC are funcia RANDOMIZE cu sau fr argument pentru a se obine valoarea iniial sau smna i funcia RND cu sau fr argument pentru o genera un numr aleator ntre 0 i 1. n [52] sunt prezentai mai muli generatori construii n limbaj BASIC. n EXCEL, numerele aleatoare uniform distribuite n intervalul [0. 1] se pot obine cu =RAND().

2.5. Utilizarea metodei Monte Carlo pentru generarea valorilor variabilelor probabiliste 2.5.1. Obinerea de selecii simulate n cazul variabilelor probabiliste discrete Distribuii discrete de probabilitate n cazul variabilelor discrete de probabilitate, lista valorilor posibile i a probabilitilor corespunztore formeaz o distribuie discret de probabilitate. n terminologia teoriei probabilitilor, se poate nota cu X variabila probabilist cu mai multe valori posibile i cu xi o anumit valoare particular a variabilei X. Probabilitatea ca valoarea unei variabilei probabiliste X s fie egal cu o anumit valoare x se noteaz P(X = x ) = P(x ). i i i

Simulri n afaceri Probabilitatea ca valoarea unei variabilei probabiliste X s fie mai mic sau egal cu o anumit valoare xi se numete funcie de distribuie cumulativ i se noteaz F(xi): F(xi) = P(X xi) = cu proprietatea F(xi) 1.

P( v) pentru - xi , v xi

Funcia distribuiei cumulative F(xi) este suma probabilitilor asociate valorilor mai mici sau egale cu xi. n cazul distribuiilor empirice, construite pe baza datelor istorice sau prin msurarea direct a valorilor variabilei probabiliste, valorile variabilelor probabiliste pot fi prezentate sub forma Tabelului 2.4. Tabelul 2.4 Valoarea variabilei probabiliste xi x1 x2 ... xm
m

Frecvena de apariie fi f1 f2 ... fm

Frecvenele relative vor fi folosite pentru a calcula probabilitile P(X=xi) = P(xi) = fi/ f k ,
k =1

pentru i=1,...,m, iar funcia de distribuie

cumulativ F(xi) = P(X xi) se obine prin cumularea probabilitilor. Uneori, este posibil ca distribuiile discrete de probabilitate s fie descrise prin funcii matematice numite funcii de mas de probabilitate [46]. Cele mai utilizate distribuii teoretice discrete de probabilitate sunt distribuia uniform discreta, distribuia binomial i distribuia Poisson Distribuia uniform discret descrie variabilele cu un numr mic de valori posibile, fiecare cu aceeai probabilitate de realizare. Dac numrul valorilor posibile este n, iar mulimea valorilor posibile este {x1, x2, ..., xn}, atunci funcia de mas de probabilitate este

Simulri n afaceri P(X=xi) = P(xi) = 1/n pentru orice valoare xi, iar funcia distribuiei cumulative este F(xi) = P(X xi) = i/n, pentru i = 1, 2, ..., n. Distribuia binomial este o distribuie discret de probabilitate care se aplic atunci cnd exist numai dou rezultate posibile: succes sau eec, admis sau respins, promovat sau nepromovat etc. De exemplu, variabila probabilist este numrul experimentelor cu succes. Dac probabilitatea p a succesului este aceeai pentru fiecare din cele n experimente, iar experimentele sunt independente, atunci funcia de mas de probabilitate este definit prin probabilitatea ca numrul experimentelor de succes s fie egal cu o anumit valoare x i poate fi calculat cu expresia: i x P(X=xi) = P(xi) = C n i pxi(1-p)n-xi pentru xi = 0, 1, 2, ..., n, unde n este numrul total de experimente. Funcia distribuiei cumulative este: F(xi) = P(X xi) = P( v) pentru xi = 0, 1, 2, ..., n
v =0 xi

Media = np 2 Dispersia = np(1-p) Distribuia Poisson este o distribuie discret de probabilitate care se aplic n cazul unor evenimente ntmpltoare independente. Variabila probabilist este numrul de evenimente care pot avea loc ntr-o perioad de timp. Astfel, numrul persoanelor care sosesc ntr-o staie de servire ntr-un interval de o or pentru a solicita un serviciu (clieni la un ghieu de banc, autoturisme la o staie de benzin etc.) este o variabil probabilist al crui comportament poate fi descris de o distribuie Poisson. Funcia de mas de probabilitate pentru aceast distribuie este probabilitatea ca numrul evenimentelor care au loc ntr-un interval de timp specificat s fie egal cu o anumit valoare xi i poate fi calculat cu expresia: P(X = xi) = P(xi) =
x i e xi!

Simulri n afaceri unde este numrul mediu al evenimentelor dintr-un interval de timp specificat, iar e = 2,7182818. Funcia distribuiei cumulative este: F(xi) = P(X xi) = P( v) pentru xi = 0, 1, 2, ..., N
v =0 xi

Media = Dispersia 2 =

Procedura pentru aplicarea metodei Monte Carlo n cazul variabilelor probabiliste discrete Pentru obinerea de selecii simulate cu metoda Monte Carlo se poate aplica urmtoarea procedur: Pasul 1. Se calculeaz probabilitile P(X=xi) = P(xi) i funcia de distribuie cumulativ F(xi) = P(X xi) = P( v) , pentru xi {x1, x2, ..., xm}.
v x i

n cazul distribuiilor discrete teoretice, se vor folosi funciile matematice corespunztoare care definesc funciile de mas de probabilitate pentru calculul probabilitilor P(X=xi) = P(xi) i funciile F(x) de distribuie cumulativ. Pasul 2. Se asociaz intervale de numere aleatoare fiecrei valori a variabilei discrete. Acest lucru se poate realiza grafic sau tabelar. Grafic. Se reprezint funcia de distribuie cumulativ a variabilei discrete analizate. n Figura 2.2, se observ c n cazul variabilelor probabiliste discrete, funcia F(xi) are forma unor trepte. nlimea fiecrei trepte fa de treapta precedent este egal probabilitatea P(xi) i cu lungimea intervalului de numere aleatoare asociat valorii xi. Tabelar. In Tabelul 2.5, fiecrei valori xi se asociaz intervalul [F(xi1), F(xi)) cu F(x0) = 0.

Simulri n afaceri Tabelul 2.5 Valoarea xi Probabilitatea Funcia distribuiei Intervale P(X =x ) = P(x ) cumulative [F(x a variabilei i i i-1), F(xi)) F(x ) probabiliste i x1 P(x1) F(x1) = P(x1) [F(x0), F(x1)) x2 P(x2) F(x2) = P(x1)+P(x2) [F(x0), F(x1)) ... ... ... ... xm P(xm) F(xm) = P(xm-1)+P(xm) [F(xm-1), F(xm)] Pasul 3. Se genereaz un numr aleator u uniform repartizat n intervalul [0, 1] utiliznd un generator de numere aleatoare (de exemplu, cu funcia =RAND() din Excel). Pasul 4. Generarea unei valori xi a variabilei probabiliste discrete se poate realiza grafic sau tabelar. Grafic. Numrul generat u se reprezint printr-un punct pe axa vertical din Figura 2.2. Din acel punct se duce o paralel la axa orizontal pn cnd ntlnete prima bar vertical i se citete valoarea xi de la baza acelei bare. Se noteaz ntr-un tabel (vezi Tabelul 2.8) valoarea xi gsit pe grafic.
Probabiliti

1.2 1 0.8 0.6 0.4 0.2 0

0,9 0,8 u 0,6

F(xi)

0,2

xi

Figura 2.2

Simulri n afaceri Tabelar. Se caut n Tabelul 2.5, intervalul [F(xi-1), F(xi)) cruia i aparine numrul aleator u. Se scrie, ntr-un tabel (vezi Tabelul 2.8), n dreptul numrului aleator utilizat, valoarea xi identificat. Pasul 5. Se reia procedura de la Pasul 3 pn cnd se obine volumul dorit al seleciei simulate. Datele seleciei simulate pot fi folosite ca date exogene pentru calculul unui alt indicator economic sau pot fi utilizate pentru calculul caracteristicilor distribuiei de probabilitate a variabilei probabiliste cercetate: media, abaterea standard, coeficientul de variaie i intervalul de ncredere pentru medie. Aplicaii numerice Exemplul 2.3. Se vor simula vnzrile de calculatoare pentru 10 sptmni utiliznd distribuia vnzrilor sptmnale de PC din Exemplul 2.1 prezentat din seciunea 2.2. Rezolvare Pasul 1. n Tabelul 2.6 sunt prezentate valorile funciei distribuiei cumulative F(xi) pentru vnzrile sptmnale de calculatoare PC determinate pe baza distribuiei discrete din Tabelul 2.2. Tabelul 2.6 Calculatoare vndute pe sptmn xi 0 1 2 3 4 Probabilitatea cererii P(xi) 0,20 0,40 0,20 0,10 0,10 Funcia distribuiei cumulative F(xi) = P(X xi) 0,20 0,60 0,80 0,90 1

Simulri n afaceri Media determinat pe baza datelor reale referitoare la vnzrile sptmnale de PC = = 00,2 + 10,4 + 20,2+ 30,1+ 40,1 = 1,5 calculatoare 2 2 2 2 Dispersia = 00,2 + 10,4 + 220,2+ 3 0,1+ 4 0,1 - 1,5 = 1,45, iar abaterea standard = 1,204 calculatoare. Pasul 2. Tabelul 2.7 conine valorile numerice pentru cazul vnzrilor sptmnale de calculatoare PC Tabelul 2.7 Valoarea variabilei probabiliste xi x1 = 0 x2 = 1 x3 = 2 x4 = 3 x5 = 4 Probabilitatea P(X =xi) = P(xi) Funcia distribuiei cumulative F(xi) 0,2 0,6 0,8 0,9 1,0 Intervale [F(xi-1), F(xi))

0,2 0,4 0,2 0,1 0,1

[0

0,2)

[0,2 0,6) [0,6 0,8) [0,8 0,9) [0,9 1,0]

Rezultatele efecturii Pasului 3, Pasului 4 i Pasului 5 sunt prezentate n Tabelul 2.8. Tabelul 2.8 Nr. aleator u 0,486281 0,928927 0,205136 0,852845 0,005645 0,651622 0,799931 0,333693 0,416841 0,011913 Valoarea xi a variabilei probabiliste x2 x5 x2 x4 x1 x3 x3 x2 x2 x1 Numr calculatoare (buci/sptmn) 1 4 1 3 0 2 2 1 1 0

Simulri n afaceri Media determinat pe baza seleciei simulate = 1,5 calculatoare pe sptmn, iar abaterea standard = 1,269 calculatoare. Exemplul 2.4. Numrul de costume de haine brbteti vndute zilnic n cadrul unui mare magazin de confecii este o variabil probabilist discret uniform repartizat n intervalul [6, 10]. Se cere simularea vnzrilor pentru 10 zile. Rezolvare n Tabelul 2.9 sunt prezentate probabilitile P(X = xi) i P(X xi) i intervalele de numere aleatoare asociate fiecrei valori in intervalul [6, 10]. Numrul de costume de haine brbteti vndute zilnic xi 6 7 8 9 10 Probabilitatea P(X = xi)=1/5 0,2 0,2 0,2 0,2 0,2 Funcia distribuiei cumulative F(xi) = P(X xi) = i/5 0,2 0,4 0,6 0,8 1,0 Tabelul 2.9 Intervale [F(xi-1), F(xi))

[0 0,2) [0,2 0,4) [0,4 0,6) [0,6 0,8) [0,8 1] Tabelul 2.10

n Tabelul 2.10 sunt simulate vnzrile din 10 zile. Ziua 1 2 3 4 5 6 7 8 9 10 Numrul aleator u 0,709084 0,149934 0,294974 0,200192 0,189083 0,900415 0,940097 0,291185 0,002452 0,469177 Numrul de costume de haine brbteti 9 6 7 7 6 10 10 7 6 8

Simulri n afaceri

Observaie: n cazul variabilelor cu distribuie uniform discret n intervalul [a, b], se poate genera direct o anumit valoare xi cu ajutorul relaiei: xi = partea ntreag din [a + (b-a+1)u] De exemplu, dac la Pasul 3 s-a generat u = 0,709084, atunci pentru variabila probabilist cu distribuie uniform discret n intervalul [6, 10], numrul de costume brbteti vndute ntr-o zi oarecare este: xi = partea ntreag din [6 + (10-6+1)* 0,709084] = 9 costume

Exemplul 2.5. O firm de software dorete s organizeze trimestrial concursuri pentru ocuparea unor posturi de programatori. Procesul de selectare a angajailor presupune participarea candidailor la un test de programare. Se estimeaz c se pot nscrie maxim 10 candidai. Pe baza experienei de la testele anterioare s-a stabilit c probabilitatea ca un candidat s treac testul este de 0,30. Managerul firmei dorete s determine prin simulare ci candidai vor promova testul la urmtoarele trei concursuri. Rezolvare Variabila probabilist este numrul candidailor care vor reui la test. Distribuia de probabilitate care caracterizeaz aceast variabil probabilist este binomial deoarece candidaii sunt independeni unul fa de altul, iar dup efectuarea testului exist numai dou categorii de candidai: promovai i nepromovai. n Tabelul 2.11 sunt prezentate valorile funciei de mas de probabilitate, valorile funciei distribuiei cumulative i intervalele de numere aleatoare.

Simulri n afaceri Tabelul 2.11 Numr de candidai promovai xi 0 1 2 3 4 5 6 7 8 9 10 Probabilitatea P(X = xi) Funcia distribuiei cumulative F(xi) = P(X xi) 0,028248 0,149308 0,382783 0,649611 0,849732 0,952651 0,989408 0,998410 0,999856 0,999994 1,000000 Intervale [F(xi-1), F(xi))

0,028248 0,1210618 0,233474 0,266828 0,200121 0,102919 0,036757 0,009002 0,001447 0,000138 0,000006

[0 [0,028248 [0,149308 [0,382783 [0,649611 [0,849732 [0,952651 [0,989408 [0,998410 [0,999856 [0,999994

0,028248) 0,149308) 0,382783) 0,649611) 0,849732) 0,952651) 0,989408) 0,998410) 0,999856) 0,999994) 1,000000]

n Tabelul 2.12 se determin prin metoda Monte Carlo numrul de candidai care vor promova testul de programare la urmtoarele trei concursuri. Tabelul 2.12 Concursul 1 2 3 Numrul aleator u
0,587339 0,204091 0,783015

Numrul candidailor promovai 3 2 4

La concursul 1, vor promova 3 candidai, la concursul 2 vor promova 2 candidai, iar la concursul 3 vor promova 4 candidai Exemplul 2.6. Numrul automobilelor care sosesc la ntmplare ntrun Service Auto poate fi descris de o distribuie Poisson cu media de 3 maini pe or. Se cere simularea numrului de maini care vor sosi la Service n urmtoarele 4 ore.

Aceast valoare s-a obinut n EXCEL cu funcia = BINOMDIST(1,10,0.3,0)

Simulri n afaceri Rezolvare. n Tabelul 2.13 sunt prezentate valorile funciei de mas de probabilitate, valorile funciei distribuiei Poisson cumulative i intervalele de numere aleatoare. Tabelul 2.13 Numr de Probabilitatea Funcia distribuiei maini n P(X = xi) cumulative decurs de o or F(xi) = P(X xi) xi 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0,049787 0,1493619 0,224042 0,224042 0,168031 0,100819 0,050409 0,021604 0,008102 0,002701 0,000810 0,000221 0,000055 0,000013 0,000003 0,000001 0,049787 0,199148 0,42319 0,647232 0,815263 0,916082 0,966491 0,988095 0,996197 0,998898 0,999708 0,999929 0,999984 0,999997 0,999999 1 Intervale [F(xi-1), F(xi))

[0, 0,049787) [0,049787 0,199148) [0,199148 0,42319) [0,42319 0,647232) [0,647232 0,815263) [0,815263 0,916082) [0,916082 0,966491) [0,966491 0,988095) [0,988095 0,996197) [0,996197 0,998898) [0,998898 0,999708) [0,999708 0,999929) [0,999929 0,999984) [0,999984 0,999997) [0,999997 0,999999) [0,999999 1]

n Tabelul 2.14 sunt simulate sosirile din 4 ore. Tabelul 2.14 Ora 1 2 3 4 Numrul aleator u 0,105643 0,091935 0,917206 0,690022 Numr maini 1 1 6 4

Aceast valoare s-a obinut n EXCEL cu funcia = POISSON(1,3,0)

Simulri n afaceri Toate aplicaiile numerice pentru simularea valorilor variabilelor probabiliste discrete se pot realiza n EXCEL prin utilizarea funciei VLOOKUP(numr aleator, zon tabel cu probabilitile cumulate, coloana din tabel unde se afl valorile variabilei probabiliste).

2.5.2. Obinerea de selecii simulate n cazul variabilelor probabiliste continue Distribuii continue de probabilitate Spre deosebire de distribuia discret de probabilitate, nu se poate defini o distribuie continu de probabilitate care s determine probabilitatea pentru o anumit valoare particular a variabilei probabiliste. Deoarece o variabil probabilist continu este o variabil care poate avea orice valoare ntr-un interval specificat, ea are un numr infinit de valori posibile n acel interval i deci probabilitatea ca o variabil probabilist continu s aib o anumit valoare particular este zero. Pentru o variabil probabilist continu se poate defini probabilitatea ca valoarea variabilei s fie cuprins ntr-un interval specificat. n acest scop, distribuia este reprezentat printr-o curb, iar probabilitatea se determin prin evaluarea ariei de sub curb ntre limitele intervalului de pe axa x. Funcia f(x) prin care se calculeaz aceast arie se numete funcie de densitate de probabilitate i trebuie s ndeplineasc urmtoarele condiii: a) f(x) 0 pentru toate valorile x b)
f (x )dx = 1, adic aria de sub curb pn la axa valorilor x s b a

fie egal cu 1 c) P(a x b) = f ( x )dx Funcia distribuiei cumulative este: F(x) = P(X x) = f ( v)dv
x

n unele cazuri funcia de densitate de probabilitate este destul de dificil de calculat, dar exist tabele cu valori sau programe de calcul pentru toate distribuiile teoretice continue. Dintre acestea vor fi prezentate pe scurt

Simulri n afaceri cele mai cunoscute: distribuia uniform continu, distribuia triunghiular, distribuia normal i distribuia exponenial. Distribuia uniform continu Distribuia este uniform dac toate valorile variabilei probabiliste au aceeai probabilitate de apariie. n simularea Monte Carlo, un rol deosebit l are distribuia uniform continu n intervalul [0, 1]. Funcia f(x) de densitate de probabilitate este: f(x) = 0 pentru x < 0 = 1 pentru 0 x 1 = 0 pentru x > 1 Funcia F(x) a distribuiei cumulative este: F(x) = f ( v)dv
x

= 0 pentru x < 0 = x pentru 0 x 1 = 0 pentru x > 1 n cazul unei variabile probabiliste uniform repartizate n intervalul [a, b], funcia f(x) de densitate de probabilitate este: f(x) = 0 pentru x < a = 1/(b-a) pentru a x b = 0 pentru x > b, iar funcia distribuiei cumulative F(x) = 0 pentru x < a = (x-a)/(b-a) pentru a x b = 1 pentru x > b Media = (a+b)/2, iar dispersia 2 = (b-a)2/12 Distribuia triunghiular descrie valorile unei variabile probabiliste prin trei valori: valoarea minim (a), valoarea cea mai probabil (b) i valoarea maxim (c). Se presupune c, att probabilitatea de realizare a valorii minime ct i probabilitatea de realizare a valorii maxime sunt zero. Distribuia triunghiular se utilizeaz atunci cnd nu exist date istorice referitoare la valorile variabilei analizate, aa cum sunt, de exemplu, veniturile anuale estimate a se realiza dup punerea n funciune a unui obiectiv de investiii. Funcia f(x) de densitate de probabilitate este: f(x) = 2(x-a)/((b-a)(c-a)) pentru a x b = 2(c-x)/((c-a)(c-b)) pentru b < x c

Simulri n afaceri Funcia F(x) a distribuiei cumulative este: F(x) = P(X x) = 0 pentru x<a 2 = ((x-a) )/((b-a)(c-a)) pentru a x b = 1 ((c-x)2)/((c-a)(c-b)) pentru b < x c = 1 pentru x>c Media = (a+b+c)/3 Dispersia 2 = (a2 + b2 + c2 ab ac bc)/18 Distribuia normal Distribuia normal sau distribuia Gaussian are un rol fundamental n teoria probabilitilor i n statistic. Acest tip de distribuie descrie caracteristici ale populaiei (nlimea, greutatea) sau distribuiile unor mrimi care sunt sume de alte mrimi (conform teoremei limitei centrale). Astfel, durata total de realizare a unui proiect, ca sum a duratelor probabiliste ale activitilor de pe drumul critic, este o variabil cu distribuie normal. Distribuia normal este o distribuie simetric sub form de clopot. Funcia f(x) de densitate de probabilitate este o funcie cu doi parametri, media i dispersia 2, de forma: f(x) =
( x ) 2 exp 2 2 2 2 1

Deoarece, funcia f(x) de densitate de probabilitate a distribuiei normale nu poate fi integrat exact, ea nu se folosete direct. Calculul ariilor necesare pentru determinarea probabilitilor P(a x b) i a funciei distribuiei cumulative se bazeaz pe tabelele distribuiei normale standard de probabilitate care este distribuia normal a unei variabile probabiliste cu media = 0, dispersia 2 = 1 i abaterea standard = 1. Pentru a transforma o variabil probabilist X cu distribuia normal ntr-o variabil probabilist Z cu distribuia normal standard se poate utiliza formula: Z = (x - )/ n tabelele distribu iei normale standard (Anexa 1) se g sesc probabilit ile P(0 Z z), care reprezint (Figura 2.3) valoarea ariei de sub curba funciei de densitate de probabilitate f(z), cuprins ntre media = 0 i valoarea z specificat.

Simulri n afaceri

0.45 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 -4 -3 -2 -1 0 valorile lui z

Aria dat n tabel

f(z)

1 z

Figura 2.3 De exemplu, probabilitatea ca valoarea lui Z s fie cuprins ntre 0 i 1,25 se citete din Tabelul 2.15 din celula de pe linia 1.20 i coloana 0.05, adic P(0 Z 1,25) = 0,3944. Tabelul 2.15
z 0.00 0.10 1.00 1.10 1.20 1.30 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177

Datorit distribuiei simetrice, P(-z Z 0) = P(0 Z z). De exemplu, probabilitatea ca valoarea lui Z s fie cuprins ntre -1,25 i 0 este egal cu probabilitatea ca valoarea lui Z s fie cuprins ntre 0 i 1,25 adic P(-1,25 Z 0) = P(0 Z 1,25) = 0,3944. De asemenea:

Simulri n afaceri

Valoarea ariei de sub curba funciei de densitate de probabilitate f(z), aflat la stnga lui 0

Valoarea ariei de sub curba funciei de densitate de probabilitate f(z), aflat la dreapta lui 0

=0,5

Valoarea funciei distribuiei normale standard cumulative este: F(z) = P(Z z) = 0,5 + P(0 Z z) i F(z) = P(Z -z) = 0,5 - P(0 Z z) Pentru variabilele probabiliste cu distribuiei normal avnd media i abaterea standard , valoarea funciei distribuiei cumulative se poate determina astfel: F(x) = P(X x) = P(Z (x - )/) Probabilitatea ca valoarea x a unei variabile probabiliste s fie cuprins n intervalul [a, b] este: P(a X b) = P(X b) - P(X a) = P(Z (b - )/) - P(Z (a - )/) Distribuia exponenial Distribuia exponenial este utilizat pentru a descrie timpul dintre diferite evenimente cum sunt, de exemplu, intervalele de timp dintre sosirile clienilor ntr-un sistem de ateptare. Se poate arta c dac numrul sosirilor poate fi descris de o distribuie Poisson, atunci intervalul dintre sosiri urmeaz o distribuie exponenial. Dac X este o variabil probabilist cu media i abaterea standard atunci funcia f(x) de densitate de probabilitate este: 1 f(x) = e-x/

iar funcia F(x) de distribuie cumulativ este: F(x) = P(X x) = 1 - e-x/ Rezult c P(X > x) = e-x/

Simulri n afaceri Procedura pentru aplicarea metodei Monte Carlo n cazul variabilelor probabiliste continue S-a artat c, pentru o variabil probabilist continu se poate defini numai probabilitatea ca valoarea variabilei s fie cuprins ntr-un interval specificat. Aceast probabilitate se calculeaz cu o funcie f(x) de densitate de probabilitate a crui valoare reprezint aria de sub curba f(x) corespunztoare intervalului specificat. Probabilitatea P(X x) ca valoarea variabilei probabiliste X s fie mai mic dect o anumit valoare particular x se calculeaz cu funcia de distribuie cumulativ F(x) = P(Xx) =
x

f ( v)dv .

Aplicarea metodei Monte Carlo pentru obinerea de selecii simulate n cazul variabilelor probabiliste continue se poate face pe baza urmtoarei proceduri: Pasul 1. Se construiesc funciile f(x) de densitate de probabilitate i F(x) de distribuie cumulativ. n cazul distribuiilor empirice, dup organizarea i gruparea pe intervale, valorile variabilei probabiliste continue se pot prezenta conform Tabelului 2.16. Graficul funciei F(x) al distribuiei empirice cumulative va fi o curb liniar pe poriuni, obinut prin unirea punctelor ale cror coordonate sunt limitele superioare ale intervalelor [xi-1, xi] i respectiv [F(xi-1), F(xi)]. Tabelul 2.16 Frecvena Intervale Intervale de Frecvena Frecvena relativ cumulativ [F(xi-1), F(xi)) valori ale fi m F(xi) variabilei probabiliste fi/ f k [xi-1, xi) k =1 [x0, x1) [x1, x2) ... [xm-1, xm] f1 f2 ... fm f1/ f k
m k =1 m f2/ f k k =1

F(x1)=f1/ f k
k =1

[F(x0), F(x1)) [F(x1), F(x2)) ... [F(xm-1), F(xm)]

F(x2)=(f1+f2)/ f k ... F(xm) = 1

k =1

...

fm/ f k
k =1

Simulri n afaceri Exemplul 2.7. Datele rezultate n urma observrii timpului de servire a 100 clieni care au solicitat efectuarea unor operaiuni la un ghieu de banc sunt prezentate n Tabelul 2.17. Tabelul 2.17 Timpul individual de servire (minute) [xi-1, xi) [5, 10) [10, 15) [15, 20) [20, 25) [25, 30) [30, 35) Numrul clienilor fi 15 26 23 18 10 8 Frecvena relativ fi/ f k
k =1 m

Frecvena cumulativ F(xi) 0,15 0,41 0,64 0,82 0,92 1,00

Intervale [F(xi-1), F(xi))

0,15 0,26 0,23 0,18 0,10 0,08

[0,00 [0,15 [0,41 [0,64 [0,82 [0,92

0,15) 0,41) 0,64) 0,82) 0,92) 1,00]

Pasul 2. Se genereaz un numr aleator u uniform repartizat n intervalul [0, 1] utiliznd un generator de numere aleatoare (de exemplu, cu funcia =RAND() din Excel). Pasul 3. Se genereaz o valoare x a variabilei probabiliste continue prin rezolvarea ecuaiei F(x) = u.
1 0.9 0.8 0.7 Probabilitat 0.6 0.5 0.4 0.3 0.2 0.1 0 5 10 15 20 Timpul de servire 25 30 35

F(x)

u=0,38

x=14,423

Figura 2.4

Simulri n afaceri n Figura 2.4 este reprezentat funcia F(x) a distribuiei cumulative pentru timpul de servire a clienilor la un ghieu bancar, obinut prin unirea punctelor ale cror coordonate sunt limitele superioare ale intervalelor [xi-1, xi] i respectiv [F(xi-1), F(xi)]. Dac la Pasul 2 s-a generat numrul aleator u = 0,38, ca i n cazul variabilelor probabiliste discrete, se reprezint numrul u pe axa vertical i se proiecteaz pe orizontal pn cnd ntlnete curba F(x) i, apoi, se citete valoarea x de pe axa orizontal, dac pentru reprezentarea grafic s-a folosit hrtie milimetric. Aceast procedur grafic poate fi nlocuit cu o procedur algebric echivalent de rezolvare a ecuaiei F(x) = u. Dac soluia poate fi obinut cu relaia x= F-1(u), atunci metoda de extragere a unei valori a variabilei probabiliste se numete metoda inversei. Dac nu se poate construi inversa explicit a funciei F(x), ecuaia F(x)=u se poate rezolva cu metoda interpolrii. Astfel, deoarece u = 0,38 aparine intervalului de numere aleatoare [0,15 0,14) corespunztor intervalului [10 15) al timpului de servire, rezult c x = 10 + (0,38 0,15)(15 - 10)/(0,41 0,15) = 14,423 minute n general, dac numrul aleator u aparine intervalului de numere aleatoare [F(xi-1), F(xi)) asociat valorilor [xi-1, xi), atunci se va genera valoarea x cu relaia de interpolare: x = xi-1 + (u - F(xi-1))(xi - xi-1)/(F(xi) - F(xi-1)) Pentru distribuia uniform continu n intervalul [a, b], ecuaia F(x)=u este de forma (x-a)/(b-a) = u de unde x = a + u(b-a). Exemplul 2.8. Timpul necesar pentru servirea unui client este o variabil aleatoare uniform distribuit cu valori ntre 5 minute i 15 minute. Dac la Pasul 2 s-a generat numrul aleator u=0,72, atunci timpul de servire extras din distribuia de probabilitate uniform continu este x = 5 + 0,72 (15 5) = 12,2 minute n cazul distribuiei triunghiulare descris prin trei valori (a<b<c), dac u (b-a)/(c-a), atunci din ecuaia F(x)=u de forma:

Simulri n afaceri ((x-a)2)/((b-a)(c-a)) = u rezult x = a + (u(b-a)(c-a)) i dac u > (b-a)/(c-a), atunci din ecuaia 1 ((c-x)2)/((c-a)(c-b)) = u rezult x = c - ((1-u)(c-a)(c-b)) Exemplul 2.9. Se estimeaz c venitul lunar care va fi realizat din vnzarea unui produs nou poate fi descris de o distribuie de probabilitate triunghiular cu valoarea minim a = 20 uniti monetare, valoarea cea probabil b = 40 uniti monetare i valoarea maxim c = 80 uniti monetare (Figura 2.5). Rezult c (b-a)/(c-a) = 0,333. Dac u = 0,28, atunci venitul simulat va fi x = 20 + (0,28 (40-20) (80-20)) = 38,33 u.m.

0.0350 0.0300 0.0250 f(x) 0.0200 0.0150 0.0100 0.0050 0.0000 20 25

0.0333 0.0292 0.0250 0.0250 0.0208 0.0167 0.0167 0.0125 0.0083 0.0083 0.0042 0.0000 30 35 40 45 50 x 55 60 65 70 75 80

Figura 2.5 Dac u = 0,46, atunci venitul simulat va fi x = 80 (0,54 (80-20) (80-40)) = 44 u.m.

Simulri n afaceri Deoarece distribuia normal este descris de o funcie de densitate de probabilitate care nu poate fi integrat exact, nici inversa F-1 a funciei distribuiei cumulative nu poate fi obinut. Pentru generarea valorilor unei variabile cu distribuie normal se pot folosi metode aproximative cum sunt: metoda Box-Muller, metoda teoremei limitei centrale, metoda respingerii [3, 46]. Programul EXCEL, prin funcia =NORMINV(RAND(), media , abaterea standard ) determin o valoare x a unei variabile normal distribuite cu media i abaterea standard , prin aproximri succesive ale lui x, astfel nct diferena (u-F(x)), dintre numrul aleator u generat de RAND() i valoarea funciei F(x) de distribuie cumulativ, s fie mai mic dect 310-7. Exemplul 2.10. Se cunoate c, greutatea unui cozonac realizat de firma Extra este o variabil probabilist normal distribuit cu media de 500 grame i abaterea standard de 50 grame. Dac u = 0,548, pentru a extrage o valoare pentru greutatea unui cozonac cu distribuia normal, media =500 grame i abaterea standard = 50 grame, se va introduce ntr-o celul EXCEL funcia =NORMINV(0.548,500,50) Greutatea obinut va fi 506,0305 grame. n cazul distribuiei exponeniale cu media , soluia ecuaiei F(x)=u este de forma x = - ln(1-u) unde ln este logaritmul natural. Exemplul 2.11. Durata dintre sosirile clienilor ntr-un magazin alimentar este o variabil aleatoare cu distribuie exponenial cu media de 5 minute. Dac numrul aleator u = 0,852, atunci se obine durata intervalului ntre sosiri x = -5ln(1-0,852) = 9,553 minute. nainte de a trece la Pasul 4 al procedurii de generare a seleciilor artificiale, trebuie menionat faptul c pentru majoritatea distribuiilor de probabilitate teoretice au fost elaborate metode de rezolvare a ecuaiei F(x)=u. Pasul 4. Se reia procedura de la Pasul 2 pn cnd se obine volumul dorit al seleciei simulate.

Simulri n afaceri 2.6. Concluzii n simulare, pentru a imita sau reproduce ceea ce se ntmpl ntr-un sistem stochastic este necesar s se genereze n mod ntmpltor valorile variabilelor probabiliste care intervin n problema decizional. Procesul de generare aleatoare a valorilor unei variabile probabiliste este referit n literatura de specialitate ca metoda Monte Carlo i const n utilizarea unui generator de numere aleatoare uniform distribuite n intervalul [0, 1] i a funciei distribuiei cumulative asociat variabilei probabiliste respective. Toate limbajele de programare generale i limbajele speciale de simulare conin generatori de numere aleatoare bine verificai i testai. Numrul aleator furnizat de un generator este apoi utilizat pentru extragerea unei valori din distribuia de probabilitate care descrie comportamentul variabilei probabiliste. Obinerea sau generarea valorilor unei variabile descris de o distribuie de probabilitate se poate face grafic, tabelar, prin metoda inversei funciei de distribuie cumulativ sau prin alte metode implementate n diferite programe comerciale.