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 diferene
7
.
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
Monte Carlo permite estimaii a cror eroare absolut descrete cu n
-1/2
pe

7
Fishman, S.G., Monte Carlo: concepts, algorithms, and applications. Springer-Verlag
New York Berlin Heidelberg, 1997, pag. 1-4
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 ft
i
i a distribuiei frecvenelor fs
i
obinute prin simulare statistica:

2
calculat
=

=

k
1 i
ft
) fs ft (
i
2
i i
.
Dac
2
calculat
<
2
,
, atunci se poate considera c exist concordan ntre
cele dou distribuii comparate, pentru un nivel de semnificaie i numrul
de grade de l i bert at e = k c 1, unde k este numrul intervalelor de
valori pentru care s-au determinat frecvenele ft
i
i fs
i
, 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 fs
i
<5.

Testul Kolmogorov Smirnov calculeaz pentru fiecare interval i de
valori, diferenele absolute dintre funcia Ft
i
teoretic de probabilitate cumulat
i funcia Fs
i
de probabilitate cumulat obinut prin n experimente de simulare
i dac:
max {|Ft
1
Fs
1
|, |Ft
2
Fs
2
|, ...,|Ft
k
Fs
k
|} < (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
Calculatoare vndute pe
sptmn
x
i

Numr de sptmni
f
i

1
2
3
4
5
0
1
2
3
4
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(x
i
) = f
i
/30.
Tabelul 2.2
Numr curent
i
Calculatoare vndute pe
sptmn
x
i

Probabilitatea cererii
P(x
i
)
1
2
3
4
5
0
1
2
3
4
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 x
i
de calculatoare PC, a fost
necesar mai nti s se asocieze fiecrei cantiti un anumit numr de
diviziuni: numrului x
1
= 0 i corespund diviziunile numerotate de la 0 la
19, adic 20% din numrul total de diviziuni; numrului x
2
= 1 i corespund
diviziunile numerotate de la 20 la 59, adic 40% din numrul total de
diviziuni; numrului x
3
= 2 i corespund diviziunile numerotate de la 60 la

Simulri n afaceri


79, adic 20% din numrul total de diviziuni; numrului x
4
= 3 i corespund
diviziunile numerotate de la 80 la 89, adic 10% din numrul total de
diviziuni; numrului x
5
= 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 x
i
este egal cu
probabilitatea de vnzare a cantitii x
i
, adic modul de mprire a discului
ruletei n sectoare corespunde distribuiei de probabilitate care descrie
vnzrile sptmnale de calculatoare.


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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
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
41
42
43
44
45
46
47
48
49 50 51 52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98 0 1
99
20%
x1=0
40%
x2=1
20%
x3=2
10%
x4=3
10%
x5=4
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. x
i+1
= (ax
i
+ c) modulo m
u
i+1
=
m
1 i
x
+

Pasul 3. Repet Pasul 2.
Valoarea iniial x
0
se numete smn (seed).
x
i+1
= (ax
i
+ c) modulo m nseamn c valoarea lui x
i+1
este egal
cu restul mpririi lui (ax
i
+ c) la m.

Exemplul 2.2. Se consider a = 2, c = 3, m = 5 i x
0
= 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. xi 2xi + 3
x
i+1
= (2x
i
+ 3) modulo 5
u
i+1
=
m
1 i
x
+

0 3 9 9:5 = 1 rest 4 0,8
1 4 11 1 0,2
2 1 5 0 0
3 0 3 3 0,6
4 3 9 4 0,8
5 4 11 1 0,2
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 = 5
13
, c = 0, m =(2
31
1) i smna 1 x
0

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 x
i
o anumit valoare
particular a variabilei X.
Probabilitatea ca valoarea unei variabilei probabiliste X s fie egal
cu o anumit valoare x
i
se noteaz P(X = x
i
) = P(x
i
).

Simulri n afaceri

Probabilitatea ca valoarea unei variabilei probabiliste X s fie mai
mic sau egal cu o anumit valoare x
i
se numete funcie de distribuie
cumulativ i se noteaz F(x
i
):
F(x
i
) = P(X x
i
) =

i
x v
) v ( P pentru - x
i
,
cu proprietatea F(x
i
) 1.
Funcia distribuiei cumulative F(x
i
) este suma probabilitilor
asociate valorilor mai mici sau egale cu x
i
.
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
x
i

Frecvena de apariie
f
i

x
1

x
2

...
x
m

f
1

f
2

...
f
m

Frecvenele relative vor fi folosite pentru a calcula probabilitile
P(X=x
i
) = P(x
i
) = f
i
/

=
m
1 k
k
f , pentru i=1,...,m, iar funcia de distribuie
cumulativ F(x
i
) = P(X x
i
) 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=x
i
) = P(x
i
) = 1/n pentru orice valoare x
i
,
iar funcia distribuiei cumulative este
F(x
i
) = P(X x
i
) = 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
i poate fi calculat cu expresia:
P(X=x
i
) = P(x
i
) =
i
x
n
C p
x
i
(1-p)
n-x
i
pentru x
i
= 0, 1, 2, ..., n,
unde n este numrul total de experimente.
Funcia distribuiei cumulative este:
F(x
i
) = P(X x
i
) =

=
i
x
0 v
) v ( P pentru x
i
= 0, 1, 2, ..., n
Media = np
Dispersia
2
= 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 x
i
i poate fi calculat cu
expresia:
P(X = x
i
) = P(x
i
) =
!
i
x
e
x
i

Simulri n afaceri

unde este numrul mediu al evenimentelor dintr-un interval de timp
specificat, iar e = 2,7182818.
Funcia distribuiei cumulative este:
F(x
i
) = P(X x
i
) =

=
i
x
0 v
) v ( P pentru x
i
= 0, 1, 2, ..., N
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=x
i
) = P(x
i
) i funcia de distribuie
cumulativ F(x
i
) = P(X x
i
) =

i
x v
) v ( P , pentru x
i
{x
1
, x
2
, ..., x
m
}.
n cazul distribuiilor discrete teoretice, se vor folosi funciile
matematice corespunztoare care definesc funciile de mas de probabilitate
pentru calculul probabilitilor P(X=x
i
) = P(x
i
) 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(x
i
) are forma unor trepte. nlimea
fiecrei trepte fa de treapta precedent este egal probabilitatea P(x
i
)
i cu lungimea intervalului de numere aleatoare asociat valorii x
i
.
Tabelar. In Tabelul 2.5, fiecrei valori x
i
se asociaz intervalul [F(x
i-
1
), F(x
i
)) cu F(x
0
) = 0.

Simulri n afaceri


Tabelul 2.5
Valoarea x
i

a variabilei
probabiliste
Probabilitatea
P(X =x
i
) = P(x
i
)
Funcia distribuiei
cumulative
F(x
i
)
Intervale
[F(x
i-1
), F(x
i
))
x
1

x
2

...
x
m

P(x
1
)
P(x
2
)
...
P(x
m
)
F(x
1
) = P(x
1
)
F(x
2
) = P(x
1
)+P(x
2
)
...
F(x
m
) = P(x
m-1
)+P(x
m
)
[F(x
0
), F(x
1
))
[F(x
0
), F(x
1
))
...
[F(x
m-1
), F(x
m
)]
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 x
i
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 x
i
de la baza acelei bare. Se noteaz ntr-un tabel (vezi
Tabelul 2.8) valoarea x
i
gsit pe grafic.
















Figura 2.2

0
0.2
0.4
0.6
0.8
1
1.2
0 1 2 3 4 5
Probabiliti
x
i

u
F(x
i
)
0,2
0,6
0,8
0,9
1
Simulri n afaceri

Tabelar. Se caut n Tabelul 2.5, intervalul [F(x
i-1
), F(x
i
)) cruia i
aparine numrul aleator u. Se scrie, ntr-un tabel (vezi Tabelul 2.8), n
dreptul numrului aleator utilizat, valoarea x
i
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(x
i
) pentru vnzrile sptmnale de calculatoare PC
determinate pe baza distribuiei discrete din Tabelul 2.2.
Tabelul 2.6
Calculatoare vndute
pe sptmn
x
i

Probabilitatea cererii
P(x
i
)
Funcia distribuiei
cumulative
F(x
i
) = P(X x
i
)
0
1
2
3
4
0,20
0,40
0,20
0,10
0,10
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
Dispersia
2
= 00,2 + 10,4 + 2
2
0,2+ 3
2
0,1+ 4
2
0,1 - 1,5
2
=
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
x
i

Probabilitatea
P(X =x
i
) = P(x
i
)
Funcia
distribuiei
cumulative
F(x
i
)
Intervale
[F(x
i-1
), F(x
i
))
x
1
= 0
x
2
= 1
x
3
= 2
x
4
= 3
x
5
= 4
0,2
0,4
0,2
0,1
0,1
0,2
0,6
0,8
0,9
1,0
[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
Valoarea x
i

a variabilei probabiliste
Numr calculatoare
(buci/sptmn)
0,486281 x2 1
0,928927 x5 4
0,205136 x2 1
0,852845 x4 3
0,005645 x1 0
0,651622 x3 2
0,799931 x3 2
0,333693 x2 1
0,416841 x2 1
0,011913 x1 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 = x
i
) i P(X x
i
) i
intervalele de numere aleatoare asociate fiecrei valori in intervalul [6, 10].
Tabelul 2.9
Numrul de
costume de haine
brbteti vndute
zilnic
x
i

Probabilitatea
P(X = x
i
)=1/5
Funcia
distribuiei
cumulative
F(x
i
) = P(X x
i
)
= i/5
Intervale
[F(x
i-1
), F(x
i
))
6 0,2 0,2 [0 0,2)
7 0,2 0,4 [0,2 0,4)
8 0,2 0,6 [0,4 0,6)
9 0,2 0,8 [0,6 0,8)
10 0,2 1,0 [0,8 1]
n Tabelul 2.10 sunt simulate vnzrile din 10 zile.
Tabelul 2.10
Ziua Numrul aleator u Numrul de costume de haine
brbteti
1 0,709084 9
2 0,149934 6
3 0,294974 7
4 0,200192 7
5 0,189083 6
6 0,900415 10
7 0,940097 10
8 0,291185 7
9 0,002452 6
10 0,469177 8
Simulri n afaceri



Observaie: n cazul variabilelor cu distribuie uniform discret n
intervalul [a, b], se poate genera direct o anumit valoare x
i
cu ajutorul
relaiei:
x
i
= 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:
x
i
= 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
x
i

Probabilitatea
P(X = x
i
)
Funcia distribuiei
cumulative
F(x
i
) = P(X x
i
)
Intervale
[F(x
i-1
), F(x
i
))
0 0,028248 0,028248 [0 0,028248)
1 0,121061
8
0,149308 [0,028248 0,149308)
2 0,233474 0,382783 [0,149308 0,382783)
3 0,266828 0,649611 [0,382783 0,649611)
4 0,200121 0,849732 [0,649611 0,849732)
5 0,102919 0,952651 [0,849732 0,952651)
6 0,036757 0,989408 [0,952651 0,989408)
7 0,009002 0,998410 [0,989408 0,998410)
8 0,001447 0,999856 [0,998410 0,999856)
9 0,000138 0,999994 [0,999856 0,999994)
10 0,000006 1,000000 [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 Numrul aleator u Numrul candidailor
promovai
1 0,587339 3
2 0,204091 2
3 0,783015 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 ntr-
un 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.


8
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
maini n
decurs de o or
x
i

Probabilitatea
P(X = x
i
)
Funcia distribuiei
cumulative
F(x
i
) = P(X x
i
)
Intervale
[F(x
i-1
), F(x
i
))
0 0,049787 0,049787 [0, 0,049787)
1 0,149361
9
0,199148 [0,049787 0,199148)
2 0,224042 0,42319 [0,199148 0,42319)
3 0,224042 0,647232 [0,42319 0,647232)
4 0,168031 0,815263 [0,647232 0,815263)
5 0,100819 0,916082 [0,815263 0,916082)
6 0,050409 0,966491 [0,916082 0,966491)
7 0,021604 0,988095 [0,966491 0,988095)
8 0,008102 0,996197 [0,988095 0,996197)
9 0,002701 0,998898 [0,996197 0,998898)
10 0,000810 0,999708 [0,998898 0,999708)
11 0,000221 0,999929 [0,999708 0,999929)
12 0,000055 0,999984 [0,999929 0,999984)
13 0,000013 0,999997 [0,999984 0,999997)
14 0,000003 0,999999 [0,999997 0,999999)
15 0,000001 1 [0,999999 1]

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


9
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) dx ) x ( f

= 1, adic aria de sub curb pn la axa valorilor x s
fie egal cu 1
c) P(a x b) =

b
a
dx ) x ( f
Funcia distribuiei cumulative este:
F(x) = P(X x) =

x
dv ) v ( f
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) =

x
dv ) v ( f
= 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
= ((x-a)
2
)/((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
= (a
2
+ b
2
+ c
2
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) =

2
2
2
) x (
exp
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 distribuiei normale standard (Anexa 1) se gsesc
probabilitile 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


















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 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.10 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753

1.00 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.10 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.20 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.30 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:

0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
-4 -3 -2 -1 0 1 2 3 4
valorile lui z
f
(
z
)
z
Aria dat
n tabel
Simulri n afaceri









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:
f(x) =

1
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/



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
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
dv ) v ( f .
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 [x
i-1
, x
i
] i respectiv
[F(x
i-1
), F(x
i
)].
Tabelul 2.16
Intervale de
valori ale
variabilei
probabiliste
[x
i-1
, x
i
)
Frecvena
f
i

Frecvena
relativ
f
i
/

=
m
1 k
k
f
Frecvena
cumulativ
F(x
i
)
Intervale
[F(x
i-1
), F(x
i
))
[x
0
, x
1
) f
1
f
1
/

=
m
1 k
k
f F(x
1
)=f
1
/

=
m
1 k
k
f [F(x
0
), F(x
1
))
[x
1
, x
2
) f
2
f
2
/

=
m
1 k
k
f F(x
2
)=(f
1
+f
2
)/

=
m
1 k
k
f [F(x
1
), F(x
2
))
... ... ... ... ...
[x
m-1
, x
m
] f
m
f
m
/

=
m
1 k
k
f F(x
m
) = 1 [F(x
m-1
), F(x
m
)]
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)
[x
i-1
, x
i
)
Numrul
clienilor
f
i

Frecvena
relativ
f
i
/

=
m
1 k
k
f
Frecvena
cumulativ
F(x
i
)
Intervale
[F(x
i-1
), F(x
i
))
[5, 10) 15 0,15 0,15 [0,00 0,15)
[10, 15) 26 0,26 0,41 [0,15 0,41)
[15, 20) 23 0,23 0,64 [0,41 0,64)
[20, 25) 18 0,18 0,82 [0,64 0,82)
[25, 30) 10 0,10 0,92 [0,82 0,92)
[30, 35) 8 0,08 1,00 [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.
Figura 2.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
5 10 15 20 25 30 35
Timpul de servire
P
r
o
b
a
b
i
l
i
t
a
t
u=0,38
x=14,423
F(x)
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
[x
i-1
, x
i
] i respectiv [F(x
i-1
), F(x
i
)].
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(x
i-1
), F(x
i
)) asociat valorilor [x
i-1
, x
i
), atunci se va genera
valoarea x cu relaia de interpolare:
x = x
i-1
+ (u - F(x
i-1
))(x
i
- x
i-1
)/(F(x
i
) - F(x
i-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.

Figura 2.5

Dac u = 0,46, atunci venitul simulat va fi
x = 80 (0,54 (80-20) (80-40))

= 44 u.m.
0.0083
0.0167
0.0250
0.0333
0.0292
0.0250
0.0208
0.0167
0.0125
0.0083
0.0042
0.0000
0.0000
0.0050
0.0100
0.0150
0.0200
0.0250
0.0300
0.0350
20 25 30 35 40 45 50 55 60 65 70 75 80
x
f
(
x
)
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.