Documente Academic
Documente Profesional
Documente Cultură
Metoda de Simulare Monte Carlo
Metoda de Simulare Monte Carlo
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:
2
(ft fs )
2calculat = i i .
ft
i =1
Dac 2calculat < 2,, atunci se poate considera c exist concordan ntre
cele dou distribuii comparate, pentru un nivel de semnificaie i numrul
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
Calculatoare vndute pe
sptmn
xi
Numr de sptmni
fi
1
2
3
4
5
0
1
2
3
4
6
12
6
3
3
Calculatoare vndute pe
sptmn
xi
Probabilitatea cererii
P(xi)
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:
-
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.
90
91
93
92
94
95
96 97
98 99 0
1 2
3 4
6 7
10
11
89
88
87
86
10%
x5=4
85
84
83
10%
x4=3
82
81
80
12
13
14
15
16
17
20%
x1=0
18
19
20
21
22
79
78
23
24
77
76
25
75
20%
x3=2
74
73
72
71
26
27
40%
x2=1
28
29
30
70
31
32
69
68
33
34
67
66
35
65
36
37
64
63
62
38
39
61
60
59
58
57 56
55 54
46
53 52 51 50 49 48 47
45
44
43
42
41
40
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.
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.
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
x
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.
xi
0
1
2
3
4
5
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
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().
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
Frecvena de apariie
fi
f1
f2
...
fm
k =1
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:
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:
xi
Media =
Dispersia 2 =
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
0,9
F(xi)
0,8
0.8
0,6
0.6
0.4
0,2
0.2
0
0
Figura 2.2
xi
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
Probabilitatea cererii
P(xi)
Funcia distribuiei
cumulative
F(xi) = P(X xi)
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
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
Probabilitatea
P(X =xi) = P(xi)
Funcia
distribuiei
cumulative
F(xi)
x1 = 0
x2 = 1
0,2
0,2
[0
0,4
0,6
[0,2 0,6)
x3 = 2
x4 = 3
0,2
0,8
[0,6 0,8)
0,1
0,9
[0,8 0,9)
x5 = 4
0,1
1,0
[0,9 1,0]
Intervale
[F(xi-1), F(xi))
0,2)
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
Funcia
distribuiei
cumulative
F(xi) = P(X xi)
= i/5
0,2
0,2
0,2
0,2
0,2
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]
Numrul aleator u
1
2
3
4
5
6
7
8
9
10
0,709084
0,149934
0,294974
0,200192
0,189083
0,900415
0,940097
0,291185
0,002452
0,469177
Simulri n afaceri
Simulri n afaceri
Tabelul 2.11
Numr de
candidai
promovai
xi
Probabilitatea
P(X = xi)
Funcia distribuiei
cumulative
F(xi) = P(X xi)
0
1
2
3
4
5
6
7
8
9
10
0,028248
0,1210618
0,233474
0,266828
0,200121
0,102919
0,036757
0,009002
0,001447
0,000138
0,000006
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
[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]
Numrul aleator u
0,587339
0,204091
0,783015
Numrul candidailor
promovai
3
2
4
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]
Numrul aleator u
0,105643
0,091935
0,917206
0,690022
Numr maini
1
1
6
4
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).
fie egal cu 1
b
c) P(a x b) = f ( x )dx
a
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:
x
F(x) = f ( v)dv
= 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
f(z)
Simulri n afaceri
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
Aria dat
n tabel
-4
-3
-2
-1
1 z
valorile lui 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
0.01
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
Simulri n afaceri
=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
f ( v)dv .
f1
[x1, x2)
f2
...
...
[xm-1, xm]
fm
f1/ f k
k =1
m
f2/ f k
k =1
...
fm/ f k
k =1
F(x1)=f1/ f k
k =1
F(x2)=(f1+f2)/ f k
...
F(xm) = 1
k =1
[F(x0), F(x1))
[F(x1), F(x2))
...
[F(xm-1), F(xm)]
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
Frecvena
relativ
m
fi/ f k
Frecvena
cumulativ
F(xi)
Intervale
[F(xi-1), F(xi))
k =1
15
26
23
18
10
8
0,15
0,26
0,23
0,18
0,10
0,08
0,15
0,41
0,64
0,82
0,92
1,00
[0,00
[0,15
[0,41
[0,64
[0,82
[0,92
0,15)
0,41)
0,64)
0,82)
0,92)
1,00]
F(x)
0.9
0.8
Probabilitat
0.7
0.6
u=0,38
0.5
0.4
0.3
0.2
x=14,423
0.1
0
5
10
15
20
Timpul de servire
Figura 2.4
25
30
35
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
0.0333
0.0292
0.0250
0.0250
0.0208
0.0167
0.0167
0.0125
0.0083
0.0083
0.0042
0.0000
0.0300
f(x)
0.0250
0.0200
0.0150
0.0100
0.0050
0.0000
20
25
30
35
40
45
50
55
60
65
70
75
Figura 2.5
Dac u = 0,46, atunci venitul simulat va fi
x = 80 (0,54 (80-20) (80-40)) = 44 u.m.
80
Simulri n afaceri
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.