Sunteți pe pagina 1din 32

2.

Metoda de simulare Monte Carlo


2.1. Introducere
2.2. Generarea fără calculator a valorilor variabilelor probabiliste
2.3. Ideea de bază a metodei Monte Carlo
2.4. Generatori de numere pseudoaleatoare
2.5. Utilizarea metodei Monte Carlo pentru generarea valorilor
variabilelor probabiliste
2.5.1. Distribuţii de probabilitate
2.5.2. Obţinerea de selecţii simulate în cazul variabilelor
probabiliste discrete
2.5.3. Obţinerea de selecţii simulate în cazul variabilelor
probabiliste continue
2.6. Concluzii
2. Metoda de simulare Monte Carlo

2.1. Introducere

În perioada de dezvoltare a energiei atomice de după cel de al doilea


război mondial s-a ajuns la necesitatea rezolvării problemei de difuzie a
neutronului sau a transportului neutronului într-un mediu izotrop (mediu
care are aceleaşi proprietăţi în orice direcţie). Această problemă modelată ca
un sistem de ecuaţii diferenţiale parţiale s-a dovedit foarte dificil de rezolvat
prin ecuaţii cu diferenţe7.
Exista însă un rezultat prin care se stabilea analogia dintre ecuaţiile
integro-diferenţiale şi procesele stochastice. În acest context, John von
Neumann şi Stanislaw Ulam de la Los Alamos National Laboratory
(S.U.A.) au sugerat că s-ar putea obţine o aproximaţie utilizabilă a soluţiei
căutate prin realizarea de experimente bazate pe numere aleatoare efectuate
pe calculatoare digitale. Ei au denumit această metodă Monte Carlo după
cazinourile de la Monte Carlo ale căror rulete pot fi considerate instrumente
de generare a numerelor aleatoare.
Această propunere a inversat modul de raţionament de până atunci.
În locul utilizării ecuaţiilor cu diferenţe pentru a obţine soluţii ale
problemelor probabiliste, se generează selecţii prin experimente cu numere
aleatoare pentru a se obţine soluţii ale unor ecuaţii integro-diferenţiale, care
nu sunt în mod necesar de natură probabilistă. Punerea în practică a metodei
propuse de von Neumann şi Ulam a fost posibilă şi datorită progreselor
obţinute în acea perioadă în domeniul calculatoarelor digitale.
Deşi decepţional de simplă în concept, metoda Monte Carlo
furnizează soluţii aproximative pentru o mare varietate de probleme
matematice. O caracteristică importantă a metodei Monte Carlo constă în
faptul că dintre metodele numerice care se bazează pe evaluarea a n puncte
într-un spaţiu m dimensional pentru a obţine o soluţie aproximativă, metoda
-1/2
Monte Carlo permite estimaţii a căror eroare absolută descreşte cu n pe

7
Fishman, S.G., Monte Carlo: concepts, algorithms, and applications. Springer-Verlag
New York Berlin Heidelberg, 1997, pag. 1-4
Simulări în afaceri

când toate celelalte estimaţii au erori ce descresc cu n-1/m cel mult. În plus,
timpul de lucru al metodei Monte Carlo creşte polinomial cu numărul de
variabile m, pe când la alte metode timpul de lucru creşte exponenţial în
raport cu m.
În prezent, metoda de simulare Monte Carlo se aplică din ce în ce
mai mult în domeniul afacerilor, pentru analiza problemelor stochastice sau
în condiţii de risc, atunci când aceeaşi direcţie de acţiune poate avea mai
multe consecinţe, ale căror probabilităţi se pot estima.
Variabilele ale căror valori nu sunt cunoscute cu certitudine, dar pot
fi descrise prin distribuţii de probabilitate se numesc variabile stochastice
sau probabiliste. În simulare, pentru a imita variabilitatea unei astfel de
variabile este necesară generarea valorilor posibile pe baza distribuţiei sale
de probabilitate.
Probabilităţile au un rol important în modelarea situaţiilor în care
intervin mărimi stochastice. În simulare, cunoştinţele despre probabilităţi
sunt necesare atât în faza de construire a modelului de simulare cât în faza
de analiză a rezultatelor simulării.
Probabilităţile pot fi obţinute în mai multe moduri. Cea mai simplă
este metoda subiectivă, prin care experţii estimează pe o scară de la zero la
unu probabilitatea ca un anumit eveniment să se realizeze [23, 39]. O altă
metodă este metoda obiectivă sau metoda bazată pe frecvenţele relative care
utilizează datele istorice sau obţinute prin măsurarea directă a valorilor unei
mărimi stochastice.
Pentru construirea distribuţiei de probabilitate a unei variabile
stochastice sau probabiliste pe baza datelor istorice sau obţinute prin
măsurare directă se poate aplica o procedură formată din trei etape:
1. Colectarea datelor referitoare la valorile variabilei probabiliste.
2. Gruparea datelor pe intervale şi construirea histogramei
frecvenţelor relative.
3. Analiza graficului histogramei frecvenţelor relative pentru a
stabili dacă seamănă cu forma unei distribuţii teoretice
cunoscute. Tipul distribuţiei de probabilitate poate fi apreciat
prin teste de concordanţă (Kolmogorov, Smirnov, Pearson sau
χ2) care măsoară apropierea dintre distribuţia teoretică şi
distribuţia valorilor variabilei probabiliste obţinute din seriile de
Simulări în afaceri

date istorice sau prin măsurare. În final, se calculează parametri


distribuţiei.

Testul Pearson (χ2) calculează pe baza distribuţiei frecvenţelor


teoretice fti şi a distribuţiei frecvenţelor fsi obţinute prin simulare statistica:

k
(ft − fs ) 2
χ2calculat = ∑ i i .
ft i
i =1

Dacă χ2calculat < χ2α,ν, atunci se poate considera că există concordanţă între
cele două distribuţii comparate, pentru un nivel de semnificaţie α şi numărul
de grade de libertate ν = k – c – 1, unde k este numărul intervalelor de
valori pentru care s-au determinat frecvenţele fti şi fsi, iar c reprezintă numărul
parametrilor distribuţiei de probabilitate analizate. Valoarea lui χ2α,ν se citeşte
din tabele.

Testul χ2 nu se poate aplica dacă există frecvenţe fsi <5.

Testul Kolmogorov – Smirnov calculează pentru fiecare interval i de


valori, diferenţele absolute dintre funcţia Fti teoretică de probabilitate cumulată
şi funcţia Fsi de probabilitate cumulată obţinută prin n experimente de simulare
şi dacă:
max {|Ft1 – Fs1|, |Ft2 – Fs2|, ...,|Ftk – Fsk|} < (1,36/√n),
atunci se poate considera că există concordanţă între cele două distribuţii
comparate, pentru un nivel de semnificaţie α = 0,05 şi n >30.
Există două categorii de variabile probabiliste şi anume variabile
probabiliste discrete şi variabile probabiliste continue.
Variabilele probabiliste discrete pot avea numai valori specifice (de
exemplu numai valori întregi), iar variabilele probabiliste continue pot avea
orice valoare reală într-un interval şi prin urmare numărul valorilor posibile
este infinit.
Simulări în afaceri

2.2. Generarea fără calculator a valorilor variabilelor


probabiliste

Generarea valorilor variabilelor probabiliste reprezintă „motorul”


unui model de simulare. Prin extragerea la întâmplare a unui eşantion din
distribuţia de probabilitate care descrie comportamentul unei variabile
probabiliste se reproduce în modelul de simulare caracterul aleator al
variabilei necontrolabile de decident.
Pentru a ilustra modul în care se pot extrage la întâmplare valorile
unei variabile probabiliste se va prezenta un exemplu de simulare a
vânzărilor săptămânale de calculatoare PC într-un centru comercial. Acest
exemplu nu se referă la o problemă de decizie, de aceea nu sunt definite
variantele decizionale controlabile de decident.

Exemplul 2.1.
Tabelul 2.1 prezintă vânzările de calculatoare PC ale centrului
comercial ALFA în ultimele 30 de săptămâni.
Tabelul 2.1
Număr curent Calculatoare vândute pe Număr de săptămâni
i săptămână fi
xi
1 0 6
2 1 12
3 2 6
4 3 3
5 4 3
Pentru a simula cererea săptămânală de calculatoare se va determina
distribuţia de probabilitate a cererii săptămânale utilizând frecvenţa relativă
a cererii în cele 30 săptămâni, adică P(xi) = fi/30.
Tabelul 2.2
Număr curent Calculatoare vândute pe Probabilitatea cererii
i săptămână P(xi)
xi
1 0 0,20
2 1 0,40
3 2 0,20
4 3 0,10
5 4 0,10
Simulări în afaceri

O modalitate de a genera numărul de calculatoare care se vor vinde


într-o anumită săptămână ar putea fi următoarea:
- Se pregătesc 100 de bilete de hârtie de aceeaşi culoare şi
dimensiune.
- Pe 20 dintre ele se scrie numărul 0, pe 40 bilete se scrie numărul
1, pe alte 20 bilete se scrie numărul 2, pe 10 bilete se scrie
numărul 3, iar pe alte 10 bilete se scrie numărul 4.
- Se împăturesc biletele cu partea scrisă spre interior şi se
amestecă într-un bol.
- Se extrage un bilet şi se citeşte numărul de pe bilet. Evident,
şansa cea mai mare de a fi extras îi aparţine numărului 1.
- Se introduce din nou în bol biletul împăturit şi extragerea se va
repeta de mai multe ori pentru a se reproduce vânzările reale.
Altă modalitate de generare a vânzărilor dintr-o săptămână constă în
folosirea ruletei (Figura 2.1). După punerea în mişcare, acul indicator se
poate opri cu aceeaşi probabilitate în dreptul oricărui punct de pe
circumferinţa ruletei.
- Se împarte circumferinţa discului în 100 diviziuni egale,
numerotate de la 0 la 99.
- Se împarte discul ruletei în sectoare ale căror arii corespund
probabilităţilor asociate diferitelor valori ale cererii săptămânale
de calculatoare.
- Se pune în funcţiune acul indicator. Dacă acul se opreşte într-un
anumit sector se va considera că s-a generat numărul de
calculatoare asociat acelui sector.
- Acul indicator va fi acţionat de mai multe ori pentru a reproduce
variabilitatea vânzărilor reale.
Se observă că pentru a genera numărul xi de calculatoare PC, a fost
necesar mai întâi să se asocieze fiecărei cantităţi un anumit număr de
diviziuni: numărului x1 = 0 îi corespund diviziunile numerotate de la 0 la
19, adică 20% din numărul total de diviziuni; numărului x2 = 1 îi corespund
diviziunile numerotate de la 20 la 59, adică 40% din numărul total de
diviziuni; numărului x3 = 2 îi corespund diviziunile numerotate de la 60 la
Simulări în afaceri

79, adică 20% din numărul total de diviziuni; numărului x4 = 3 îi corespund


diviziunile numerotate de la 80 la 89, adică 10% din numărul total de
diviziuni; numărului x5 = 4 îi corespund diviziunile numerotate de la 90 la
99, adică 10% din numărul total de diviziuni. Rezultă că proporţia
numerelor de diviziuni asociate fiecărei cantităţi xi este egală cu
probabilitatea de vânzare a cantităţii xi, adică modul de împărţire a discului
ruletei în sectoare corespunde distribuţiei de probabilitate care descrie
vânzările săptămânale de calculatoare.

98 99 0 1 2 3 4
96 97 5
95 6 7
94
93 8
92 9
91 10
90 11
89 12
88 13
87 14
86 10% 15
85 16
84
x5=4 20% 17
83 x1=0 18
19
82 10%
81 20
80 x4=3 21
79 22
78 23
77 24
76 25
75 26
74 20% 40%
27
73
x3=2 x2=1
28
29
72
71 30
70 31
69 32
68 33
67 34
66 35
65 36
64 37
63 38
62 39
61 40
60 41
59 42
58 43
57 56 44
45
55 54 46
53 52 51 50 49 48 47

Figura 2.1
Deşi uşor de înţeles, metodele bazate pe bilete numerotate sau pe
ruletă ar fi dificil de utilizat pentru generarea unui număr mare de valori
Simulări în afaceri

pentru x. De aceea, este necesară o altă metodă, care să poată fi


implementată pe calculator şi care să selecteze, la întâmplare, valorile unei
mărimi stochastice descrise printr-o distribuţie de probabilitate.
Biletele de aceeaşi culoare şi dimensiune au rolul de a acorda
fiecărui bilet aceeaşi şansă de a fi extras, indiferent de numărul care îl
conţine. Acul ruletei bine calibrat se poate opri cu aceeaşi probabilitate în
dreptul oricărei diviziuni numerotate de la 0 la 99, indiferent de sectorul din
care face parte acea diviziune.
Biletele de aceeaşi culoare şi dimensiune sau acul ruletei bine
calibrat reproduc întâmplarea din sistemul real. Ele sunt înlocuite în
programele de simulare pentru calculator cu generatoare de numere
aleatoare.

2.3. Ideea de bază a metodei Monte Carlo

Procesul de generare aleatoare a valorilor unei variabile probabiliste


este referit în literatura de specialitate ca metoda Monte Carlo şi constă în
generarea mai întâi a unui număr aleator şi apoi utilizarea numărului obţinut
pentru extragerea unei valori din distribuţia de probabilitate care descrie
comportamentul variabilei probabiliste.

Metoda Monte Carlo generează artificial valorile unei variabile


probabiliste, prin utilizarea unui generator de numere aleatoare uniform
distribuite în intervalul [0, 1] şi a funcţiei distribuţiei cumulative asociată
variabilei probabiliste respective.

Un număr aleator este orice număr care poate fi obţinut într-un


asemenea mod încât valoarea lui nu poate fi prevăzută dinainte. Astfel,
zarurile sau ruleta pot fi folosite pentru a construi tabele de numere
aleatoare, dar utilizarea acestora nu este convenabilă pentru simularea pe
calculator. De aceea, numerele aleatoare necesare simulării sunt obţinute
prin proceduri aritmetice numite generatori.
În această lucrare, pentru numere aleatoare se va utiliza terminologia
folosită de obicei de practicienii în domeniul simulării şi anume că numerele
aleatoare sunt numere uniform distribuite între 0 şi 1.
Simulări în afaceri

Cei mai mulţi generatori de numere aleatoare implementaţi pe


calculatoare sunt de fapt generatori de numere pseudoaleatoare care se
comportă ca şi numerele aleatoare în sensul că numere pseudoaleatoare
satisfac testul statistic al caracterului aleator, dar sunt predictibile şi
reproductibile.
În secţiunea 2.4 va fi prezentat unul din cei mai utilizaţi generatori şi
anume generatorul congruenţial liniar.

2.4. Generatori de numere pseudoaleatoare

În secţiunea 2.3 s-a arătat că numerele aleatoare sunt numere


uniform distribuite în intervalul [0, 1] şi că, pentru simularea la calculator,
este convenabil să se utilizeze proceduri aritmetice numite generatori.
Numerele generate de calculator pe baza unor proceduri aritmetice se
numesc numere pseudoaleatoare deoarece, deşi şirul de numere obţinut
verifică testul caracterului aleator, aceste numere sunt predictibile şi
reproductibile.
Calitatea rezultatelor simulării depinde calitatea generatorului de
numere aleatoare utilizat. Se consideră, [46, 52], că un generator de numere
aleatoare este bun dacă îndeplineşte următoarele condiţii:
1) Numerele generate au o perioadă lungă de repetiţie.
2) Numerele generate pot fi reproduse.
3) Şirul de numere nu este degenerat, adică nu conţine unul sau mai
multe numere care se repetă. Numerele generate sunt uniform
distribuite în intervalul [0, 1].
4) Procedura este rapidă şi nu necesită multă memorie internă de
calcul.
5) Produce numere care verifică testul caracterului aleator adică
numerele sunt stochastic independente.
Reproductibilitatea este importantă pentru realizarea experimentelor
de simulare deoarece permite controlul condiţiilor experimentale. Prin
utilizarea aceluiaşi şir de numere aleatoare pentru analiza a două sau mai
multe variante decizionale, se va elimina variabilitatea produsă de numerele
aleatoare şi se vor putea observa mai uşor diferenţele dintre rezultatele
aplicării diferitelor variante.
Există un număr mare de metode aritmetice care pot fi utilizate
Simulări în 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 şi cu bune rezultate practice sunt
metodele congruenţiale liniare care se bazează pe clase de resturi. Acest tip
de metode utilizează proceduri recursive prin care se generează în numere
întregi cuprinse între 0 şi (m-1) care apoi, prin normalizare, se transformă
numere uniform distribuite în intervalul [0, 1]. Procedura recursivă constă
din trei paşi:
Pasul 1. Alege o valoare iniţială x
0
Pasul 2. xi+1 = (axi + c) modulo m
x
u = i +1
i+1 m
Pasul 3. Repetă Pasul 2.
Valoarea iniţială x0 se numeşte sămânţă (seed).
xi+1 = (axi + c) modulo m înseamnă că valoarea lui xi+1 este egală
cu restul împărţirii lui (axi + c) la m.

Exemplul 2.2. Se consideră a = 2, c = 3, m = 5 şi x0 = 3. Să se


genereze primele 6 numere pseudoaleatoare.

Rezolvare
În Tabelul 2.3 sunt prezentate numerele generate prin metoda
congruenţială.
Tabelul 2.3

xi+1 = (2xi + 3) modulo 5 u x i +1


Nr.crt. xi 2xi + 3 i+1 = m
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 observă că şirul de numere se repetă după 4 valori, deci lungimea
perioadei în acest caz este (m-1) = 5-1 = 4.
Simulări în afaceri

Pentru a obţine un generator bun este necesar să se aleagă cu atenţie


valorile a, c şi m.
De exemplu, pentru a = 513, c = 0, m =(231 –1) şi sămânţa 1 ≤ x0 ≤
2147483647, şirul de numere pseudoaleatoare va avea o perioadă cu
lungimea de 2147483646 numere, în care fiecare număr apare numai o
singură dată.
Toate limbajele de programare generale si speciale şi programele
comerciale de tip foi de calcul (LOTUS 1-2-3, EXCEL etc.) conţin
generatori de numere aleatoare foarte bine verificaţi şi testaţi.
Limbajul de programare BASIC are funcţia RANDOMIZE cu sau
fără argument pentru a se obţine valoarea iniţială sau sămânţa şi funcţia
RND cu sau fără argument pentru o genera un număr aleator între 0 şi 1. În
[52] sunt prezentaţi mai mulţi generatori construiţi în limbaj BASIC.
În EXCEL, numerele aleatoare uniform distribuite în intervalul [0. 1]
se pot obţine cu =RAND().

2.5. Utilizarea metodei Monte Carlo pentru generarea valorilor


variabilelor probabiliste

2.5.1. Obţinerea de selecţii simulate în cazul variabilelor


probabiliste discrete

Distribuţii discrete de probabilitate

În cazul variabilelor discrete de probabilitate, lista valorilor posibile


şi a probabilităţilor corespunzătore formează o distribuţie discretă de
probabilitate.
În terminologia teoriei probabilităţilor, se poate nota cu X variabila
probabilistă cu mai multe valori posibile şi cu xi o anumită valoare
particulară a variabilei X.
Probabilitatea ca valoarea unei variabilei probabiliste X să fie egală
cu o anumită valoare x se notează P(X = x ) = P(x ).
i i i
Simulări în afaceri

Probabilitatea ca valoarea unei variabilei probabiliste X să fie mai


mică sau egală cu o anumită valoare xi se numeşte funcţie de distribuţie
cumulativă şi se notează F(xi):
F(xi) = P(X ≤ xi) = ∑ P( v) pentru -∞ ≤ xi ≤ ∞,
v≤ xi
cu proprietatea F(xi) ≤ 1.
Funcţia distribuţiei cumulative F(xi) este suma probabilităţilor
asociate valorilor mai mici sau egale cu xi.
În cazul distribuţiilor empirice, construite pe baza datelor istorice sau
prin măsurarea directă a valorilor variabilei probabiliste, valorile variabilelor
probabiliste pot fi prezentate sub forma Tabelului 2.4.
Tabelul 2.4
Valoarea variabilei probabiliste Frecvenţa de apariţie
xi fi
x1 f1
x2 f2
... ...
xm fm
Frecvenţele relative vor fi folosite pentru a calcula probabilităţile
m
P(X=xi) = P(xi) = fi/ ∑ f k , pentru i=1,...,m, iar funcţia de distribuţie
k =1
cumulativă F(xi) = P(X ≤ xi) se obţine prin cumularea probabilităţilor.
Uneori, este posibil ca distribuţiile discrete de probabilitate să fie
descrise prin funcţii matematice numite funcţii de masă de probabilitate
[46].
Cele mai utilizate distribuţii teoretice discrete de probabilitate sunt
distribuţia uniformă discreta, distribuţia binomială şi distribuţia Poisson

Distribuţia uniformă discretă descrie variabilele cu un număr mic de


valori posibile, fiecare cu aceeaşi probabilitate de realizare.
Dacă numărul valorilor posibile este n, iar mulţimea valorilor
posibile este {x1, x2, ..., xn}, atunci funcţia de masă de probabilitate este
Simulări în afaceri

P(X=xi) = P(xi) = 1/n pentru orice valoare xi,


iar funcţia distribuţiei cumulative este
F(xi) = P(X ≤ xi) = i/n, pentru i = 1, 2, ..., n.

Distribuţia binomială este o distribuţie discretă de probabilitate care


se aplică atunci când există numai două rezultate posibile: succes sau eşec,
admis sau respins, promovat sau nepromovat etc. De exemplu, variabila
probabilistă este numărul experimentelor cu „succes”. Dacă probabilitatea p
a „succesului” este aceeaşi pentru fiecare din cele n experimente, iar
experimentele sunt independente, atunci funcţia de masă de probabilitate
este definită prin probabilitatea ca numărul experimentelor de succes să fie
egal cu o anumită valoare x şi poate fi calculată cu expresia:
i
P(X=xi) = P(xi) = C n i pxi(1-p)n-xi pentru xi = 0, 1, 2, ..., n,
x

unde n este numărul total de experimente.


Funcţia distribuţiei cumulative este:
xi
F(xi) = P(X ≤ xi) = ∑ P( v) pentru xi = 0, 1, 2, ..., n
v =0
Media µ = np
2
Dispersia σ = np(1-p)

Distribuţia Poisson este o distribuţie discretă de probabilitate care se


aplică în cazul unor evenimente întâmplătoare independente. Variabila
probabilistă este numărul de evenimente care pot avea loc într-o perioadă de
timp. Astfel, numărul persoanelor care sosesc într-o staţie de servire într-un
interval de o oră pentru a solicita un serviciu (clienţi la un ghişeu de bancă,
autoturisme la o staţie de benzină etc.) este o variabilă probabilistă al cărui
comportament poate fi descris de o distribuţie Poisson.
Funcţia de masă de probabilitate pentru această distribuţie este
probabilitatea ca numărul evenimentelor care au loc într-un interval de timp
specificat să fie egal cu o anumită valoare xi şi poate fi calculată cu
expresia:
λx i e − λ
P(X = xi) = P(xi) =
xi!
Simulări în afaceri

unde λ este numărul mediu al evenimentelor dintr-un interval de timp


specificat, iar e = 2,7182818.
Funcţia distribuţiei cumulative este:
xi
F(xi) = P(X ≤ xi) = ∑ P( v) pentru xi = 0, 1, 2, ..., N
v =0
Media µ = λ
Dispersia σ2 = λ

Procedura pentru aplicarea metodei Monte Carlo în cazul


variabilelor probabiliste discrete

Pentru obţinerea de selecţii simulate cu metoda Monte Carlo se poate


aplica următoarea procedură:
Pasul 1. Se calculează probabilităţile P(X=xi) = P(xi) şi funcţia de distribuţie
cumulativă F(xi) = P(X ≤ xi) = ∑ P( v) , pentru xi ∈ {x1, x2, ..., xm}.
v≤ x i

În cazul distribuţiilor discrete teoretice, se vor folosi funcţiile


matematice corespunzătoare care definesc funcţiile de masă de probabilitate
pentru calculul probabilităţilor P(X=xi) = P(xi) şi funcţiile F(x) de distribuţie
cumulativă.

Pasul 2. Se asociază intervale de numere aleatoare fiecărei valori a variabilei


discrete. Acest lucru se poate realiza grafic sau tabelar.
Grafic. Se reprezintă funcţia de distribuţie cumulativă a variabilei
discrete analizate. În Figura 2.2, se observă că în cazul variabilelor
probabiliste discrete, funcţia F(xi) are forma unor trepte. Înălţimea
fiecărei trepte faţă de treapta precedentă este egală probabilitatea P(xi)
şi cu lungimea intervalului de numere aleatoare asociat valorii xi.
Tabelar. In Tabelul 2.5, fiecărei valori xi se asociază intervalul [F(xi-
1), F(xi)) cu F(x0) = 0.
Simulări în afaceri

Tabelul 2.5
Valoarea xi Probabilitatea Funcţia distribuţiei Intervale
a variabilei P(X =x i ) = P(x i) cumulative [F(xi-1), F(xi))
probabiliste F(x 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 generează un număr aleator u uniform repartizat în intervalul [0, 1]


utilizând un generator de numere aleatoare (de exemplu, cu funcţia
=RAND() din Excel).
Pasul 4. Generarea unei valori xi a variabilei probabiliste discrete se poate
realiza grafic sau tabelar.
Grafic. Numărul generat u se reprezintă printr-un punct pe axa
verticală din Figura 2.2. Din acel punct se duce o paralelă la axa
orizontală până când întâlneşte prima bară verticală şi se citeşte
valoarea xi de la baza acelei bare. Se notează într-un tabel (vezi
Tabelul 2.8) valoarea xi găsită pe grafic.

Probabilităţi
1.2 1
0,9 F(xi)
1
0,8
0.8
u 0,6
0.6

0.4
0,2
0.2

0 xi
0 1 2 3 4 5

Figura 2.2
Simulări în afaceri

Tabelar. Se caută în Tabelul 2.5, intervalul [F(xi-1), F(xi)) căruia îi


aparţine numărul aleator u. Se scrie, într-un tabel (vezi Tabelul 2.8), în
dreptul numărului aleator utilizat, valoarea xi identificată.

Pasul 5. Se reia procedura de la Pasul 3 până când se obţine volumul dorit al


selecţiei simulate.
Datele selecţiei simulate pot fi folosite ca date exogene pentru
calculul unui alt indicator economic sau pot fi utilizate pentru calculul
caracteristicilor distribuţiei de probabilitate a variabilei probabiliste
cercetate: media, abaterea standard, coeficientul de variaţie şi intervalul de
încredere pentru medie.

Aplicaţii numerice

Exemplul 2.3. Se vor simula vânzările de calculatoare pentru 10


săptămâni utilizând distribuţia vânzărilor săptămânale de PC din Exemplul
2.1 prezentat din secţiunea 2.2.

Rezolvare
Pasul 1. În Tabelul 2.6 sunt prezentate valorile funcţiei distribuţiei
cumulative F(xi) pentru vânzările săptămânale de calculatoare PC
determinate pe baza distribuţiei discrete din Tabelul 2.2.
Tabelul 2.6
Calculatoare vândute Probabilitatea cererii Funcţia distribuţiei
pe săptămână P(xi) cumulative
xi F(xi) = P(X ≤ xi)
0 0,20 0,20
1 0,40 0,60
2 0,20 0,80
3 0,10 0,90
4 0,10 1
Simulări în afaceri

Media determinată pe baza datelor reale referitoare la vânzările


săptămânale de PC = µ = 0×0,2 + 1×0,4 + 2×0,2+ 3×0,1+ 4×0,1 = 1,5
calculatoare
2 2 2 2
Dispersia σ = 0×0,2 + 1×0,4 + 22×0,2+ 3 ×0,1+ 4 ×0,1 - 1,5 =
1,45, iar abaterea standard σ = 1,204 calculatoare.

Pasul 2. Tabelul 2.7 conţine valorile numerice pentru cazul vânzărilor


săptămânale de calculatoare PC
Tabelul 2.7
Valoarea Probabilitatea Funcţia Intervale
variabilei P(X =xi) = P(xi) distribuţiei [F(xi-1), F(xi))
probabiliste cumulative
xi F(xi)
x1 = 0 0,2 0,2 [0 0,2)
x2 = 1 0,4 0,6 [0,2 0,6)
x3 = 2 0,2 0,8 [0,6 0,8)
x4 = 3 0,1 0,9 [0,8 0,9)
x5 = 4 0,1 1,0 [0,9 1,0]

Rezultatele efectuării Pasului 3, Pasului 4 şi Pasului 5 sunt


prezentate în Tabelul 2.8.
Tabelul 2.8
Nr. aleator Valoarea xi Număr calculatoare
u a variabilei probabiliste (bucăţi/săptămână)
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
Simulări în afaceri

Media determinată pe baza selecţiei simulate = 1,5 calculatoare pe


săptămână, iar abaterea standard = 1,269 calculatoare.

Exemplul 2.4. Numărul de costume de haine bărbăteşti vândute


zilnic în cadrul unui mare magazin de confecţii este o variabilă probabilistă
discretă uniform repartizată în intervalul [6, 10]. Se cere simularea
vânzărilor pentru 10 zile.
Rezolvare
În Tabelul 2.9 sunt prezentate probabilităţile P(X = xi) şi P(X ≤ xi) şi
intervalele de numere aleatoare asociate fiecărei valori in intervalul [6, 10].
Tabelul 2.9
Numărul de Probabilitatea Funcţia Intervale
costume de haine P(X = xi)=1/5 distribuţiei [F(xi-1), F(xi))
bărbăteşti vândute cumulative
zilnic F(xi) = P(X ≤ xi)
xi = i/5
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]
În Tabelul 2.10 sunt simulate vânzările din 10 zile.
Tabelul 2.10
Ziua Numărul aleator u Numărul de costume de haine
bărbăteşti
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
Simulări în afaceri

Observaţie: În cazul variabilelor cu distribuţie uniformă discretă în


intervalul [a, b], se poate genera direct o anumită valoare xi cu ajutorul
relaţiei:
xi = partea întreagă din [a + (b-a+1)u]

De exemplu, dacă la Pasul 3 s-a generat u = 0,709084, atunci pentru


variabila probabilistă cu distribuţie uniformă discretă în intervalul [6, 10],
numărul de costume bărbăteşti vândute într-o zi oarecare este:
xi = partea întreagă din [6 + (10-6+1)* 0,709084] = 9 costume

Exemplul 2.5. O firmă de software doreşte să organizeze trimestrial


concursuri pentru ocuparea unor posturi de programatori. Procesul de
selectare a angajaţilor presupune participarea candidaţilor la un test de
programare. Se estimează că se pot înscrie maxim 10 candidaţi.
Pe baza experienţei de la testele anterioare s-a stabilit că
probabilitatea ca un candidat să treacă testul este de 0,30.
Managerul firmei doreşte să determine prin simulare câţi candidaţi
vor promova testul la următoarele trei concursuri.

Rezolvare

Variabila probabilistă este numărul candidaţilor care vor reuşi la


test. Distribuţia de probabilitate care caracterizează această variabilă
probabilistă este binomială deoarece candidaţii sunt independenţi unul faţă
de altul, iar după efectuarea testului există numai două categorii de
candidaţi: promovaţi şi nepromovaţi.
În Tabelul 2.11 sunt prezentate valorile funcţiei de masă de
probabilitate, valorile funcţiei distribuţiei cumulative şi intervalele de
numere aleatoare.
Simulări în afaceri

Tabelul 2.11
Număr de Probabilitatea Funcţia distribuţiei Intervale
candidaţi P(X = xi) cumulative [F(xi-1), F(xi))
promovaţi F(xi) = P(X ≤ xi)
xi
0 0,028248 0,028248 [0 0,028248)
1 0,1210618 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]

În Tabelul 2.12 se determină prin metoda Monte Carlo numărul de


candidaţi care vor promova testul de programare la următoarele trei
concursuri.
Tabelul 2.12
Concursul Numărul aleator u Numărul candidaţilor
promovaţi
1 0,587339 3
2 0,204091 2
3 0,783015 4
La concursul 1, vor promova 3 candidaţi, la concursul 2 vor
promova 2 candidaţi, iar la concursul 3 vor promova 4 candidaţi

Exemplul 2.6. Numărul automobilelor care sosesc la întâmplare într-


un Service Auto poate fi descris de o distribuţie Poisson cu media de 3
maşini pe oră. Se cere simularea numărului de maşini care vor sosi la
Service în următoarele 4 ore.

8
Această valoare s-a obţinut în EXCEL cu funcţia = BINOMDIST(1,10,0.3,0)
Simulări în afaceri

Rezolvare.

În Tabelul 2.13 sunt prezentate valorile funcţiei de masă de


probabilitate, valorile funcţiei distribuţiei Poisson cumulative şi intervalele
de numere aleatoare.
Tabelul 2.13
Număr de Probabilitatea Funcţia distribuţiei Intervale
maşini în P(X = xi) cumulative [F(xi-1), F(xi))
decurs de o oră F(xi) = P(X ≤ xi)
xi
0 0,049787 0,049787 [0, 0,049787)
1 0,1493619 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]

În Tabelul 2.14 sunt simulate sosirile din 4 ore.


Tabelul 2.14
Ora Numărul aleator u Număr maşini
1 0,105643 1
2 0,091935 1
3 0,917206 6
4 0,690022 4

9
Această valoare s-a obţinut în EXCEL cu funcţia = POISSON(1,3,0)
Simulări în afaceri

Toate aplicaţiile numerice pentru simularea valorilor variabilelor


probabiliste discrete se pot realiza în EXCEL prin utilizarea funcţiei
VLOOKUP(număr aleator, zonă tabel cu probabilităţile cumulate, coloana
din tabel unde se află valorile variabilei probabiliste).

2.5.2. Obţinerea de selecţii simulate în cazul variabilelor


probabiliste continue

Distribuţii continue de probabilitate

Spre deosebire de distribuţia discretă de probabilitate, nu se poate


defini o distribuţie continuă de probabilitate care să determine probabilitatea
pentru o anumită valoare particulară a variabilei probabiliste. Deoarece o
variabilă probabilistă continuă este o variabilă care poate avea orice valoare
într-un interval specificat, ea are un număr infinit de valori posibile în acel
interval şi deci probabilitatea ca o variabilă probabilistă continuă să aibă o
anumită valoare particulară este zero.
Pentru o variabilă probabilistă continuă se poate defini probabilitatea
ca valoarea variabilei să fie cuprinsă într-un interval specificat. În acest
scop, distribuţia este reprezentată printr-o curbă, iar probabilitatea se
determină prin evaluarea ariei de sub curbă între limitele intervalului de pe
axa x. Funcţia f(x) prin care se calculează această arie se numeşte funcţie de
densitate de probabilitate şi trebuie să îndeplinească următoarele condiţii:
a) f(x) ≥ 0 pentru toate valorile x

b) ∫ f (x )dx = 1, adică aria de sub curbă până la axa valorilor x să
−∞
fie egală cu 1
b
c) P(a ≤ x ≤ b) = ∫ f ( x )dx
a
Funcţia distribuţiei cumulative este:
x
F(x) = P(X ≤ x) = ∫ f ( v)dv
−∞
În unele cazuri funcţia de densitate de probabilitate este destul de
dificil de calculat, dar există tabele cu valori sau programe de calcul pentru
toate distribuţiile teoretice continue. Dintre acestea vor fi prezentate pe scurt
Simulări în afaceri

cele mai cunoscute: distribuţia uniformă continuă, distribuţia triunghiulară,


distribuţia normală şi distribuţia exponenţială.

Distribuţia uniformă continuă


Distribuţia este uniformă dacă toate valorile variabilei probabiliste
au aceeaşi probabilitate de apariţie.
În simularea Monte Carlo, un rol deosebit îl are distribuţia uniformă
continuă în intervalul [0, 1]. Funcţia f(x) de densitate de probabilitate este:
f(x) = 0 pentru x < 0
= 1 pentru 0 ≤ x ≤ 1
= 0 pentru x > 1
Funcţia F(x) a distribuţiei cumulative este:
x
F(x) = ∫ f ( v)dv
−∞
= 0 pentru x < 0
= x pentru 0 ≤ x ≤ 1
= 0 pentru x > 1
În cazul unei variabile probabiliste uniform repartizate în intervalul
[a, b], funcţia 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 funcţia distribuţiei cumulative F(x) = 0 pentru x < a
= (x-a)/(b-a) pentru a ≤ x ≤ b
= 1 pentru x > b
Media µ = (a+b)/2, iar dispersia σ2 = (b-a)2/12

Distribuţia triunghiulară descrie valorile unei variabile probabiliste


prin trei valori: valoarea minimă (a), valoarea cea mai probabilă (b) şi
valoarea maximă (c). Se presupune că, atât probabilitatea de realizare a
valorii minime cât şi probabilitatea de realizare a valorii maxime sunt zero.
Distribuţia triunghiulară se utilizează atunci când nu există date
istorice referitoare la valorile variabilei analizate, aşa cum sunt, de exemplu,
veniturile anuale estimate a se realiza după punerea în funcţiune a unui
obiectiv de investiţii.
Funcţia 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
Simulări în afaceri

Funcţia F(x) a distribuţiei 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 µ = (a+b+c)/3
Dispersia σ2 = (a2 + b2 + c2 – ab – ac – bc)/18

Distribuţia normală
Distribuţia normală sau distribuţia Gaussiană are un rol fundamental
în teoria probabilităţilor şi în statistică. Acest tip de distribuţie descrie
caracteristici ale populaţiei (înălţimea, greutatea) sau distribuţiile unor
mărimi care sunt sume de alte mărimi (conform teoremei limitei centrale).
Astfel, durata totală de realizare a unui proiect, ca sumă a duratelor
probabiliste ale activităţilor de pe drumul critic, este o variabilă cu
distribuţie normală.
Distribuţia normală este o distribuţie simetrică sub formă de clopot.
Funcţia f(x) de densitate de probabilitate este o funcţie cu doi parametri,
media µ şi dispersia σ2, de forma:
1 ⎛ ( x − µ) 2 ⎞
f(x) = exp⎜ − ⎟
⎜ ⎟
2πσ 2 ⎝ 2σ 2 ⎠
Deoarece, funcţia f(x) de densitate de probabilitate a distribuţiei
normale nu poate fi integrată exact, ea nu se foloseşte direct. Calculul ariilor
necesare pentru determinarea probabilităţilor P(a ≤ x ≤ b) şi a funcţiei
distribuţiei cumulative se bazează pe tabelele distribuţiei normale standard
de probabilitate care este distribuţia normală a unei variabile probabiliste cu
media µ = 0, dispersia σ2 = 1 şi abaterea standard σ = 1.
Pentru a transforma o variabilă probabilistă X cu distribuţia normală
într-o variabilă probabilistă Z cu distribuţia normală standard se poate
utiliza formula: Z = (x - µ)/σ
În tabelele distribuţiei normale standard (Anexa 1) se găsesc
probabilităţile P(0 ≤ Z ≤ z), care reprezintă (Figura 2.3) valoarea ariei de
sub curba funcţiei de densitate de probabilitate f(z), cuprinsă între media µ =
0 şi valoarea z specificată.
Simulări în afaceri

0.45
0.4
0.35 Aria dată
0.3 în tabel
f(z) 0.25
0.2
0.15
0.1
0.05
0
-4 -3 -2 -1 0 1 z 2 3 4
valorile lui z

Figura 2.3

De exemplu, probabilitatea ca valoarea lui Z să fie cuprinsă între 0 şi


1,25 se citeşte din Tabelul 2.15 din celula de pe linia 1.20 şi coloana 0.05,
adică 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

Datorită distribuţiei simetrice, P(-z ≤ Z ≤ 0) = P(0 ≤ Z ≤ z).


De exemplu, probabilitatea ca valoarea lui Z să fie cuprinsă
între -1,25 şi 0 este egală cu probabilitatea ca valoarea lui Z să fie cuprinsă
între 0 şi 1,25 adică P(-1,25 ≤ Z ≤ 0) = P(0 ≤ Z ≤ 1,25) = 0,3944. De
asemenea:
Simulări în afaceri

Valoarea ariei de sub Valoarea ariei de sub


curba funcţiei de curba funcţiei de
densitate de probabilitate = densitate de probabilitate =0,5
f(z), aflată la stânga lui 0 f(z), aflată la dreapta lui 0

Valoarea funcţiei distribuţiei normale standard cumulative este:


F(z) = P(Z ≤ z) = 0,5 + P(0 ≤ Z ≤ z)
şi
F(z) = P(Z ≤ -z) = 0,5 - P(0 ≤ Z ≤ z)
Pentru variabilele probabiliste cu distribuţiei normală având media µ
şi abaterea standard σ, valoarea funcţiei distribuţiei cumulative se poate
determina astfel:
F(x) = P(X ≤ x) = P(Z ≤ (x - µ)/σ)
Probabilitatea ca valoarea x a unei variabile probabiliste să fie
cuprinsă în intervalul [a, b] este:
P(a ≤ X ≤ b) = P(X ≤ b) - P(X ≤ a)
= P(Z ≤ (b - µ)/σ) - P(Z ≤ (a - µ)/σ)

Distribuţia exponenţială
Distribuţia exponenţială este utilizată pentru a descrie timpul dintre
diferite evenimente cum sunt, de exemplu, intervalele de timp dintre sosirile
clienţilor într-un sistem de aşteptare. Se poate arăta că dacă numărul
sosirilor poate fi descris de o distribuţie Poisson, atunci intervalul dintre
sosiri urmează o distribuţie exponenţială.
Dacă X este o variabilă probabilistă cu media µ şi abaterea standard
µ atunci funcţia f(x) de densitate de probabilitate este:
1
f(x) = e-x/µ
µ
iar funcţia F(x) de distribuţie cumulativă este:
F(x) = P(X ≤ x) = 1 - e-x/µ
Rezultă că P(X > x) = e-x/µ
Simulări în afaceri

Procedura pentru aplicarea metodei Monte Carlo în cazul


variabilelor probabiliste continue

S-a arătat că, pentru o variabilă probabilistă continuă se poate defini


numai probabilitatea ca valoarea variabilei să fie cuprinsă într-un interval
specificat. Această probabilitate se calculează cu o funcţie f(x) de densitate
de probabilitate a cărui valoare reprezintă aria de sub curba f(x)
corespunzătoare intervalului specificat. Probabilitatea P(X ≤ x) ca valoarea
variabilei probabiliste X să fie mai mică decât o anumită valoare particulară
x se calculează cu funcţia de distribuţie cumulativă F(x) = P(X≤x) =
x
∫ f ( v)dv .
−∞
Aplicarea metodei Monte Carlo pentru obţinerea de selecţii simulate
în cazul variabilelor probabiliste continue se poate face pe baza următoarei
proceduri:
Pasul 1. Se construiesc funcţiile f(x) de densitate de probabilitate şi F(x) de
distribuţie cumulativă.
În cazul distribuţiilor empirice, după organizarea şi gruparea pe
intervale, valorile variabilei probabiliste continue se pot prezenta conform
Tabelului 2.16. Graficul funcţiei F(x) al distribuţiei empirice cumulative va
fi o curbă liniară pe porţiuni, obţinută prin unirea punctelor ale căror
coordonate sunt limitele superioare ale intervalelor [xi-1, xi] şi respectiv
[F(xi-1), F(xi)].
Tabelul 2.16
Intervale de Frecvenţa Frecvenţa Frecvenţa Intervale
valori ale fi relativă cumulativă [F(xi-1), F(xi))
variabilei m F(xi)
probabiliste fi/ ∑ f k
[xi-1, xi) k =1
m m
[x0, x1) f1 f1/ ∑ f k F(x1)=f1/ ∑ f k [F(x0), F(x1))
k =1 k =1
m m
[x1, x2) f2 f2/ ∑ f k F(x2)=(f1+f2)/ ∑ f k [F(x1), F(x2))
k =1 k =1
... ... ... ... ...
m
[xm-1, xm] fm fm/ ∑ f k F(xm) = 1 [F(xm-1), F(xm)]
k =1
Simulări în afaceri

Exemplul 2.7. Datele rezultate în urma observării timpului de servire a


100 clienţi care au solicitat efectuarea unor operaţiuni la un ghişeu de bancă
sunt prezentate în Tabelul 2.17.
Tabelul 2.17
Timpul Numărul Frecvenţa Frecvenţa Intervale
individual clienţilor relativă cumulativă [F(xi-1), F(xi))
de servire fi m F(xi)
(minute) fi/ ∑ f k
[xi-1, xi) k =1
[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 generează un număr aleator u uniform repartizat în intervalul [0, 1]
utilizând un generator de numere aleatoare (de exemplu, cu funcţia
=RAND() din Excel).
Pasul 3. Se generează o valoare x a variabilei probabiliste continue prin
rezolvarea ecuaţiei F(x) = u.

1
0.9 F(x)
0.8
0.7
Probabilitat

0.6
0.5 u=0,38
0.4
0.3
0.2 x=14,423
0.1
0
5 10 15 20 25 30 35
Timpul de servire

Figura 2.4
Simulări în afaceri

În Figura 2.4 este reprezentată funcţia F(x) a distribuţiei cumulative


pentru timpul de servire a clienţilor la un ghişeu bancar, obţinută prin unirea
punctelor ale căror coordonate sunt limitele superioare ale intervalelor
[xi-1, xi] şi respectiv [F(xi-1), F(xi)].
Dacă la Pasul 2 s-a generat numărul aleator u = 0,38, ca şi în cazul
variabilelor probabiliste discrete, se reprezintă numărul u pe axa verticală şi se
proiectează pe orizontală până când întâlneşte curba F(x) şi, apoi, se citeşte
valoarea x de pe axa orizontală, dacă pentru reprezentarea grafică s-a folosit
hârtie milimetrică. Această procedură grafică poate fi înlocuită cu o procedură
algebrică echivalentă de rezolvare a ecuaţiei F(x) = u. Dacă soluţia poate fi
obţinută cu relaţia x= F-1(u), atunci metoda de extragere a unei valori a
variabilei probabiliste se numeşte metoda inversei.
Dacă nu se poate construi inversa explicită a funcţiei F(x), ecuaţia
F(x)=u se poate rezolva cu metoda interpolării. Astfel, deoarece u = 0,38
aparţine intervalului de numere aleatoare [0,15 0,14) corespunzător intervalului
[10 15) al timpului de servire, rezultă că
x = 10 + (0,38 – 0,15)(15 - 10)/(0,41 – 0,15) = 14,423 minute
În general, dacă numărul aleator u aparţine intervalului de numere
aleatoare [F(xi-1), F(xi)) asociat valorilor [xi-1, xi), atunci se va genera
valoarea x cu relaţia de interpolare:
x = xi-1 + (u - F(xi-1))(xi - xi-1)/(F(xi) - F(xi-1))

• Pentru distribuţia uniformă continuă în intervalul [a, b], ecuaţia


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


variabilă aleatoare uniform distribuită cu valori între 5 minute şi 15 minute.
Dacă la Pasul 2 s-a generat numărul aleator u=0,72, atunci timpul de
servire extras din distribuţia de probabilitate uniformă continuă este
x = 5 + 0,72 × (15 – 5) = 12,2 minute

• În cazul distribuţiei triunghiulare descrisă prin trei valori


(a<b<c), dacă u ≤ (b-a)/(c-a), atunci din ecuaţia F(x)=u de forma:
Simulări în afaceri

((x-a)2)/((b-a)(c-a)) = u
rezultă
x = a + (u(b-a)(c-a))½
şi dacă u > (b-a)/(c-a), atunci din ecuaţia
1 – ((c-x)2)/((c-a)(c-b)) = u
rezultă
x = c - ((1-u)(c-a)(c-b))½

Exemplul 2.9. Se estimează că venitul lunar care va fi realizat din


vânzarea unui produs nou poate fi descris de o distribuţie de probabilitate
triunghiulară cu valoarea minimă a = 20 unităţi monetare, valoarea cea
probabilă b = 40 unităţi monetare şi valoarea maximă c = 80 unităţi
monetare (Figura 2.5).
Rezultă că (b-a)/(c-a) = 0,333.

Dacă u = 0,28, atunci venitul simulat va fi


x = 20 + (0,28 × (40-20) × (80-20))½ = 38,33 u.m.

0.0350
0.0333
0.0300 0.0292
0.0250 0.0250 0.0250
0.0200 0.0208
f(x)

0.0167 0.0167
0.0150
0.0125
0.0100
0.0083 0.0083
0.0050 0.0042
0.0000 0.0000
20 25 30 35 40 45 50 55 60 65 70 75 80
x

Figura 2.5

Dacă u = 0,46, atunci venitul simulat va fi


x = 80 – (0,54 × (80-20) × (80-40))½ = 44 u.m.
Simulări în afaceri

• Deoarece distribuţia normală este descrisă de o funcţie de


densitate de probabilitate care nu poate fi integrată exact, nici inversa F-1 a
funcţiei distribuţiei cumulative nu poate fi obţinută. Pentru generarea valorilor
unei variabile cu distribuţie normală se pot folosi metode aproximative cum
sunt: metoda Box-Muller, metoda teoremei limitei centrale, metoda
respingerii [3, 46].
Programul EXCEL, prin funcţia „=NORMINV(RAND(), media µ,
abaterea standard σ)” determină o valoare x a unei variabile normal distribuite
cu media µ şi abaterea standard σ, prin aproximări succesive ale lui x, astfel
încât diferenţa (u-F(x)), dintre numărul aleator u generat de RAND() şi
valoarea funcţiei F(x) de distribuţie cumulativă, să fie mai mică decât ±3×10-7.

Exemplul 2.10. Se cunoaşte că, greutatea unui cozonac realizat de


firma „Extra” este o variabilă probabilistă normal distribuită cu media de
500 grame şi abaterea standard de 50 grame.
Dacă u = 0,548, pentru a extrage o valoare pentru greutatea unui
cozonac cu distribuţia normală, media µ=500 grame şi abaterea standard σ =
50 grame, se va introduce într-o celulă EXCEL funcţia
=NORMINV(0.548,500,50)
Greutatea obţinută va fi 506,0305 grame.
• În cazul distribuţiei exponenţiale cu media µ, soluţia ecuaţiei
F(x)=u este de forma
x = - µln(1-u)
unde ln este logaritmul natural.
Exemplul 2.11. Durata dintre sosirile clienţilor într-un magazin
alimentar este o variabilă aleatoare cu distribuţie exponenţială cu media de 5
minute.
Dacă numărul aleator u = 0,852, atunci se obţine durata intervalului
între sosiri x = -5×ln(1-0,852) = 9,553 minute.
Înainte de a trece la Pasul 4 al procedurii de generare a selecţiilor
artificiale, trebuie menţionat faptul că pentru majoritatea distribuţiilor de
probabilitate teoretice au fost elaborate metode de rezolvare a ecuaţiei F(x)=u.

Pasul 4. Se reia procedura de la Pasul 2 până când se obţine volumul dorit al


selecţiei simulate.
Simulări în afaceri

2.6. Concluzii

În simulare, pentru a imita sau reproduce ceea ce se întâmplă într-un


sistem stochastic este necesar să se genereze în mod întâmplător valorile
variabilelor probabiliste care intervin în problema decizională.
Procesul de generare aleatoare a valorilor unei variabile probabiliste
este referit în literatura de specialitate ca metoda Monte Carlo şi constă în
utilizarea unui generator de numere aleatoare uniform distribuite în
intervalul [0, 1] şi a funcţiei distribuţiei cumulative asociată variabilei
probabiliste respective.
Toate limbajele de programare generale şi limbajele speciale de
simulare conţin generatori de numere aleatoare bine verificaţi şi testaţi.
Numărul aleator furnizat de un generator este apoi utilizat pentru
extragerea unei valori din distribuţia de probabilitate care descrie
comportamentul variabilei probabiliste.
Obţinerea sau generarea valorilor unei variabile descrisă de o
distribuţie de probabilitate se poate face grafic, tabelar, prin metoda inversei
funcţiei de distribuţie cumulativă sau prin alte metode implementate în
diferite programe comerciale.