Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
CASO PRÁCTICO ❍ 295 CASO PRÁCTICO Muestreo de la Ruleta de Monte Carlo La técnica de simular un proceso que contiene elementos aleatorios y repetir el proceso una y otra vez, para ver cómo se comporta, recibe el nombre de método de Monte Carlo. Se usa ampliamente en fi nanzas y otros campos para investigar las propiedades de una operación que está sujeta a efectos aleatorios, por ejemplo el clima, la conducta humana, etcétera. Por ejemplo, se podría modelar el comportamiento del inventario de una com- pañía manufacturera al crear, en papel, llegadas y salidas diarias de productos manu- facturados desde el almacén de la compañía. Cada día, un número aleatorio de artículos producidos por la compañía sería recibido en inventario. Del mismo modo, cada día un número aleatorio de pedidos de diferentes tamaños aleatorios se enviaría. Con base en la entrada y salida de artículos, se podría calcular el inventario o sea el número de artículos disponibles al fi nalizar cada día. Los valores de las variables aleatorias, el número de ar tículos producidos, el número de pedidos y el número de artículos por pedido necesa- rios para la simulación de cada día, se obtendría de distribuciones teóricas de observa- ciones que modelan muy de cerca las correspondientes distribuciones de las variables que se han observado en el tiempo de la operación de manufactura. Al repetir la simulación del suministro, el envío y el cálculo del inventario diario para un gran número de días (un muestreo de lo que podría realmente ocurrir), se puede observar el comportamiento del inventario diario de la planta. El método de Monte Carlo es particularmente valioso por- que hace posible que el fabricante vea cómo se comportaría el inventario diario, cuando se hacen ciertos cambios en el patrón de abastecimiento o en algún otro aspecto de la operación que podría ser controlado. En un artículo titulado “El Camino a Monte Carlo”, Daniel Seligman comenta sobre el método de Monte Carlo, observando que aun cuando la técnica se utiliza ampliamente en escuelas de fi nanzas para estudiar el presupuesto de capital, planeación de inventarios y administración de fl ujos de efectivo, nadie parece haber usado el procedimiento para estudiar lo bien que la haríamos si fuéramos a jugar en Monte Carlo.21 Para seguir sobre esta idea, Seligman programó su computadora personal para simu- lar el juego de la ruleta. La ruleta es una rueda con su borde dividido en 38 buchacas. Treinta y seis de éstas están numeradas del 1 al 36 y tienen colores alternados de rojo y negro. Las dos buchacas restantes tienen color verde y están marcadas 0 y 00. Para jugar en la ruleta, se apuesta cierta cantidad de dinero a una o más buchacas, a continuación de lo cual la rueda se hace girar hasta detenerse. Una pequeña esfera cae en una ranura en la rueda para indicar el número ganador. Si usted tiene dinero en ese número, gana una cantidad especifi cada. Por ejemplo, si fuera a jugar el número 20, la paga sería 35 a 1. Si la rueda no se detiene en ese número, usted pierde su apuesta. Seligman decidió ver cómo serían sus ganancias (o pérdidas) nocturnas si fuera a apostar $5 en cada giro de la rueda y repetir el proceso 200 veces por noche. Hizo esto 365 veces, con lo cual simulaba los resultados de 365 noches en el casino. Sin ninguna sorpresa, la “ganancia” media por noche de $1000 para las 365 noches fue una pérdida de $55, el promedio de las ganancias retenidas por la casa. La sorpresa, de acuerdo con Seligman, fue la extrema variabilidad de las “ganancias” nocturnas. Siete veces, de entre las 365, el jugador fi cticio perdió la apuesta de $1000 y sólo una vez ganó un máximo de $1160. En 141 noches, la pérdida fue más de $250. 1. Para evaluar los resultados del experimento de Monte Carlo de Seligman, primero encuentre la distribución de probabilidad de la ganancia x en una sola apuesta de $5. 2. Encuentre el valor y varianza esperados de la ganancia x del punto 1. Probabilidad_Mendenhall_07.indd 295Probabilidad_Mendenhall_07.indd 295 5/14/10 8:43:33 AM5/14/10 8:43:33 AM www.FreeLibros.me 296 ❍ CAPÍTULO 7 DISTRIBUCIONES MUESTRALES 3. Encuentre el valor esperado y varianza para la ganancia de la noche, la suma de las ganancias o pérdidas para las 200 apuestas de $5 cada una. 4. Use los resultados del punto 2 para evaluar la probabilidad de que 7 de entre 365 noches resulten en una pérdida de la apuesta total de $1000. 5. Use los resultados del punto 3 para evaluar la probabilidad de que las ganancias más grandes de la noche fuera de hasta $1160. Probabilidad_Mendenhall_07.indd 296Probabilidad_Mendenhall_07.indd 296 5/14/10 8:43:33 AM5/14/10 8:43:33 AM www.FreeLibros.me 297 © Hughstoneian/Dreamstime Estimación de muestras grandes ¿Qué tan confi able es la encuesta? ¿Hacer encuestas nacionales por las organiza- ciones de Harris y Gallup, los medios de comu- nicación y otras brindan estimaciones precisas de los porcentajes de personas en Estados Uni- dos que tienen diversos hábitos alimenticios? El Caso práctico al final de este capítulo examina la confiabilidad de una encuesta realizada por CBS News, utilizando teoría de estimación de mues- tras grandes. OBJETIVO GENERAL En capítulos previos, usted ya se enteró de las distri- buciones de probabilidad de variables aleatorias y las distribuciones muestrales de varias estadísticas que, para tamaños muestrales grandes, pueden ser aproximadas por una distribución normal de acuerdo con el teorema del límite central. Este capítulo presenta un método para estimar parámetros poblacionales e ilustra el concepto con ejemplos prácticos. El teorema del límite central y las distribuciones muestrales presentadas en el capítulo 7 desempeñan un papel clave para evaluar la confi abilidad de estimaciones. ÍNDICE DEL CAPÍTULO ● Selección del tamaño muestral (8.9) ● Estimación de la diferencia entre dos proporciones binomiales (8.6) ● Estimación de la diferencia entre dos medias poblacionales (8.6) ● Estimación de intervalos (8.5) ● Intervalos de confi anza de muestra grande para una media o proporción poblacional (8.5) ● Límites de confi anza de un lado (8.8) ● Selección del mejor estimador puntual (8.4) ● Estimación puntual para una media o proporción poblacional (8.4) ● Tipos de estimadores (8.3) ¿Cómo estimo una media o proporción poblacional? ¿Cómo escojo el tamaño muestral? ENTRENADOR PERSONALMIMI Probabilidad_Mendenhall_08.indd 297Probabilidad_Mendenhall_08.indd 297 5/14/10 8:19:33 AM5/14/10 8:19:33 AM 8 www.FreeLibros.me 7 DISTRIBUCIONES MUESTRALES CASO PRÁCTICO: Muestreo de la Ruleta de Monte Carlo 8 ESTIMACIÓN DE MUESTRAS GRANDES
Compartir