Contexto empresarial
Un analista logístico estudia el riesgo de interrupción en la cadena de suministro. Los fallos en los proveedores suelen desencadenar fallos en la producción (dependencia asimétrica en la cola superior). Se utilizará una Cópula de Gumbel para modelar esta dependencia extrema positiva, aplicando los márgenes empíricos de los datos históricos reales en lugar de distribuciones teóricas uniformes.
Preparación de datos
Creación de datos históricos de fallos (tiempos de parada) para usar como márgenes empíricos.
¡Copiado!
| 1 | DATA mycas.datos_historicos; INPUT Proveedor Produccion; CARDS; |
| 2 | 10 12 |
| 3 | 5 6 |
| 4 | 20 25 |
| 5 | 2 3 |
| 6 | 50 60 |
| 7 | 8 9 |
| 8 | ; RUN; |
Étapes de réalisation
1
Carga de datos históricos para definición de márgenes.
¡Copiado!
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.loadTable / path='datos_historicos.sas7bdat' casout={name='datos_historicos', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
2
Simulación usando Cópula Gumbel (theta=2) y proyección a márgenes empíricos.
¡Copiado!
| 1 | |
| 2 | PROC CAS; |
| 3 | ACTION copula.copulaSimulate / TABLE={name='datos_historicos'} define={copulaType='GUMBEL', theta=2} ndraws=2000 seed=555 var={'Proveedor', 'Produccion'} outempirical={name='simu_fallos_empirica', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
Resultado esperado
Se genera la tabla 'simu_fallos_empirica'. A diferencia de la salida uniforme, los valores en esta tabla siguen la distribución de los datos originales ('datos_historicos') pero están reordenados según la dependencia de Gumbel, mostrando una mayor correlación en los valores altos (fallos graves) que en los bajos.