Vous êtes sur la page 1sur 4

SIMULACION Y TRANSPORTE

MODELADO DE SIMULACION
SIMULACIN MONTECARLO
Un precursor de la simulacin actual es el experimento Montecarlo,
un esquema de modelado que estima parmetros estocsticos o
determinsticos con base en un muestreo aleatorio. Algunos ejemplos
de aplicaciones Montecarlo incluyen la evaluacin de integrales
mltiples, la estimacin de la constante ( 3.14159), y la inversin
de matrices.
Esta seccin utiliza un ejemplo para demostrar la tcnica Montecarlo.
El objetivo del ejemplo es enfatizar la naturaleza estadstica de la
simulacin.

SIMULACION Y TRANSPORTE

TIPOS DE SIMULACIN
La simulacin de este da se basa en la idea del muestreo utilizado
con el mtodo
Montecarlo. Difiere en que estudia el comportamiento de sistemas
reales como una funcin de tiempo. Existen dos tipos distintos de
modelos de simulacin.
1. Los modelos continuos se ocupan de sistemas cuyo
comportamiento cambia continuamente con el tiempo. Estos
modelos suelen utilizar ecuaciones diferenciales para describir
las interacciones entre los diferentes elementos del sistema. Un

SIMULACION Y TRANSPORTE
ejemplo tpico tiene que ver con el estudio de la dinmica de la
poblacin mundial.
2. Los modelos discretos tienen que ver principalmente con el
estudio de lneas de espera con el objetivo de determinar
medidas como el tiempo de espera promedio y la longitud de la
cola. Estas medidas cambian slo cuando un cliente entra o sale
del sistema. Los instantes en que ocurren los cambios en
puntos discretos especficos del tiempo (eventos de llegada y
salida), originan el nombre simulacin de evento discreto.
ELEMENTOS DE LA SIMULACIN DE EVENTO DISCRETO
El objetivo final de la simulacin es estimar algunas medidas de
desempeo deseables que describan el comportamiento del sistema
simulado. Por ejemplo, en una instalacin de servicio, las medidas de
desempeo asociadas pueden incluir el tiempo de espera promedio
hasta que un cliente es atendido, la longitud promedio de la cola y la
utilizacin promedio de la instalacin de servicio. Esta seccin
muestra cmo se recopilan las estadsticas del sistema simulado con
base en el concepto de eventos.
Definicin genrica de eventos
Todas las simulaciones dc eventos discretos describen, directamente
o indirectamente, situaciones de colas en las que los clientes llegan
(para servicio), esperan en la cola (si es necesario) y luego reciben el
servicio antes de salir de la instalacin de servicio. Como tal,
cualquier simulacin de evento discreto, independientemente de la
complejidad del sistema que describe, se reduce a tratar con dos
eventos bsicos: llegadas y salidas.
Muestreo de distribuciones de probabilidad
La aleatoriedad de la simulacin surge cuanto el intervalo, t, entre
eventos sucesivos es probabilstico. Esta seccin presenta tres
mtodos para generar muestras aleatorias sucesivas (t 5 t1, t2, ) de
una distribucin de probabilidad f(t):
1. Mtodo inverso.
2. Mtodo de convolucin.
3. Mtodo de aceptacin y rechazo.
El mtodo inverso es particularmente adecuado para funciones de
densidad de probabilidad analticamente solubles, como la
exponencial y la uniforme. Los otros dos mtodos se ocupan de casos
ms complejos, como el normal y el de Poisson. Los tres mtodos se
derivan del uso de nmeros aleatorios 0-1 independientes e
idnticamente distribuidos.
Esta seccin presentar slo los dos primeros mtodos. Los detalles
del mtodo de aceptacin y rechazo se pueden encontrar en la
bibliografa.
Mtodo inverso. Suponga que se desea obtener una muestra
aleatoria x de la funcin de densidad de probabilidad f(x) (continua o
discreta). El mtodo inverso determina primero la expresin de forma
cerrada de la funcin de densidad acumulada F(x) 5 P{y # x}, donde
0 # F(x) # 1, para todos los valores definidos de y.

SIMULACION Y TRANSPORTE
Se puede demostrar que la variable aleatoria z 5 F(x) est distribuida
de modo uniforme en el intervalo 0 # z # 1. Con base en este
resultado, se determina una muestra aleatoria de f(x) mediante los
siguientes pasos (F21 es la inversa de F):
Paso 1. Genere un nmero aleatorio 0-1, R.
Paso 2. Calcule la muestra deseada x 5 F21 (R).aleatoria de f(x)
mediante los siguientes pasos (F21 es la inversa de F):
Paso 1. Genere un nmero aleatorio 0-1, R.
Paso 2. Calcule la muestra deseada x 5 F21 (R).
Mtodo de convolucin. La idea bsica del mtodo de convolucin
es expresar la muestra deseada como la suma estadstica de otras
variables aleatorias fciles de muestrear.
Tpicas entre estas distribuciones estn las de Erland y la de Poisson,
cuyas muestras pueden obtenerse con las muestras de la distribucin
exponencial.
GENERACIN DE NMEROS ALEATORIOS
Los nmeros aleatorios uniformes (0, 1) desempean un papel clave
en el muestreo de distribuciones. Slo los dispositivos electrnicos
pueden generar nmeros aleatorios
(0,1) verdaderos. Sin embargo, debido a que los modelos de
simulacin se ejecutan en la computadora, el uso de dispositivos
electrnicos para generar nmeros aleatorios es demasiado lento
para este propsito. Adems, los dispositivos electrnicos son
activados por leyes de probabilidades, lo que hace imposible duplicar
la misma secuencia de nmeros aleatorios a voluntad. Este punto es
importante porque la depuracin, la verificacin y la validacin del
modelo de simulacin a menudo requieren la duplicacin de la
secuencia de los nmeros aleatorios.
La nica forma factible de generar nmeros aleatorios (0,1) para
usarlos en una simulacin est basada en operaciones aritmticas.
Tales nmeros no son verdaderamente aleatorios debido a que toda la
secuencia puede generarse con anticipacin. Es por lo tanto ms
apropiado referirse a ellos como nmeros seudoaleatorios.
La operacin aritmtica ms comn para generar nmeros aleatorios
(0,1) es el mtodo congruencial multiplicativo. Dados los
parmetros u0, b, c y m, un nmero seudoaleatorio Rn se puede
generar con las frmulas:

Al valor inicial u0 se le suele conocer como la semilla del generador.