SIMULACION I

1.1 DEFINICIONES
INGENIERIA

IMPORTANCIA

DE

LA

SIMULACION

EN

LA

Simulacin es una tcnica numrica para conducir experimentos en una computadora

digital. Estos experimentos comprenden ciertos tipos de relaciones matemticas y
lgicas, las cuales son necesarias para describir el comportamiento y la estructura de
sistemas complejos del mundo real a travs de largos periodos de tiempo.

Importancia de la simulacin en la Ingeniera.

A travs de un estudio de simulacin, se puede estudiar el efecto de cambios

internos y externos del sistema, al hacer alteraciones en el modelo del sistema y
observando los efectos de esas alteraciones en el comportamiento del sistema.

Una observacin detallada del sistema que se est simulando puede conducir a un
mejor entendimiento del sistema y por consiguiente a sugerir estrategias que mejoren
la operacin y eficiencia del sistema.

La simulacin de sistemas complejos puede ayudar a entender mejor la operacin

del sistema, a detectar las variables ms importantes que interactan en el sistema y a
entender mejor las interrelaciones entre estas variables.

La tcnica de simulacin puede ser utilizada para experimentar con nuevas

situaciones, sobre las cuales tiene poca o ninguna informacin. A travs de esta
experimentacin se puede anticipar mejor a posibles resultados no previstos.

Cuando nuevos elementos son introducidos en un sistema, la simulacin puede ser

usada para anticipar cuellos de botella o algn otro problema que puede surgir en el
comportamiento del sistema.

Aplicaciones de la Simulacin

10 Las reas de aplicacin de la simulacin son muy amplias, numerosas y diversas,

basta mencionar slo algunas de ellas: Anlisis del impacto ambiental causado por
diversas fuentes Anlisis y diseo de sistemas de manufactura. Anlisis y diseo de
sistemas de comunicaciones. Anlisis de grandes equipos de cmputo. Anlisis de un
departamento dentro de una fbrica. Adiestramiento de operadores. Anlisis financiero
de sistemas econmicos. Evaluacin de sistemas tcticos o de defensa militar.

11 La simulacin se utiliza en la etapa de diseo para auxiliar en el logro o mejoramiento

de un proceso o diseo o bien a un sistema ya existente para explorar algunas
modificaciones.
1.2 conceptos bsicos de simulacin
Una simulacin es una imitacin de la operacin de un proceso del mundo real sobre

determinado tiempo
El comportamiento de un sistema durante determinado tiempo puede ser estudiado por
medio de un modelo de simulacin. Este modelo usualmente toma su forma a partir de un
conjunto de postulados sobre la operacin del sistema real.
Una indicacin de la realidad que se implique la realidad, esta implica trampa, engao; la
maga est en que se parezca tanto a la realidad
En la naturaleza la simulacin es como una tcnica de engao para sobrevivir. Ejemplo
el camalen el cual es un animal conocido por su capacidad de cambiar de color
dependiendo en el lugar en que se encuentre.

CONCEPTOS BSICOS QUE SE EMPLEAN EN LA SIMULACIN

Simular, es reproducir artificialmente un fenmeno o las relaciones entrada-salida de un
sistema. Esto ocurre siempre cuando la operacin de un sistema o la experimentacin en
l son imposibles, costosas, peligrosas o poco prcticas, como en el entrenamiento de
personal de operacin, pilotos de aviones, etc

ALGUNOS USOS DE LA SIMULACIN

Las reas de aplicacin de la simulacin son muy amplias, numerosas y diversas, basta
mencionar slo algunas de ellas: Anlisis del impacto ambiental causado por diversas
fuentes Anlisis y diseo de sistemas de manufactura Anlisis y diseo de sistemas de
comunicaciones. Evaluacin del diseo de organismos prestadores de servicios pblicos
(por ejemplo: hospitales, oficinas de correos, telgrafos, casas de cambio, etc.). Anlisis
de sistemas de transporte terrestre, martimo o por aire. Anlisis de grandes equipos de
cmputo. Anlisis de un departamento dentro de una fbrica. Adiestramiento de
operadores (centrales carboelctricas, termoelctricas, nucleoelctricas, aviones,
etc.).Anlisis de sistemas de acondicionamiento de aire. Planeacin para la produccin de
bienes. Anlisis financiero de sistemas econmicos. Evaluacin de sistemas tcticos o de
defensa militar. La simulacin se utiliza en la etapa de diseo para auxiliar en el logro o
mejoramiento de un proceso o diseo o bien a un sistema ya existente para explorar
algunas modificaciones.

1.2 CONCEPTOS BSICOS DE MODELACIN.

MODELACION: Es aquello que sirve para representar o describir otra cosa, es decir crea
prototipos (primer diseo). El modelo puede tener una forma semejante o ser totalmente
distinto del objeto real.
MODELO: Un modelo se puede definir como una representacin simplificada de un
sistema real, un proceso o una teora, con el que se pretende aumentar su comprensin
hacer predicciones y posiblemente ayudar a controlar el sistema
Existen tres formas de modelos:
* Icnico: versin a escala del objeto real y con sus propiedades relevantes ms o menos
representadas.
* Analgico: modelo con apariencia fsica distinta al original, pero con comportamiento
representativo.
* Analtico: relaciones matemticas o lgicas que representen leyes fsicas que se cree
gobiernan
el
comportamiento
de
la
situacin
bajo
investigacin.
Su utilidad puede tener los siguientes matices:

1. Ayuda para aclarar el pensamiento acerca de un rea de inters

2. Como una ilustracin del concepto
3. Como una ayuda para definir estructura y lgica
4. Como un pre requisito al diseo
El discernimiento sobre una situacin frecuentemente puede fortalecerse con el desarrollo
de un modelo que muestra interacciones en la forma de relaciones causa-efecto. La
dinmica de sistemas provee un lenguaje de modelacin adecuado para ensamblar esta
clase de modelo. Consiste en relacionar razones de flujo, niveles y estados. La actividad
de disear est interesada en definir cmo lograr un determinado propsito. Sin embargo,
previamente al diseo est la etapa de decidir qu se va a disear. La modelacin
conceptual es necesaria en esta etapa.

1.3 METODOLOGA DE LA SIMULACIN

La simulacin como tal es un proceso y en general consta de las siguientes etapas.
Definicin del sistema: Para tener una definicin exacta del sistema que se desea simular,

es necesario hacer primeramente un anlisis preliminar de ste, con el fin de determinar

la interaccin con otros sistemas, las restricciones del sistema, las variables que
interactan dentro del sistema y sus interrelaciones, las medidas de efectividad que se
van a utilizar para definir y estudiar el sistema y los resultados que se esperan obtener del
estudio.
Formulacin del modelo: Una vez definidos con exactitud los resultados que se esperan
obtener del estudio, se define y construye el modelo con el cual se obtendrn los
resultados deseados. En la formulacin del modelo es necesario definir todas las
variables que forman parte de l, sus relaciones lgicas y los diagramas de flujo que
describan en forma completa el modelo.
Coleccin de datos: Es importante que se definan con claridad y exactitud los datos que el
modelo va a requerir para producir los resultados deseados.
Implementacin del modelo en la computadora: Con el modelo definido, el siguiente paso
es decidir si se utiliza algn lenguaje como el fortran, algol, lisp, etc., o se utiliza algn
paquete como Vensim, Stella y iThink, GPSS, simula, simscript, Rockwell Arena etc., para
procesarlo en la computadora y obtener los resultados deseados.
Validacin: A travs de esta etapa es posible detallar deficiencias en la formulacin del
modelo o en los datos alimentados al modelo. Las formas ms comunes de validar un
modelo
son:
1. La opinin de expertos sobre los resultados de la simulacin.
2. La exactitud con que se predicen datos histricos. 3. La exactitud en la prediccin del
futuro. 4. La comprobacin de falla del modelo de simulacin al utilizar datos que hacen
fallar al sistema real. 5. La aceptacin y confianza en el modelo de la persona que har
uso de los resultados que arroje el experimento de simulacin.
Experimentacin: La experimentacin con el modelo se realiza despus que ste haya
sido validado. La experimentacin consiste en generar los datos deseados y en realizar
un anlisis de sensibilidad de los ndices requeridos.
Interpretacin: En esta etapa del estudio, se interpretan los resultados que arroja la
simulacin y con base a esto se toma una decisin. Es obvio que los resultados que se
obtienen de un estudio de simulacin ayudan a soportar decisiones del tipo semiestructurado.
Documentacin: Dos tipos de documentacin son requeridos para hacer un mejor uso del
modelo de simulacin. La primera se refiere a la documentacin del tipo tcnico y la
segunda se refiere al manual del usuario, con el cual se facilita la interaccin y el uso del
modelo desarrollado.
1.4 SISTEMA, MODELO Y CONTROL.

Un sistema puede definirse como una coleccin de objetos o entidades que interactan
entre
s
para
alcanzar
un
cierto
objetivo.
Estado de un sistema: conjunto mnimo de variables necesarias para caracterizar o
describir todos aquellos aspectos de inters del sistema en un cierto instante de tiempo.
Los sistemas se clasifican en:
Sistemas Continuos: Las variables del estado del sistema evolucionan de modo continuo
a lo largo del tiempo.
Sistemas Discretos. Se caracterizan porque las propiedades de inters del sistema
cambian nicamente en un cierto instante o secuencia de instantes, y permanecen
constantes el resto del tiempo.
Sistemas orientados a eventos discretos. Al igual que los sistemas discretos, se
caracterizan porque las propiedades de inters del sistema cambian nicamente en una
secuencia de instantes de tiempo permaneciendo constantes el resto del tiempo.
Sistemas combinados. Aquellos que combinan subsistemas que siguen filosofas
continuas o discretas, respectivamente.
Modelo: es el que estudia los hechos salientes del sistema o proyecto. Se hace una
abstraccin de la realidad, representndose el sistema y proyecto en un modelo.
Clasificacin de modelos.
La descripcin de las caractersticas de inters de un sistema se conoce como modelo del
sistema, y el proceso de abstraccin para obtener esta descripcin se conoce como
modelado. Existen muchos tipos de modelos (modelos fsicos, modelos mentales,
modelos simblicos, etc.) para representar los sistemas en estudio.
Los Modelos Estticos: suelen utilizarse para representar el sistema en un cierto instante
de tiempo.
Los modelos simblicos matemticos mapean las relaciones existentes entre las
propiedades fsicas del sistema que se pretende modelar en las correspondientes
estructuras matemticas.
Los Modelos Continuos: se caracterizan por representar la evolucin de las variables de
inters de forma continua.
Los Modelos de Eventos Discretos: son modelos dinmicos, estocsticos y discretos en
los que las variables de estado cambian de valor en instantes no peridicos del tiempo.
Los Modelos Estocsticos: requieren de una o ms variables aleatorias para formalizar las
dinmicas de inters.

Un modelo se denomina Determinista si su nuevo estado puede ser completamente

definido a partir del estado previo y de sus entradas.
Un buen modelo debe:
-Representar adecuadamente aquellas caractersticas del sistema que son de nuestro
inters.
-Ser una representacin abstracta de la realidad lo suficientemente sencilla como para
facilitar su mantenimiento, adaptacin y reutilizacin
Control: Es el elemento de verificacin de datos del sistema, mediante el cual,
automticamente vuelve a traer los datos necesarios relacionados con la rutina de
procedimiento que se controla.
1.5 ESTRUCTURA Y ETAPA DE ESTUDIO DE LA SIMULACIN.
Para llevar a cabo un experimento de simulacin se requiere realizar las siguientes
etapas:
Definicin Del Sistema: Para tener una definicin exacta del sistema que se desea
simular, es necesario hacer primeramente un anlisis preliminar del mismo, con el fin de
determinar la iteracin del sistema con otros sistemas.
Formulacin Del Modelo: Una vez que estn definidos con exactitud los resultados que se
desean obtener del estudio el siguiente paso es definir y construir el modelo con el cual se
obtendrn los resultados deseados.
Coleccin De Datos: Es posible que la facilidad de obtencin de algunos datos o la
dificultad de conseguir otros, pueda influenciar el desarrollo y formulacin del modelo.
Implementaron Del Modelo En La Computadora: A k.o. se define cual es el lenguaje que
se va a utilizar algunos de estos pueden ser de propsito general como: Visual basic,
Java, Delphi o se pueden usar unos paquetes como: GBSS, SIMULA, PROMODEL.
Validacin: A travs de esta etapa es posible detallar definiciones en la formulacin del
modelo o en los datos alimentados al modelo.
Experimentacin: La experimentacin con el modelo se realizara despus de que este ha
sido validado.
Interpretacin: A que se interpretan los resultados que arroja la simulacin y en base a
esto se toma una decisin.
Documentacin: existen dos tipos de documentacin que son requeridos para hacer un
mejor uso del modelo de simulacin.

1.6 ETAPAS DE UN PROYECTO DE SIMULACIN.

Formulacin del problema: Define el problema que se pretende estudiar. Incluye por
escrito sus objetivos.
Diseo del modelo conceptual: Especificacin del modelo a partir de las caractersticas de
los elementos del sistema que se quiere estudiar y sus interacciones teniendo en cuenta
los objetivos del problema.
Recogidas de datos: Identificar, recoger y analizar los datos necesarios para el estudio.
Construccin del modelo: Construccin del modelo de simulacin partiendo del modelo
conceptual y de los datos.
Verificacin y validacin: Comprobar que el modelo se comporta como es de esperar y
que existe la correspondencia adecuada entre el sistema real y el modelo.
Anlisis: Analizar los resultados de la simulacin con la finalidad de detectar problemas y
recomendar mejoras o soluciones.
Documentacin: Proporcionar documentacin sobre el trabajo efectuado.
Implementacin: Poner en prctica las decisiones efectuadas con el apoyo del estudio de
simulacin.
1.7 Elementos bsicos de un simulador de eventos discretos
FORMULACIN DEL PROBLEMA.
Otro importante aspecto abordado en la investigacin es la identificacin y estudio de las
tcnicas de integracin para la formulacin de las tareas docentes. Sin pretender
profundizar en las complejidades que encierra una investigacin pedaggica sobre el
tema, a continuacin se describen muy brevemente algunas tcnicas utilizadas para la
formulacin de problemas qumicos de integracin estructural, que son los ms
importantes:
1.-Modelacin. Fijado el objetivo que se persigue en la creacin de un problema,
inmediatamente se activan los componentes intelectuales bsicos: sensaciones,
percepciones, memoria, pensamiento e imaginacin. Con ellos se comienzan a dibujar en
el cerebro nuevas ideas en forma de imgenes, con la necesidad de ser exteriorizadas
mediante la construccin de modelos grficos, es por ello que los elementos estructurales
del problema son plasmados en el papel antes de su redaccin en el formato final.

2.-Tanteo-error. Consiste en un proceso continuo de adecuacin y ajuste por bsqueda y

prueba de los datos y/o las incgnitas segn las condiciones del problema, hasta
encontrar las ms adecuadas. La bsqueda puede ser de tipo inteligente o arbitrario, y en
ocasiones es utilizada para modificar las condiciones y con ella reordenar los elementos
estructurales. Se evidencia su utilizacin en el gran nmero de operaciones de clculo
que son realizadas, as como en tachaduras y borrones que generalmente aparecen
sobre el papel del formulador.
3.Asociacin por analoga. En esta tcnica se hace uso de la reproduccin en una primera
fase. Consiste en establecer nuevos nexos entre datos e incgnitas siguiendo formatos y
textos guardados en la memoria para obtener otras por medio de la innovacin. Es
evidente que sobre las ideas iniciales, posteriormente se introducen modificaciones, que
consisten en relacionar los datos de otra forma, introducir nuevas condiciones o cambiar
la forma de redactar las preguntas, para obtener al final un problema derivado, que si bien
no se caracteriza por su originalidad, s constituye una nueva tarea.
4.-Integracin por inclusin. Es una tcnica muy sencilla, cuyo procedimiento es asequible
a cualesquier sujeto. Consiste en elaborarla de forma tal que las incgnitas de los
diferentes incisos mantengan una dependencia sucesiva en forma de cadena, como el
ejemplo de la pgina 37, donde fueron caracterizados los sistemas semiabiertos, para
luego eliminar los iniciales y solo dejar la incgnita final.
5.-Reformulacin. Consiste en reconstruir la estructura gramatical y de sistema mediante
procesos de innovacin. Se diferencia de la analoga por la profundidad de los cambios
introducidos, puesto que se parte de un ejemplo concreto que debe ser modificado y no
de recuerdos que pueden ser borrosos y a veces confusos.
6.-Fusin de tareas (o contenidos) auxiliares. Como parte de las estrategias de
integracin, la fusin de tareas docentes auxiliares constituye una de las ms importantes.
Es poco empleada, debido a la elevada complejidad que implica el establecimiento de
relaciones mltiples entre datos e incgnitas que proceden de ejemplos diferentes,
aunque tambin pueden ser integrados diversos contenidos previamente seleccionados,
que guarden una relacin directa o indirecta. Consiste en fusionar dos o ms contenidos
(que pueden o no proceder de otras tareas), mediante los mecanismos de la integracin
externa o interna, para obtener otra con un mayor nivel de complejidad.
1.-Partir del anlisis de los objetivos de los programas, siguiendo un enfoque sistmico en
su derivacin gradual, desde los ms generales de la enseanza hasta la clase.
2.-Proporcionar en las tareas relaciones ricas entre los nuevos conocimientos y los
esquemas existentes, donde estn presentes todos los niveles de integracin de los
conocimientos y las habilidades, hasta llegar al nivel interdisciplinario.
3.-Desarrollar una adecuada variedad, concebida la variedad no slo en trminos de
enfoque que propicien reflexin, estimulen el debate y permitan crear motivos

cognoscitivos, sino tambin en relacin con las funciones, habilidades, niveles de

asimilacin y complejidad, entre otros.
4.-Presentar la informacin tanto en trminos positivos y familiares como con complejidad
lgico lingstica, ir desde la simple descripcin del lenguaje simblico hasta la exigencia
de complicadas transformaciones, como por ejemplo negaciones o varias premisas con
diferentes enlaces lgicos, textos complejos a interpretar o informaciones no utilizables,
entre otras.
5.-Redactar las tareas de forma tal que expresen siempre ms de una funcin. Adems de
la funcin cognoscitiva, incorporar situaciones nuevas, con diferentes niveles de
complejidad, tanto de la vida diaria, la orientacin profesional o el cuidado del medio
ambiente, como de la actualidad poltico- ideolgica del pas.
6.-Establecer un adecuado equilibrio entre los problemas que sern formulado, dejando
un espacio a los problemas experimentales y cualitativos, que son insuficientes en los
textos de la enseanza media.
1.7 ELEMENTOS BSICOS DE UN SIMULADOR DE
EVENTOS DISCRETOS.
I. Facilidad de modelamiento:
En general la simulacin de eventos discretos permite modelar situaciones de alto nivel de
complejidad con funciones relativamente sencillas, de esta forma es posible construir
modelos que representen la realidad en el nivel de detalle deseado, por ejemplo el diseo
de un modelo de un centro de distribucin con recibo, almacenamiento, picking de
estibas, zona de fast picking, alistamiento y despacho.
II. Estadsticas e indicadores
Dada la estructura de la simulacin de eventos discretos es posible obtener todo tipo de
estadsticas e indicadores relevantes a la operacin modelada, inclusive se puede obtener
informacin que muchas veces en los sistemas reales sera inimaginable tener, como por
ejemplo: diagramas de gantt de las piezas en proceso, utilizacin de los recursos
humanos, diagrama de gantt de los recursos utilizados, tiempos de ciclo de piezas en
proceso).
I. Entidades
Son los objetos que fluyen a travs del sistema, podran ser: clientes, productos, cajas,
camiones y pallets entre otros
II. Atributos
Son las diferentes caractersticas que definen a las entidades: tipo, edad, gnero, peso,
volumen, tiempo de inicio de un proceso.

III. Variables
Son aquellas que definen el modelo y sus estados como un conjunto: nmero de
entidades en proceso, nmero de entidades entrantes, nmero de entidades salientes,
costo de proceso unitario.
IV. Reloj de simulacin
Variable que lleva control del tiempo virtual de simulacin, no se debe confundir con el
tiempo real de ejecucin, es decir mientras en mi reloj de mano pasaron 5 minutos desde
que se ejecut la simulacin, en el modelo el reloj de simulacin podra haber avanzado
das, meses o inclusive aos.
V. Eventos
Diferentes tipos de acontecimientos que ocurren a travs de la simulacin, que hacen que
el reloj de simulacin avance, tales como: llegada de un paciente, dao de una mquina,
inicio de operacin de un trabajador, finalizacin de un proceso de fabricacin.
VI. Recursos
Objetos a los que se les asocia algn tipo de gasto o de consumo de los mismos para
realizacin de tareas de operacin o transporte: operarios, montacargas, mquinas,
buffers de almacenamiento, bandas transportadoras.

NUMEROS PSEUDOALETORIOS
2.1 Mtodos de generacin de nmeros pseudoaleatorio.
Un generador pseudoaleatorio de nmeros (GPAN) es un algoritmo que produce una
sucesin de nmeros que es una muy buena aproximacin a un conjuntoaleatorio de
nmeros. La sucesin no es exactamente aleatoria en el sentido de que queda
completamente determinada por un conjunto relativamente pequeo de valores iniciales,
llamados el estado del GPAN. Si bien es posible generar sucesiones
mediante generadores de nmeros aleatorios por dispositivos mecnicosque son mejores
aproximaciones a una sucesin aleatoria, los nmeros pseudo-aleatorios son importantes

en la prctica para simulaciones (por ejemplo, de sistemas fsicos mediante el mtodo de

Montecarlo), y desempean un papel central en la criptografa.
La mayora de los algoritmos de generadores pseudoaleatorios producen sucesiones que
poseen una distribucin uniforme segn varios tipos de pruebas. Las clases ms comunes
de estos algoritmos son generadores lineales congruentes, generadores Fibonacci
demorados, desplazamiento de registros con retroalimentacin lineal y desplazamientos
de registros con retroalimentacin generalizada. Entre los desarrollos ms recientes de
algoritmos pseudoaleatorios se encuentran Blum Blum Shub, Fortuna, y el Mersenne
twister.
Se requiere de un cuidadoso anlisis matemtico para tener algn tipo de confianza en
que un dado GPAN genera nmeros que son suficientemente "aleatorios" para ser tiles
para el propsito para el que se los precisa. Robert R. Coveyou del Oak Ridge National
Laboratory escribi un artculo titulado, "La generacin de nmeros aleatorios es
demasiado importante como para ser dejado al azar."1 Y como John von Neumann deca
en broma, "Todo el que desarrolla mtodos aritmticos para producir dgitos aleatorios
esta desde luego en pecado

La herramienta principal de la simulacin es la generacin de nmeros aleatorios o

al azar, los cuales representaran el valor que tomara una variable. En un principio
los nmeros aleatorios se generaban por mtodos rsticos como el girar una ruleta
o lanzar los dados.
El enfoque moderno es usar una computadora para generarlos mediante alguna
formula matemtica con lo que nos encontramos generando por un mtodo
deterministico una secuencia de numero que dan la apariencia de ser aleatorios
cuando no lo son, dado que en algn momento no determinado esta lista
comenzara a repetirse, el objetivo en si es generar una lista lo suficientemente
larga como para evitar llegar al comienzo del ciclo.
A esta serie de numero que parecen ser aleatorios se les denomina
pseudoaleatorios, ahora veamos una formula para determinar esta serie de
nmeros:
Metodo congruencial multiplicativo

en donde:
Xn : es el numero pseudoaletorio que se genera
a: es una constante numrica seleccionada al azar.
Xn-1: al comienzo se le denomina valor semilla, el cual sera un numero
tomado al azar.

m: es un numero primo lo suficientemente grande como para evitar las

repeticiones.
La operacin modulo recordemos que es la operacin en la que dividimos dos
nmeros no para obtener el cociente sino el residuo o resto de dividirlos.

El valor obtenido de Xn se convertira en el nuevo valor de Xn-1 al calcular el

siguiente numero aleatorio.
A conitnuacin vemos como queda en excel esta formula y la generacin de
nmeros pseudoaleatorios

En algunas versiones de excel la funcin para calcular el modulo se llama residuo

y en otras se llama resto.
Metodo congruencial mixto

A este mtodo se le denomina congruencial mixto porque posee un termino

multiplicativo (aXn-1) y uno aditivo (+c), tal como se ve solo se agrega una
constante ms que se sumara al resultado de multiplicar a por Xn-1.
Con esta simple modificacin logramos obtener series mas largas, as que veamos
como queda en excel.

Estos mtodos generan una lista de nmeros pseudoaleatorios, pero como su

nombre lo indica parte de un valor influenciado por nosotros.
Los lenguajes de programacin poseen una instruccin para que podamos
generar nmeros aleatorios, en estos no se hace uso de una semilla dada por
nosotros ya que ese pequeo requisito se toma de la secuencia numrica que
forma la fecha y la hora de la computadora

2.2 Pruebas estadsticas

Pruebas
estadsticas.
Existen
dos
grandes
grupos
de
pruebas
de
significacin estadstica, el referido a las paramtricas y el relacionado con las no
paramtricas, con rasgos distintivos que las caracterizan

Pruebas paramtricas
Las pruebas paramtricas son para datos numricos (escalas de intervalos o razones) y ,
por lo general, estn basadas en las propiedades de la distribucin normal o gausiana,
para lavariable dependiente.
Esta distribucin se manifiesta cuando los datos son mediciones repetidas de la misma
variable, en unidades de muestreo extradas al azar de la poblacin y cuando la muestra
es grande. Las pruebas posibles a utilizar son: la "t" de student, el coeficiente de
correlacin de Pearson, la regresin lineal, el anlisis de varianza unidireccional (ANOVA
Oneway), anlisis de varianza factorial (ANOVA), anlisis de covarianza (ANCOVA) y se
tratan estadgrafos descriptivos como la desviacin standard, la moda, la mediana y la
media.
Requisitos

Las observaciones deben ser independientes entre s.

Las poblaciones deben hacerse en poblaciones distribuidas normalmente.

Estas poblaciones deben tener la misma varianza.

Las variables deben haberse medido por lo menos en una escala de intervalo de
manera que sea posible utilizar las operaciones aritmticas.

Pruebas no paramtricas
Las pruebas no paramtricas son utilizadas con variables nominales y ordinales, no
asumen un tipo particular de distribucin, se aceptan distribuciones no normales, la
exigencia en cuanto al tamao de la muestra es menor que en el caso de las
paramtricas.
Las ms utilizadas son la Ji cuadrada, coeficientes de correlacin e independencia para
tabulaciones cruzadas, coeficientes de correlacin por rangos ordenados Spearman y
Kendall. Las pruebas no paramtricas son necesarias cuando:

Los tamaos de las muestras son tan pequeas como N=6

La investigacin aporta resultados que solo se puedan referir a un comportamiento
de los sujetos en mayor o menor grado de ciertas caractersticas, pero sin especificar
cantidad.

Las pruebas estadsticas no paramtricas pueden usarse para probar hiptesis que
requieren: a) Solo una muestra. b) Dos muestras relacionadas. c) Dos muestras
independientes. d) Para k muestras relacionadas. e) Para k muestras independientes.

Seleccin de las pruebas estadsticas

Cuando existen varias pruebas estadsticas disponibles para ser empleadas en un
proceso investigativo, se requiere que la prueba estadstica elegida sea la ms
conveniente y poderosa para el diseo experimental que se utiliza, y para ello es
necesario utilizar un criterio de seleccin.
Uno de ellos es el de la potencia, pues est formulada la hiptesis de investigacin y se
necesita formular la hiptesis nula que contradiga precisamente lo que se quiere lograr: la
probabilidad de rechazar la hiptesis de nulidad cuando realmente sea falsa.
Por tanto, se puede considerar que una prueba estadstica es apropiada cuando es
pequea la probabilidad de rechazar la hiptesis de nulidad (Ho) cuando sea verdadera; y
grande la probabilidad de rechazarla cuando sea falsa.
Adems se necesita especificar el nivel de significacin (a) y el tamao de la muestra (N).
Para (a) = 0.05 se dice que es significativa. Lo que quiere decir que existe una posibilidad
en 20 de equivocarse. Si se hace con (a) = 0.01 ser altamente significativa, lo que
implica una posibilidad en 100 de equivocarse. Tambin, se requiere encontrar o suponer
la distribucin muestral de la prueba estadstica conforme a Ho: si se puede considerar
que se acerca o no a una distribucin normal.
Existen otras formas de seleccionar las pruebas estadsticas como:

La forma en que fue obtenida la muestra.

La naturaleza de la poblacin de donde se obtuvo la muestra.

Las mediciones que fueron realizadas en las definiciones de las variables usadas.

2.3 Mtodo de Montecarlo

El mtodo de Monte Carlo1 es un mtodo no determinista o estadstico numrico, usado
para aproximar expresiones matemticas complejas y costosas de evaluar con exactitud.
El mtodo se llam as en referencia al Casino de Monte Carlo (Principado de Mnaco)
por ser la capital del juego de azar, al ser la ruletaun generador simple de nmeros

aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan

aproximadamente

de 1944 y

se

mejoraron

enormemente

con

el

desarrollo

de

la computadora.
El uso de los mtodos de Monte Carlo como herramienta de investigacin, proviene del
trabajo realizado en el desarrollo de la bomba atmica durante la Segunda Guerra
Mundial en el Laboratorio Nacional de Los lamos en EE. UU. Este trabajo conllevaba la
simulacin

de

problemas

probabilsticos

de hidrodinmicaconcernientes

la difusin de neutrones en el material de fisin. Esta difusin posee un comportamiento

eminentemente aleatorio.

En

la

actualidad

es

parte

fundamental

de

los algoritmos de Raytracing para la generacin de imgenes 3D.

Monte Carlo
En la primera etapa de estas investigaciones, John von Neumann y Stanislaw
Ulam refinaron esta ruleta rusa y los mtodos "de divisin" de tareas. Sin embargo, el
desarrollo sistemtico de estas ideas tuvo que esperar al trabajo de Harris y Herman
Kahn en 1948. Aproximadamente en el mismo ao, Enrico Fermi, Nicholas Metropolis y
Ulam obtuvieron estimadores para los valores caractersticos de la ecuacin de
Schrdinger para la captura de neutrones a nivel nuclear usando este mtodo.
El mtodo de Monte Carlo proporciona soluciones aproximadas a una gran variedad de
problemas matemticos posibilitando la realizacin de experimentos con muestreos de
nmeros pseudoaleatorios en una computadora. El mtodo es aplicable a cualquier tipo
de problema, ya sea estocstico o determinista. A diferencia de los mtodos numricos

que se basan en evaluaciones en N puntos en un espacio M-dimensional para producir

una solucin aproximada, el mtodo de Monte Carlo tiene un error absoluto de la
estimacin que decrece como

en virtud delteorema del lmite central.

Origen del mtodo

La invencin del mtodo de Monte Carlo se asigna a Stanislaw Ulam y a John von
Neumann. Ulam ha explicado cmo se le ocurri la idea mientras jugaba un solitario
durante una enfermedad en 1946. Advirti que resulta mucho ms simple tener una idea
del resultado general del solitario haciendo pruebas mltiples con las cartas y contando
las proporciones de los resultados que computar todas las posibilidades de combinacin
formalmente. Se le ocurri que esta misma observacin deba aplicarse a su trabajo de
Los lamos sobre difusin de neutrones, para la cual resulta prcticamente imposible
solucionar las ecuaciones ntegro-diferenciales que gobiernan la dispersin, la absorcin y
la fisin. La idea consista en probar con experimentos mentales las miles de
posibilidades, y en cada etapa, determinar por casualidad, por un nmero aleatorio
distribuido segn las probabilidades, qu sucedera y totalizar todas las posibilidades y
tener una idea de la conducta del proceso fsico.
Podan utilizarse mquinas de computacin, que comenzaban a estar disponibles, para
efectuar las pruebas numricas y en efecto reemplazar el aparato experimental del fsico.
Durante una de las visitas de von Neumann a Los lamos en 1946, Ulam le mencion el
mtodo. Despus de cierto escepticismo inicial, von Neumann se entusiasm con la idea
y pronto comenz a desarrollar sus posibilidades en un procedimiento sistemtico. Ulam
expres que Monte Carlo comenz a tener forma concreta y empez a desarrollarse con
todas sus fallas de teora rudimentaria despus de que se lo propuse a Johnny.
A principios de 1947 Von Neumann envi una carta a Richtmyer a Los lamos en la que
expuso de modo influyente tal vez el primer informe por escrito del mtodo de Monte
Carlo. Su carta fue encuadernada junto con la respuesta de Richtmyer como un informe
de Los lamos y distribuida entre los miembros del laboratorio. Von Neumann sugera
aplicar el mtodo para rastrear la generacin istropa de neutrones desde una
composicin variable de material activo a lo largo del radio de una esfera. Sostena que el

problema era adecuado para el ENIAC y estimaba que llevara 5 horas calcular la accin
de 100 neutrones a travs de un curso de 100 colisiones cada uno.
Ulam estaba particularmente interesado en el mtodo Monte Carlo para evaluar integrales
mltiples. Una de las primeras aplicaciones de este mtodo a un problema determinista
fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando consideraron
los valores singulares de la ecuacin de Schrdinger.
Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda,
debemos previamente asignarle un intervalo de nmeros aleatorios a CARA y otro a
CRUZ, de manera de poder interpretar el resultado de la simulacin. Tales intervalos se
asignan en funcin de las probabilidades de ocurrencia de cada cara de la moneda.
Tenemos as:
CARA Probabilidad: 0,50 Nmeros aleatorios: 0,000 al 0,499
CRUZ Probabilidad: 0,50 Nmeros aleatorios: 0,500 al 0,999
Despus, al generar un nmero aleatorio a partir de la funcin RAN de la calculadora, por
ejemplo, obtenemos el resultado simulado. As, si obtenemos el nmero aleatorio 0,385,
observamos que est incluido en el intervalo asignado a CARA.
En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las
probabilidades de ocurrencia de los eventos a simular.

3. GENERACION DE VARIABLES ALEATORIAS

3.1 conceptos bsicos
Un generador de nmeros aleatorios es un dispositivo informtico o fsico diseado para
producir secuencias de nmeros sin un orden aparente.
Algoritmos Los algoritmos para la generacin de valores uniformemente distribuidos estn
presentes en todas las calculadoras y lenguajes de programacin, y suelen estar basados
en congruencias numricas del tipo:
Xn+1= (axn+c) (mod m)
El xito de este tipo de generadores de valores de una variable aleatoria depende de la
eleccin de los cuatro parmetros que intervienen inicialmente en la expresin anterior:
El valor inicial o semilla: x0
La constante multiplicativa: a

La constante aditiva: c
El nmero m respecto al cual se calculan los restos
Estos cuatro valores deben ser nmeros enteros no negativos y que cumplan la siguiente
condicin: x0,a,c <m
La mayor parte de los generadores de nmeros aleatorios son, en realidad,
pseudoaleatorios; se calcula (o introduce internamente) un valor x0, que llamaremos
semilla, y, a partir de l, se van generando x1,x2, x3,
Siempre que se parta de la misma semilla, se obtendr la misma secuencia de valores.
Por la condicin anterior, es evidente que todos los valores generados por este
procedimiento son nmeros enteros entre 0 y -1.
El nmero mximo de cifras distintas que pueden obtenerse con el procedimiento
descrito es , as que llegar un momento en que el primer nmero generado se repetir
producindose un ciclo. El ciclo dnde inevitablemente caer el generador interesa que
sea de la mayor longitud posible (como mximo ), para evitar que se repitan pronto los
valores aleatorios. Por ejemplo, para los valores , , y se obtiene la siguiente secuencia de
valores: 2-11-6-23-10-3-14-15-18-27-22-7-26-19-30-31-2-11-6
La secuencia generada tiene como longitud 16 nmeros (el nmero generado en la
decimosptima posicin es el 2 inicial, por lo que toda la secuencia se repite a partir de
ah), muy inferior a la longitud mxima que podra tener ( =32). Determinadas elecciones
de parmetros del generador ( , , y ) conducen a ciclos de amplitud mxima.
3.2 Variables discretas
Variable aleatoria discreta: una V.A. es discreta si su recorrido es un conjunto discreto. En
gran cantidad de experimentos aleatorios es necesario cuantificar los resultados, es decir,
asignar a cada resultado del experimento un nmero, con el fin de poder realizar un
estudio matemtico.
3.3 Variables continuas
Es aquella que puede tomar infinitos valores dentro de un intervalo de la recta real.
En el caso de variables aleatorias continuas no tiene sentido plantearse probabilidades de
resultados aislados. La probabilidad de valores puntuales es cero.
El inters de estas probabilidades est en conocer la probabilidad correspondiente a un
intervalo. Dicha probabilidad se conoce mediante una curva llamada funcin de densidad
y suponiendo que bajo dicha curva hay un rea de una unidad.
Conociendo esta curva, basta calcular el rea correspondiente para conocer la
probabilidad de un intervalo cualquiera.
3.3 Mtodos para generar variables aleatorias

Existen varios mtodos que nos permiten generar variables aleatorias. Lo normal es que
existan varias opciones para generar una misma variable aleatoria.
La eleccin del mtodo adecuado se puede basar en una serie de factores como:
Exactitud.se prefiere un mtodo exacto frente a mtodos aproximados, como soluciones
numricas.
Velocidad. Uno de los datos que se toma en consideracin es el tiempo de generacin de
la variable.
Espacio. Necesidades de memoria del mtodo utilizado. En general, los mtodos no
consumen mucha memoria.
3.4 Procedimientos especiales
Existen diferentes tipos de mtodos para generar variables aleatorias, pero tambien
existen casos especiales para generar estas los cuales son:

La distribucin de Poisson parte de la distribucin binomial:

Cuando en una distribucin binomial se realiza el experimento un nmero "n" muy elevado
de veces y la probabilidad de xito "p" en cada ensayo es reducida, entonces se aplica el
modelo de distribucin de Poisson:
Se tiene que cumplir que:
" p " < 0,10
" p * n " < 10
La distribucin de Poisson sigue el siguiente modelo:
Vamos a explicarla: El nmero "e" es 2,71828 " l " = n * p (es decir, el nmero de veces " n
" que se realiza el experimento multiplicado por la probabilidad " p " de xito en cada
ensayo) " k " es el nmero de xito cuya probabilidad se est calculando.
La distribucin binomial parte de la distribucin de Bernouilli:
La distribucin de Bernouiili se aplica cuando se realiza una sola vez un experimento que
tiene nicamente dos posibles resultados (xito o fracaso), por lo que la variable slo
puede tomar dos valores:
El 1 y el 0 La distribucin binomial se aplica cuando se realizan un nmero "n" de veces
el experimento de Bernouiili, siendo cada ensayo independiente del anterior.
La variable puede tomar valores entre: 0: si todos los experimentos han sido fracaso n: si
todos los experimentos han sido xitos.

3.6 Pruebas estadsticas (pruebas de bondad de ajuste)

En la construccin del modelo de simulacin es importante decidir si un conjunto de datos
se ajusta apropiadamente a una distribucin especfica de probabilidad.
Al probar la bondad del ajuste de un conjunto de datos, se comparan las frecuencias
observadas FO realmente en cada categora o intervalo de clase con las frecuencias
esperadas tericamente FE.
Prueba Ji cuadrada La prueba Ji cuadrada hace uso de la distribucin del mismo nombre
para probar la bondad del ajuste al comparar el estadstico de prueba Xo2 con el valor en
tablas de la mencionada distribucin Ji cuadrada con v grados de libertad y un nivel de
significancia alfa

4. LENGUAJES DE SIMULACION Y APLICACIN

4.1 LENGUAJE DE SIMULACION Y SIMULADORES

En un principio, los programas de simulacin se elaboraban utilizando algn lenguaje de
propsito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la dcada
de 1960 hacen su aparicin los lenguajes especficos para simulacin como GPSS,
GASP, SIMSCRIPT, SLAM. En la ltima dcada del siglo pasado la aparicin de las
interfaces grficas revolucionaron el campo de las aplicaciones en esta rea, y
ocasionaron el nacimiento de los simuladores.
En lo prctico, es importante utilizar la aplicacin que mejor se adece al tipo de sistema
a simular, ya que de la seleccin del lenguaje o simulador depender el tiempo de
desarrollo del modelo de simulacin. Las opciones van desde las hojas de clculo,
lenguajes de tipo general (como Visual Basic, C++ o Fortan), lenguajes especficos de
simulacin (como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y SSED), hasta simuladores
especficamente desarrollados para diferentes objetivos (como SIMPROCESS, ProModel,
Witness, Taylor II y Cristal Ball).

4.2

APRENDIZAJE

USO

LENGUAJE

DE

SIMULACINO

SIMULADOR

Los lenguajes de simulacin facilitan enormemente el desarrollo y ejecucin de

simulaciones de sistemas complejos del mundo real. Los lenguajes de simulacin son
similares a los lenguajes de programacin de alto nivel pero estn especialmente
preparados para determinadas aplicaciones de la simulacin. As suelen venir
acompaados de una metodologa de programacin apoyada por un sistema de smbolos
propios para la descripcin del modelo por ejemplo mediante diagramas de flujo u otras
herramientas que simplifican notablemente la modelizacin y facilitan la posterior
depuracin del modelo.
Caractersticas de los lenguajes de simulacin:

Los lenguajes de simulacin proporcionan automticamente las caractersticas

necesarias para la programacin de un modelo de simulacin, lo que redunda en una
reduccin significativa del esfuerzo requerido para programar el modelo.

Proporcionan un marco de trabajo natural para el uso de modelos de simulacin.

Los bloques bsicos de construccin del lenguaje son mucho ms afines a los propsitos
de la simulacin que los de un lenguaje de tipo general.

Los modelos de simulacin son mucho ms fcilmente modificables.

Proporcionan muchos de ellos una asignacin dinmica de memoria durante la
ejecucin,.
Facilitan una mejor deteccin de los errores.
Los paquetes de software especialmente diseados para simulacin contienen
aplicaciones diversas que facilitan al simulador las tareas de comunicaciones, la
depuracin de errores sintcticos y de otro tipo de errores, la generacin de escenarios, la
manipulacin on-line de los modelos, etc.

Son muy conocidos y en uso actualmente

Aprendizaje lleva cierto tiempo

Simuladores de alto nivel

Muy fciles de usar por su interface grfica

Restringidos a las reas de manufactura y comunicaciones

Flexibilidad restringida puede afectar la validez del modelo

Entre estos lenguajes especficos podemos nombrar los siguientes: MIDAS, DYSAC,
DSL , GASP, MIMIC, DYNAMO, GPSS, SIMULA, CSSL( Continuous System Simulation
Language) , CSMP, ACSL ( Advanced Conrinuous Simulation Language), DARE-P and
DARE-Interactive, C-Simscript, SLAM, SIMAN, SIMNON, SIMSCRIPT-II-5, ADA, GASP IV,
SDL.
Muchos de estos lenguajes dependen fuertemente de los lenguajes de propsito general
como es el caso de SLAM o SIMAN que dependen de Fortran para las subrutinas.
Por otro lado, el GPSS es un caso especial de un lenguaje de simulacin de propsito
especial, altamente estructurado que esta orientado a la transaccin, un caso especial de

una orientacin basada en procesos ms general. El GPSS fue diseado para la

simulacin simple de sistemas de colas tales como trabajos de taller. A diferencia de los
otros lenguajes de simulacin, GPSS tiene varias implementaciones incluyendo GPSS/H y
GPSS/PC, ambos de los cuales sern discutidos mas adelante. El SIMAN V, SIMSCRIPT
II.5, y el SLAM son lenguajes de simulacin de alto nivel que tienen constructor
especialmente diseados para facilitar la construccin de modelos. Estos lenguajes
proveen al analista de simulacin con una opcin orientacin basada en procesos o
basada en eventos, o un modelo usando una mezcla de las dos orientaciones. A
diferencia del FORTRAN, estos tres lenguajes proveen la administracin de la lista de
eventos futuros, generador interno de variables aleatorias, y rutinas internas para la
obtencin de estadsticas (estas caractersticas para las implementaciones del GPSS
mencionadas previamente.) Se pueden lograr calculo complejos en ambas
implementaciones del GPSS y estos tres lenguajes. El SIMAN, SIMSCRIPT II.5, y el
SLAMSYSTEM proveen la capacidad de realizar simulacin continua ( esto es, para
modelar sistemas que tengan continuamente cambios en sus variables de estado) pero
este tema no esta dentro del alance de este libro.
El SIMAN esta escrito en C, aunque las primeras versiones del lenguaje fue escrito en
FORTRAN.
El SIMAN V puede ser acezado directamente, o a travs del medio ambiente del ARENA.
El SLAMSYSTEM contiene al lenguaje de simulacin SLAM II. El SLAM II esta basado en
el FORTRAN y contiene al lenguaje GASP como un subconjunto. El GASP es un conjunto
de subrutinas en FORTRAN para facilitar las simulaciones orientadas al objeto escritas en
FORTRAN. El SIMSCRIPT II.5 por otro lado, contiene un subconjunto de un completo
lenguaje cientfico de simulacin comparable con el FORTRAN, C o C++. El MODSIM III
es un descendiente del lenguaje que la compaa de productos CACI originalmente
diseado por la armada de los Estados Unidos. Hereda mucha de su sintaxis del
MODULA-2 y del ADA, ciertas caractersticas del ADA y sus conceptos de simulacin del
SIMSCRIPT y el SIMULA. Algunas de las caractersticas de la simulacin orientada al
objeto fueron originalmente vistas en el SIMULA y el SMALLTALK.
4.3 CASOS PRACTICOS DE SIMULACIN
Un caso practico de una simulacin podemos decir en esta parte, la simulacin del
Mtodo de Monte Carlo.
ALGORITMOS
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la
generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se
basa en las distribuciones acumuladas de frecuencias:

Determinar la/s V.A. y sus distribuciones acumuladas(F)

Generar un nmero aleatorio uniforme (0,1).

Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las

clases que tengamos.

Calcular media, desviacin estndar error y realizar el histograma.

Analizar resultados para distintos tamaos de muestra.

Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulacin o tenemos relaciones entre variables es la
siguiente:

Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias relevantes

Incluir posibles dependencias entre variables.

Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el
resultado
Repetir el proceso hasta tener una muestra estadsticamente representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados

Las principales caractersticas a tener en cuenta para la implementacin o utilizacin del

algoritmo son:
El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad
(fdp)
Generador de nmeros aleatorios: como se generan los nmeros aleatorios es
importante para evitar que se produzca correlacin entre los valores mustrales.
Establecer lmites y reglas de muestreo para las fdp: conocemos que valores pueden
adoptar las variables.
Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular.
Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para que
una corrida sea vlida?
Tcnicas de reduccin de varianza.
Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia
trabajar con varios procesadores paralelos para realizar la simulacin.
EJEMPLO PRACTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y
queremos ver que sucede con el promedio de la demanda en varias iteraciones:
Utilizando la distribucin acumulada(F(x) es la probabilidad que la variable aleatoria tome
valores menores o iguales a x) podemos determinar cual es el valor obtenido de unidades
cuando se genera un nmero aleatorio a partir de una distribucin continua uniforme. Este
mtodo de generacin de variable aleatoria se llama Transformacin Inversa.

Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda
para cada da, interesndonos en este caso como es el orden de aparicin de los valores.
Se busca el nmero aleatorio generado en la tabla de probabilidades acumuladas, unavez
encontrado( si no es el valor exacto, ste debe se menor que el de la fila seleccionada
pero mayor que el de la fila anterior), de esa fila tomada como solucin se toma el valor
de las unidades (Cuando trabajamos en Excel debemos tomar el lmite inferior del
intervalo para busca en las acumuladas, para poder emplear la funcin BUSCARV(), para
42 sera 0, para 43 0,100001 y as sucesivamente). Ejemplo: Supongamos que el nmero
aleatorio generado sea 0,52, a qu valor de unidades corresponde? Nos fijamos en la
columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente mayor es
0,70 y corresponde a 48 unidades. Se puede apreciar mejor en el grfico, trazando una
recta desde el eje de la frecuencia hasta que intersecta con la lnea de la funcin
acumulada, luego se baja a la coordenada de unidades y se obtiene el valor
correspondiente; en este caso 48.
Cuando trabajamos con variables discretas la funcin acumulada tiene un intervalo o salto
para cada variable( para casos prcticos hay que definir los intervalos y luego con una
funcin de bsqueda hallar el valor). Para funciones continuas se puede hallar la inversa
de la funcin acumulada. De esta forma logramos a partir de la distribucin de densidad
calcular los valores de
la variable aleatoria dada.

En la siguiente tabla, vemos como a medida que aumenta el numero de simulaciones, el

valor simulado se acerca al valor original de la media y desviacin estndar, adems de la
disminucin del error tpico.

PROBLEMAS CON LINEA DE ESPERA

Simulacin de una lnea de espera con una fila y un servidor

Un sistema de colas estara definido cuando tengamos la siguiente informacion acerca de

este:
Distribucion de probabilidad de los tiempos de servicio
Distribucion de probabilidad de los tiempos entre llegadas
Numero de servidores
Numero de filas
Conexiones entre servidores y filas
Disciplinas y restricciones de los servidores y filas (en caso de que existan)
Para este primer ejemplo se utilizara el modelo de lineas de espera que se muestra en la
figura siguiente. Como se puede apreciar, es un modelo bastante simple donde la
disciplina de atencin es FIFO (primero en llegar, primero en salir).

Tanto el tiempo de servicio como el tiempo entre llegadas siguen una distribucion
exponencial aunque con parametros diferentes, para el caso del tiempo entre llegadas
tenemos =15 y para el tiempo de servicio tenemos =10.
Aplicando el metodo de la transformada inversa a la distribucion exponencial (consultar
Dyner etc. al, 2008), tenemos que:
Donde corresponde a una observacin de una variable exponecial, _ es un numero
aleatorio entre cero y uno y es la media de la distribucion. Para la implementacion del
sistema descrito en Excel, abra una nueva hoja de calculo y configurela como se muestra
en la figura.
En la celda B8 escriba la formula =ALEATORIO() y arrastre hasta la celda B23. Repita
este procedimiento para la columna G. En el paso anterior, se definio los numeros
aleatorios a partir de los cuales se generaran las observaciones de variables aleatorias de
la simulacion.
Ahora, en la celda C8 escribe la formula =-LN(1-B8)/$B$4, y arrastre hasta la celda C23.
Como se puede apreciar, esta es la formula descrita anteriormente para obtener
observaciones de una variable exponencial. En este caso, se estan generando
observaciones para la variable aleatoria de tiempos entre llegadas.
En la celda D8 escribe la formula =C8, lo anterior significa que como es la primera llegada
al sistema, su tiempo de llegada (en el instante de tiempo en el que llego al sistema), sera
igual a su tiempo entre llegadas. Sin embargo, para la celda D9 la formula
correspondiente es =C9+D8, ahora arrastre la formula de D9 hasta D23; esta formula
significa que despues de que llega el primer cliente, el instante de tiempo en el que
cualquier otro cliente llega al sistema sera el instante de tiempo en el que entro
el penltimocliente sumado el tiempo entre llegadas del ltimo cliente, es decir, si el
penultimo cliente entro al sistema en el instante t=4, y el tiempo entre llegadas del ultimo
cliente es dt=2, entonces este ultimo cliente entrara realmente al sistema en t=6.
La formula correspondiente a la celda E8 es =D8, esto significa que, al ser primer cliente,
el instante en el que llega al sistema sera el mismo instante en el que comienza el
servicio; mas adelante se presenta las formulas correspondientes al resto de clientes del
sistema en esta columna. Ahora en la celda F8 escriba la formula =E8-D8 y arrastrela
hasta la celda F23, esto corresponde al tiempo de espera del cliente antes de comenzar a
ser atendido, note que D8 nunca sera mayor que E8 ya que el valor minimo que puede
tomar el tiempo de comienzo del servicio es el tiempo de llegada, es decir, cuando un
cliente llega al sistema y no tiene que hacer fila.
En la celda H8 escribe la formula =-LN(1-G7)/$B$5, y arrastrela hasta la celda H23, esta
formula indica cuanto tiempo tardara el servidor atendiendo al cliente actual. Ahora en la
celda I8 escriba la formula =E8+H8, esta formula indica el instante de tiempo en el que
servidor termina de atender al cliente actual y corresponde a la suma entre el instante que
comienza el servicio y la cantidad de tiempo que este toma.
Retomemos ahora la columna E, notese que esta solo esta definida en su posicion E8,
esto porque primero se requeria definir otros valores antes de poder determinar el instante

en el que empieza realmente el servicio. En un sistema como el aqui presentado se

pueden tener dos casos para el tiempo de comienzo del servicio, en primer lugar puede
que el servidor se encuentre desocupado, en este caso el tiempo de comienzo del
servicio sera igual al tiempo de llegada al sistema y no habra tiempo de espera. Sin
embargo, si el servidor se encuentra ocupado, el tiempo de comienzo del servicio sera
igual al maximo entre el instante en que el servidor termine de atender al cliente actual y
el tiempo de llegada al sistema; por si el tiempo de fin del servicio del cliente actual es
igual a tfs=12 pero el tiempo de llegada del prximo cliente es tll=14, el tiempo de
comienzo del servicio del proximo cliente sera t=14 y el servidor tendra un ocio dt=2; por
otro lado, si tfs=13 para el cliente actual y el proximo cliente tiene un tll=10, el servidor no
tendra ocio y el proximo cliente debera esperar un intervalo de tiempo dt=3. De lo anterior
se concluye que la formula para la celda E9 debe ser=MAX(D9;I8), ahora arrastre esta
formula hasta la celda E23.
Hasta este punto se tiene una simulacion de un sistema de lineas de espera con una fila y
un servidor, si se desea generar nuevas observaciones presione la tecla F9; como tarea al
lector se deja el calculo de:
Tiempo promedio en el sistema
Tiempo promedio de espera (sin incluir ceros)
Tiempo promedio de espera (incluyendo ceros)
Tiempo promedio de servicio
Tiempo promedio de ocio
Adicionalmente se plantea al lector elaborar, una simulacion en Excel que represente el
sistema que se muestra en la figura siguiente, donde p es la probabilidad de que un
cliente se dirija a S1 o a S2. Tanto el tiempo entre llegadas como los tiempos de servicio,
se distribuyen exponencial con los parametros que se muestran a continuacion.
Tiempo entre llegadas: =8
Tiempo de servicio S1: =13
Tiempo de servicio S2: =18
Probabilidad p: 0.63
4.4 VALIDACIN DE UN SIMULADOR
Aqu vamos a mostrar como se valido el correcto funcionamiento de un simulador con
demanda y tiempo de espera, determinsticos.
4.5 PRUEBAS PARAMETRICAS (VALIDACIN
HIPOTESIS Y PRUEBAS DE ESTIMACIN)

DEL MODELO,

PRUEBAS

Validacin del modelo

Etapas en el desarrollo de un simulador.
Recordemos que las etapas nombradas para desarrollar un simulador son:
1) Identificacin del problema

DE

2) Delimitacin del sistema

3) Formulacin del modelo
4) Preparacin de datos
5) Construccin del modelo
6) Validacin
7) Diseo de experimentos
8) Ejecucin de experimentos
9) Interpretacin (Inferencia)
10) Documentacin
IV) Etapa IV: Preparacin de datos, o bien obtencin de datos.

Consiste en la identificacin y captacin de los datos que requiere el modelo, de acuerdo

a la formulacin que se haya hecho en las etapas anteriores del diseo.
Los datos son para:
Las relaciones funcionales, ya sea para determinar la forma de stas, completar su
forma o expresin, o para precisar algn parmetro que en ella se tenga.
Las variables estocsticas, que de ellas se deber determinar su funcin de distribucin
de probabilidades, tanto para variables continuas como discretas.
Las relaciones funcionales podran ser, rectas obtenidas por regresin lineal o ajuste de
curvas.
En las relaciones funcionales se debe fijar todos los parmetros que tenga; a menos
que se haya dejado como una variable de entrada al simulador.
Los datos a usar pueden ser:
Datos empricos
Datos obtenidos con distribucin tericas.
El usar datos empricos es en general ms conveniente, pero puede implicar que el
modelo quede influido por factores que se dieron en el tiempo de gestacin de ellos y no
vuelvan a repetirse.
V. Construccin del modelo
Es llevar el modelo que se tiene del simulador a un lenguaje de programacin disponible
en el computador a usar o en las configuraciones disponibles, y que debe conocer su
programacin. Luego que se tiene el programa fuente del modelo, escrito en el lenguaje
elegido, probarlo y depurarlo desde el punto de vista computacional, hasta obtener una
versin satisfactoria.
VI. Validacin
Es esta etapa se trata de establecer, y si es posible aumentar, el nivel aceptable de
confiabilidad de las inferencias efectuadas sobre el sistema real.
La validacin tiene el concepto de grado, no es un resultado dicotmico, no es un si o no,
no es vlido o invlido, no es correcto o incorrecto.
Fuentes de error
En la formulacin del modelo:

Que se excluya variables relevantes, o un atributo (esto es ms dramtico).

Que se incluya variables irrelevantes (es menos dramtico).

Mala eleccin de una funcin de distribucin de probabilidad para una variable.

Mal establecimiento de alguna relacin funcional o de los parmetros del modelo.

En los datos usados

Toma de datos con margen de error relativo importante.

Tcnica de muestreo mal aplicada. Ejemplo: Tomar todos los datos de un sector no
representativo.
Datos mal digitados o mal almacenados.
El analista hace un acto de confianza en el equipo que tena los datos.
En la construccin

Errores en los programas (de lgica, mal uso del lenguaje).

El tiempo real se simula mal.

Uso de una imagen no adecuada del mundo real. (Usar matrices de punto para
territorios, lagos, bosque, cardumen, conglomerados; en lugar del espacio R2 por ej.)
La validacin consiste en 2 etapas:
1.
Validacin de los modelos de procesos simples; esto es validar la estructura
interna del modelo.

Se valida la salida de los procesos simples y en ello se hace uso de tcnicas de

estadstica. Las relaciones funcionales tambin deben validarse. Puede hacerse cuando
se establece el modelo o en la toma de datos .No debe tomarse relaciones funcionales
desconocidas, o que no tengan ya un grado de validez aceptable. Siempre ser posible
validar las componentes o subsistemas porque se habrn construido de manera modular
para formar el modelo. En esta etapa se observar el comportamiento del modelo en cada
uno de esos procesos simples para asegurarse que cada componente o subsistema esta
bien simulado.
Validar el modelo de simulacin en su entorno, esto es validar los datos de salida.
Puede ser que la validez de la estructura sea buena, pero el resultado combinado
de los procesos simples sea casi mala.

Confrontar los resultados de la simulacin con las experiencias pasadas y con

teoras existentes al respecto:

No tomar posturas como: los resultados no me parecen correctos, pero si el

modelo lo dice yo lo acepto.

Si los resultados son absurdos, no tiene sentido continuar; cualquier otro anlisis
no convencer a los usuarios. Ningn modelo se ha aceptado si los resultados van contra
la teora.

Para modelos de importancia, de envergadura deber consultarse la opinin de

expertos.
Anlisis de sensibilidad

En las 2 etapas de la validacin (de estructura y de los datos de salida) se debe hacer
anlisis de sensibilidad.
Para ello, se vara los valores de 1 o 2 variables de entrada y se observa la respuesta del
modelo. Es de cuidado cuando el modelo es muy sensible a una pequea variacin de
una variable, y en general el modelo no es bueno cuando ello ocurre.
Efectuar anlisis de sensibilidad de las variables dependientes ante cambios de las
variables independientes.
Con un simulador se puede realizar muchos anlisis de sensibilidad por el grado
de control sobre las variables de entrada (Mtodo Turing ). Luego consultar a expertos, si
es posible.

Anlisis de la capacidad de replicar los datos que se uso en su construccin. Esta

rplica no es tan importante ya que si replica los datos usados no significa que el modelo
sea bueno; y, si ni siquiera replica los datos usados es porque el modelo de simulacin
obtenido, es malo.

Anlisis de la capacidad de predecir usando datos crticos no incluidos en los

datos, o usar datos histricos o datos que se obtienen del sistema real o de otro simulador
ya probado.

Se espera que estas salidas no sean absurdas comparadas con la experiencia y la teora.
Se consulta la opinin de expertos en esta confrontacin del modelo con la realidad
presente.
Ej. Simular la evolucin de una poblacin de chinchillas dndole poblacin mxima
altsima, y datos de poblacin existentes. Consulta a expertos en chinchillas.
El modelo debe correrse muchas veces antes de llegar a tener una probabilidad de
distribucin de la respuesta de un variable de salida.
VII Diseo de experimentos
Aqu se usan las reglas y los procedimientos que la estadstica considera para el diseo
de experimentos en general y que se aplica a disear experimentos a efectuar con el
simulador.
El diseo se har orientado principalmente a los objetos que tiene el estudio o el
programa en que se inserta la construccin del simulador, o los objetivos de los usuarios
que utilizarn el simulador, y para lo cual ste fue diseado.
Se puede distinguir una etapa estratgica donde se decide el diseo de experimentos a
usar por ser el ms adecuado, y la etapa tctica donde se decide el cmo se llevara a la
prctica los experimentos del diseo a aplicar. Se ve aqu la distribucin de recursos, el
uso del tiempo y del personal.
VIII Ejecucin de los experimentos
Corresponde a la etapa operacional del diseo de experimentos.
IX Interpretacin
Se hacen las inferencias sobre el sistema real de los datos generados por el simulador.

X. Documentacin
Se debe indicar por escrito puntos tales como: los objetivos, las componentes y
subsistemas, variables de entrada y de salida, relaciones funcionales, el modelo
formulado, la funcin de desempeo, y lo pertinente hasta aqu (Diseo lgico del
simulador).
Se debe documentar el programa computacional, los mdulos o las subrutinas, las interrelaciones entre mdulos y la conclusiones de la etapa de validacin (Diseo fsico del
simulador).
Confeccionar un manual de procedimiento para el uso del simulador. Este resultar ms
breve cuanto ms amigable sea el ingreso y manejo del simulador. Deber contener
alcances que faciliten la inferencia al sistema real.
XII. Explotacin
Es dejar el simulador con los manuales y documentacin a disposicin del o los usuarios.
Pruebas de hiptesis
Una
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en parmetro
poblacional.
Despus
de
recolectar
una muestra aleatoria,
se
compara
la estadstica muestral, as como la media (x), con el parmetro hipottico, se compara
con una supuesta media poblacional. Despus se acepta o se rechaza el valor hipottico,
segn proceda. Se rechaza el valor hipottico slo si el resultado muestral
resulta muy poco probable cuando la hiptesis es cierta.
Etapas Para La Prueba De Hiptesis.
Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0) es el
valor hipottico del parmetro que se compra con el resultado muestral resulta muy poco
probable cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia
del 5%, entonces se rechaza la hiptesis nula solamente si el resultado muestral es tan
diferente del valor hipottico que una diferencia de esa magnitud o mayor, pudiera ocurrir
aleatoria mente con una probabilidad de 1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la
estadstica muestral (el estimador no segado del parmetro que se prueba) o una versin
transformada de esa estadstica muestral. Por ejemplo, para probar el valor hipottico de
una media poblacional, se toma la media de una muestra aleatoria de
esa distribucin normal, entonces es comn que se transforme la media en un valor z el
cual, a su vez, sirve como estadstica de prueba.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba. Habiendo
especificado la hiptesis nula, el nivel de significancia y la estadstica de prueba que
se van a utilizar, se produce a establecer el o los valores crticos de estadstica de prueba.

Puede haber uno o ms de esos valores, dependiendo de si se va a realizar una prueba

de uno o dos extremos.
Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al probar un
valor hipottico de la media poblacional, se toma una muestra aleatoria y se determina el
valor de la media muestral. Si el valor crtico que se establece es un valor de z, entonces
se transforma la media muestral en un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica muestral con
el valor (o valores) crticos de la estadstica de prueba. Despus se acepta o se rechaza la
hiptesis nula. Si se rechaza sta, se acepta la alternativa; a su vez, esta decisin tendr
efecto sobre otras decisiones de los administradores operativos, como por ejemplo,
mantener
o
no
un
estndar
de desempeo o
cul
de
dos estrategias de mercadotecnia utilizar.
La distribucin apropiada de la prueba estadstica se divide en dos regiones: una regin
de rechazo y una de no rechazo. Si la prueba estadstica cae en esta ltima regin no se
puede rechazar la hiptesis nula y se llega a la conclusin de que el proceso funciona
correctamente.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor crtico en
la distribucin estadstica que divide la regin del rechazo (en la cual la hiptesis nula no
se puede rechazar) de la regin de rechazo. A hora bien el valor crtico depende del
tamao de la regin de rechazo.
PASOS DE LA PRUEBA DE HIPTESIS
1. Expresar la hiptesis nula
2. Expresar la hiptesis alternativa
3. Especificar el nivel de significancia
4. Determinar el tamao de la muestra
5. Establecer los valores crticos que establecen las regiones de rechazo de las de no
rechazo.
6. Determinar la prueba estadstica.
7. Coleccionar los datos y calcular el valor de la muestra de la prueba estadstica
apropiada.
8. Determinar si la prueba estadstica ha sido en la zona de rechazo a una de no rechazo.
9. Determinar
la
decisin
10 Expresar la decisin estadstica en trminos del problema.

estadstica.

Errores de tipo I y de tipo II.

Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se ha cometido
un error de tipo I. Por otra parte, si aceptamos una hiptesis que debiera ser rechazada,
diremos que se cometi un error de tipo II. En ambos casos, se ha producido
un juicio errneo.

Para que las reglas de decisin (o no contraste de hiptesis) sean buenos, deben
disearse de modo que minimicen los errores de la decisin; y no es una
cuestin sencilla, porque para cualquier tamao de la muestra, un intento de disminuir un
tipo de error suele ir acompaado de un crecimiento del otro tipo. En la prctica, un tipo
de error puede ser ms grave que el otro, y debe alcanzarse un compromiso que
disminuya el error ms grave.
La nica forma de disminuir ambos a la vez es aumentar el tamao de la muestra que no
siempre es posible.

4.6 Pruebas no paramtricas

Una prueba no paramtrica es una prueba de hiptesis que no requiere que la distribucin
de la poblacin se caracterice en funcin de determinados parmetros. Por ejemplo,
numerosas hiptesis se basan en el supuesto de que la poblacin sigue una distribucin
normal con los parmetros y . Las pruebas no paramtricas no tienen este supuesto,
de modo que son tiles cuando sus datos sean firmemente no normales y resistentes a
transformaciones.
Sin embargo, las pruebas no paramtricas no estn completamente exentas de supuestos
sobre los datos. Por ejemplo, las pruebas no paramtricas requieren que los datos sean
una muestra aleatoria independiente.
Por ejemplo, los datos sobre salarios son altamente asimtricos a la derecha, debido a
que muchas personas devengan salarios modestos y pocas personas devengan salarios
ms cuantiosos. Usted puede utilizar pruebas no paramtricas en estos datos para
responder a preguntas como las siguientes:

Es la mediana de los salarios de su compaa igual a un determinado valor?

Utilice la prueba de los signos de 1 muestra.

Es la mediana de los salarios de una sucursal bancaria urbana mayor que la

mediana de los salarios de una sucursal bancaria rural? Utilice la prueba de MannWhitney o la prueba de Kruskal-Wallis.

Son las medianas de los salarios diferentes segn si la sucursal bancaria es

rural, urbana y suburbana? Utilice la prueba de la mediana de Mood.

Cmo el nivel de educacin afecta los salarios en la sucursal rural y urbana?

Utilice la prueba de Friedman.
Limitaciones de las pruebas no paramtricas

Las pruebas no paramtricas tienen las siguientes limitaciones:

Las pruebas no paramtricas son generalmente menos potentes que las pruebas
correspondientes diseadas para utilizarse con datos que provengan de una distribucin
especfica. Por lo tanto, la probabilidad de que usted rechace la hiptesis nula cuando sea
falsa es menor.

Las pruebas no paramtricas con frecuencia requieren que usted modifique las
hiptesis. Por ejemplo, la mayora de las pruebas no paramtricas sobre el centro de la
poblacin son pruebas sobre la mediana y no sobre la media. La prueba no responde a la
misma pregunta del mismo modo que el procedimiento paramtrico anlogo.
Pruebas paramtricas alternativas
Cuando sea posible elegir entre el uso de un procedimiento paramtrico o no paramtrico,
y usted est relativamente seguro de que se cumplen los supuestos para el procedimiento
paramtrico, entonces utilice el procedimiento paramtrico.
La siguiente lista muestra las pruebas no paramtricas junto con sus alternativas
paramtricas.
Prueba no paramtrica

Prueba paramtrica alternativa

Prueba de los signos de 1 muestra

Prueba Z de 1 muestra, prueba t de 1 muestra

Prueba de Wilcoxon de 1 muestra

Prueba Z de 1 muestra, prueba t de 1 muestra

Prueba de Mann-Whitney

Prueba t de 2 muestras

Prueba de Kruskal-Wallis

ANOVA de un solo factor

Prueba de la mediana de Mood

ANOVA de un solo factor

Prueba de Friedman

ANOVA de dos factores

4.7 Anlisis, modelado y simulacin de un sistema o subsistema de servicios o productivo

de una empresa para detectar las mejoras posibles a realizar.
http://www.tesoem.edu.mx/alumnos/cuadernillos/2009.021.pdf

BIBLIOGRAFIA
1. Azaran M.R. y Garca Duna Simulacin y analisis de modelos estocasticos.
Editorial McGrawHill
2. Erwin Kreyszig Introduccin a la estadistica matemtica, principios y mtodos
Editorial Limusa.
3. Michael Luby, Pseudorandomness and Cryptographic Applications, Princeton Univ
Press, 1996. A definitive source of techniques for provably random sequences.
4. Donald Knuth. The Art of Computer Programming, Volume 2: Seminumerical
Algorithms, Third Edition. Addison-Wesley, 1997. ISBN 0-201-89684-2. Chapter 3,
pp.1193. Extensive coverage of statistical tests for non-randomness.
5. R. Matthews Maximally Periodic Reciprocals Bulletin of the Institute of Mathematics
and its Applications 28 147-148 1992
6. J. Viega, Practical Random Number Generation in Software, in Proc. 19th Annual
Computer Security Applications Conference, Dec. 2003.

7. John von Neumann, "Various techniques used in connection with random digits," in
A.S. Householder, G.E. Forsythe, and H.H. Germond, eds., Montecarlo Method,
National Bureau of Standards Applied Mathematics Series, 12 (Washington, D.C.:
U.S. Government Printing Office, 1951): 36-38.
8. NIST Recommendation for Random Number Generation Using Deterministic
Random Bit Generators
9. Cerezal Mezquita, Julio y Jorge Fiallo Rodrguez (2009). Cmo investigar en
Pedagoga? La Habana. Editorial Pueblo y Educacin.
10. Gonzlez Castellanos, Roberto A., Mario Yll Lavn y Lilian D. Curiel Lorenzo.
Metodologa de la investigacin cientfica para las ciencias tcnicas.