UNIDADES de Simulacion

SIMULACION
INTRODUCCIN
En esta investigacin se hablara sobre La generacin de variables aleatorias que
es un proceso que viene dentro de la simulacin debido a que cuenta con variables
con un comportamiento probabilstico. En donde dicha variabilidad se pudiera
clasificar dentro de alguna distribucin de probabilidad conocida.
Se abordaran los temas de variables aleatorias discretas y variables aleatorias
continuas. Para la generacin de las variables aleatorias discretas o continuas, es
necesario contar con la informacin especfica de la distribucin deseada, la
aplicacin de un mtodo para la generacin de la variable aleatoria, y la
implementacin computacional para usarse en la simulacin de estas se explicara
detalladamente en el tema correspondiente.
Las distribuciones ms utilizadas son: Bernoulli, uniforme, binomial, Poisson, y
geomtrica. En cambio las distribuciones continuas modelan la aleatoriedad en
eventos en los cuales los valores de las variables pueden estar dentro de un rango
de valores reales. Tambin se explicara los mtodos de convolucin, mtodo de
composicin, mtodo de transformada inversa y procedimientos especiales.
ZURISADDAY ROLDAN RINCON 1

SIMULACION
1.- INTRODUCCIN A LA SIMULACIN

1.1.- DEFINICIN E 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 al 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.
1.2.- CONCEPTOS BSICOS DE LA SIMULACIN.
CONCEPTO DE SIMULACION
Segn Thomas H. Naylor; 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
lagos periodos de tiempo.
Segn H. Maisel y G. Gnugnoli; simulacin es una tcnica numrica para realizar
experimentos en una computadora digital. Estos experimentos involucran ciertos
tipos de modelos matemticos y lgicos que describen el comportamiento de
sistemas de negocios, econmicos, sociales, biolgicos, fsicos o qumicos, a travs
de largos periodos de tiempo.
Segn Robert E. Shannon; simulacin es el proceso de disear y desarrollar un
modelo computarizado de un sistema o proceso y conducir experimentos con este
modelo con el propsito de entender el comportamiento del sistema o evaluar varias
estrategias con las cuales puede operar el sistema.
TIPOS DE SIMULACION
Sistema Discreto

SIMULACION
Las variables de estado cambian con solo en puntos discretos o contables en el

tiempo. Un ejemplo tpico de simulacin discreta ocurre en las colas donde estamos
interesados en la estimacin de medidas como la longitud de la lnea de espera.
Tales medidas solo cambian cuando el cliente entra o sale del sistema; en todos los
dems momentos, no ocurre nada en el sistema desde el punto de vista de la
interferencia estadstica. Otra definicin es que el sistema discreto es una
descripcin en el estado del mismo.
Sistema Continuo
Las variables de estado cambian en forma continua a travs del tiempo. Un ejemplo
tpico de simulacin continua es el estudio de la dinmica de la poblacin mundial.
Otra descripcin es que un sistema continuo tiene la forma de ecuaciones en que
los atributos del sistema cambian con el tiempo.
Modelo
Se define modelo como el cuerpo de informacin relativa a un sistema recabado

para fines de estudiarlo. Ya que al recabarlo y el propsito del estudio determina la
naturaleza de la informacin que se rene, no hay un modelo nico de un sistema.
Los distintos analistas interesados en diferentes aspectos del sistema o el mismo
analista producirn distintos modelos del mismo sistema segn cambie su
comprensin del sistema.
CLASIFICACION DE LOS MODELOS
Existen mltiples tipos de modelos para representar la realidad. Algunos de ellos

son:
Dinmicos; utilizados para representar sistemas cuyo estado vara con el
tiempo.
Estticos; utilizados para representar sistemas cuyo estado es invariables a
travs del tiempo.
Matemticos; representan la realidad en forma abstracta de muy diversas
maneras
Fsicos; son aquellos en que la realidad es representada por algo tangible,
construido en escala o que por lo menos se comporta en forma anloga a esa
realidad (maquetas, prototipos, modelos analgicos, etc).
Analticos; la realidad se representa por frmulas matemticas. Estudiar los
sistemas consiste en operar con esas frmulas matemticas (resolucin de
ecuaciones).
Numricos; se tiene el comportamiento numrico de las variables
intervinientes. No se obtiene ninguna solucin analtica.
Continuos; representan sistemas cuyos cambios de estado son graduales.
Las variables intervinientes son continuas.

SIMULACION
Discretos; representan sistemas cuyos cambios de estado son de saltos. Las

variables varan en forma discontinua.
Determinsticos; son modelos cuya solucin para determinadas condiciones
es nica y siempre la misma.
Estocsticos; representan sistemas donde los hechos suceden al azar, lo
cual no es repetitivo. No se puede asegurar cuales acciones ocurren en un
determinado instante. Se conoce la probabilidad de ocurrencia y su distribucin
equiparable dentro del intervalo.
PROCESO
Un proceso puede definirse informalmente como un programa en ejecucin.

Formalmente un proceso es una de una secuencia de instrucciones, un estado
actual y un conjunto de recursos del sistema asociado.
Los procesos son gestionados por el sistema operativo y estn formados por:
Las instrucciones de un programa destinados a ser ejecutados por el
microprocesador.
Su estado de ejecucin en un momento dado, esto es, los valores de los
registros de la unidad central de procesamiento para dicho programa.
Su memoria de trabajo (memoria crtica), es decir, la memoria que ha
reservado y sus contenidos.
Otra informacin que permite al sistema operativo su planificacin.
Creacin de un proceso
Bsicamente hasta el da de hoy existen solo 4 formas de crear un proceso:

Arranque del sistema
Ejecucin, desde un proceso de una llamada al sistema para la creacin del
proceso
Una peticin deliberada del usuario para crear un proceso
El inicio de un trabajo por lotes.
Terminacin de un proceso
El ciclo de vida de un proceso es sencillo, consta de la creacin, la ejecucin de

instrucciones y la terminacin. Cabe sealar que un proceso en el transcurso su
ciclo puede estar en diferentes estados; salida normal, salida por error, error fatal y
eliminado por otro proceso.

SIMULACION
Tipos de procesos
Existen dos tipos de procesos, aquellos que se ejecutan en modo kernel, y aquellos
que se ejecutan en modo usuario. Los primeros son ms lentos por las llamadas al
sistema que realizan, sin embargo, son ms seguros por la integridad que
representan. Cuando hablamos de los procesos de usuario, podemos decir que el
sistema operativo podra no ser multiproceso, ya que se vale de libreras como
pthread, para hacer un multiplexado y dar la apariencia de trabajar como
multiproceso.
1.3 METODOLOGA DE SIMULACIN
Aunque se van a presentar una serie de pasos de forma secuencial, realmente es
un proceso iterativo.
1.3.1.- Formulacin del problema
Se definen las cuestiones para las que se buscan las respuestas, las variables
implicadas y las medidas de ejecucin que se van a usar.
Esta fase es muy importante para poder alcanzar un modelo vlido, se puede dividir
a su vez en 5 fases
1.3.1.1.- Identificacin del Problema
Se hace una abstraccin del tipo de problema que se va a tratar. Se identifican los
recursos a utilizar, los requisitos que se van a exigir (relaciones a establecer).
1.6.1.2.- Reconocer las variables del sistema
Se han de identificar las variables que interviene en el sistema y que son de inters
para nuestro modelo, stas se pueden clasificar en:
Variables exgenas: son variables externas al modelo y existen con
independencia de l.
Se consideran variables de entrada. stas a su vez se pueden dividir en dos grupos:
Variables controlables o de decisin (factores): son aquellas sobre las que el
analista puede decidir su valor dentro de ciertos lmites.
Variables incontrolables o parmetros: sus valores no se pueden decidir sino que
vienen fijados. Las variables sern controlables o incontrolables dependiendo de
quin las defina.
Variables endgenas: son variables internas y las variables de salida del modelo.
Son funcin de las variables exgenas y de la estructura del modelo.
1.3.1.3.- Especificacin de las restricciones de las variables de decisin

SIMULACION
Incluso en el caso de que las variables sean controlables, estn limitadas o

restringidas a ciertos lmites dentro de los cuales se pueden modificar.
Es importante considerar cuidadosamente las restricciones sobre las variables de
decisin, ya que definen el posible espacio de soluciones dentro del cual se buscar
una buena solucin o la ptima usando el modelo de simulacin.
1.3.1.4.- Desarrollar una estructura preliminar del modelo que interrelacione las
variables del sistema y las medidas de ejecucin.
Para evaluar la efectividad de un sistema, se debe identificar una medida o medidas
de comportamiento (o ejecucin) para juzgarlo. Estas medidas se seleccionan del
conjunto de variables endgenas. La medida o medidas que se pretenden optimizar
se conocen como funcin objetivo.
Hay veces en las que existe una nica funcin objetivo dominante y entonces se
intenta optimizar sta sin tener en cuenta las otras variables, aunque siempre
considerando las restricciones. En otras ocasiones existe ms de una funcin
dominante, en este caso, hay que estudiar las distintas funciones objetivo e intentar
encontrar valores para los cuales las funciones son ptimas.
Cuando se quiere tener en cuenta varias medidas de comportamiento, a menudo
no se podrn optimizar simultneamente. Lo ideal sera hacer mnimas ambas
medidas, el tiempo de espera y el costo de tener los empleados, pero si se minimiza
una de ellas la otra aumenta. Se tienen tres formas de abordar este problema:
Establecer compromisos implcitos entre las medidas. Esta aproximacin es muy
subjetiva y no se va a considerar. Se dan los resultados a quin tenga que tomar la
decisin y l ser quien establezca la relacin entre las variables conflictivas.
Establecer compromisos explcitos, realizando una combinacin de todas las
medidas usando una dimensin comn tal como el costo. A estas tcnicas se les
suele conocer como anlisis de toma de decisiones multiatributo o multiobjetivo.
Para realizar esta tcnica se tiene que decidir una dimensin comn para todas las
medidas, factores pesos, y formar una funcin que las combine.
Restriccin y corte: seleccionar una medida como la que ms interesa optimizar y
hacer que las otras estn dentro de un rango de valores aceptable. Esto reduce la
posibilidad de encontrar un ptimo, o al menos las mejores soluciones.
1.3.1.5.- Desarrollo de un modelo apropiado
Los modelos son abstracciones de las partes esenciales del sistema. Se ha de
intentar ver si con las variables que se han especificado se tiene suficiente para
describir estos aspectos importantes del sistema (si no se tienen suficientes
entonces el modelo no ser una buena representacin del sistema), o por el
contrario se han definido ms de las necesarias (esto puede oscurecer las
relaciones entre las variables realmente importantes). En resumen, lo que se tiene
que fijar en este paso es el nivel de detalle al que se debe llegar en el modelo. El
nivel de detalle depende de:

SIMULACION
Propsito del modelo.

Contribucin de las variables al modelo.
No es igual si lo que se desea hacer es un modelo para una previsin a largo plazo,
en cuyo caso la precisin puede ser menor, debido a que al transcurrir el tiempo las
variables van a cambiar e incluso podrn aparecer otras nuevas, que si se desea
una previsin a corto plazo, entonces se deber profundizar ms en el nivel de
detalle.
1.3.2.- Coleccin de datos y Anlisis
Aunque la recogida de datos se va a ver como el segundo paso, es bastante posible
que se hayan tenido que recoger datos para la formulacin del problema. Sin
embargo, durante este paso se recoge el mayor volumen de datos, se reduce y se
analiza.
Los mtodos de recogida de datos son tan variados como los problemas a los que
stos se pueden aplicar. Si se clasifican por su sencillez, se puede ir desde las
aproximaciones manuales hasta las tcnicas ms sofisticadas de alta tecnologa.
En la seleccin de un mtodo se pueden tener en cuenta los siguientes factores:
Capacidad de quien recoja los datos.
El impacto que pueda producir el proceso de recoleccin sobre el comportamiento
del sistema real. Puede producir perturbaciones reales o fsicas en el sistema o
psicolgicas.
La facilidad de conversin de los datos a una representacin procesable por el
ordenador.
El coste del mtodo.
En muchas situaciones es suficiente con la observacin directa y la recogida manual
de los atributos de inters. Pero si la medida que se quiere observar depende de
una persona, su comportamiento se puede ver afectado por estar siendo observada.
Otras veces puede ocurrir que la accin que se quiere observar sea muy rpida y
que no sea posible realizar una observacin humana.
Para decidir el nmero de muestras necesarias, se ha de establecer una relacin
costo-exactitud y hacer una optimizacin de dicha relacin.
Una vez realizado el muestreo, los datos se han de analizar e introducir en el
modelo. Los datos usados para definir el modelo pueden ser de dos tipos:
Determinsticos: son datos conocidos con certeza. stos se pueden introducir
fcilmente en el modelo.
Probabilsticos: hay dos formas de incluirlos en el modelo:
Usar la muestra de datos recogida para representar la distribucin de
probabilidades.

SIMULACION
Determinar una distribucin probabilstica terica que se comporte como la

muestra y usar sta en el modelo. Esto permite tener una mejor comprensin
(generalizacin) del modelo.
1.3.3.- Desarrollo del modelo

Incluye la construccin y depuracin del modelo del sistema real, incluyendo la
seleccin de un lenguaje de programacin, codificacin del modelo. Esta etapa se
va a dividir en dos partes:
Comprensin del sistema y Construccin del modelo.
1.3.3.1.- Comprensin del sistema
Una de las tareas ms difciles en el anlisis de simulacin es adquirir el suficiente
conocimiento del sistema para poder desarrollar un modelo apropiado, es decir,
conocer el comportamiento del sistema. Dos tcnicas comnmente usadas son la
aproximacin de flujo fsico y la aproximacin de cambio de estado.
Aproximacin de Flujo Fsico. Se ha de identificar las entidades cuyo
procesamiento o transformacin constituye el propsito principal del sistema. Estas
entidades pueden tomar diferentes caminos en el sistema, las rutas que siguen se
determinan mediante reglas de decisin. La representacin del sistema vendr dada
mediante un diagrama de flujo de entidad y los elementos de procesamiento del
sistema.
Aproximacin de Cambio de Estado. Para describir esta aproximacin, se debe
definir unas variables endgenas adicionales que son las variables de estado e
introducir un nuevo concepto, el de suceso o evento. Las variables de estado
describen el estado del sistema en cada momento. Dados los valores actuales de
las variables de estado, las variables exgenas y la estructura del modelo, se puede
determinar el estado futuro del sistema. Un evento es un instante particular en el
tiempo en el que el sistema cambia de estado. La evolucin del sistema se puede
representar mediante un grafo de sucesos.
1.3.3.2.- Construccin del Modelo
Las tareas principales en la construccin de un modelo son:
Eleccin Mecanismo de avance del tiempo. Este depender de la aproximacin
elegida para describir el comportamiento del sistema. Si se eligi la aproximacin
de flujo fsico, este diagrama de flujo podra refinarse para convertirse en el
diagrama de flujo del programa. Si se sigui la aproximacin de cambio de estado,
el diagrama de flujo desarrollado debera describir el procedimiento que efecta los
cambios de estado en el tiempo. Otros dos factores inciden en la construccin del
diagrama de flujo del programa: elegir un mecanismo de avance del tiempo y el

SIMULACION
lenguaje de programacin que se seleccione. Hay fundamentalmente dos formas

de considerar el avance del tiempo en un modelo de simulacin:
Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado
del modelo se comprueba despus de transcurrido cada uno de estos incrementos
constantes.
Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las
comprobaciones y modificaciones de las variables afectadas se realizan slo
despus de la ocurrencia de un evento. Aqu el incremento de tiempo es variable,
va desde la ocurrencia de un evento a otro.
El avance del tiempo de simulacin depende de cul de las aproximaciones se elija.
Si se elige el incremento por eventos, el reloj se inicializa a 0, y se incrementa al
siguiente tiempo en que vaya a ocurrir un suceso, en ese momento, en este
momento de actualizacin del reloj se modifican las variables que se vean afectadas
por la ocurrencia del suceso. Si por el contrario se elige un incremento de tiempo
fijo, el reloj se inicia a 0 y se va actualizando cada vez que pase el incremento de
tiempo fijado. En esos instantes se observar el sistema para realizar los cambios.
En ese momento puede ocurrir que no haya sucedido ningn cambio o que por el
contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir
cul atender antes (por ejemplo dando prioridad a los sucesos). En esta
aproximacin pueden ocurrir errores de redondeo, que hacen referencia a la
diferencia de tiempo que pasa desde que sucede un suceso hasta que ste se
computa (cuando el reloj se incrementa).
Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es
demasiado pequeo se realizar trabajo intil, ya que se comprobarn cambios
cuando en realidad no ha ocurrido ningn suceso. Por el contrario si es demasiado
grande se producirn muchos errores de redondeo y la dinmica del modelo ser
ineficiente.
Eleccin de un Lenguaje de programacin. Hay un creciente nmero de lenguajes
de programacin disponibles para la implementacin de modelos de simulacin.
Entre los lenguajes de simulacin destacan: GPSS (General Purpose Simulation
System), SLAM (Simulation Language for Alternative Modeling), SIMAN (Simulation
Analysis), y SIMSCRIPT. Muchos lenguajes de propsito general son
completamente adecuados para la simulacin, por ejemplo, FORTRAM,
PASCAL,, pero los lenguajes de simulacin proporcionan una serie de
caractersticas que hacen la programacin, depuracin y experimentacin ms
eficientes en tiempo y esfuerzo, aunque consuman ms tiempo en la ejecucin.
Quizs la ms importante ventaja de los lenguajes de simulacin es la
correspondencia entre los elementos del sistema y los elementos del lenguaje. Por
ejemplo, en GPSS hay bloques de diagramas de flujo y conjuntos de sentencias de
programa llamados QUEUE que procesan entidades a travs de una cola de espera
y acumulan datos de variables de salida tales como tiempo de espera en la cola.

SIMULACION
El lenguaje seleccionado puede influir en la forma exacta del diagrama de flujo del
programa de computador.
Generacin de nmeros y variables aleatorias. Se van a necesitar muestras
aleatorias para representar valores de variables de entrada probabilsticas.
Utilizando estos nmeros aleatorios podemos obtener valores de variables
aleatorias que sigan ciertas distribuciones de probabilidad.
Aunque se ha hecho referencia a que los nmeros usados en simulacin son

aleatorios, no lo son totalmente, ya que se producen a partir de algoritmos
determinsticos. Sin embargo las propiedades de los nmeros producidos se
pueden hacer lo suficientemente cerradas de forma que stos sean completamente
utilizables para la simulacin. Si el modelo se implementa con un lenguaje de
propsito general, se puede seleccionar e incluir algoritmos necesarios para generar
las variables aleatorias requeridas. Pero si se utiliza un lenguaje de simulacin estos
algoritmos estn incluidos y pueden ser fcilmente accesibles por el usuario.
Implementacin y depuracin del modelo. La facilidad o dificultad en esta etapa
dependen en gran medida del lenguaje de programacin que se haya elegido.
1.3.4.- Verificacin y Validacin del modelo
La Verificacin del modelo consiste en ver cul es la consistencia interna del
modelo.
La Validacin consiste en asegurar que existe la una correspondencia entre el
sistema real y el modelo. Un buen mtodo para la validacin es hacer un test para
ver cmo el modelo predice el comportamiento del sistema ante determinadas
entradas.
La verificacin y validacin del modelo se realiza en todas los niveles de
modelizacin: modelo conceptual, modelo lgico y un modelo de ordenador. La
verificacin se centra en la consistencia interna del modelo, mientras que la
validacin se interesa por la correspondencia entre el modelo y la realidad.
Se dice que un modelo es vlido si sus medidas de salida tienen una
correspondencia apropiada con las mismas medidas en el sistema real. La
comprobacin ltima para la validez de un modelo es ver cmo el modelo puede
predecir un comportamiento futuro del sistema ante unas determinadas entradas.
1.3.5.- Experimentacin y Anlisis de las salidas
Se han de disear los experimentos que se van a llevar a cabo sobre el modelo y
luego analizar las salidas obtenidas, de forma que podamos responder a las
cuestiones que se plantearon.
1.3.5.1.- Experimentacin con el modelo

SIMULACION
El propsito ltimo de la experimentacin con el modelo es obtener informacin

acerca del comportamiento del sistema para que esto nos ayude en la toma de
decisiones. Cuando consideramos la ejecucin de un sistema se puede desear
conocer cmo se comporta dicho sistema en sentido absoluto, o comparativamente,
para poder contrastar varias configuraciones alternativas del sistema. O se podran
considerar dos medidas simultneamente.
Es evidente que el nmero de exploraciones que se tendran que realizar es
extremadamente largo. Hasta para los diseos de experimentos ms modestos, la
exploracin de todas las posibles soluciones en la bsqueda de la mejor solucin,
no es algo factible. Se necesita una aproximacin estructurada ms directa para
encontrar una solucin que merezca la pena. Podemos considerar dos
aproximaciones diferentes para abordar este problema: conjunto predeterminado de
experimentos y tcnicas de bsqueda de ptimos.
Conjunto de experimentos predeterminado: esta aproximacin impone identificar
factores que podran afectar a la medida de salida y ejecutar los experimentos con
los factores puestos a determinados valores. Una vez realizados los experimentos
se aplicaran unas tcnicas estadsticas denominadas anlisis de la varianza
(ANOVA), para decidir cul o cules de los factores seleccionados tiene realmente
algn impacto en la medida de salida. Las medidas de salida se pueden adaptar de
forma que las suposiciones estadsticas de esta tcnica se satisfagan de forma
razonable y puedan ser aplicadas en la experimentacin del modelo.
Un diseo experimental particularmente general es el diseo factorial. Se
consideran dos o ms factores pudiendo estar cada uno a dos o ms niveles.
El uso de un conjunto predeterminado de experimentos es efectivo para encontrar
buenas soluciones si se puede aproximar una regin de optimalidad con
experimentos previos o con la experiencia que se tenga sobre el problema. Sin
embargo esta tcnica no puede conducir a la mejor solucin global, ni siquiera
puede garantizar un ptimo local.
Tcnicas de bsqueda de ptimos: un conjunto de estas tcnicas se conoce como
Metodologa de Superficie de Respuesta (RSM). La superficie de respuesta es la
funcin que describe las relaciones de las medidas de ejecucin con los factores o
variables de decisin. Dos factores definen una superficie de 3 dimensiones, la cual
puede ser vista como un terreno en donde se puede escalar. De hecho, la
representacin en 2 dimensiones de la respuesta de superficie es como las lneas
de contorno de un mapa topogrfico. Usando varias estrategias se pueden alcanzar
puntos altos en el terreno, y quizs llegar a la cumbre. Una estrategia es el mtodo
de escalado ascendente. Esta requiere que el modelo se ejecute suficientemente
para hacer que se pueda determinar qu direccin (qu cambios en los valores de
los factores) parece conducir a un incremento en la altitud (incremento en la medida
de salida). Las variables de decisin se van cambiando de esta forma y el proceso
contina hasta que ya no se puede llegar ms alto, en ese momento se ha
alcanzado un ptimo local o global.

SIMULACION
1.3.5.2.- Anlisis de las salidas

En la interpretacin de las salidas del modelo, hay algunos aspectos que son nicos
de la simulacin. Mientras que los modelos analticos proporcionan soluciones con
medidas de ejecucin completamente definidas, los modelos de simulacin
producen estimaciones de las medidas que estn sujetas a error.
Las salidas del modelo de simulacin se consideran muestras. Las principales
cuestiones en la obtencin de estimaciones tiles a partir de muestras son: que la
muestra sea representativa del comportamiento del sistema, y que el tamao de la
muestra sea lo suficientemente grande para que las estimaciones de las medidas
de ejecucin alcancen un buen nivel de precisin. El tamao de la muestra es algo
que est bien definido, pero la representatividad del comportamiento del sistema
depende de la naturaleza de las cuestiones que tienen que ser contestadas por el
modelo.
Se pueden realizar dos tipos de anlisis con un modelo de simulacin:
Anlisis para sistemas con final definido: la ejecucin del modelo finaliza cuando
ocurre un evento especfico. Se tomara una muestra por ejecucin.
Anlisis para sistemas con final no definido (sistemas en estado de equilibrio o
estacionario): el inters est en medias de las medidas de comportamiento de
ejecuciones largas, despus de que el sistema ha pasado por algn periodo de
comportamiento transitorio. Las medidas en estado estacionario se pueden definir
como el valor de las medidas en el lmite, cuando la longitud de la ejecucin tiende
a infinito.
En ambos casos, las condiciones inicia les (estado del sistema el empezar la
ejecucin) pueden influir en la estimacin de las medidas de comportamiento.
El tamao de la muestra es importante ya que la precisin de las estimaciones
depende de la varianza de la media de la muestra, y la varianza cambia de forma
inversamente proporcional al tamao de la muestra (si se cuadriplica el tamao de
la muestra la desviacin estndar se reduce a la mitad). La definicin de tamao de
muestra para simulacin depende del tipo de anlisis que se haya hecho. Para el
anlisis de un sistema con final definido se podra reproducir el periodo de inters,
con las condiciones iniciales apropiadas, un determinado nmero de veces hasta
conseguir la precisin deseada de la estimacin. En cada ejecucin de obtendr un
elemento de la muestra. Con un anlisis en estado estacionario el tamao de la
muestra est estrechamente enlazado con el tamao de la ejecucin del modelo o
cantidad de tiempo de simulacin.
1.3.6.- Implantacin de los resultados de la Simulacin
Se ha de asegurar que los resultados son aceptados por el usuario.
Este paso final es uno de los ms importantes y el que ms se descuida de todo el
proceso. Parece obvio que los beneficios de un largo y costoso anlisis no se

SIMULACION
realizarn sin una implementacin apropiada y una aceptacin por parte de los
usuarios.
Entre las razones por las que los esfuerzos de implantacin son a menudo intiles,
se incluyen las siguientes:
Existe un vaco de comunicacin entre el analista de la simulacin y los
encargados y usuarios del sistema.
Falta de entendimientos por parte de los encargados del sistema debido a los
tecnicismos utilizados.
El compromiso de implementacin es tardo.
Resistencia al cambio.
Falta de coincidencia entre el personal disponible y los objetivos marcados por el
modelo.
Hay aproximaciones que tratan estos obstculos potenciales. Estas aproximaciones
requieren que los usuarios y los analistas estn implicados desde el comienzo en el
proyecto simulacin
1.4.- ESTRUCTURA Y ETAPAS DE UN ESTUDIO DE SIMULACIN.
Para llevar a cabo un experimento de simulacin es:
Definicin del sistema
Primero es necesario hacer un anlisis preliminar del mismo, con el fin de

determinar la interaccin del sistema con otros sistemas, con el fin de 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
El siguiente paso es definir y construir 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
describen en forma completa al 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. Normalmente la informacin
requerida por un modelo se puede obtener de registros contables, de rdenes de
trabajo, de rdenes de compra, de opiniones de expertos y si no hay otro remedio
por experimentacin.

SIMULACION
Implementacin del modelo en la computadora
Con el modelo definido, el siguiente paso es decidir si se utiliza algn tipo de

lenguaje como fortran, basic, algol, etc., o se utiliza algn paquete como GPSS,
simula, script, 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:
La opinin de expertos sobre los resultados de la simulacin
La exactitud con que se predicen datos histricos
La exactitud en la prediccin del futuro
La comprobacin de falla del modelo de simulacin al utilizar datos que hacen
fallar al sistema real.
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 de que este ha sido validado.

La experimentacin consiste en generar los datos deseados y en realizar anlisis
de sensibilidad de los ndices requeridos.
Interpretacin
En esta etapa del estudio, se interpretan los resultados que arroja la simulacin y
en 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 semi-
estructurado, es decir, la computadora en si no toma la decisin, sino que la
informacin que proporciona ayuda a tomar mejores decisiones y por consiguiente
a sistemticamente obtener mejores resultados.
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, es decir, la
documentacin que el departamento de procesamiento de datos de tener del

SIMULACION
modelo. La segunda se refiere al manual del usuario, con el cual se facilita la

interaccin y el uso del modelo desarrollo, a travs de una terminal de computadora.
1.5 ETAPAS PROYECTO SIMULACIN
Otro importante aspecto abordado en la investigacin es la identificacin y estudio
de las tcnicas de integracin para la formulacin de las tareas docentes.
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.
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.
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.
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.
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.
1.6 ELEMENTOS BASICOS DE UN SIMULADOR DE EVENTOS

DISCRETOS
La simulacin por eventos discretos es una tcnica informtica de modelado

dinmico de sistemas. Frente a su homloga, la simulacin de tiempo continuo, esta
se caracteriza por un control en la variable del tiempo que permite avanzar a ste a
intervalos variables, en funcin de la planificacin de ocurrencia de tales eventos a
un tiempo futuro. Un requisito para aplicar esta tcnica es que las variables que
definen el sistema no cambien su comportamiento durante el intervalo simulado.

SIMULACION
Se reconoce como tiempo a cada intervalo que toma cada salto de la simulacin,
en dicho tiempo puede o no haber eventos ejecutados
SI SE TOMA QUE
DELTA X = 1 minuto
En este tipo de simulacin se genera y administran eventos en el tiempo por medio
de una cola de eventos ordenados
EJEMPO GASOLINERA
La simulacin durara siete minutos....
En la primer escala de tiempo el cliente (entidad) llega a la bomba (locacin)
El cliente (entidad) se dirige a la caja (localidad) a realizar el pago de la gasolina, el
cliente escoge magna (atributo)
nota: si estuvieran mas clientes en la caja se ejecuta el evento actual y el evento
futuro
En este intervalo el cliente (entidad) se dirige a la bomba(locacin) y con ayuda de
la bomba(recurso) se despacha la gasolina Premium(atributo) que pago.
1.7.- VENTAJAS Y DESVENTAJAS DE LA SIMULACIN

VENTAJAS
Se puede estudiar el efecto de cambio interno y externo 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 sugerir estrategias
que mejoren la operacin y eficiencia del sistema.
La simulacin puede ser utilizada como instrumento pedaggico para
ensear a estudiantes, habilidades bsicas en anlisis estadstico, etc.
Cuando nuevo elementos son introducidos en un sistema, la simulacin
puede ser utilizada para anticipar cuellos de botella o algn otro problema que
pueda surgir en el comportamiento del sistema.
DESVENTAJAS
La simulacin presenta el problema de requerir equipo computacional y recursos

humanos costosos. Adems generalmente se requiere bastante tiempo para que un
modelo de simulacin sea desarrollado y perfeccionado. Finalmente, es posible que
la alta administracin de una organizacin no entienda esta tcnica y esto crea
dificultad en vender la idea.

SIMULACION
2.- NMEROS PSEUDOALEATORIOS

2.1.- MTODOS DE GENERACIN DE NMEROS
PSEUDOALEATORIO
Mtodos mecnicos
La generacin de nmeros aleatorios de forma totalmente aleatoria, es muy sencilla

con alguno de los siguientes mtodos:
1. Mediante una ruleta. Si estamos interesados en obtener nmeros aleatorios
discretos de una cifra (0, 1, 2,. . ., 9), se hace girar una ruleta numerando los
sectores del 0 al 9 y posteriormente se de1tiene anotndose el nmero de sector.
La probabilidad de obtener cualquier nmero de la secuencia anterior es 1/10.
Si en lugar de generar nmeros aleatorios de una cifra, necesitamos generar

nmeros aleatorios uniformes de k cifras, con valores de la variable aleatoria en el
conjunto, con probabilidad 1/10, no tenemos nada ms que partir de una tabla de
nmeros aleatorios de una cifra, y agruparlos de en; los nmeros resultantes son
aleatorios de cifras.
La generacin de nmeros aleatorios de una variable aleatoria uniforme (0, 1)
constituye el paso siguiente, ya que esa distribucin juega un papel fundamental en
la generacin de variables aleatorias con otras distribuciones. Supongamos que
estamos interesados en la generacin de nmeros aleatorios con cifras decimales
y uniformes en el intervalo (0, 1). El primer paso ser generar nmeros (), uniformes
de cifras para posteriormente, a travs de una transformacin =/10, pasarlos al
dominio (0, 1)
2. Mediante una moneda o un dado: Se lanza una moneda o un dado y se anota el
resultado.
3. Uso de guas telefnicas: Coger la gua telefnica de una provincia, abrir una
pgina al azar y anotar de cada nmero de telfono las cuatro ltimas cifras.
4. Recurrir a tablas de nmeros aleatorios.
Mtodos de generacin aritmticos
Los procedimientos de generacin de nmeros aleatorios ms utilizados son de tipo

aritmtico y suelen ser de tipo recursivo. Cada nmero aleatorio se obtiene en
funcin del ltimo nmero obtenido, o de un nmero relativamente pequeo de los
nmeros obtenidos previamente. Si se considera el caso en el que cada nmero
depende exclusivamente del anterior, la frmula de generacin ser

SIMULACION
Mtodo de los cuadrados medios
Este mtodo fue planteado por Von Neumann en 1950. Se basa en tomar un
nmero, elevarlo al cuadrado y tomar los dgitos del centro como nuevo nmero,
luego repetir el procedimiento.
2.2 PRUEBAS ESTADSTICAS
En esta seccin se describen 2 de las pruebas estadsticas que se aplican a los

nmeros pseudoaleatorios generados por cualquiera de los mtodos anteriores; en
la primera de ellas, se tratar de verificar la hiptesis de que los nmeros generados
provienen de la distribucin uniforme en el intervalo cerrado [0,1], en la segunda de
ellas, se aplicar la prueba de corrida, misma que sirve para verificar que los
nmeros son efectivamente aleatorios. A continuacin se detallan ambas pruebas:
2.2.1 DE UNIFORMIDAD. (CHI CUADRADA, KOLMOGOROV-
SMIMOV)
Esta prueba sirve para verificar o negar la hiptesis que un conjunto de

observaciones provienen de una determinada distribucin. La estadstica D que se
utiliza en esta prueba es una medida de la diferencia mxima observada entre la
distribucin emprica (dada por las observaciones) y la terica supuesta. La
estadstica D es obviamente una variable aleatoria.
A continuacin se detalla cmo se utiliza esta prueba para verificar o negar que un
conjunto de nmeros pseudoaleatorios tenga una distribucin uniforme en el
intervalo cerrado [0, 1].
2.2.2 DE ALEATORIEDAD. (CORRIDAS ARRIBA Y DEBAJO DE LA
MEDIA Y LONGITUD DE CORRIDAS)
Aqu se encuentran los resultados de una encuesta con una serie de cuestiones
sobre lo que ocurrira jugando al ajedrez de forma aleatoria, as como los resultados
obtenidos de una simulacin mediante PC (Mtodo de Monte Carlo) de sta misma
cuestin. Las respuestas a la encuesta se obtuvieron a travs de Internet y de un
BBS local. Las lneas marcadas con dos asteriscos son las respuestas verdaderas
de acuerdo con los resultados de la simulacin.
El resumen de los resultados de la simulacin al azar, muestra en la primera

tabla, los datos parciales y acumulados que se obtuvieron despus de
simular 2.000.000 de partidas.

SIMULACION
Una segunda tabla muestra los resultados cuando se introduce la regla de

los 50 movimientos, que no result significativa, ya que de las 264.831 tablas
resultantes de la misma, 247.354 tambin lo hubiesen sido sin la aplicacin
de la regla.
La tabla tercera muestra el porcentaje de veces que cada uno de los tipos
de piezas aparece en la posicin final del bando vencedor (naturalmente de
las partidas que no fueron tablas).
La cuarta tabla muestra el nmero de casillas que por trmino medio bate
cada una de las piezas durante el desarrollo de las partidas. Como es bien
conocido, esta es una medida del poder de cada pieza.
Una ltima tabla muestra los resultados de simular tandas de 4.000.000 de
simulaciones desde posiciones iniciales que solo contiene el material de los
mates elementales.
2.2.3 DE INDEPENDENCIA. (AUTOCORRELACIN, PRUEBA DE

HUECOS, PRUEBA DEL PQUER, PRUEBA DE YULE)
La prueba Pquer, prueba grupos de nmeros juntos como una mano de pker y
compara cada mano con la mano esperada usando la prueba Chi-cuadrada. La
prueba de corrida arriba abajo es generalmente.
La prueba POKER se utiliza para analizar la frecuencia con la que se repiten los
dgitos en nmeros aleatorios individuales. Para determinar si los nmeros
aleatorios generados cumplen con las propiedades especificadas (uniformidad e
independencia) se tendrn las hiptesis siguientes:
2.3 MTODO DE MONTE CARLO
2.3.1 CARACTERSTICAS
La simulacin de Montecarlo es un mtodo especialmente til para analizar

situaciones que involucran riesgo con el propsito de obtener respuestas
aproximadas cuando el realizar un experimento fsico o el aplicar mtodos analticos
no es posible o resulta muy difcil o costoso.
La simulacin de Montecarlo hace referencia a experimentos que involucran el uso
de nmeros pseudoaleatorios. El requisito clave de esta tcnica es que los
resultados de todas las variables de inters deben ser seleccionados
aleatoriamente.
La simulacin de Montecarlo ha tenido una gran aceptacin en la vida real debido
al poder analtico que presenta sin la necesidad de matemticas complejas.

SIMULACION
2.3.2 APLICACIONES
Sistemas de computacin: redes de ordenadores, componentes, programacin,

bases de datos, fiabilidad.
Fabricacin: manejo de materiales, lneas de montaje, equipos de almacenamiento,
control de inventario, mantenimiento, distribucin en planta, diseo de mquinas.
Negocios: anlisis de existencias, poltica de precios, estrategias de marketing,
estudios de adquisicin, anlisis de flujo de caja, prediccin, alternativas del
transporte, planificacin de mano de obra.
Gobierno: armamento y su uso, tcticas militares, prediccin de la poblacin, uso
del suelo, prevencin de incendios, servicios de polica, justicia criminal, diseo de
vas de comunicacin, servicios sanitarios.
Ecologa y medio ambiente: contaminacin y purificacin del agua, control de
residuos, contaminacin del aire, control de plagas, prediccin del tiempo, anlisis
de sesmos y tormentas, exploracin y explotacin de minerales, sistemas de
energa solar, explotacin de cultivos.
Sociedad y comportamiento: estudios de alimentacin de la poblacin, polticas
educativas, estructuras organizativas, anlisis de sistemas sociales, sistemas de
asistencia social, administracin universitaria.
2.3.3 SOLUCIN DE PROBLEMAS
Supongamos que tenemos un satlite, que para su funcionamiento depende de que

al menos 2 paneles solares de los 5 que tiene disponibles estn en funcionamiento,
y queremos calcular la vida til esperada del satlite (el tiempo promedio de
funcionamiento hasta que falla, usualmente conocido en la literatura como MTTF -
Mean Time To Failure). Supongamos que cada panel solar tiene una vida til que
es aleatoria, y est uniformemente distribu da en el rango [1000 hrs, 5000 hrs]
(valor promedio: 3000 hrs).

SIMULACION
3.- GENERACIN 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:
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:
La constante multiplicativa:
La constante aditiva:
El nmero respecto al cual se calculan los restos
Estos cuatro valores deben ser nmeros enteros no negativos y que cumplan la
siguiente condicin: .
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:

SIMULACION
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.
Si c0:
Rectificacin Mximo comn divisor
para cada primo p de m

si 4 es divisor de m
Si c=0: m
es primo
para cada factor primo p de m-1 (Rectificacin: la
condicin es que NO SEA congruente para cada factor primo p de m-1).
Por ejemplo, tomando como valores , , y se

obtiene la siguiente secuencia de nmeros, que tiene longitud mxima:
1-8-11-26-5-28-15-14-9-16-19-2-13-4-23-22-17-24-27-10-21-12-31-30-25-0-3-18-
29-20-7-6-1
3.2 VARIABLES ALEATORIAS 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 ALEATORIAS CONTINUAS
Es aquella que puede tomar infinitos valores dentro de un intervalo de la recta real.

SIMULACION
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.
3.4 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.
3.4.1 Mtodo de la transformada inversa
El mtodo de la transformada (o transformacin) inversa, tambin conocido como

mtodo de la inversa de la transformada, es un mtodo para la generacin de
nmeros aleatorios de cualquier distribucin de probabilidad continua cuando se
conoce la inversa de su funcin de distribucin (cdf). Este mtodo es en general
aplicable, pero puede resultar muy complicado obtener una expresin analtica de
la inversa para algunas distribuciones de probabilidad. El mtodo de Box-Muller es
un ejemplo de algoritmo que aunque menos general, es ms eficiente desde el
punto de vista computacional.
El mtodo se utiliza para simular valores de las distribuciones exponencial, Cauchy,
triangular, de Pareto y Weibull.
El problema que resuelve el mtodo de la transformada inversa es el siguiente:

Sea X una variable aleatoria cuya distribucin puede ser descrita por la cdf F.
Se desea generar valores de X que estn distribuidos segn dicha distribucin.

SIMULACION
Numerosos lenguajes de programacin poseen la capacidad de generar nmeros

pseudo-aleatorios que se encuentran distribuidos de acuerdo con una distribucin
uniforme standard. Si una variable aleatoria posee ese tipo de distribucin, entonces
la probabilidad de que el nmero caiga dentro de cualquier subintervalo (a, b) del
intervalo entre 0 a 1 es la longitud del subintervalo, o sea b a.
El mtodo de la transformada inversa funciona de la siguiente manera:
1. Se genera un nmero aleatorio a partir de la distribucin uniforme standard;

se lo llama u.
2. Se calcula el valor x tal que ; y se lo llama xelegido.
3. Se toma xelegido como el nmero aleatorio extrado de la distribucin
caracterizada por F.
3.4.2 Mtodo de convolucin
Convolucin es un operador matemtico que transforma dos funciones f y g en una

tercera funcin que en cierto sentido representa la magnitud en la que se
superponen f y una versin trasladada e invertida de g. Una convolucin es un tipo
muy general de media mvil, como se puede observar si una de las funciones se
toma como la funcin caracterstica de un intervalo.
Convolucin discreta
Cuando se trata de hacer un procesamiento digital de seal no tiene sentido hablar

de convoluciones aplicando estrictamente la definicin ya que solo disponemos de
valores en instantes discretos de tiempo. Es necesario, pues, una aproximacin
numrica. Para realizar la convolucin entre dos seales, se
evaluar el rea de la funcin : . Para ello, disponemos de
muestreos de ambas seales en los instantes de tiempo , que llamaremos
y (donde n y k son enteros).El rea es, por tanto,
3.4.3 Mtodo de composicin
Determinar cul era el mtodo de composicin de Wolfgang Amadeus
Mozart ha sido una cuestin muy estudiada. La visin decimonnica de este tema
se basaba a menudo en una concepcin romntica e idealizada del proceso de
composicin; los estudios ms recientes han tratado de abordar el asunto a travs

SIMULACION
del examen sistemtico de las cartas y documentos que han sobrevivido, llegando
a diversas conclusiones.
3.5 PROCEDIMIENTOS ESPECIALES
Existen diferentes tipos de mtodos para generar variables aleatorias, pero tambin
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 ESTADSTICA. (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

SIMULACION
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.

SIMULACION
4.- LENGUAJES DE SIMULACIN.

4.1.- LENGUAJE DE SIMULACIN 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 Y USO DEL LENGUAJE DE SIMULACION O UN

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.

SIMULACION
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 est 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 ms 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 clculo 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 est dentro del alance de este libro.

SIMULACION
El SIMAN est 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
est 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 PRCTICOS DE SIMULACIN

Un caso prctico 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.

SIMULACION
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.
4.3.1.- PROBLEMAS CON LNEAS DE ESPERA

Simulacin de una lnea de espera con una fila y un servidor
Un sistema de colas estar definido cuando tengamos la siguiente informacin

acerca de este:
Distribucin de probabilidad de los tiempos de servicio
Distribucin de probabilidad de los tiempos entre llegadas
Numero de servidores
Numero de filas
Conexiones entre servidores y filas

SIMULACION
Disciplinas y restricciones de los servidores y filas (en caso de que existan)

Para este primer ejemplo se utilizara el modelo de lneas 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 distribucin
exponencial aunque con parmetros diferentes, para el caso del tiempo entre
llegadas tenemos =15 y para el tiempo de servicio tenemos =10.
Aplicando el mtodo de la transformada inversa a la distribucin exponencial
(consultar Dyner etc. al, 2008), tenemos que:
Donde corresponde a una observacin de una variable exponencial, _ es un
nmero aleatorio entre cero y uno y es la media de la distribucin. Para la
implementacin del sistema descrito en Excel, abra una nueva hoja de clculo y
configrela 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 defini los
nmeros aleatorios a partir de los cuales se generaran las observaciones de
variables aleatorias de la simulacin.
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 frmula descrita anteriormente para obtener
observaciones de una variable exponencial. En este caso, se estn 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), ser igual a su tiempo entre llegadas. Sin embargo, para la celda D9 la
formula correspondiente es =C9+D8, ahora arrastre la frmula de D9 hasta D23;
esta frmula significa que despus de que llega el primer cliente, el instante de
tiempo en el que cualquier otro cliente llega al sistema ser el instante de tiempo en
el que entro el penltimo cliente sumado el tiempo entre llegadas del ltimo cliente,
es decir, si el penltimo cliente entro al sistema en el instante t=4, y el tiempo entre
llegadas del ultimo cliente es dt=2, entonces este ltimo cliente entrara realmente al
sistema en t=6.
La frmula correspondiente a la celda E8 es =D8, esto significa que, al ser primer

cliente, el instante en el que llega al sistema ser el mismo instante en el que
comienza el servicio; ms adelante se presenta las formulas correspondientes al
resto de clientes del sistema en esta columna. Ahora en la celda F8 escriba la

SIMULACION
formula =E8-D8 y arrstrela hasta la celda F23, esto corresponde al tiempo de

espera del cliente antes de comenzar a ser atendido, note que D8 nunca ser mayor
que E8 ya que el valor mnimo 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 arrstrela hasta la celda H23,
esta frmula indica cuanto tiempo tardara el servidor atendiendo al cliente actual.
Ahora en la celda I8 escriba la formula =E8+H8, esta frmula 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, ntese que esta solo est definida en su posicin
E8, esto porque primero se requera definir otros valores antes de poder determinar
el instante en el que empieza realmente el servicio. En un sistema como el aqu
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 ser igual al tiempo de llegada al sistema y no habr
tiempo de espera. Sin embargo, si el servidor se encuentra ocupado, el tiempo de
comienzo del servicio ser igual al mximo 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 prximo cliente ser
t=14 y el servidor tendr un ocio dt=2; por otro lado, si tfs=13 para el cliente actual
y el prximo cliente tiene un tll=10, el servidor no tendr ocio y el prximo cliente
deber esperar un intervalo de tiempo dt=3. De lo anterior se concluye que la
frmula para la celda E9 debe ser =MAX(D9;I8), ahora arrastre esta frmula hasta
la celda E23.
Hasta este punto se tiene una simulacin de un sistema de lneas 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 clculo 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 simulacin 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

SIMULACION
como los tiempos de servicio, se distribuyen exponencial con los parmetros que se
muestran a continuacin.
Tiempo entre llegadas: =8
Tiempo de servicio S1: =13
Tiempo de servicio S2: =18
Probabilidad p: 0.63
4.4 VALIDACION DE UN SIMULADOR

4.4.1 PRUEBAS PARAMTRICAS
Validacin del modelo
Etapas en el desarrollo de un simulador.
Recordemos que las etapas nombradas para desarrollar un simulador son:
1) Identificacin del problema
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
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
tengan.

SIMULACION
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 terica.
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 s
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.

SIMULACION
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:
Validacin de los modelos de procesos simples; esto es validar la estructura
interna del modelo.
Se vlida 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 est 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

SIMULACION
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 us 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.

SIMULACION
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
inter-relaciones entre mdulos y las 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
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.

SIMULACION
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.
4.4.2.- PRUEBAS NO PARAMTRICAS

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

SIMULACION
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 estadstica.
10 Expresar la decisin estadstica en trminos del problema.
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.

SIMULACION
CONCLUCION
En mi punto de vista no muy profesional el presente trabajo de investigacin se
analiz que las variables aleatorias son presentadas por medio de distribuciones
de probabilidad, el procedimiento es para la generacin de los nmeros con
variables aleatorias a partir de las distribuciones de la probabilidad que se conoce
como la generacin de variables aleatorias.
El principio del muestreo es basado en la interpretacin de frecuencia de la

probabilidad y requiere un flujo permanente de los nmeros aleatorios.
Hay cuatro mtodos generales de generacin de variables aleatorias y una serie de

mtodos particulares de las distintas distribuciones. La facilidad de aplicacin de
dichos mtodos, as como el coste computacional asociado a los mismos, vara
mucho segn la familia de variables aleatorias a las que se apliquen. Normalmente
existen varios algoritmos que se pueden utilizar para generar valores de una
determinada distribucin, y diferentes factores que se pueden considerar para
determinar qu algoritmo utilizar en un caso particular. Desafortunadamente dichos
factores suelen entrar en conflicto unos con otros y a veces se ha de llegar a una
solucin de compromiso.

SIMULACION
FUENTES DE INFORMACION
1. Ral Coss Bu. (2003). Simulacin Un enfoque prctico. Mxico, DF:
Limusa S.A. de
C.V.
2. Ing. Sergio David Castilln Dominguez. (2014). SIMULACION. 17 de
Septiembre 2016, de Academia Sitio web:
https://www.academia.edu/7207310/Librodesimulacion?auto.

UNIDADES de Simulacion

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

UNIDADES de Simulacion

Transféré par

Droits d'auteur :

Formats disponibles

SIMULACION

ZURISADDAY ROLDAN RINCON 1

1.- INTRODUCCIN A LA SIMULACIN

1.2.- CONCEPTOS BSICOS DE LA SIMULACIN.

Segn Thomas H. Naylor; simulacin es una tcnica numrica para conducir

ZURISADDAY ROLDAN RINCON 2

Las variables de estado cambian con solo en puntos discretos o contables en el

Se define modelo como el cuerpo de informacin relativa a un sistema recabado

CLASIFICACION DE LOS MODELOS

Existen mltiples tipos de modelos para representar la realidad. Algunos de ellos

ZURISADDAY ROLDAN RINCON 3

Discretos; representan sistemas cuyos cambios de estado son de saltos. Las

Un proceso puede definirse informalmente como un programa en ejecucin.

Bsicamente hasta el da de hoy existen solo 4 formas de crear un proceso:

El ciclo de vida de un proceso es sencillo, consta de la creacin, la ejecucin de

ZURISADDAY ROLDAN RINCON 4

ZURISADDAY ROLDAN RINCON 5

Incluso en el caso de que las variables sean controlables, estn limitadas o

ZURISADDAY ROLDAN RINCON 6

Propsito del modelo.

ZURISADDAY ROLDAN RINCON 7

Determinar una distribucin probabilstica terica que se comporte como la

1.3.3.- Desarrollo del modelo

ZURISADDAY ROLDAN RINCON 8

lenguaje de programacin que se seleccione. Hay fundamentalmente dos formas

ZURISADDAY ROLDAN RINCON 9

Aunque se ha hecho referencia a que los nmeros usados en simulacin son

ZURISADDAY ROLDAN RINCON 10

El propsito ltimo de la experimentacin con el modelo es obtener informacin

ZURISADDAY ROLDAN RINCON 11

1.3.5.2.- Anlisis de las salidas

ZURISADDAY ROLDAN RINCON 12

Definicin del sistema

Primero es necesario hacer un anlisis preliminar del mismo, con el fin de

Formulacin del modelo

El siguiente paso es definir y construir el modelo con el cual se obtendrn los

ZURISADDAY ROLDAN RINCON 13

Implementacin del modelo en la computadora

Con el modelo definido, el siguiente paso es decidir si se utiliza algn tipo de

A travs de esta etapa es posible detallar deficiencias en la formulacin del modelo

La experimentacin con el modelo se realiza despus de que este ha sido validado.

ZURISADDAY ROLDAN RINCON 14

modelo. La segunda se refiere al manual del usuario, con el cual se facilita la

1.6 ELEMENTOS BASICOS DE UN SIMULADOR DE EVENTOS

La simulacin por eventos discretos es una tcnica informtica de modelado

ZURISADDAY ROLDAN RINCON 15

1.7.- VENTAJAS Y DESVENTAJAS DE LA SIMULACIN

Se puede estudiar el efecto de cambio interno y externo del sistema al hacer

La simulacin presenta el problema de requerir equipo computacional y recursos

ZURISADDAY ROLDAN RINCON 16

2.- NMEROS PSEUDOALEATORIOS

La generacin de nmeros aleatorios de forma totalmente aleatoria, es muy sencilla

Si en lugar de generar nmeros aleatorios de una cifra, necesitamos generar

Mtodos de generacin aritmticos

Los procedimientos de generacin de nmeros aleatorios ms utilizados son de tipo

ZURISADDAY ROLDAN RINCON 17

Mtodo de los cuadrados medios

2.2 PRUEBAS ESTADSTICAS

En esta seccin se describen 2 de las pruebas estadsticas que se aplican a los

Esta prueba sirve para verificar o negar la hiptesis que un conjunto de

El resumen de los resultados de la simulacin al azar, muestra en la primera

ZURISADDAY ROLDAN RINCON 18

Una segunda tabla muestra los resultados cuando se introduce la regla de