Libro Completo Sds

MODELOS MATEMTICOS
DE
SIMULACIN
Pedro Linares
Andrs Ramos
Pedro Snchez
ngel Sarabia
Begoa Vitoriano
Octubre 2005
[]
Alberto Aguilera 23 E 28015 Madrid Tel: 34 91 542 2800 Fax: 34 91 541 1132 www.doi.icai.upcomillas.es
NDICE
I.1 MODELADO DE SISTEMAS MEDIANTE SIMULACIN(MM) ...................................3
I.1.1 Sistemas, modelos y simulacin..................................................... 3
I.1.2 Ventajas e inconvenientes de la simulacin .................................... 6
I.1.3 Tipos de sistemas y de simulacin ................................................. 7
I.1.4 Elementos de la simulacin de eventos discretos ............................. 9
I.1.5 Organizacin de un modelo de simulacin .................................... 10
I.1.6 Algunas aplicaciones de simulacin ............................................. 14
1.1.1.1. Disponibilidad dinmica de un sistema paralelo .............................................................14
1.1.1.2. Fiabilidad esttica de un sistema de generacin de energa elctrica ..............................16
1.1.1.3. Fiabilidad dinmica de un sistema de energa elctrica ..................................................17
I.1.7 Etapas en el desarrollo de un estudio de simulacin ...................... 19

I.2 MODELADO DE LA ALEATORIEDAD EN SIMULACIN .................................... 23
I.2.1 Revisin de probabilidad y estadstica .......................................... 23
1.1.1.4.
1.1.1.5.
1.1.1.6.
1.1.1.7.
1.1.1.8.
Variables aleatorias y sus propiedades............................................................................23

Procesos estocsticos ......................................................................................................29
Estimacin puntual.........................................................................................................30
Estimacin por intervalos de confianza...........................................................................31
Contrastes o tests de hiptesis........................................................................................32
I.2.2 Identificacin de patrones........................................................... 34

1.1.1.9. Distribuciones empricas .................................................................................................35
1.1.1.10. Distribuciones tericas ..................................................................................................37
I.2.3 Generacin de variables aleatorias(MM) .......................................... 44

1.1.1.11.
1.1.1.12.
1.1.1.13.
1.1.1.14.
Generacin
Generacin
Generacin
Generacin
de
de
de
de
muestras
variables
variables
variables
uniformes................................................................................44
aleatorias discretas .................................................................48
aleatorias absolutamente continuas ........................................50
aleatorias mixtas ....................................................................57
I.3 SOFTWARE DE SIMULACIN(MM) .................................................................. 59

I.3.1 Lenguajes de simulacin versus lenguajes de propsito general ....... 59
I.3.2 Tipos de software de simulacin y caractersticas ......................... 60
I.3.3 Enfoques o estrategias ................................................................ 62
I.4 ANLISIS DE RESULTADOS(MSS).................................................................... 67
I.4.1 Comportamientos transitorio y estacionario de un proceso estocstico
........................................................................................................ 67
I.4.2 Tipos de simulacin segn el anlisis de resultados ....................... 68
I.4.3 Estimacin de variables respuesta: estimacin de esperanzas.......... 69
I.4.4 Estimacin de parmetros estacionarios: el problema del estado
inicial transitorio .............................................................................. 71
I.4.5 Tcnicas de reduccin de la varianza ........................................... 74
1.1.1.15. Muestreo correlado (nmeros aleatorios comunes)........................................................75
1.1.1.16. Variables antitticas .....................................................................................................75
1.1.1.17. Variables de control ......................................................................................................76
06/07/2006
1.1.1.18. Condicionamiento .........................................................................................................77

1.1.1.19. Muestreo estratificado...................................................................................................78
1.1.1.20. Muestreo por importancia .............................................................................................79
I.4.6 Diseo de experimentos...............................................................80

1.1.1.21.
1.1.1.22.
1.1.1.23.
1.1.1.24.
1.1.1.25.
1.1.1.26.
1.1.1.27.
Principios del diseo experimental ................................................................................81

Diseo con un factor .....................................................................................................83
Diseo en bloques aleatorizados ....................................................................................85
Modelos factoriales: con dos factores y con interaccin.................................................87
Modelos factoriales con ms de dos factores..................................................................88
Cuadrados latinos .........................................................................................................88
Modelos con efectos aleatorios: Diseos jerrquicos ......................................................92
k
1.1.1.28. Diseos factoriales a dos niveles ( 2 )...........................................................................94

1.1.1.29. Modelo de regresin ....................................................................................................102
I.5 CONSTRUCCIN DE MODELOS DE SIMULACIN VLIDOS Y CREBLES(MSS) ....103

I.5.1 Definiciones ............................................................................. 103
I.5.2 Metodologa de validacin y credibilidad ..................................... 106
1.1.1.30. Comparacin entre datos reales y simulados...............................................................107
I.6 REFERENCIAS ..........................................................................................109

I.7 BIBLIOTECA DE PROBLEMAS ....................................................................111
I.8 RESULTADOS DE LA BIBLIOTECA DE PROBLEMAS ......................................127
ii
06/07/2006
I SIMULACIN
I.1 Modelado de sistemas mediante simulacin(MM)

I.1.1 Sistemas, modelos y simulacin
La primera vez en la historia que se habl de simulacin fue en el ao 1949
cuando John Von Neumann y Stanislaw Ulam presentaron el denominado
mtodo de Monte Carlo. Desde entonces la simulacin ha sufrido un crecimiento
muy fuerte y, especialmente en las dos ltimas dcadas, este crecimiento ha sido
vertiginoso gracias al desarrollo de los ordenadores.
Dar una definicin exacta de la simulacin no es una tarea fcil dada la
amplitud de las aplicaciones y sistemas a los que se aplica. Sin embargo, una
buena definicin sera la dada por Shannon en 1975, segn la cual, simulacin es
el proceso de disear un modelo de un sistema real y llevar a cabo experiencias
con l, con la finalidad de aprender el comportamiento del sistema o de evaluar
diversas estrategias para el funcionamiento del sistema.
Varios conceptos son utilizados en esta definicin y deben ser precisados.
Sistema: Conjunto de objetos o ideas que estn interrelacionadas entre s

como una unidad para la consecucin de un fin. Forma parte de la vida real.
Modelo: Representacin simplificada de un sistema. Es una abstraccin del
sistema.
El objetivo es crear un modelo del sistema a partir de la observacin. Sin

embargo, esto no es particular de la simulacin ya que en todo anlisis de
sistemas ste es un paso necesario, lo que es particular es el tipo de modelo y el
uso que se hace de l.
As, se dice que existen dos procedimientos para obtener modelos de
sistemas:
Anlisis terico o mtodo deductivo: con este procedimiento se lleva a cabo

un estudio cualitativo de los fenmenos que caracterizan el comportamiento
del sistema, que son plasmados en relaciones matemticas concretas que
definen las ecuaciones descriptivas del proceso. Para dar una respuesta con
este tipo de modelos hay que resolver las ecuaciones descriptivas del proceso,
tarea que en ocasiones es especialmente difcil.
Como ejemplo, supngase un objeto que se mueve con una cierta trayectoria,
una velocidad en cada momento y una aceleracin, que a su vez dependen de
06/07/2006
I.1 MODELADO DE SISTEMAS MEDIANTE SIMULACIN
otras condiciones externas como las caractersticas del terreno en que se

encuentre o la cercana de otros objetos similares. Para dar respuesta, por
ejemplo al punto en que se encontrar pasado un determinado tiempo con
este tipo de modelo, hay que resolver las ecuaciones del movimiento del
objeto, lo cual no es inmediato si el objeto cambia su trayectoria y
aceleracin con el tiempo, las caractersticas de la posicin, el movimiento de
otros objetos, etc.
Anlisis experimental o mtodo inductivo: consiste en construir un modelo
matemtico a partir de medidas realizadas sobre el sistema, dando una
descripcin detallada de cmo evoluciona a lo largo del tiempo, con el fin de
observar el comportamiento del modelo y llevar a cabo experiencias con l:
simulacin del modelo.
Con el mismo ejemplo del objeto mvil, se puede ir representando en
pequeos intervalos de tiempo las variaciones de velocidad, aceleracin,
posicin, mediante la definicin directa que relaciona a estas variables, tanto
del mvil observado como de los cercanos, modificando en cada momento los
parmetros segn la posicin en que est l y los dems objetos, hasta llegar
a cumplir el tiempo que se desea observar. Con este modelo es posible
ensayar diversas respuestas ante distintas situaciones.
As pues, con este procedimiento el objetivo no es conocer el sistema en s,
sino su comportamiento ante diversas situaciones. Los modelos de
simulacin no se resuelven, se hacen funcionar!
Ejemplo 1: Se desea construir una carretera y para ello se ha de hacer un
tnel a travs de una montaa. Existen dos puntos posibles donde hacer el
tnel, correspondientes a dos montaas distintas M1 y M2 cercanas.
Supongamos que se tiene que decidir si hacerlo en un punto o en otro. Mediante
estudios preliminares se sabe que en el punto M1 la longitud del tnel habra de
ser L1 y en la montaa M2, L2. En la primera de ellas, por las caractersticas
del terreno, se perforara a razn de x1 unidades por jornada de trabajo,
mientras que en la otra montaa sera a razn de x2 unidades.
La empresa debe recibir una maquinaria nueva con una probabilidad 0.71.
La probabilidad de que la nueva maquinaria se avere en M1 es 0.14 y en M2 es
0.16. Para la maquinaria vieja estas probabilidades son, respectivamente, 0.28 y
0.19.
Las averas pueden ser de dos tipos: graves con probabilidad 0.35 y 4
jornadas de trabajo de reparacin o leves con 1 jornada de trabajo de
reparacin.
La pregunta es: dnde se debe perforar el tnel para tardar lo menos
posible en la construccin de la carretera?
06/07/2006
I SIMULACIN
Un modelo de simulacin desarrollado para la perforacin en el punto M1

sera, por ejemplo, el de la figura 1.
Perforacin M1
Llega
maquinaria
nueva?
0.71
SI
0.29
NO
p=0.14
p=0.28
p
SI
Grave
0.35
DA=4
Tipo avera
Avera
1-p
NO
Leve
0.65
DA=1
DA=0
DT=L1/x1+DA
Figura 1. Modelo de simulacin de perforacin montaa M1.
Anlogamente, se hara otro para el punto M2. Este modelo se programa en

un lenguaje general y luego es simulado en el ordenador varias veces de modo
que se obtenga una muestra simulada de la duracin de la perforacin en cada
uno de los puntos. Una vez obtenida la muestra la decisin puede ser tomada
eligiendo el punto que tenga un menor valor de la duracin esperada. Sin
embargo, este clculo tambin puede ser obtenido mediante el mtodo terico,
es decir, mediante clculo de probabilidades. A modo de ejemplo, con el mtodo
terico se obtuvo una duracin esperada en M1 de 19.37023 jornadas y en M2
de 20.345835 y despus de 50 simulaciones se obtuvo una duracin media en M1
de 19.34 jornadas y en M2 de 20.22 jornadas.
De este ejemplo, tambin se deduce la necesidad de un mecanismo eficaz
para generar variables aleatorias que sea rpido, dado que hay que repetir la
simulacin un nmero elevado de veces para dar por vlidos los resultados
obtenidos.
Ejemplo 2: A Pepe, su mejor amigo Juan le propone un juego: lanzar un
06/07/2006
dado hasta que la diferencia entre las veces que han salido nmeros pares e
impares sea tres. Pepe pagar 100 monedas en cada tirada y cobrar 1000 al
final. Cmo puede comprobar Pepe si Juan es realmente un buen amigo?
Para comprobarlo, Pepe puede hacer los clculos necesarios para calcular la
esperanza de la ganancia o de la prdida o puede simular las tiradas del dado y
observar los resultados.
I.1.2 Ventajas e inconvenientes de la simulacin

Puesto que existen dos mtodos para obtener modelos, cabe preguntarse
cundo es ventajoso utilizar la simulacin y qu inconvenientes puede tener.
Cundo puede ser ventajosa la simulacin:
Si no existe formulacin matemtica del modelo o los mtodos de resolucin.

Por ejemplo, cuando se va a construir un aeropuerto para prever las
necesidades de infraestructuras necesarias no existe un modelo matemtico
que pueda contemplar todo conjuntamente. Otro ejemplo son los sistemas de
lneas de espera para los que se puede plantear un modelo, pero para muchos
de ellos no existen mtodos matemticos para resolver las ecuaciones
resultantes.
S existen, pero resulta ms barato y sencillo simular, ya que en muchas
ocasiones el modelo y su resolucin resultan ms sencillos.
Si se desea experimentar con el sistema antes de su uso o construccin. El
ejemplo ms conocido son los simuladores de vuelo, pero no es el nico, ya
que cada vez es ms habitual la implantacin de puestos de formacin para
operadores de sistemas, de modo que puedan practicar con el modelo como si
lo hicieran con el sistema.
Si es imposible experimentar sobre el sistema y se desean prevenir
eventualidades. ste es uno de los usos ms habituales, la prevencin de
eventualidades, de modo que si posteriormente se da alguna de ellas se tenga
identificada la respuesta ptima ante la eventualidad. Uno de los casos ms
representativos es el de la simulacin de vuelos espaciales, de modo que
antes de lanzarlo se ha simulado el sistema para tener respuestas en caso de
fallo de algn mecanismo o similar. Obviamente, el xito de este uso pasa
por una buena identificacin de las posibles eventualidades.
Si hay razones ticas que impiden la experimentacin, como en el caso de
sistemas biolgicos humanos.
Si se desea reducir escalas de tiempo, pues la evolucin del sistema es muy
lenta. Por ejemplo en el estudio de diferentes polticas de talas de rboles no
es viable esperar a ver cul es la evolucin del bosque con una determinada
06/07/2006
I SIMULACIN
poltica, no slo por las consecuencias que pueda tener, sino porque para
observarlas habra que esperar numerosos aos.
Por ltimo, una caracterstica importante de la simulacin es que permite
estudiar sistemas dinmicos en tiempo real.
Sin embargo, tambin tiene ciertos inconvenientes la simulacin:
La construccin del modelo puede ser compleja y costosa. Por ejemplo, la

construccin de un buen modelo socioeconmico mundial puede llevar unos
cinco aos de trabajo a un equipo.
Es frecuente despreciar elementos o relaciones sin importancia aparente y
obtener resultados falsos, aunque este peligro existe en cualquier proceso de
desarrollo de un modelo, no slo en los modelos de simulacin.
Es difcil establecer el grado de precisin de los resultados, ya que se
obtienen muestras y como tales han de ser analizadas, con sus limitaciones.
Es decir, cuando existe aleatoriedad los resultados han de verse como tales,
aleatorios, y analizados con sumo cuidado y rigurosidad mediante tcnicas
estadsticas.
I.1.3 Tipos de sistemas y de simulacin

A la hora de obtener un modelo de simulacin de un sistema dinmico es
fundamental definir el estado del sistema. Se llama estado de un sistema al
conjunto de variables necesarias para describir un sistema en un instante
particular de tiempo relativo a los objetivos de un estudio.
Los sistemas se clasifican a partir de sus variables de estado:
Sistemas continuos: Las variables de estado cambian de forma continua con

el tiempo. Por ejemplo, el movimiento de un tren por una va, las variables
de estado son posicin, velocidad y aceleracin.
Sistemas discretos: Las variables de estado cambian en ciertos instantes de
tiempo. Por ejemplo, un sistema de atencin a clientes atendido por un solo
servidor, la variable de estado es el nmero de clientes que hay en el centro
de servicio.
Los modelos de simulacin a su vez pueden ser clasificados atendiendo a

varios criterios:
Segn la evolucin del tiempo

o Estticos: representan un sistema en un instante particular. A menudo, a
06/07/2006
este tipo de simulacin se la denomina simulacin de Monte Carlo.

o Dinmicos: representan un sistema que evoluciona con el tiempo.
Segn la aleatoriedad
o Deterministas: no incluyen variables aleatorias. Dados unos datos de
entrada, existe un nico conjunto posible de datos de salida.
o Probabilistas o estocsticos: contienen variables aleatorias, las salidas son
aleatorias (estimaciones de las verdaderas caractersticas).
Segn las variables de estado

o Continuos: si todas las variables de estado cambian de forma continua
con el tiempo.
o Discretos: si todas las variables de estado cambian en determinados
instantes de tiempo.
Hay que tener en cuenta, sin embargo, que no siempre de un sistema
discreto se hace un modelo discreto, hay casos en que por simplificar es
mejor tratarlo como un sistema continuo. Un caso muy habitual son los
modelos de trfico, en que aunque los cambios son discretos, modelarlos
como flujos continuos da mucho mejor resultado.
o Hbridos o combinados: si incluyen variables de estado continuas y
discretas.
Un ejemplo de un modelo continuo es el clsico modelo presa - depredador

de LotkaVolterra. En l se supone una poblacin (grande) y cerrada (no hay
migraciones) de presas y depredadores. El objetivo es estudiar cmo vara el
nmero de cada uno de ellos en el tiempo. El modelo propuesto por Lotka
Volterra sera el siguiente:
X (t ) : nmero individuos presa en el instante t
Y (t ) : nmero de individuos depredador en el instante t
dX
= rX (t ) aX (t )Y (t ), a > 0
dt
dY
= sY (t ) + bX (t )Y (t ), b > 0
dt
donde r es la tasa de crecimiento de la poblacin presa en ausencia de

depredadores, s la tasa de decrecimiento de los individuos depredador en
ausencia de presas, y a y b son parmetros para ponderar la presencia de los
otros individuos en la variacin de poblacin. Este modelo se puede intentar
resolver mediante mtodos clsicos, sin embargo, es mucho ms sencillo
simularlo tomando pequeos intervalos de tiempo y actualizando las variables
06/07/2006
I SIMULACIN
de estado en esos intervalos mediante las ecuaciones descritas (directamente al

ser pequeos intervalos). Obsrvese que desde un punto de vista terico el
sistema presentado sera discreto. Sin embargo, cuando las poblaciones son
suficientemente grandes, el modelo apropiado es un modelo continuo.
En este documento nos vamos a centrar en los modelos de simulacin
dinmicos, estocsticos (el caso determinista es considerado un caso particular)
y discretos: modelos de simulacin de eventos discretos.
I.1.4 Elementos de la simulacin de eventos discretos

Hay diferentes elementos que determinan los modelos de eventos discretos.
En primer lugar, se definen los eventos como aquellos sucesos que pueden
producir un cambio en el estado del sistema.
Puesto que un evento supone un cambio en las variables de estado, asociado
con cada evento se define el mecanismo de transicin como el mecanismo que
muestra los cambios que se producen en el estado del sistema cuando se produce
un evento. Por ejemplo, en un sistema de colas con un servidor, la variable de
estado es el nmero de clientes que hay en el centro de servicio y, por lo tanto,
los eventos son la llegada de un cliente y el final de un servicio y el mecanismo
de transicin se puede definir como
N (t ) + 1 si llegada cliente
N (t ) =
N (t ) 1 si final de servicio cliente
siendo N (t ) el nmero de clientes en el sistema en el instante t .

Otra cuestin importante a tener en cuenta es el tiempo, hay que hacer
avanzar el tiempo de algn modo. Para ello se utiliza una variable que registra
la cantidad de tiempo que ha sido simulada: el reloj de simulacin. Esta variable
no representa tiempo real, no es tiempo de ejecucin, sino que es un contador
interno del modelo.
El reloj de simulacin hay que moverlo, incrementar su valor. Para ello
hay dos mtodos:
Incremento en tiempo fijo (time step): el reloj de simulacin se incrementa

en exactamente t unidades de tiempo ( t elegido apropiadamente). Cada
vez que se incrementa el tiempo se actualizan las variables de estado,
comprobando si algn evento ha ocurrido en ese intervalo de tiempo. Los
eventos que hayan podido ocurrir en ese intervalo se considera que ocurren
al final de ste, momento en que se actualizan las variables. Este mtodo es
oportuno para simulacin continua o cuando el momento en que ocurren los
06/07/2006
eventos es fijo o para animacin grfica. Sin embargo, para otros casos
presenta algunos inconvenientes, fundamentalmente, la simultaneidad de
eventos cuando ms de un evento ocurre en un intervalo y el error que se
comete de redondeos al considerar que los eventos ocurren al final del
intervalo y que para disminuirlo hace que se tomen incrementos muy
pequeos que ralentizan enormemente la simulacin comprobando muchos
intervalos en los que no ocurre nada.
Incremento al prximo evento (event step): el reloj de simulacin se inicializa
a cero y se determinan los instantes en que sucedern los futuros eventos
(todos o los ms inmediatos que puedan ocurrir). El reloj de simulacin se
avanza hasta el instante del suceso ms inminente de los futuros eventos (el
primero de ellos), actualizando en ese instante el estado del sistema
dependiendo del evento de que se trate. Este procedimiento tiene como
ventajas respecto al anterior que no tiene errores al considerar tiempos
exactos de ocurrencia de los eventos y que es ms rpido ya que los periodos
en que no hay eventos son saltados.
Obsrvese que en ambos casos es necesario tener definidos cules son los
eventos futuros y en qu instantes se van a dar, al menos los ms inmediatos, lo
que se ver en el siguiente captulo.
I.1.5 Organizacin de un modelo de simulacin

En el desarrollo de un modelo de simulacin de eventos discretos hay otros
elementos que intervienen, adems del estado del sistema y del reloj de
simulacin:
Lista de eventos: es la lista de instantes en que van a ocurrir los prximos

eventos de cada tipo. Esta lista puede ser generada desde el principio y
almacenada (o al menos los valores de las variables aleatorias que los
determinan) o puede ir generndose a medida que los valores son
necesitados. Como ya se ha dicho en el siguiente captulo se ver cmo
obtenerlos.
Contadores estadsticos: son variables utilizadas para almacenar informacin
sobre el comportamiento del sistema y que al final, mediante algn clculo
matemtico, darn respuesta al objetivo del estudio.
Adems, un modelo de simulacin se estructura en distintas partes, cada una

de ellas con un cometido:
10
06/07/2006
I SIMULACIN
Rutina de tiempo: determina el siguiente evento y avanza el reloj de

simulacin al instante en que va a ocurrir
Rutina de evento: actualiza las variables cuando ha ocurrido un evento. Hay
una por cada tipo de evento.
Generador de informes o resultados: realiza los clculos o estimaciones de las
caractersticas que se desean medir, cuando la simulacin acaba.
Programa principal: enlaza todas las rutinas anteriores.
Plasmado en un diagrama de flujo, ste sera el siguiente (donde no hay

numeracin es que el orden no es relevante):
Rutina
inicializacin
Reloj simulacin = 0
Inicializar estado y contadores
Inicializar lista de eventos
Determinar tipo prximo evento i

1 Llamar
rutina tiempo
Avanzar reloj de simulacin

Rutina tiempo
Programa principal
Actualizar estado
Actualizar contadores
2 Llamar
rutina evento
Generar futuros eventos y

actualizar lista de eventos
Rutina evento i
Regla de parada
Fin de
simulacin?
NO
SI
Generador
resultados
Clculos finales (estimaciones)

Imprimir informe
Figura 2. Organizacin de un modelo de simulacin de eventos discretos.
Veamos un ejemplo de un sistema de una lnea de espera con un servidor. El

objetivo es estimar el nmero medio de clientes en el sistema.
Se suponen las siguientes hiptesis y datos:
Tiempos entre llegadas de clientes segn distribucin F
Tiempos de servicio segn distribucin G
Distribuciones de tiempos independientes entre s
T tiempo mximo de simulacin
La variable de estado es N el nmero de clientes en el sistema. Los eventos
posibles son:
Llegada de un cliente al sistema
06/07/2006
11
Final de servicio de un cliente

El mecanismo de transicin se define como
N (t ) + 1 si es llegada de un cliente
N (t ) =
N (t ) 1 si es final de servicio
Otras variables auxiliares son:

TM reloj de simulacin
D
DL tiempo entre llegadas = F
D
DS tiempo de servicio = G
TL instante de la prxima llegada
TS instante del prximo final de servicio
SUMA contador acumulando suma de productos de clientes en el sistema
por tiempo de permanencia
TANT variable auxiliar (instante de ltimo evento)
El diagrama del modelo se presenta en la figura 3.
Inicializar
N=0, TM=0
SUMA=0, TS=
Generar DL
TL=DL
TM=min(TL,TS)
Servicio
NO
TL<TS?
SI
Llegada
TANT=TM
SUMA/TM
Parar
12
NO
TM<T?
SI
06/07/2006
I SIMULACIN
Llegada
N=N+1
Servicio
NO
N=N-1
NO
N>0?
TS=
SI
N>1?
Generar DS
TS=TM+DS
SI
Generar DS
TS=TM+DS
Generar DL
TL=TM+DL
SUMA=SUMA+(N+1)(TM-TANT)
SUMA=SUMA+(N-1)(TM-TANT)
Volver
Volver
Figura 3. Diagrama del modelo de simulacin de una cola con un servidor.
A continuacin, se presenta la traza del modelo. La traza es una tabla en la

que se recogen los valores de las variables que intervienen en el modelo en varias
iteraciones. Es til obtener una traza manualmente para ayudar a obtener el
modelo, de modo que se vean las variables que intervienen, los clculos, etc.
Gracias a ella es posible detectar la necesidad de variables auxiliares. Adems,
es una forma de verificar la programacin posterior, de modo que una vez
programado el modelo, con los mismos datos de entrada debe ejecutar lo que se
recoge en la traza. En caso de que no sea as, puede ser por una programacin
errnea o incluso un modelado errneo.
Veamos la ejecucin del modelo de simulacin. Se obtienen muestras de los
tiempos entre llegadas DL dando lugar a estos valores: 3, 2, 5, 1, 2, 6, 6, 2, 8 y
de los tiempos de servicio DS que resultan: 4, 1, 3, 1, 3, 2, 3, 5. Se simula
durante T=35 obtenindose la siguiente traza.
N evento
0
1
2
3
4
5
6
7
06/07/2006
Reloj Simulacin
0
3
5
7
8
10
11
13
Tipo evento
Inicio
Llegada
Llegada
Servicio
Servicio
Llegada
Llegada
Llegada
N
0
1
2
1
0
1
2
3
TL
3
5
10
10
10
11
13
19
TS
7
7
8
14
14
14
SUMA
0
0+03=0
0+12=2
2+22=6
6+11=7
7+0=7
7+11=8
8+22=12
13
8
9
10
11
12
13
14
15
16
17
14
15
18
19
21
25
27
28
33
35
Servicio
Servicio
Servicio
Llegada
Servicio
Llegada
Llegada
Servicio
Servicio
Final
2
1
0
1
0
1
2
1
0
19
19
19
25
25
27
35
35
35
15
18
21
28
28
33
12+31=15
15+21=17
17+31=20
20+0=20
20+12=22
22+0=22
22+12=24
24+21=26
26+15=31
31+02=31
Figura 4. Traza del modelo.

N
7 8
10 11
13 14 15
18
Figura 5. Nmero de clientes en el sistema a lo largo del tiempo.
Grficamente el nmero de clientes en el sistema a lo largo del tiempo se

representa en la figura 5. Para el tiempo de simulacin T=35 el nmero medio
de clientes en el sistema resulta ser E[N ] = 31 35 = 0.89 . Si el tiempo de
simulacin hubiera sido reducido a 18 en lugar de 35 el nmero medio de
clientes en el sistema resultara E[N ] = 20 18 = 1.11 , lo cual pone de manifiesto
la importancia de la condicin de finalizacin del proceso de simulacin y su
posible influencia en los resultados obtenidos.
I.1.6 Algunas aplicaciones de simulacin

1.1.1.1. Disponibilidad dinmica de un sistema paralelo
Se trata de un sistema formado por varios componentes en paralelo. El
sistema est indisponible cuando todos los componentes estn indisponibles. Se
supone que cuando se repara un componente vuelve a funcionar como nuevo.
Se consideran los siguientes datos:
Distribucin de probabilidad de tiempo entre fallos del componente i , TFi (t )
Distribucin de probabilidad de tiempo de reparacin del componente i ,
TRi (t )
Tiempo mximo de simulacin T
14
06/07/2006
I SIMULACIN
la
1 en funcionamiento
La variable de estado de cada componente es x i =
y
0 en reparacin
1 sistema en funcionamiento
del sistema ES =
0 sistema en fallo
Los eventos que se consideran son:

Fallo de un componente x i = 0
Fin de reparacin de un componente x i = 1
Otras variables auxiliares son:
TM reloj de simulacin
TFi muestra de la distribucin de tiempo entre fallos del componente i
TRi muestra de la distribucin de tiempo de reparacin del componente i
TPi tiempo del siguiente evento del componente i
TPS tiempo de parada del sistema
TI tiempo en que se inici la ltima parada
El proceso de simulacin consta de las siguientes etapas descritas mediante

pseudocgido:
1.
Inicializacin:
TM = 0
TPS = 0
Definir estado inicial:
xi = 1
ES = 1
Generar muestra de distribucin de tiempo entre fallos TFi
TPi = TFi
2. Rutina de tiempo: Determinar mnimo de TPi (cundo), actualizar el tiempo
de simulacin TM = TPi , determinar el evento de fallo o reparacin (qu) y
el componente al que afecta (a quin)
3. Rutina de evento de fallo del componente i
xi = 0
Si estn en fallo el resto de componentes se declara indisponible el
sistema ES = 0 y se registra el instante de la parada TI = TM
Generar muestra de distribucin de tiempo de reparacin TRi
TPi = TPi + TRi
4. Rutina de evento de fin de reparacin del componente i
xi = 1
Si el sistema est indisponible () se contabiliza el tiempo de parada del
sistema TPS = TPS + TM TI y se declara disponible el sistema
ES = 1
06/07/2006
15
Generar muestra de distribucin de tiempo entre fallos TFi

TPi = TPi + TFi
5. Regla de parada: Comprobar que TM < T , en cuyo caso ir a 2. En caso
contrario ir a 6
6. Final. ndice de disponibilidad = 1 TPS /TM
1.1.1.2. Fiabilidad esttica de un sistema de generacin de energa

elctrica
Calcular los ndices de fiabilidad estticos de un sistema de generacin,
denominados probabilidad de prdida de carga LOLP = P {D > G } y energa
esperada no suministrada EENS = E {(D G )d | D > G } , siendo G la variable
aleatoria potencia de generacin disponible en el sistema, D la demanda y d la
duracin de la misma.
Grupo Potencia [MW] Tasa de fallo equivalente (EFOR) [%]
1
1000
8
2
1500
10
3
750
7
4
500
6
5
350
5
6
250
3
7
200
2
Cada generador tiene dos estados posibles: disponible e indisponible. La
potencia disponible se modela mediante una distribucin de Bernoulli, es decir,
ser igual a la nominal con una probabilidad (1-EFOR/100) e igual a 0 con
probabilidad (EFOR/100). Por consiguiente, el nmero total de estados del
sistema ser 27 = 128 .
Para calcular estos ndices de manera exacta para un sistema con un nmero
reducido de generadores se construye la tabla de estados del sistema y para cada
uno se evala la potencia disponible, la potencia deficitaria con respecto a la
demanda y la probabilidad de ocurrencia. Luego, la LOLP ser simplemente la
suma de las probabilidades de los estados donde la potencia deficitaria es
estrictamente mayor que 0 y la EENS ser la suma ponderada de la potencia
deficitaria por su probabilidad. En la tabla se presentan algunos de los 128
estados del sistema (representando con 1 a cada generador disponible y con 0 en
caso contrario) y sus parmetros suponiendo una demanda de 3000 MW con
una duracin de 680 h.
16
06/07/2006
I SIMULACIN
Estado
sistema
1111111
1111110
1111101
1111100
1111011
1111010
1011111
...
1011110
1011101
1011100
1011011
1011010
1011001
1011000
...
0000110
0000101
0000100
0000011
0000010
0000001
0000000
Pot Disp
[MW]
4550
4350
4300
4100
4200
4000
3050
...
2850
2800
2600
2700
2500
2450
2250
...
600
550
350
450
250
200
0
Dficit
[MW]
0
0
0
0
0
0
0
...
150
200
400
300
500
550
750
...
2400
2450
2650
2550
2750
2800
3000
Probab
LOLP
EENS
0.6537
0.0133
0.0202
0.0004
0.0344
0.0007
0.0726
...
0.0015
0.0022
0.0000
0.0038
0.0001
0.0001
0.0000
...
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
...
0.0015
0.0022
0.0000
0.0038
0.0001
0.0001
0.0000
...
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0
0.0
0.0
0.0
0.0
0.0
0.0
...
151.2
305.5
12.5
779.8
26.5
44.2
1.2
...
1.0
1.6
0.0
2.8
0.1
0.1
0.0
Para calcular estos mismos ndices mediante simulacin se muestrea cada

variable aleatoria (potencia disponible de cada generador) segn su distribucin
y se calculan las variables potencia disponible del sistema y dficit. La
probabilidad de ocurrencia de cada muestra es la inversa del nmero total de
muestras.
1.1.1.3. Fiabilidad dinmica de un sistema de energa elctrica

Determinar los ndices de fiabilidad LOLP y EENS y el coste medio de la
energa mediante simulacin cronolgica durante al menos 156 semanas
consecutivas.
Los datos de la demanda de cada da de una semana caracterstica
expresados en MW y los del sistema de generacin se dan a continuacin.
06/07/2006
17
Hora
L
M
X
J
V
S
D
1
2936
2789
2971
2689
2846
2967
2959
2
2893
2770
2875
2894
2988
2633
2500
3
2675
2879
2538
2685
2516
2906
2575
4
2676
2695
2893
2718
2686
2582
2957
5
2533
2644
2695
2742
2601
2778
2975
6
2652
2710
2837
2954
2544
2518
2824
7
2546
2792
2716
2675
2815
2859
2792
8
2794
2706
2606
2985
2916
2798
2766
9
2848
2839
2702
2714
2506
2904
2744
10
2623
2518
2893
2646
2558
2541
2686
11
2616
2942
2738
2615
2606
2867
2958
12
2811
2788
2598
2660
2531
2818
2861
Hora
L
M
X
J
V
S
D
13
2951
2605
2638
2697
2515
2641
2624
14
2638
2740
2757
2908
2531
2944
2797
15
2712
2530
2607
2503
2717
2554
2914
16
2506
2845
2534
2573
2557
2510
2738
17
2617
2524
2949
2771
2541
2963
2791
18
2551
2654
2734
2970
2645
2859
2771
19
2507
2845
2692
2582
2703
2851
2933
20
2962
2709
2792
2831
2522
2867
2841
21
2898
2747
2621
2552
2587
2638
2920
22
2902
2840
2720
2820
2674
2707
2638
23
2930
2732
2739
2602
2567
2879
2507
24
2800
2646
2866
2861
2839
2652
2668
Grupo
1
2
3
4
5
6
7
Coste variable
[/MWh]
10
15
25
30
35
50
70
MTTF
[h]
115
54
93
141
95
97
98
MTTR
[h]
10
6
7
9
5
3
2
Las distribuciones de probabilidad de fallo de los grupos son normales con

media = MTTF y desviacin tpica = MTTF / 5 . Las de reparacin son
triangulares con media m = 2MTTR / 3 , valor mnimo a = MTTR / 3 y
mximo b = 2MTTR . Los grupos se despachan por orden creciente de coste
variable. El coste de la ENS se estima en 1 /kWh. Por razones de soporte de
tensin en la red el grupo 6 debe funcionar si est disponible y por limitacin en
la evacuacin de energa no pueden funcionar simultneamente el 3 y el 5
teniendo prioridad el de menor coste variable. En el instante inicial todos los
grupos estn disponibles.
En este ejemplo el tipo de simulacin ms adecuado es el de avance de
tiempo fijo con intervalo unitario de 1 hora (aunque no se hayan producido
eventos de fallo o reparacin de un grupo), ya que la demanda cambia en cada
hora y esto influye en el clculo del coste medio de produccin.
18
06/07/2006
I SIMULACIN
I.1.7 Etapas en el desarrollo de un estudio de simulacin

Al llevar a cabo un estudio de simulacin hay algunos pasos que se deben
seguir para lograr el xito, entendindose ste como un correcto anlisis del
problema, la obtencin de un modelo que sirva para los fines para los que se
desarrolla y que sea creble por parte del destinatario final.
Por otra parte, hay que diferenciar si el fin del estudio es slo el desarrollo
del modelo (obtener un programa que otro usuario va a utilizar finalmente) o si
el anlisis de resultados forma parte tambin del estudio.
A continuacin, se muestra el caso ms general que incluye el anlisis de
resultados como ayuda en la toma de decisiones.
FORMULAR EL PROBLEMA
En esta fase se plantean los objetivos del estudio, las hiptesis bsicas que
pueden ser asumidas, los parmetros que intervienen, cules son las variables de
estado del sistema y por tanto del modelo, etc. Es una fase clave, denominada
fase de especificacin, que, a menudo, es infravalorada en tiempo, ya que
aparentemente el problema est formulado, pero, concretar exactamente lo que
se quiere obtener y de lo que se dispone, no es tan obvio como pueda parecer.
REUNIR DATOS Y CREAR UN MODELO
En esta fase en primer lugar hay que reunir los datos. ste puede ser el
cuello de botella del proyecto total ya que la recogida de stos puede ser una
tarea larga y tediosa. Una vez obtenidos, mediante un anlisis estadstico, hay
que modelar la aleatoriedad para ser incluida en el modelo de simulacin.
PROGRAMAR EL MODELO
Cuando se conocen los datos de que se dispone y su naturaleza, se desarrolla
el modelo en s mismo. La programacin del modelo, como ya se ha comentado,
se puede hacer con un lenguaje de programacin de propsito general o con un
lenguaje especfico de simulacin (GPSS, AutoMod, Witness, Arena, ...). Las
ventajas e inconvenientes de unos y otros sern analizadas en otra seccin. En
cualquier caso, la decisin ha de ser tomada previamente, ya que influye no slo
en la programacin sino tambin en el modelo desarrollado. Para el primer caso
ste ser un diagrama de flujo.
VERIFICAR LA PROGRAMACIN
Este paso consiste en verificar que lo que se ha programado coincide con lo
que se haba modelado. Para ello hay que llevar a cabo ejecuciones de prueba y
06/07/2006
19
compararlas con el modelo, para ello una traza bien elegida y desarrollada puede
ser una valiosa ayuda. En el caso de ser detectados errores, habr de volver a la
fase anterior.
VALIDAR EL MODELO
Consiste en comprobar la validez del modelo diseado y para ello hay que
ejecutar el modelo y comparar con el propio sistema o con soluciones tericas de
casos sencillos que se hallen bien resueltos. La comparacin con el propio
sistema sugiere comparacin de datos reales y datos simulados. Cuando existe
aleatoriedad no es fcil hacer tal comparacin y un procedimiento habitual para
llevarla a cabo consiste en alimentar el modelo con los mismos datos con los que
se alimenta al sistema real para obtener los resultados que se van a comparar.
Por ejemplo, si es un sistema de colas con un servidor, se le da al modelo los
tiempos entre llegadas y de servicio observados y se compara lo que ocurre en el
sistema real con esos tiempos con lo que el modelo simula (no se generan
aleatoriamente, en este caso para la validacin).
Hasta aqu, sera el desarrollo del modelo de simulacin, es decir, la
construccin de una herramienta que simule un sistema. Slo faltara para dar
por terminada esta parte documentar el modelo con instrucciones al usuario,
descripcin de hiptesis y datos, etc., y la puesta en servicio para otros usuarios,
si es el caso, que sean, al fin y al cabo, los usuarios finales. Esa fase de
finalizacin, puede ser tambin muy larga y costosa, dependiendo de dnde haya
de ser instalado, de la documentacin que haya que entregar, de la formacin
que haya que dar a los usuarios, etc.
Sea quien sea el usuario final (es decir, tanto si es quien ha desarrollado el
modelo como si no), el modelo se usar para ayudar en la toma de decisiones y
para ello habr que llevar a cabo ejecuciones con distintas configuraciones, etc.
Tambin para esta parte, existe una metodologa con el fin de hacer crebles los
resultados obtenidos y obtener la mayor informacin posible de forma eficaz.
DISEAR EL EXPERIMENTO
Hay que disear las estrategias a evaluar, las pruebas que se van a llevar a
cabo, el nmero de simulaciones de cada una de ellas, etc. Un buen diseo de
experimentos puede ser fundamental para obtener la informacin eficientemente.
Tambin las tcnicas de reduccin de la varianza que permiten obtener
estimadores ms precisos con el mismo esfuerzo computacional, o igual de
precisos con menor esfuerzo computacional, son una buena ayuda para resolver
el problema de forma eficiente. Algunas de estas tcnicas estn especialmente
diseadas para simulacin (variables antitticas, variables de control, muestreo
20
06/07/2006
I SIMULACIN
correlado, ...) y otras provienen de la teora general de muestreo (muestreo

estratificado, muestreo por importancia, ...).
En esta fase tambin hay que tener en cuenta los periodos transitorios a la
hora de disear las pruebas, ya que si nuestro objetivo es obtener medidas de un
sistema en estado estacionario, habr que determinar la longitud del periodo
transitorio (periodo de tiempo hasta que se puede considerar que el rgimen de
funcionamiento del sistema es estacionario o permanente) y utilizar
procedimientos para eliminar o atenuar su influencia en las medidas que se
pretenden obtener.
LLEVAR A CABO LAS EJECUCIONES DE SIMULACIN
Se ejecutan todas las pruebas que han sido diseadas en la fase anterior.
ANALIZAR LOS RESULTADOS
Hay que tener muy en cuenta que lo que se tiene de cada ejecucin es una
muestra simulada y, por lo tanto, hay que recurrir al anlisis estadstico para
sacar las conclusiones, igual que si la muestra no fuera simulada.
DECIDIR SI DAR POR TERMINADA LA SIMULACIN
A la vista de los resultados, hay que decidir si dar por terminada la
simulacin y pasar a la ltima fase del estudio o, por el contrario, si se requieren
nuevas pruebas, en cuyo caso habra que volver al paso de disear un nuevo
experimento.
DOCUMENTAR Y ORGANIZAR LAS EJECUCIONES
Es importante recopilar y mostrar bien la informacin obtenida de las
simulaciones, con el fin de hacer crebles las conclusiones y decisiones que se
propongan. Para ello una buena documentacin es un punto fundamental que
forma parte del propio estudio.
06/07/2006
21
I SIMULACIN
I.2 Modelado de la aleatoriedad en simulacin

Como ya se ha comentado, los modelos de simulacin habitualmente
incluyen aleatoriedad, hasta el punto de que en muchos casos cuando el modelo
es determinista se considera un caso particular de un modelo aleatorio ms
general. Por tanto, es necesario modelar correctamente la aleatoriedad incluida
y disponer de procedimientos rpidos y eficientes para generar valores de
variables aleatorias con una distribucin determinada y conocida.
Este captulo incluye una breve revisin estadstica de los conceptos bsicos
utilizados en el resto del documento, una seccin dedicada a identificar modelos
para representar la aleatoriedad a partir de datos conocidos, lo que se ha
llamado identificacin de patrones y, por ltimo, una seccin dedicada a cmo
simular esos modelos, es decir, a cmo generar variables aleatorias para ser
utilizadas en el proceso de simulacin.
I.2.1 Revisin de probabilidad y estadstica

Esta revisin estadstica comprende conocimientos estadsticos de aplicacin
prctica en simulacin. Se inicia con una seccin dedicada a una revisin de
conceptos bsicos de probabilidad, despus una revisin de estimacin puntual y
por intervalos y una final de contrastes de hiptesis.
1.1.1.4. Variables aleatorias y sus propiedades

Un experimento aleatorio es un proceso cuyo resultado no se conoce con
exactitud. El conjunto de resultados posibles de dicho experimento es lo que se
conoce como espacio muestral, S . Los resultados concretos de realizar el
experimento se denominan muestras. Un ejemplo puede ser el resultado de tirar
un dado con seis caras. Su espacio muestral sera S ={1,2,3,4,5,6}.
Sin embargo, no todos los experimentos aleatorios tienen resultados
numricos; por ejemplo, al tirar una moneda el espacio muestral sera
S = {cara, cruz } .
Una variable aleatoria X es una funcin que asigna un valor a cada
resultado del experimento. As por ejemplo, si al resultado del lanzamiento de
una moneda le asignamos el valor 1 si es cara y 1 si es cruz, tendremos una
variables aleatoria cuyos posibles valores o soporte es el conjunto {1,1} . Las
variables aleatorias son de gran importancia pues trasladan la probabilidad de
un espacio no numrico a uno numrico con todas las ventajas que ello conlleva,
entre otras las caracterizaciones y propiedades que se vern a continuacin.
06/07/2006
23
I.2 MODELADO DE LA ALEATORIEDAD EN SIMULACIN
Habitualmente se nota a las variables aleatorias con letras maysculas y a

los valores muestrales de dicha variable con letras minsculas. As por ejemplo
se habla de la variable X y de las muestras x i .
Para caracterizar la distribucin de probabilidad de una variable aleatoria
hay distintas formas segn sea sta, sin embargo una funcin que puede ser
definida de forma general para caracterizar la distribucin de una variable
aleatoria es la funcin de distribucin.
La funcin de distribucin de una variable aleatoria, o tambin conocida
como funcin de distribucin acumulada, F (x ) , se define como la funcin que
asigna a cada punto la probabilidad de que X tome un valor igual o inferior a
x , es decir, F (x ) = P ((, x ]) = P (X x ) .
Las propiedades de esta funcin de distribucin son las siguientes:
Su valor est comprendido entre 0 y 1, es decir, 0 F (x ) 1

Es no decreciente
En los lmites, se cumple lim F (x ) = 1 y lim F (x ) = 0
x +
Las variables aleatorias que pueden ser de nuestro inters, se clasifican en:
discretas, absolutamente continuas (en general, las llamaremos continuas) y
mixtas. Las que no corresponden a ninguno de estos grupos exceden al objetivo
de esta revisin bsica.
Se dice que una variable aleatoria es discreta cuando puede tomar una
cantidad numerable1 de valores.
Estas variables son caracterizadas, adems de por la funcin de distribucin,
por la funcin de masa de probabilidad, que es una funcin que asigna a los
posibles valores su probabilidad y al resto 0. Los valores de esta funcin han de
estar entre 0 y 1 ya que son probabilidades y la suma de todos ha de ser 1.
La funcin de distribucin F (x ) de este tipo de variables se calcula como la
suma de la funcin de probabilidad para valores iguales o inferiores al valor x ,
y resulta por lo tanto una funcin escalonada:
F (x ) =
P(x = x )
i
; < x < +
xi x
Se dice que una variable aleatoria es absolutamente continua cuando existe

una funcin, denominada funcin de densidad, f (x ) , tal que su integral para un
conjunto I determina la probabilidad de ocurrencia de dicho conjunto.
Es decir, una cantidad finita o infinita numerable (los nmeros naturales, los enteros, los
racionales,...)
1
24
06/07/2006
I SIMULACIN
P (x I ) =
f (x )dx
Se ha de tener en cuenta que la integral de la funcin de densidad en todo el

espacio ha de ser la unidad.
+
f (x )dx = 1
En este tipo de variables la probabilidad de ocurrencia de un valor concreto

es cero ya que la integral en un punto es nula. Un concepto fsico que se asemeja
a lo que representa la funcin de densidad es precisamente la densidad de un
cuerpo, en este caso referido a probabilidades.
La funcin de distribucin en este caso se calcula como la integral de la
funcin de densidad en el intervalo [, x ] , y de aqu que su derivada
constituye la funcin de densidad asociada a la variable x . La funcin de
distribucin en este caso es continua en todos los puntos, y es derivable en todos
excepto a lo sumo en una cantidad numerable de ellos.
F (x ) = P (x [, x ]) =
f (y )dy ; x
F (x ) = f (x )
As por ejemplo para una variable aleatoria uniforme para el intervalo [0, 1]
se tiene que:
1 0 x 1
f (x ) =
0
resto
F (x ) =
x
0
f (x )dx =
x
0
1dx = x
f(x)
F(x)
0
1
0
1
Las variables aleatorias mixtas son variables que en algunos intervalos se

comportan como variables absolutamente continuas, pero que adems
concentran probabilidad en algn punto. Para ellas no existe otra
caracterizacin terica vlida que no sea la funcin de distribucin, que es
continua en todos los puntos excepto en los que acumulan probabilidad que
06/07/2006
25
tiene un salto.
Aunque las definiciones que se han dado son vlidas en general, hay algunas
cuestiones especficas cuando las variables estn definidas no en , sino en n ,
siendo denominadas variables multidimensionales. Las siguientes definiciones son
las equivalentes a las anteriores pero en este contexto, en el que una variable
aleatoria es de la forma (X1,..., X n ) :
Funcin de distribucin conjunta:

F(X1 ,...,Xn )(x 1,..., x n ) = P (X1 x 1,..., X n x n )
Funcin de densidad conjunta (en su caso):

f(X1 ,...,Xn )(x 1,..., x n )
f (x )dx
P (B ) = p(x )
x B
Funciones de densidad marginales (en su caso):

fXi (x i ) =
Funcin de masa de probabilidad conjunta (en su caso):

p(X1 ,...,Xn )(x 1,..., x n )
P (B ) =
...
f(X1 ,...,Xn )(x 1,..., x n )dx 1...dx i1dx i +1...dx n
Funciones de masa de probabilidad marginales (en su caso):

pXi (x i ) = ... ... p(X1 ,...,Xn )(x 1,...x n )
x1
x i 1 x i +1
xn
Dentro del tratamiento conjunto de variables aleatorias, existe un concepto

que es de mxima importancia: el concepto de independencia. Se dice que un
conjunto de variables aleatorias es independiente si y slo si la funcin de
distribucin conjunta es producto de las funciones de distribucin marginales.
Esta caracterizacin para variables absolutamente continuas puede darse
diciendo que la funcin de densidad conjunta ha de ser el producto de las
funciones de densidad marginales, y para variables discretas que la funcin de
masa conjunta es el producto de las funciones de masa marginales.
Obsrvese que el concepto de independencia estadstica que se acaba de
definir no implica que no haya relacin alguna entre las variables, sino que el
conocimiento de una no modifica la distribucin de probabilidad de las otras.
Por ejemplo, sea el experimento sacar una carta de una baraja espaola y
observar el palo y nmero de la carta que ha salido. As sea la variable X el palo
(numerando 1 a copas, 2 a oros, 3 a espadas y 4 a bastos), y la variable Y el
nmero (sota es 8, caballo 9 y rey 10). La funcin de masa de ambas variables
26
06/07/2006
I SIMULACIN
conjuntamente es p(x , y ) = 1/ 40, x {1,2, 3, 4} y {1,...,10} . Las funciones de

masa marginales son p(x ) = 1/ 4, x {1,2, 3, 4} y p(y ) = 1/10, y {1,...,10} .
Evidentemente, la funcin conjunta es producto de las marginales, luego, se
puede decir que ambas variables son estadsticamente independientes, es decir,
si dada una carta se sabe cul es el palo no modifica la probabilidad de cul ser
su nmero.
Es importante tener presente este concepto de independencia pues en
simulacin, y en general en probabilidad, se maneja muy habitualmente.
A continuacin se presenta una revisin de las caractersticas que se
consideran ms relevantes de una variable aleatoria.
La esperanza o valor esperado o media de una variable X , denotada por
o E (X ) , es una medida central de comportamiento de la variable que representa
su centro de masas. Se calcula de manera distinta dependiendo de si se trata de
una variable discreta o continua.
x i P (x i ) siendo X i variable discreta
x
E [X ] = =
i
xf (x )dx siendo X i variable continua
La
esperanza
i =1
i =1
por
su
definicin
es
un
operador
lineal,
es
decir,
E ( ci X i ) = ci E (X i ) . Por otra parte, obsrvese que la esperanza de una
variable puede ser un valor que no pertenezca al soporte, especialmente en

variables aleatorias discretas, aunque siempre se encontrar entre el mnimo y el
mximo de los posibles valores.
Otra medida central de una variable aleatoria es la mediana. Se nota por
x 0.5 y se define como el menor valor de la variable para el cual FX (x ) 0.5 .
Cuando la variable tiene asimetra es habitual dar este valor de medida central,
ya que la media se suele ver muy afectada por los valores ms extremos.
La varianza de una variable aleatoria es una medida para determinar el nivel
de dispersin que tienen los valores de la variable respecto de su media. Se nota
por var(X ) o 2 , y se define como la media de las desviaciones a la esperanza
al cuadrado. As su definicin y un mtodo alternativo de clculo son:
2 = E [(X i i )2 ] = E (X i2 ) i2
Por definicin, la varianza es siempre no negativa y es un operador

cuadrtico, de modo que var(cX ) = c 2 var(X ) . Por otra parte, para
transformaciones lineales, slo en el caso en que las variables sean
independientes o incorreladas (trmino que se explica a continuacin) se cumple
06/07/2006
27
i =1
i =1
que var( X i ) = var(X i ) .

Obsrvese que la varianza va en unidades al cuadrado; para dar una medida
relativa a las unidades que se estn manejando se utiliza la desviacin tpica o
estndar, que se define como la raz cuadrada de la varianza de la variable y se
denota por .
Calculando la media y la varianza de una variable aleatoria uniforme en el
intervalo [0, 1] se tiene:
x 2
1
x 1dx = =
2 0 2
1
2
x 3
1
1
1
x 1dx = =
3 0 4 12
2
2
Una medida de la dependencia lineal entre dos variables X i y X j viene dada

por la covarianza notada por C ij o cov(X i , X j ) . Se define como la esperanza o
media de la multiplicacin de las desviaciones de la variable Xi con respecto a
su media i por las desviaciones de la variable X j respecto de su media j . As
la definicin y un mtodo alternativo de clculo son las siguientes:
cov(X i , X j ) = E [(X i i )(X j j )] = E (X i X j ) i j
Las covarianzas son medidas simtricas, es decir, C ij = C ji . Si i = j ,
entonces la covarianza es igual a la varianza de la variable. Si el valor de la
covarianza es positivo, ello implica que Xi y X j estn correladas positivamente,
es decir, si el valor que se tiene de X i es mayor que su media i , entonces el
valor que se espera para X j ser mayor que su media j . Por el contrario si el
valor de la covarianza es negativo, ello implica que X i y X j estn correladas
negativamente, es decir, si el valor que se tiene de X i es mayor que su media
i , entonces el valor que se espera para X j ser menor que su media j .
La covarianza tiene el inconveniente de que es una medida dimensional que
no nos permite cuantificar la correlacin entre variables de una forma directa.
Para obtener una medida adimensional de dicha correlacin se utiliza el
coeficiente de correlacin lineal, ij . Dicho factor adquiere un valor entre 1 y 1
y se calcula como cociente entre la covarianza entre dos variables y el producto
de sus desviaciones tpicas respectivas.
ij =
28
C ij
i j
1 ij 1
06/07/2006
I SIMULACIN
Como puede observarse lleva el signo de la covarianza, y su interpretacin es

por lo tanto la misma.
An as, se suele utilizar otro factor para medir el grado de relacin lineal
entre dos variables: el coeficiente de determinacin, ij2 . Este coeficiente
representa la proporcin de la variabilidad (varianza) de una variable que es
explicada por la variabilidad de la otra. Se calcula como el cuadrado del
coeficiente de correlacin lineal, con lo cual lo que no indica es el signo de la
relacin pero su interpretacin es mucho ms intuitiva.
Dos variables se dicen incorreladas si el coeficiente de correlacin lineal (o el
de determinacin o la covarianza) es cero. Si dos variables son independientes
entonces son incorreladas, al revs no es siempre cierto, excepto en
distribuciones normales.
1.1.1.5. Procesos estocsticos

Un proceso estocstico, {Xt }t T , es un conjunto de variables aleatorias
definidas todas sobre un mismo espacio de probabilidad (intuitivamente se dira
que miden lo mismo pero en distinto instante de tiempo o punto espacial). Se
denomina espacio de estados al conjunto de posibles valores de las variables.
Al conjunto T se le denomina conjunto de ndices, y si se trata de un
conjunto numerable de , el proceso es denominado proceso en tiempo discreto,
mientras que si no es un conjunto numerable se denomina proceso en tiempo
continuo.
Un proceso en tiempo discreto se dice que es estacionario en covarianza o
estacionario de segundo orden si verifica que la media y varianza de todas las
variables es la misma y la covarianza entre dos variables del proceso solamente
depende de la diferencia entre sus ndices y no de sus valores absolutos:
i = ;
i2 = 2 ; i
cov(X i , X i + j ) = cov(X1, X1+ j ) = C j independiente de i ; j
En este tipo de procesos a C j se le denomina autocovarianza de orden j, y a

los coeficientes de correlacin se les conoce como autocorrelaciones del proceso.
El arranque de cualquier simulacin no suele ser estacionario en covarianza.
Si la simulacin se avanza hasta un tiempo K suficientemente alejado es posible
que el proceso alcance un rgimen estacionario en el cual se cumplan los
requisitos anteriormente descritos. El tiempo que transcurre hasta que se
alcanza dicho rgimen estacionario se conoce como perodo transitorio o de
06/07/2006
29
calentamiento (warm up).
1.1.1.6. Estimacin puntual

Esta seccin se dedica a la estimacin puntual, es decir, obtener estimadores
para parmetros desconocidos de una variable a partir de una muestra. Los
estimadores en general se denotan de una forma particular o con el parmetro
que se desea estimar con un circunflejo, es decir, de la forma a . La estimacin
en general se hace a partir de una muestra aleatoria simple y as se presentan
los estimadores siguientes.
Sea una muestra aleatoria simple, es decir, X1, X 2 , X 3 , son v.a.i.i.d. con
media y varianza 2 , se define como media muestral a la suma de los valores
muestrales de tamao n dividido por el propio n . Se nota la media muestral
para un tamao n como X (n ) o .
X (n ) = =
n
i =1
xi
La media muestral es un estimador insesgado2 o centrado de la media de

la variable, es decir, E (X (n )) = , y es en s una variable aleatoria.
As por ejemplo, en un sistema de espera de llamadas se producen los
siguientes tiempos de espera en segundos {45, 34, 66, 49, 87, 22, 54, 91}. La
media muestral de estos tiempos resulta de 56 segundos/llamada. Este valor es
una realizacin de la variable X (n ) .
La media muestral como tal variable tiene por esperanza la media de la
variable y por varianza la varianza de la variable partido por el tamao
muestral, es decir, E [X (n )] = y V [X (n )] = 2 / n (la varianza lo es slo si son
variables independientes o incorreladas).
Para estimar la varianza de una variable si fuera conocida (no estimada) la
esperanza de la variable en cuestin el estimador utilizado es
n
(x i )2
2
i =1
=
. Sin embargo, no es habitual que se conozca la media con
n
certeza, sino que suele ser estimada con la media muestral. En tal caso, el
estimador utilizado es la cuasivarianza.
La cuasivarianza o varianza muestral es un estimador insesgado de la
varianza de la variable, es decir, E (S 2 (n )) = 2 . La cuasivarianza para un
tamao n de la muestra se nota por S 2 (n ) o por 2 .
Un estimador de un parmetro es insesgado o centrado cuando el valor esperado de dicho

estimador es el propio parmetro que se desea estimar
2
30
06/07/2006
I SIMULACIN
S (n ) =
n
i =1
(x i X (n ))2
n 1
As por ejemplo para el conjunto de tiempos de espera la cuasivarianza

muestral obtenida, S 2 (n ) , es igual a 585.714 segundos2 (calculado como 4100/7).
Por lo tanto, un estimador de la varianza de la media muestral, var X (n ) ,
ser el cociente entre la cuasivarianza muestral y el nmero de muestras.
n
S (n )
=
var X (n ) =
n
(x
X (n ))2
i =1
n(n 1)
As por ejemplo para la media muestral de 56 segundos/llamada obtenida

para los tiempos de espera se obtiene un estimador de la varianza de la media
muestral de 73.214 segundos2 (calculada como 585.714/8).
1.1.1.7. Estimacin por intervalos de confianza

La estimacin puntual en general es insuficiente como nico resultado
cuando se desea estimar un parmetro ya que no proporciona ninguna
informacin acerca de la precisin del resultado. Por otra parte, cuando se hace
una estimacin puntual se puede tener prcticamente la seguridad de que el
valor estimado no es el valor real. Por lo tanto, junto a una estimacin puntual
siempre se debe hacer una estimacin por intervalo.
Existen distintos mtodos para obtener intervalos de confianza, siendo el
ms conocido el de la cantidad pivotal. Sin embargo en esta seccin de repaso
no se va a entrar en el procedimiento para obtener intervalos de confianza sino
que se van a presentar slo los utilizados para la media que son los ms
habituales para analizar los resultados de simulacin.
Si la varianza de la variable es conocida (que no estimada), lo que ocurre en
muy pocas ocasiones, el intervalo de confianza 1 para la media es
2
2
X (n ) z , X (n ) + z
2
2
n
n
donde z / 2 denota el valor que deja a su derecha un probabilidad / 2 en una

distribucin normal estndar (media 0 y desviacin 1).
Si la varianza de la variable es desconocida y estimada mediante la
cuasivarianza, que suele ser lo habitual, el intervalo de confianza 1 para la
media es
S 2 (n )
S 2 (n )
X (n ) t
,
X
(
n
)
t
n 1, 2
n 1, 2
n
n
06/07/2006
31
donde tn 1, / 2 denota el valor que deja a su derecha una probabilidad / 2 en

una distribucin T de Student con n 1 grados de libertad. Obsrvese que para
valores altos de n la normal y la T de Student son prcticamente iguales.
La interpretacin que se ha de dar a los intervalos de confianza segn estn
construidos es que si se obtuvieran distintos intervalos en 100 (1 ) % de ellos
se encontrara el parmetro , lo que no quiere decir que en un caso concreto se
pueda asegurar que se encuentra el parmetro.
Obsrvese que para reducir el tamao del intervalo de confianza es necesario
incrementar el nmero de muestras n obtenidas o disminuir la cuasivarianza.
La variacin del tamao del intervalo con el nmero de muestras es cuadrtica.
As, en el caso de que se quiera reducir el tamao a la mitad es necesario
incrementar en cuatro veces el nmero de muestras obtenidas.
As por ejemplo para los tiempos de espera de las llamadas se dispone de los
valores necesarios para establecer el intervalo de confianza del 99 % para la
media, donde X (n ) =56 segundos/llamada. Mirando en las tablas de la t de
Student se busca el valor que deje una probabilidad de 0.005 de probabilidad a
su derecha. Este valor en tablas resulta 3.499. El intervalo de confianza
resultante se indica a continuacin. Este intervalo es muy grande debido al poco
nmero de muestras utilizado, al valor de la cuasivarianza y a la elevada
confianza que se pide en el intervalo.
56 3.499 585.714 , 56 + 3.499 585.714 = 26.061, 85.939
8
8
1.1.1.8. Contrastes o tests de hiptesis

Los contrastes de hiptesis se plantean cuando se quiere contrastar alguna
hiptesis que se tenga sobre la variable o la muestra. Hay contrastes sobre
parmetros, sobre la propia distribucin, sobre la aleatoriedad de la muestra,
etc.
El planteamiento bsico que se va a presentar (no es el nico) es siempre el
mismo. Se formula una hiptesis, denominada hiptesis nula y denotada por H 0 ,
y lo contrario a ella ser la hiptesis alternativa que se denota por H 1 .
A partir de la muestra se obtiene un estadstico, tal que si la hiptesis nula
fuera cierta se sabra su distribucin. As si el valor del estadstico para la
muestra concreta es un valor raro para esa distribucin se rechaza la hiptesis
nula, mientras que si no es raro, no se puede rechazar.
Bsicamente, la idea es esa, pero hay varias cosas que puntualizar.
La primera puntualizacin es que los tests no son simtricos, es decir, no
tratan por igual a la hiptesis nula y a la alternativa. Al realizar un test hay dos
32
06/07/2006
I SIMULACIN
errores que se pueden cometer: rechazar la hiptesis nula siendo verdadera o

rechazar la hiptesis alternativa siendo verdadera. Al primer error se le
denomina Error de tipo I y al segundo Error de tipo II. Los tests se realizan a
un nivel de confianza que representa una cota para la probabilidad del error
de tipo I, es decir, P (Error tipo I ) , mientras que no se tiene ningn control
acerca de la probabilidad del error de tipo II3. Por lo tanto, fijado un valor de
pequeo, se sabe que la probabilidad de cometer el error de rechazar H 0 siendo
cierta es muy pequea, mientras que no se sabe nada de la otra. sta es la razn
por la que habitualmente en el resultado de un contraste si se rechaza la
hiptesis nula se hace con seguridad, mientras que cuando no se rechaza se suele
decir que no hay evidencia estadstica para rechazarla. Es importante tener esto
en cuenta cuando se disea un contraste.
La siguiente puntualizacin es acerca de lo raro de una distribucin. En
general, se considera raro la zona de las colas de las distribuciones, y se
delimita lo raro por el nivel de significacin . Veamos un ejemplo de contraste
completo para definir conceptos.
Supngase que se quiere contrastar un valor 0 para la media de una
variable. Entonces el planteamiento del contraste sera
H 0 : = 0
H 1 : 0
En este caso, no habra duda, ya que los contrastes paramtricos obligan a

que la igualdad siempre se ponga en la hiptesis nula.
El estadstico que se utiliza ser:
T =
X (n ) 0
S 2 (n )
ya que este valor si la media es realmente 0 debera seguir una distribucin T

de Student con n 1 grados de libertad. Si el valor que resulta a partir de una
muestra es muy grande en valor absoluto resulta un valor raro. Para que
adems sea cierto que la probabilidad de error de tipo I est acotada por hay
que definir una regin, denominada regin crtica, que siendo cierta la hiptesis
nula tenga esa probabilidad, es decir, una regin de la T de Student de
probabilidad y que sean valores raros de esta distribucin: los intervalos
Los tests que se utilizan suelen ser de mxima potencia (mnima probabilidad error de tipo
II) para un valor de , pero an as queda sin acotar y con un valor siempre desconocido.
Aunque una cosa es cierta, cuanto menor sea la cota del error de tipo I ( ), mayor es la
probabilidad de cometer el error de tipo II:
3
06/07/2006
33
(, tn 1, / 2 ) (tn 1, / 2 , ) . As si el estadstico toma valores en esa regin la

hiptesis nula es rechazada, si no es as, se dice que no puede ser rechazada.
Obviamente, cada contraste vendr definido por un estadstico que calcular y
una regin crtica, y al llevarlo a cabo habr que definir cul es la hiptesis nula
y la alternativa y el nivel de significacin teniendo en cuenta lo que suponen al
llevarlo a cabo.
Por otra parte, la decisin del nivel de significacin puede ser un poco
drstica y adems contrastes para distintas hiptesis nulas no pueden ser
comparados si nos sale por ejemplo no rechazar la hiptesis, as que se impone
tener una medida del grado de seguridad con que se acepta o rechaza una
hiptesis. Esta medida es lo que se denomina p-valor, a veces tambin z-value,
etc. Este valor representa el nivel de significacin para el que con esa muestra
sera rechazada la hiptesis nula, es decir, el tamao que debera tener la regin
crtica para que fuera rechazada la hiptesis nula, o lo que es lo mismo, la
probabilidad que habra que admitirse de cometer el error de tipo I para
rechazar la hiptesis nula.
Cmo trabajar con el p-valor? Una forma es sustituir la idea de ver si el
estadstico est en la regin crtica, y en lugar de ello, comparar el p-valor con el
nivel de significacin: si el p-valor es menor que se rechaza la hiptesis nula,
si no, no.
Otra posibilidad, y es la que justifica en mayor medida el uso del p-valor, es
cuando se hacen varios contrastes con distintas hiptesis pero hay que elegir una
de ellas. Por ejemplo, en un contraste de bondad de ajuste la hiptesis nula es
que la variable sigue una determinada distribucin frente a que no lo hace.
Supngase que se busca una distribucin entre exponencial, gamma y weibull.
Los contrastes obligan a hacer uno cada vez, y supngase que para los tres se
obtiene que no se puede rechazar que la variable siga esa distribucin. Qu
decisin tomar? O lo que es lo mismo, cuando no rechazo la hiptesis nula, en
qu caso lo hago con mayor seguridad? La medida para comparar es justo el pvalor, en aqul contraste en que el p-valor sea mayor ser en el que estoy
aceptando la hiptesis nula con mayor seguridad.
I.2.2 Identificacin de patrones

Para generar valores de las variables de entrada de un modelo y poder
desarrollar la simulacin hay que modelar la aleatoriedad que rige a stas
variables. Este modelado se puede hacer mediante dos aproximaciones:
1. Ajustar una distribucin terica a los datos: lo que supone buscar una
distribucin terica que sea acorde a los datos disponibles, contrastando la
34
06/07/2006
I SIMULACIN
bondad del ajuste para confiar en que el modelo es el apropiado, y usar esta
distribucin para generar valores luego de esa variable.
2. Definir la distribucin emprica de los datos: de modo que la distribucin de
los datos es utilizada directamente para generar valores de la variable
posteriormente.
La aproximacin 2 debe usarse slo si no se puede usar la 1, por las
siguientes razones:
Los datos son aleatorios, diferentes datos producen diferentes distribuciones

empricas. Es decir, el mtodo de la distribucin emprica est muy sujeto a
fluctuaciones en los datos.
La distribucin emprica no permite generar valores fuera del rango en que
se mueven los datos con la que se ha obtenido. Habitualmente, no hay un
rango claramente establecido y por lo tanto, usar este mtodo fuerza a que
los valores no puedan ser ni menores ni mayores que los ya obtenidos, es una
limitacin, en general, poco deseable.
Podemos tener razones para poner un modelo terico por las propiedades que
el modelo seleccionado pueda tener y que son conocidas de antemano.
En lo que sigue se supondr que se parte de una muestra aleatoria simple, es

decir, observaciones independientes de la variable a modelar obtenidas en las
mismas condiciones.
1.1.1.9. Distribuciones empricas

En esta seccin se muestra como obtener la distribucin emprica a partir de
unos datos. La primera distincin es si se considera que la variable aleatoria es
continua o discreta.
Variables aleatorias discretas
Si la variable aleatoria es discreta, la distribucin emprica se obtiene
asignando a los valores observados la frecuencia relativa con la que aparecen en
la muestra. Este procedimiento es muy habitual, por no decir el que ms se
utiliza, para variables aleatorias discretas, especialmente cuando no existen
fundamentos para suponer que la distribucin pueda seguir un modelo concreto
del tipo Binomial, Poisson o relacionadas.
Variables aleatorias continuas
En el caso de las variables aleatorias continuas cabe destacar a su vez dos
06/07/2006
35
casos, que las observaciones se den agrupadas por intervalos o que no sea as.
Variables continuas con observaciones no agrupadas: X1,..., Xn
El procedimiento para obtener la funcin de distribucin emprica es el
siguiente:
1) Ordenar los valores de la muestra de menor a mayor: X(1),..., X(n )
2) Obtener la funcin de distribucin segn la siguiente expresin:
0
x < X(1)
i 1
x X(i )
F (x ) =
X(i ) x < X(i +1) i = 1,..., n 1
+
n 1 (n 1)(X(i +1) X(i ) )
1
x X (n )
Por ejemplo, la funcin de distribucin correspondiente a las observaciones

12, 15, 9, 7, 3, 16, sera la correspondiente a la siguiente grfica:
0
3
7
0 .8 9
12
15
0 .6 1 6
20
0 .4
Frecuencia acumulada
0
0
0 .2
0 .4
0 .6
0 .8
1
1
16
20
15
12
9
0 .2
3
0
10
15
20
V a lo re s
Figura 6. Funcin de distribucin emprica de datos no agrupados
Variables continuas con observaciones agrupadas en intervalos:

Sean n observaciones agrupadas en k intervalos
[a 0 , a1 ), [a1, a2 ),..., [ak 1, ak ) , cuyas frecuencias absolutas observadas son ni de
modo que n1 + n2 + ... + nk = n .
La funcin de distribucin emprica, donde G (a j ) denota la frecuencia
j
relativa acumulada, es decir, G (a j ) =
36
n
i =1
, sera la siguiente:
06/07/2006
I SIMULACIN
0
x < a0
x a j 1
G (x ) = G (a j 1 ) +
(G (a j ) G (a j 1 )) a j 1 x < a j , j = 1,..., k
a j a j 1
x ak
1
Por ejemplo, dada la siguiente tabla de valores, la grfica de la funcin de

distribucin emprica correspondiente es la que se muestra en la figura
[2, 4)
3
Frecuencia acumulada
[2,4) 1
[4,8)
[8,10)
0.8
[10,15)
2
10
8
5
n=25
[4, 8)
10
4
8
10
15
[8,10)
8
[10,15)
4
n = 25
1
0.12
0.52
0.84
1
0.84
0.6
0.52
0.4
0.2
0.12
0
0
0
8
Valores
10
12
14
16
Figura 7. Funcin de distribucin emprica de datos agrupados
1.1.1.10. Distribuciones tericas

En esta seccin se presenta el procedimiento a seguir para identificar un
modelo de distribucin terico apropiado para las observaciones de que se
dispone. El procedimiento consta de una serie de pasos que son los siguientes:
a) Proponer posibles familias de distribuciones a partir de un anlisis
exploratorio de los datos de tipo descriptivo. Los tres elementos que se
utilizan fundamentalmente en este anlisis son:
Valores caractersticos de los datos
Cuantiles y grficos Box-Plot
Histogramas
b) Estimar los parmetros de las distribuciones propuestas
c) Determinar cmo de representativas son las distribuciones ajustadas,
mediante procedimientos heursticos y mediante contrastes de hiptesis de
06/07/2006
37
bondad de ajuste (Test de la 2 y Test de Kolmogorov-Smirnov).

Vamos a desarrollar ahora cada uno de estos pasos con ms detalle.
a) Proponer familias de distribuciones a partir de un anlisis descriptivo.
Esta fase consiste fundamentalmente en proponer familias de distribuciones
que se observe que son apropiadas para los datos a partir del anlisis
descriptivo de stos, o lo que ocurre en muchas ocasiones, ms que proponer,
esta fase permite descartar determinadas distribuciones.
Este anlisis puede apoyarse tambin en determinadas hiptesis que se
puedan hacer sobre los datos; por ejemplo, supongamos que nuestros datos
son datos de tiempo entre fallos de mquinas y sospechamos o suponemos
que estos fallos no estn influenciados por el desgaste, sino que son por
causas aleatorias, parece razonable plantearse la exponencial como una
posible distribucin, ya que esta distribucin no tiene memoria.
Para poder plantear posibles distribuciones apropiadas para los datos
disponibles se deben analizar los valores caractersticos de los datos, los
cuantiles y el grfico Box-Plot, y el histograma de los datos.
- Valores caractersticos de los datos:
Los valores que suelen ser obtenidos y observados son media, varianza,
disviacin tpica, mediana, asimetra, curtosis, coeficiente de variacin, ... La
razn es porque hay familias de distribuciones para los que estos valores
tienen un determinado valor. As, por ejemplo, para una distribucin normal,
la media y la mediana coinciden, y la asimetra y curtosis son cero.
Otro valor caracterstico de una distribucin es el coeficiente de variacin, es
decir, el cociente entre la desviacin tpica y la media, que es 1, ya que
ambos valores son iguales para la exponencial.4
Una matizacin que realizar es que dado que los valores obtenidos son de la
muestra, cuyas observaciones son aleatorias, no se puede pretender que estos
valores sean exactos, es decir, aunque los datos provengan de una
exponencial, lo habitual es que el coeficiente de variacin calculado a partir
de los datos no sea 1, pero s prximo a l.
- Cuantiles y Box-Plot
Este anlisis suele ser razonable para distribuciones continuas, no para
discretas.
Los cuantiles xq son los valores que dejan a su izquierda una probabilidad q ,
es decir, un valor tal que F (xq ) = q . Es habitual obtener los denominados
En ocasiones el coeficiente de variacin viene dado en porcentaje, siendo entonces
100 el valor caracterstico de una exponencial.
4
38
06/07/2006
I SIMULACIN
cuartiles ( x 0.25 , x 0.5 que es la mediana, y x 0.75 ) de la muestra y compararlos

con los de la distribucin propuesta. Esta comparacin se suele hacer ms
que numricamente por forma, obteniendo el denominado grfico Box-Plot.
En el grfico Box-Plot, se representan los cuartiles en una caja central, con
una lnea en medio que es la mediana; a su vez se representan dos lneas a
cada lado hasta el mnimo de los datos la de la izquierda y hasta el mximo
la de la derecha, siempre que la longitud de las lneas no supere 1.5 veces el
rango intercuartlico; en el caso en que esta cantidad sea superada, los datos
que quedan fuera se representan separadamente, siendo denominados outliers
u observaciones fuera de rango. Los que estn distanciados ms de 3 veces el
rango intercuartlico se denominan superoutliers.
Este grfico se utiliza para ver la asimetra y analizar esos posibles outliers.
Los outliers han de ser estudiados y eliminados del estudio si se concluye que
pueden provenir de errores. Sin embargo, ha de tenerse mucho cuidado al
tomar la decisin de eliminarlos del anlisis. El grfico Box-Plot considera
que son outliers para una distribucin normal, pero si trabajamos con una
distribucin asimtrica a la derecha, por ejemplo, lo normal es que aparezcan
este tipo de datos sin que sea ningn tipo de error.
Un ejemplo de un grfico Box-Plot de una distribucin asimtrica a la
derecha es el que se muestra a continuacin
min
x0.25
Me
x0.75
max
outlier
- Histogramas y diagrama de barras:

Los histogramas son una representacin de los datos provenientes de
distribuciones continuas que deben asemejarse a la funcin de densidad que
se proponga. Los diagramas de barras son para datos provenientes de una
distribucin discreta que deben parecerse a la funcin de masa de la
distribucin discreta a proponer.
Los histogramas representan los datos agrupados por intervalos, as a la hora
de hacer esta representacin, la decisin fundamental es cmo agruparlos. El
procedimiento para construir un histogramas es el siguiente:
Dividir el rango en intervalos
El nmero de intervalos no es un nmero fijo sino que se puede probar con
varios, teniendo en cuenta que no pueden quedar intervalos de frecuencia
nula. En general, los intervalos se suelen hacer todos de igual amplitud,
06/07/2006
39
excepto, en todo caso, los extremos. No hay que olvidar que con el
histograma pretendemos ver grficamente si los datos tienen una distribucin
que se pueda parecer a alguna conocida, as que se debe probar con distinto
nmero de intervalos, y con distintas amplitudes, buscando la semejanza con
alguna distribucin.
Como orientacin para el nmero de intervalos, se suele probar con nmeros
cercanos a la raz cuadrada del nmero de datos o a la frmula de Sturgess:
N intervalos k = [1 + log2 n ] = [1 + 3.322 log10 n ]
Levantar sobre cada intervalo un rectngulo de rea proporcional a la
frecuencia, manteniendo la misma constante de proporcionalidad en todos los
intervalos.
Comparar con las funciones de densidad
Un posible histograma se muestra a continuacin. En general, las
herramientas informticas estadsticas construyen los histogramas con toda
facilidad, representando incluso la funcin de densidad de una distribucin
propuesta a su lado. Sin embargo, aunque se utilicen estas herramientas, la
decisin de cmo agrupar los datos para lograr una semejanza si es posible,
sigue siendo una tarea a realizar por el usuario.
8
datos
7
datos
16
datos
8 datos
10
Para el caso de distribuciones discretas, el diagrama de barras resulta mucho

ms sencillo, ya que consiste en levantar una barra sobre los valores
observados de altura la frecuencia relativa de stos.
40
06/07/2006
I SIMULACIN
8
datos
7
datos
4
datos
2
datos
b) Estimar los parmetros de las distribuciones propuestas

Propuestas unas distribuciones, se estiman los parmetros de stas que hacen
que el ajuste a los datos sea el mejor. La estimacin se puede hacer mediante
distintos mtodos de estimacin paramtrica, como el mtodo de mxima
verosimilitud, el de los momentos, etc. Actualmente, esta fase no se suele
llevar a cabo de forma independiente, ya que las herramientas informticas
de estadstica realizan la estimacin al hacer los contrastes de bondad de
ajuste del paso siguiente.
c) Determinar cmo de representativas son las distribuciones ajustadas
Para determinar si son razonables las distribuciones propuestas, el primer
paso es comparar grficamente los histogramas con las funciones de densidad
en el caso de distribuciones continuas, y los diagramas de barras con las
funciones de masa para el caso de distribuciones discretas. Este paso a
menudo se hace al principio, para hacer la propuesta de distribuciones.
Sin embargo, no es suficiente con ver que grficamente hay una semejanza
sino que adems se debe cuantificar la bondad del ajuste para poder
comparar cun bueno es ste con distintas distribuciones, y tomar una
decisin acerca de la distribucin a seleccionar. Para ello se realizan
contrastes de bondad de ajuste con el fin de descartar alguna de las
distribuciones propuestas, y para cuantificar la bondad del ajuste mediante el
p-valor.
Tests de Bondad de Ajuste
Son contrastes de hiptesis donde el planteamiento es:
Sea X1,..., X n una muestra aleatoria simple (v.a.i.i.d.) con distribucin
F desconocida.
Sea F0 una distribucin particular.
06/07/2006
41
El contraste que se plantea es:
H 0 : F = F0
H 1 : F F0
Observaciones:
1. Por la naturaleza de los contrastes en general, si el resultado es rechazar
la hiptesis nula se har con bastante seguridad; si el resultado es
aceptarla se debe decir "no rechazar H 0 ya que no hay evidencia
estadstica para ello". En general, los tests tienden a aceptar que los datos
pueden provenir de la distribucin propuesta.
2. Para una cantidad grande de datos es habitual que el resultado sea
rechazar H 0 , ya que algunos contrastes son muy sensibles a pequeas
variaciones.
3. Se debe utilizar el p-valor como medida del ajuste:
El p-valor es el nivel de significacin para el que se rechazara H 0 con los
datos utilizados para realizar el contraste, es una cota de la probabilidad
de cometer el error de tipo I (rechazar H 0 siendo cierta). Cuanto mayor
sea el p-valor mejor es el ajuste.
Sin embargo, no se ha de ser ciego a la hora de seleccionar una
distribucin, ya que puede ser preferible una distribucin ms sencilla
aunque tenga un p-valor peor (siempre que sea razonable) que otra que
tenga un mejor valor pero sea muy compleja.
Existen dos tipos de tests de bondad de ajuste que son los ms utilizados: el
test de la 2 y el test de Kolmogorov-Smirnov. En general, estos tests estn
incluidos en todas las herramientas informticas de estadstica, pero, es
recomendable saber en qu consisten con el fin de dar los parmetros
adecuados, saber cundo utilizarlos y saber interpretarlos.
Test de la 2 (Pearson, 1900)
La idea bsica de este test es agrupar los datos en intervalos y comparar las
frecuencias de estos intervalos con las probabilidades que la distribucin
terica les asigna, midiendo la distancia entre ambas.
Este test es aplicable tanto a distribuciones discretas como continuas,
aunque requiere tener una muestra suficientemente grande ya que se basa en
un resultado asinttico.
El procedimiento sera el siguiente:
a) Dividir el rango de la distribucin ajustada en k intervalos adyacentes:
[a 0 , a1 ), [a1, a2 ),..., [ak 1, ak )
b) Sea N j = nmero de X i en intervalo j -simo = frecuencia absoluta
observada de intervalo a j 1, a j )
c) Calcular de la distribucin terica la probabilidad de cada intervalo:
42
06/07/2006
I SIMULACIN
p j = P (a j 1, a j )) , y a partir de ella la frecuencia esperada como n p j .

k
(N n p j )2
d) Calcular: X 2 = j
n pj
j =1
D
Si H 0 es cierta, se verifica que X 2
k2m1 , donde m es el
n
nmero de parmetros estimados.
e) Rechazar H 0 si X 2 k2m 1,
Una consideracin a hacer es que el valor del estadstico X 2 vara segn los
intervalos elegidos. No hay normas claras al respecto, excepto que no puede
haber intervalos de frecuencia nula, pero, una idea es que sean de igual
amplitud, que haya al menos 3 intervalos y que la frecuencia esperada sea al
menos 5, es decir, n p j 5.
Test de Kolmogorov-Smirnov
Este test compara la funcin de distribucin emprica de los datos con la
funcin de distribucin terica.
Este test es aplicable en la versin que se presenta slo para distribuciones
continuas (existe una versin para distribuciones discretas que no se presenta
en este captulo), y es vlido para cualquier tamao de muestra, incluso
aunque se disponga de pocos datos.
El procedimiento para aplicarlo es el siguiente:
a) Calcular la funcin de distribucin emprica de los datos sin interpolacin,
nmero de X i ' s x
es decir: Fn (x ) =
n
b) Obtener la mxima diferencia entre la funcin de distribucin emprica y
la terica: esta diferencia se alcanzar en los puntos observados, ya que son
los puntos de salto de la funcin emprica, pudiendo ser en el propio punto o
i
justo antes. Por ello, se calcula Dn+ = max F (X(i ) ) que es la mxima
1i n n
diferencia en los puntos observados con el valor de la distribucin emprica
i 1
justo en el punto, y se calcula Dn = max
F (X(i ) ) que es la mxima
1i n
n
diferencia tomando el valor de la distribucin emprica justo antes (por la
izquierda) del punto. As la mxima diferencia entre la funcin de
distribucin emprica y la terica ser el mximo de ambos valores, es decir,
Dn = max {Dn+, Dn } .
c) Rechazar H 0 si Dn > dn ,1 , donde dn ,1 es el valor que se recoge para esa
significacin y tamao de muestra en las tablas de Kolmogorov-Smirnov.
En la siguiente figura se muestra grficamente el significado de los valores
06/07/2006
43
Dn+ y Dn .
1
D n = D n+
D n+
D n
Figura 8. Representacin grfica de los valores Dn+ y Dn
I.2.3 Generacin de variables aleatorias(MM)

Una vez que se ha seleccionado una distribucin para modelar la
aleatoriedad de una variable de entrada, es necesario establecer procedimientos
para obtener valores de esta variable durante la simulacin del modelo. As pues
esta seccin se dedica a la simulacin de variables aleatorias con una
distribucin determinada.
Se empieza por generar valores de variables aleatorias con distribucin
uniforme en el intervalo (0,1). La razn es que todos los mtodos para generar
variables aleatorias no son ms que transformaciones de variables aleatorias con
esta distribucin y por ello el primer paso es saber obtener sta.
1.1.1.11. Generacin de muestras uniformes

Los nmeros pseudoaleatorios son tan importantes que su generacin no se
puede dejar al azar.
Una secuencia de nmeros se dice que es aleatoria si cualquier secuencia

finita, seleccionada previamente a su diseo, es igualmente factible que est
incluida en aqulla.
Los mejores mtodos para generar nmeros aleatorios son los fsicos y de
entre ellos el mejor es el de la ruleta. Este mtodo consiste en una ruleta
dividida en 10 partes iguales, a las que se les asignan los valores del 0 al 9, y
una flecha fija en un punto fuera de la ruleta. Si se la hace girar y
posteriormente se la detiene bruscamente, se puede anotar el nmero que seala
la flecha. Repitiendo esta operacin n veces, se obtiene una secuencia de n
nmeros que obviamente constituye una secuencia de nmeros aleatorios.
Estos valores se pueden considerar valores de una variable cuya distribucin
sea una uniforme discreta que toma los valores de 0 a 9 con probabilidad 1/10
44
06/07/2006
I SIMULACIN
cada uno de ellos. Pero tambin los podemos agrupar de k en k y considerar

que son valores de una uniforme discreta que toma valores 0, ,10k 1 .
Si se desean generar valores de una uniforme en el intervalo (0,1), podemos
agrupar los valores de k en k y considerar que cada grupo son las cifras
decimales de una realizacin de una variable aleatoria con distribucin U (0,1) .
Obviamente, para considerar informativos los resultados obtenidos mediante
la simulacin de un modelo es necesario simularlo ms de una vez. De hecho, se
debe hacer una gran cantidad de veces, en general, ms cuanto ms complicado
es el modelo, lo que hace ver la necesidad del uso del ordenador.
Existen tablas de nmeros aleatorios obtenidos por el mtodo de la ruleta y
otros mtodos fsicos, pero no es un buen mtodo para su uso en ordenador.
sta fue la razn por la que se crearon mtodos aritmticos particulares
adaptados al ordenador, aunque con un cierto deterioro de la aleatoriedad,
denominndose nmeros pseudoaleatorios.
Un generador ideal de nmeros pseudoaleatorios debe proporcionar
secuencias de nmeros con las siguientes propiedades:
Tener distribucin uniforme (son realizaciones de uniformes)

Ser estadsticamente independientes
Han de ser reproducibles
Capaces de producir diferentes secuencias de nmeros
Deben tener un ciclo no repetitivo tan largo como se desee
Ser generados rpidamente
Ocupar poca memoria o almacenamiento en el ordenador
Veamos algunos mtodos para generar nmeros pseudoaleatorios.
Mtodo de los cuadrados medios

Se toma un nmero al azar, x 0 , de 2n cifras. Se eleva al cuadrado y se
toman de este resultado las 2n cifras centrales. Se repite el proceso.
Ejemplo:
x 0 =4122 x 02 =16|9908|84
x 1 =9908 x 12 =98|1684|64
x 2 =1684 x 22 =2|8358|56
La secuencia 4122, 9908, 1684, ... puede ser considerada, al menos a partir de
un cierto intervalo, como una secuencia de nmeros pseudoaleatorios.
El principal problema de este mtodo es que los nmeros pueden repetirse a
partir de una secuencia muy corta. Por ejemplo, si x 0 = 3708 se tiene que
x 4 = 6100 = x 8 , lo cual no es controlable.
06/07/2006
45
Mtodo de Lehmer
Sea x 0 un nmero al azar de n cifras. Se multiplica por otro k (fijo del
generador) de k cifras, dando lugar a uno de n + k . Se quitan las k cifras de la
izquierda, obteniendo uno de n cifras al que se resta el de k cifras que se haba
separado.
Ejemplo:
x 0 =4122 k =76 4122 76=31|3272 3272-31=3241
x 1 =3241 k =76 3241 76=24|6316 6316-24=6292
Este mtodo acaba degenerando a 0.
Mtodos congruenciales
Estos mtodos tambin son debidos a Lehmer (1951). Los mtodos de
generacin de nmeros pseudoaleatorios llamados congruenciales se basan en el
concepto matemtico de nmeros congruentes.
Sean x , y, m . Se dice que x es congruente con y en mdulo m si y slo
(m )
si x e y dan el mismo resto al dividir por m . Se representa por x y .

Sean a, b {0} , m . Se dice que una sucesin {x n }n {0} est
generada por el mtodo congruencial si y slo si
(m )
x n +1 ax n + b
donde x n {0,..., m 1} n = 0,1,... , siendo x 0 la semilla de la sucesin que
suele ser un valor dado por el programador, a m se le denomina mdulo y a a
multiplicador. Adems si b = 0 se denomina generador multiplicativo y, en el
caso general, generador mixto.
Los nmeros generados por el mtodo congruencial verifican que x n +1 es el
resto de dividir yn +1 = ax n + b entre m . Adems la ley recurrente es
x n +1 = yn +1 mod m = (ax n + b)mod m
Ejemplo: m = 8 , a = 5 , b = 7 , x 0 = 4
6, 5, 0, 7, 2, 1, 4.
Ejemplo: m = 9 , a = 5 , b = 1 , x 0 = 1
y1 = 5 1 + 1 = 6
y2 = 5 6 + 1 = 31
y 3 = 5 4 + 1 = 21
y 4 = 5 3 + 1 = 16
y5 = 5 7 + 1 = 36
y6 = 5 0 + 1 = 1
46
genera la secuencia de nmeros 4, 3,
x1
x2
x3
x4
x5
x6
=6
=4
=3
=7
=0
= 1 = x0
06/07/2006
I SIMULACIN
Este mtodo es evidente que genera valores a gran velocidad y ocupa poca
memoria de ordenador, puesto que no se guarda toda la secuencia sino que para
generar un valor slo necesito el ltimo valor generado. Tambin es claro que es
reproducible (con una misma semilla se obtiene una misma secuencia). Sin
embargo, hay tres propiedades que no son tan evidentes y que no se cumplen
para valores cualesquiera de a , b y m .
Respecto al ciclo no repetitivo en el mismo ejemplo se puede ver que es muy
corto. De hecho, hay que observar que la mxima longitud que se puede lograr
sin repetir es de m , ya que es la mayor cantidad de nmeros diferentes que se
puede obtener y una vez que se obtiene un nmero repetido toda la secuencia se
repite, por lo que m hay que elegirlo suficientemente grande. Adems se suele
elegir de tal forma que facilite los clculos (potencias de 2 o similares).
Existe una gran variedad de resultados buscando condiciones que han de
tener los parmetros para que el ciclo no repetitivo sea el mximo posible.
A su vez, los generadores tienen que cumplir propiedades estadsticas:
uniformidad e independencia de las secuencias. Para determinados valores de los
parmetros de los generadores (valores para los que el ciclo sea el mximo
posible) se han generado distintas secuencias y se les ha hecho pasar contrastes
de bondad de ajuste para la uniformidad y contrastes de independencia.
De todo ello, se puede afirmar que los dos generadores multiplicativos
siguientes generan valores con la propiedad de la uniformidad y la
independencia y con ciclo no repetitivo maximal: m = 231 1 para ambos y
multiplicador a = 16807 o bien a = 63036016 . El primero es ms rpido y tiene
menor riesgo de desbordamiento de memoria. Sin embargo, el segundo tiene
mejores propiedades estadsticas5.
Por ltimo, sealar que el fin de la generacin de nmeros pseudoaleatorios
es obtener muestras uniformes en el intervalo (0,1), para ello lo que se hace es
dividir cada nmero generado por el mdulo m , con lo que la muestra obtenida
puede ser considerada uniforme en ese intervalo6.
Si se dispone de diferentes cadenas de nmeros aleatorios cada una se debe
utilizar para un parmetro aleatorio [Law]. En este caso se debe tener en cuenta
la longitud de la cadena para evitar solapes. En [Law] se pueden encontrar
diferentes semillas para cadenas del generador mencionado separadas entre s
por 100000 nmeros pseudoaleatorios. Algunas de estas semillas para el
En caso de ser necesaria la programacin de un generador de nmeros

pseudoaleatorios se recomienda usar el primero de los dos valores para el multiplicador.
6
El valor uniforme en (0,1) se usar para generar otras variables aleatorias, pero
para obtener el siguiente nmero de la secuencia ha de utilizarse el nmero
pseudoaleatorio, es decir, el obtenido antes de dividir por m .
5
06/07/2006
47
generador con parmetro a = 63036016 son las siguientes: 1973272912,

281629770, 20006270, 1280689831, 2096730329, 1933576050, 913566091.
Sin embargo, los generadores aleatorios anteriores con mdulo alrededor de
31
2 pueden ser insuficientemente largos para ciertas aplicaciones. De hecho, esta
longitud se puede agotar en pocos minutos en un PC. Para suplir esta carencia
se han diseado otros generadores de mayor longitud y mejores propiedades,
denominados generadores mltiples recursivos combinados [LEcuyer, 2002].
Estos generadores permiten la obtencin simultnea de mltiples cadenas
pudiendo cada una ser dividida en muchas subcadenas contiguas de gran
longitud. Sus implantaciones en C, C++ o Java se pueden encontrar en la
direccin www.iro.umontreal.ca/~lecuyer. El clculo del nmero pseudoaleatorio
un para una etapa n es la siguiente
x 1,n = (a1x 1,n 2 b1x 1,n 3 )mod m1
x 2,n = (a2x 2,n 1 b2x 2,n 3 )mod m2
z n = (x 1,n x 2,n )mod 4294967087
z n 4294967088
si z n > 0
un =
4294967087 4294967088 si z n = 0
siendo a1 = 1403580 , b1 = 810728 , m1 = 232 209 = 4294967087 , a2 = 527612 ,

b2 = 1370589 y m2 = 232 22853 = 4294944443 . La longitud de este generador
es = (m13 1)(m23 1)/ 2 2191 , muy superior a las anteriores.
Para generar diferentes cadenas y subcadenas se eligen dos enteros positivos
v y w , se define z = v + w . Entonces, el ciclo es dividido en cadenas
contigas de longitud Z = 2z y cada una a su vez es dividida en V = 2v
subcadenas de longitud W = 2w . Valores adecuados son v = 51 y w = 76 , de
manera que W = 276 y Z = 2127 . Para este generador en particular se pueden
utilizar los siguientes valores como semillas iniciales por omisin
(x 1,n 3 , x 1,n 2 , x 1,n 1, x 2,n 3 , x 2,n 2 , x 2,n 1 ) = (12345,12345,12345,12345,12345,12345) .
Otros parmetros adecuados para generadores simulares se pueden encontrar en
[LEcuyer, 1999].
Atencin especfica merece la generacin de nmeros aleatorios para ser
utilizados en clculos en paralelo [Fushimi].
1.1.1.12. Generacin de variables aleatorias discretas

MTODO GENERAL O ESTNDAR
48
06/07/2006
I SIMULACIN
Sea una variable aleatoria con una distribucin discreta que toma ciertos
x 1 con prob p1
x con prob p
2
2
, siendo pk = 1 .
valores con determinada probabilidad X =
x 3 con prob p3
k
La idea intuitiva del procedimiento es dividir el intervalo (0,1) en tantos

subintervalos como valores puede tomar la variable y de tamao las
probabilidades de stos. Generar un valor uniformemente distribuido en (0,1) y
observar en qu subintervalo se encuentra y asignar a la variable el valor
correspondiente a ese subintervalo.
p1
p1 + p2
p1 + p2 + p3
Ms formalmente, consiste en generar un nmero aleatorio uniformemente

i 1
i
distribuido u U (0,1) , entonces X = x i si k =1 pk u < k =1 pk , es decir, si
Fx (x i 1 ) u < Fx (x i ) .
0
1
Por ejemplo, sea X =
2
con prob p1 = 0.1

con prob p2 = 0.2
con prob p3 = 0.5
, con funcin de distribucin
con prob p4 = 0.2

F (x )
1
0.8
0.3
0.1
0
1 2
Para la secuencia de nmeros aleatorios 0.27, 0.54, 0.06, 0.89 y 0.15, la

variable tomar los valores siguientes: 1, 2, 0, 3 y 1.
MTODOS PARTICULARES(MM)
Vamos a ver mtodos concretos para algunas distribuciones, binomial y
geomtrica, sin olvidar que el mtodo anterior sirve para cualquier distribucin
discreta. Para las dems distribuciones conocidas tambin hay mtodos basados
en su definicin o en algunas propiedades, pero no se vern en este documento.
Para ver una relacin ms extensa ver [Law] o [Bratley].
Binomial (n, p)
06/07/2006
49
Se basa en la propiedad segn la cual la distribucin de la suma de v.a.i.i.d.

con distribucin de Bernoulli de parmetro p es Binomial (n, p) . Luego, para
generar valores de una variable con distribucin Binomial (n, p) , se pueden
generar n Bernoulli de parmetro p y sumarlas.
Algoritmo:
1. x 0
2. Hacer n veces
Generar u U (0,1)
Si u p x x + 1
3. Salida: X se distribuye segn Binomial (n, p)
Geomtrica (p)
La distribucin geomtrica corresponde al nmero de ensayo en que aparece
el primer xito al repetir un experimento de Bernoulli de parmetro p . As que
para generar valores con esa distribucin es posible hacerlo con el mtodo
tradicional o aprovechando esta propiedad.
Con el mtodo tradicional, basta aplicarlo con su funcin de distribucin
[ F (x ) = 1 (1 p)x x = 1,2,... ] para ver que la expresin sera
ln(1 u ) d
= 1 + ln(u ) 7
x = 1+
ln(1 p)
ln(1 p)
Utilizando la propiedad que la relaciona con los experimentos de Bernoulli el

algoritmo sera:
1. x 0
2. Hacer hasta que u p
x x +1
Generar u U (0,1)
3. Salida: X se distribuye segn Geomtrica (p)
Este mtodo es bueno cuando el valor de p es grande.
1.1.1.13. Generacin de variables aleatorias absolutamente continuas

MTODO DE LA TRANSFORMADA INVERSA
La expresin obtenida es la primera, pero la utilizada es la segunda que tiene

d
menos operaciones y la misma distribucin ya que si u =U (0,1) entonces 1 u
tambin.
7
50
06/07/2006
I SIMULACIN
Sea X
la variable aleatoria cuya funcin de distribucin es
F (x ) = P {X x } . Se genera un nmero aleatorio uniforme entre 0 y 1, u , y
luego se determina x tal que F (x ) = u .
Supongamos que la variable tiene distribucin exponencial con
F (x ) = 1 e x para x 0 siendo 1 la media de la distribucin. Dado un
ln(1 u ) d ln(u )
nmero aleatorio u tal que F (x ) = u , luego x =
.
=
Otra aplicacin directa de este procedimiento es para la distribucin

uniforme en un intervalo cualquiera (a, b) . La funcin de distribucin en este
x a
caso es F (x ) =
si x (a, b) (0 para valores menores y 1 para valores
b a
mayores) y dado un nmero aleatorio u tal que F (x ) = u , se tiene que
x = a + (b a )u .
La distribucin Weibull(, ) es otra distribucin para la que se puede
aplicar este procedimiento directamente. La funcin de densidad de una
1
(1/ ) , es f (x ) = x 1e (x ) , x 0 ,
distribucin Weibull (, ) de media
con lo que la funcin de distribucin se obtiene de forma inmediata
F (x ) = 1 e (x ) , x 0 . As, dado un valor aleatorio uniforme en (0,1), u , el

1
1/ d 1
1/
valor generado sera x = [ ln(1 u )] = [ ln(u )] .
Aunque ste es el procedimiento ms extendido, sin embargo, muestra una

dificultad fundamental para su aplicacin, la necesidad de conocer
explcitamente la funcin de distribucin. La forma habitual de caracterizar una
distribucin absolutamente continua es mediante su funcin de densidad, de ah
que se hayan diseado otros procedimientos basados en esta funcin.
MTODO DE ACEPTACIN - RECHAZO
Se trata de un mtodo general para variables absolutamente continuas.
Existen dos versiones, la primera es ms sencilla y con ms limitaciones, pero
tambin ms utilizada precisamente por esa sencillez.
Mtodo simple de rechazo
Se quieren obtener valores de una variable aleatoria con funcin de densidad
f (x ) cuyo soporte es un intervalo acotado (a1, a2 ) . Sea c un valor tal que
c max f (x ) : x (a1, a2 ) .
La idea bsica es generar puntos uniformemente en el rectngulo de base

(a1, a2 ) y altura (0, c) . Si el punto est por encima de la curva el punto es
rechazado y habr que generar otro y si est por debajo se acepta su coordenada
x como valor de una variable aleatoria con funcin de densidad f (x ) .
06/07/2006
51
El procedimiento es:
1. Generar u1, u2 U (0,1)
Calcular x = a1 + (a2 a1 )u1
Calcular y = cu2
2. Calcular f (x ) . Si y > f (x ) ir a 1
3. Salida: X toma el valor x que se distribuye segn f (x )
1
, por lo tanto
c(a2 a1 )
el valor de c es deseable que sea lo ms pequeo posible. En particular, siempre
Obsrvese que P (aceptar un valor dado por (x, y )) =
que sea fcil de obtener se toma c = max f (x ) : x (a1, a2 ) .

Este procedimiento es especialmente relevante para distribuciones
triangulares y trapezoidales. Veamos el siguiente ejemplo para una distribucin
x
0 x 1
triangular. Sea f (x ) = 2 x
1x 2
0
fuera de [0,2]
f (x )
1
El procedimiento es el siguiente:
d
1. Generar u1 =U (0,1) y u2 =U (0,1)

Calcular x = 2u1 e y = u2
2. Aceptar x si y f (x ) , rechazar si y > f (x ) y volver al paso 1
Este mtodo tiene dos inconvenientes principales, que hacen que surja el
mtodo generalizado: que el soporte tiene que ser un intervalo acotado (hay
muchas distribuciones que no cumplen esta hiptesis) y que la envolvente sea
rectangular, cuando claramente puede haberlas mejores.
Mtodo generalizado de rechazo
Sea f () una funcin de densidad con soporte no necesariamente finito de la
que se desean obtener valores simulados. Sea g() una funcin de densidad
52
06/07/2006
I SIMULACIN
elegida por nosotros tal que a > 1 : f (x ) ag(x ) x 8 (en particular, esto
implica que el soporte de g() ha de contener al soporte de f () ).
El procedimiento es el siguiente:
d
1. Generar x = g()
d
Generar y =U (0, ag(x ))
2. Calcular f (x ) Si y > f (x ) ir a 1
3. Salida: X se distribuye segn f (x )
Respecto a la eleccin de la envolvente g() no hay nada establecido acerca
de cul es la mejor, pero se debe elegir lo ms parecida posible a la funcin a
generar pero que sea sencillo obtener valores para ella. En cuanto al valor de la
constante a , hay que tener en cuenta que P (aceptar x ) = P (y f (x )) = 1 a y,
por lo tanto, a debe ser lo menor posible pero manteniendo la hiptesis inicial,
f (x )
es decir, su valor ptimo sera a = sup

: g(x ) > 0 .
g(x )
Obsrvese tambin que el mtodo simple visto anteriormente es un caso

particular del mtodo generalizado (con una distribucin uniforme como
envolvente).
Veamos un ejemplo: Supongamos que se desean generar valores de una
1 21 x 2
), utilizando como envolvente la
distribucin Normal(0,1) ( f (x ) =
e
2
e x
distribucin logstica cuya funcin de densidad es g(x ) =
, y de aqu se
(1 + e x )2
1
deduce su funcin de distribucin de forma inmediata G (x ) =
, y
1 + e x
mediante la transformada inversa para generar valores de esta distribucin
1u
, luego es una envolvente apropiada.
basta calcular x = ln
u
El primer paso, antes de empezar el algoritmo, es encontrar el valor de la
f (x )
constante a = sup
: g(x ) > 0 que resulta ser a 1.5958 .
g(x )
El algoritmo sera:
d
1. Generar x = g() : Generar u1 U (0,1) y calcular x = ln
1 u1
u1
g() se toma para que se puedan simular valores sin dificultad y previamente a
aplicar el algoritmo es necesario calcular el valor de la constante a que haga que se
verifique la relacin anterior.
8
06/07/2006
53
Generar y =U (0, ag(x )) : Generar u2 U (0,1) y calcular y = 1.5958 g(x ) u2

2. Calcular f (x ) . Si y > f (x ) ir a 1
3. Salida: X se distribuye segn f (x )
El principal inconveniente para utilizar este mtodo es que no tiene una
forma general ya que para cada distribucin hay que elegir la envolvente ms
apropiada. Sin embargo, hay un caso en que es muy sencilla su aplicacin, las
distribuciones truncadas. En este caso, es claro que la mejor envolvente es la
propia distribucin sin truncar y que la aplicacin del algoritmo se reduce a
rechazar los valores obtenidos en la regin que al truncar ya no forma parte del
soporte y aceptar los dems.
ALGUNAS DISTRIBUCIONES PARTICULARES
Existen algunas distribuciones particulares para las que, por su relevancia, se
han diseado procedimientos especficos, en principio, ms eficientes y generales
que estos mtodos.
Normal (, )
Para generar valores de una variable aleatoria con distribucin N (, ) basta
con saber generar valores de la distribucin N (0,1) , ya que es bien conocido que
multiplicando sta por y sumando se obtiene la distribucin deseada. Por
lo tanto, todos los esfuerzos se centran en saber obtener valores de la
distribucin N (0,1) .
Dado que no existe una expresin exacta para su funcin de distribucin, el
mtodo de la transformada inversa no se puede aplicar en este caso. Luego slo
se puede generar mediante mtodos particulares o mediante el mtodo de
rechazo generalizado.
Vamos a ver ahora dos de los mtodos particulares.
Mtodo del teorema central del lmite
Este mtodo se basa en el conocido teorema central del lmite, por el cual si
X1,..., X n son v.a.i.i.d. de media y desviacin tpica , entonces la
n
Xi n
i =1
distribucin de
tiende a la distribucin N (0,1) cuando n .
n
Este resultado aplicado a variables distribuidas segn una distribucin
n
u n 2
i =1 i
. Un valor que facilita los clculos es
uniforme U (0,1) sera
n /12
n = 12 , con lo que el procedimiento sera obtener 12 variables con distribucin
12
uniforme U (0,1) y calcular i =1 ui 6 .
54
06/07/2006
I SIMULACIN
El principal inconveniente que tiene el mtodo es que el resultado en que se

fundamenta es asinttico y, por lo tanto, se puede considerar vlido un nmero
grande, pero 12 no es precisamente un nmero grande. Por otra parte, aumentar
el nmero de variables uniformes utilizadas, supone un gran esfuerzo
computacional para general un nico valor, lo que lleva a buscar otros
procedimientos.
Mtodo de Box-Mller
Este mtodo se basa en una transformacin de variables aleatorias segn la
cual
si
u1, u2
son
v.a.i.i.d.,
entonces
e
x = 2 ln u1 cos(2u2 )
y = 2 ln u1 sen(2u2 ) son v.a.i.i.d. con distribucin N (0,1) . As el
procedimiento a seguir sera:

2. Salida x = 2 ln u1 cos(2u2 ) e y = 2 ln u1 sen(2u2 ) v.a.i.i.d. N (0,1)
Existe un mtodo derivado del anterior, el mtodo polar de Marsaglia, pero

que no requiere la evaluacin del seno o del coseno. En realidad, es un mtodo
de rechazo, ya que genera valores aleatorios en el cuadrado (1,1) (1,1) y si
stos estn dentro del crculo unidad expresa los valores anteriores en funcin de
este punto y si no lo estn los rechaza.
Algoritmo:
Calcular v1 = 2u1 1 , v2 = 2u2 1 , w = v12 + v22
2. Si w > 1 volver al paso 1
2 ln w
, x 1 = v1y , x 2 = v2y
3. Hacer y =
w
4. Salida: x 1, x 2 v.a.i.i.d. segn N (0,1)
Existen otros mtodos para generar esta distribucin, entre ellos existe una
aproximacin analtica de la inversa de la funcin de distribucin, etc.
Lognormal (, ) (MM)
La distribucin lognormal, como su nombre indica, se deriva de la
d
d
distribucin normal, de modo que Y = N (, ) eY = LN (, ) . El
procedimiento para obtener valores de una variable con esta distribucin

consiste en generar la normal asociada y calcular la exponencial correspondiente.
06/07/2006
55
(p, a ) y Beta (, ) (MM)

Vamos a estudiar estas variables conjuntamente, ya que estn muy
relacionadas. Para el caso de la Beta, se considerar la estndar, es decir, la que
toma valores en el intervalo (0,1); cualquier otra se obtiene multiplicando por la
amplitud del intervalo final y trasladando. Separaremos en casos, segn los
parmetros sean naturales o no, ya que si los parmetros son naturales los
procedimientos son bastante ms sencillos y rpidos.
(p, a )
(MM)
En este caso, se usa una propiedad por la cual si el parmetro p es natural

(p, a ) = Erlang(p, a ) y esta distribucin Erlang se define como la suma de p
exponenciales de parmetro a . Por lo tanto, el procedimiento ser generar p
p
ln ui
i =1
v.a.i.i.d. U (0,1) , y calcular x =
.
a
Beta (, ) ,
(MM)
d
X
d
= Beta(, ) , por
X +Y
v.a.i.i.d. U (0,1) y se calcula
Se basa en que si X = (, a ) e Y = (, a ) entonces

lo que para generarla se obtienen u1,..., u , v1,..., v
B=
i =1
ln ui
i=1 ln ui + i=1 ln vi
Caso general Beta (, ) ( , > 0 )(MM)

Se demuestra, mediante la pertinente transformacin que el siguiente
algoritmo genera valores de una distribucin Beta:
1. Repetir hasta que x + y 1
Generar u U (0,1) . Hacer x u 1/
Generar v U (0,1) . Hacer y v 1/
x
2. Hacer x
x +y
3. Salida: X se distribuye segn Beta(, )
Caso general (p, a ) ( p, a > 0 )(MM)
Igual que en el caso anterior, mediante transformaciones de variables
aleatorias se demuestra que el siguiente algoritmo genera los valores deseados:
1. Hacer n [ p ] y r = p [ p ]
n
2. Generar u1,..., un U (0,1) . Hacer Z = ln ui

3. Generar W Beta(r,1 r )
4. Generar u U (0,1) . Hacer Y = ln u
56
i =1
06/07/2006
I SIMULACIN
5. Salida: X =
Z + WY
se distribuye segn (p, a )
a
1.1.1.14. Generacin de variables aleatorias mixtas

Hasta ahora hemos visto cmo generar variables aleatorias cuya distribucin
es discreta o absolutamente continua. En esta seccin vamos a ver un mtodo
general, que en particular, permitir generar valores de variables cuya
distribucin no sea ninguno de los casos anteriores.
Teorema: Si U es una variable aleatoria U(0,1) y F () una funcin de
distribucin arbitraria, la variable aleatoria definida por
Y = inf {z : U F (z )}
tiene por funcin de distribucin F () .
Algunos ejemplos de cmo se emplea este resultado son los siguientes:
Variable absolutamente continua: el mtodo aplicado a este caso coincide

con el mtodo de la transformada inversa.
Variable discreta: en este caso es el mismo procedimiento que el del
mtodo general o estndar que vimos para distribuciones discretas, en el
cual se divida el intervalo en subintervalos de longitud las
probabilidades.
Variable mixta: sea la variable aleatoria mixta X cuya distribucin viene
definida por
0
x < 3/2
F (x ) = x 1 3 / 2 x < 2
1
x 2
Entonces la variable aleatoria Y = inf {z : U F (z )} resulta ser

3 / 2 0 < u < 1/ 2
Y (u ) =
u + 1
u 1/ 2
que tendr la misma distribucin que X .
06/07/2006
57
I SIMULACIN
I.3 Software de simulacin(MM)

Es fcil darse cuenta de que a la hora de codificar modelos de simulacin de
eventos discretos hay algunas caractersticas que son comunes a todos los
modelos, como es la generacin de variables aleatorias con distribuciones
especficas, la necesidad de implantar mecanismos de control y flujo del tiempo
y la determinacin del siguiente evento, la actualizacin de listas de sucesos
(adicin, supresin o actualizacin de registros), la recogida y anlisis de datos
generados por la simulacin, la elaboracin de informes, grficas, etc.
La evidencia de esta alta interseccin de caractersticas comunes es lo que
llev al desarrollo de lenguajes de simulacin donde todas ellas estuvieran ya
recogidas. Estos lenguajes estn en una fase de gran desarrollo, al igual que toda
la tecnologa informtica, lo que est propiciando el incremento del uso de la
simulacin como una herramienta de anlisis de sistemas.
Sin embargo, como todo, el uso de los lenguajes de simulacin tiene sus
ventajas y sus inconvenientes.
I.3.1 Lenguajes de simulacin versus lenguajes de propsito

general
Desarrollar un modelo mediante un lenguaje de simulacin obviamente
presenta ciertas ventajas frente a desarrollarlo mediante un lenguaje de
propsito general. Algunas de estas ventajas son las siguientes:
Los lenguajes de simulacin proporcionan de forma automtica la mayora de

las caractersticas necesarias para programar un modelo de simulacin, lo
que redunda en una reduccin de esfuerzo de programacin y tiempo.
Son un marco de trabajo natural para el uso de modelos de simulacin,
incorporando bloques bsicos de programacin ms afines al desarrollo de un
modelo.
Son ms sencillos de codificar y, por lo tanto, tambin son ms fciles de
modificar para llevar a cabo los distintos experimentos.
Facilitan la deteccin de errores, especialmente en la lgica del proceso de
simulacin.
Sin embargo, el desarrollo de un modelo con un lenguaje de propsito general

presenta otro tipo de ventajas frente al uso de lenguajes de simulacin:
06/07/2006
59
I.3 SOFTWARE DE SIMULACIN
Son ms generales y conocidos. En general, los modeladores conocen algn

lenguaje de propsito general, pero no suelen conocer lenguajes de
simulacin.
Son ms accesibles, ya que estos lenguajes suelen estar disponibles en
cualquier plataforma, no as los de simulacin.
Son ms eficientes en requerimientos de memoria y suelen tener un tiempo
de ejecucin menor, ya que el lenguaje de simulacin se disea para gran
variedad de problemas.
Permiten mayor flexibilidad, ya que los lenguajes de simulacin se disean
con unas especificaciones que si bien intentan ser lo ms generales posibles,
siempre tienen limitaciones, mientras que los lenguajes de tipo general no las
tienen.
As pues, sabiendo las limitaciones de desarrollar un modelo de una u otra

forma, la decisin ha de tomarse en las primeras fases del estudio, ya que
condiciona tremendamente el modelo que se desarrolla. Entre otras cosas, si se
opta por un lenguaje de simulacin es importante conocer las posibilidades que
ste tiene para poder establecer algunas hiptesis adicionales o modificar otras
(por la falta de flexibilidad).
I.3.2 Tipos de software de simulacin y caractersticas

Dentro del software de simulacin, cabe distinguir dos tipos de software: los
lenguajes de simulacin y los simuladores.
Un lenguaje de simulacin es un lenguaje de programacin que es general por
naturaleza pero con desarrollos especiales para cierto tipo de aplicaciones. Un
modelo se desarrolla en un lenguaje de simulacin escribiendo un programa
mediante estructuras de modelado del lenguaje.
Un simulador es un programa que permite simular un sistema de una clase
especfica de sistemas con poca o ninguna programacin. Para simular un
sistema con un simulador se requiere poca o ninguna experiencia en
programacin, sin embargo, son muy limitadas las posibles configuraciones de
los sistemas a simular. Ejemplos de simuladores son simuladores de vuelo,
simulador de un centro de control de una central nuclear. El constructor del
simulador ha de ser un programador, pero el usuario final no.
En todo software de simulacin hay unas caractersticas que son deseables
que ste contemple. Las principales caractersticas son:
60
De tipo general:
06/07/2006
I SIMULACIN
Flexibilidad de modelado: con definicin de atributos generales que sean

fcilmente adaptables para distintos sistemas. En este sentido, un
lenguaje de simulacin es el software de simulacin ms flexible, mientras
que los simuladores estaran en el extremo opuesto, aunque tambin entre
ellos exista diferente grado de flexibilidad.
- Facilidades para desarrollar y depurar el modelo incorporadas en el
software. En particular las ayudas de depuracin y la interactividad con
el usuario son algunos de las caractersticas que ms pueden facilitar el
desarrollo del modelo.
- Ejecucin rpida del modelo, con una buena gestin de los eventos,
interaccin entre los distintos elementos, etc.
- Admisin de modelos de gran tamao, lo que supone una buena gestin
de la memoria (memoria dinmica).
- Disponibilidad en diferentes plataformas y portabilidad entre ellas
(Windows, Linux, Unix, ...).
- Posibilidad de combinar simulacin discreta y continua, ya que es muy
habitual que los modelos sean de tipo hbrido o combinado, con variables
que cambian de forma continua y otras de forma discreta.
Animacin grfica: La animacin grfica permite ver el sistema grficamente
con los cambios de estado. Aparte de que la presentacin de esta forma sea
mucho ms atractiva, permite validar los modelos al ver grficamente su
funcionamiento, adems de hacerlos ms crebles para el usuario final, ya que
puede visualizar lo que est ocurriendo.
Dentro de la animacin grfica, hay dos tipos de animacin: la animacin en
modo real o instantneo (se presenta grficamente al mismo tiempo que se
hace la simulacin) y la animacin en modo play-back (se presenta la
animacin despus de haber terminado la simulacin). Este ltimo modo se
utiliza fundamentalmente porque la animacin grfica ralentiza enormemente
la ejecucin, as con este modo, primero se obtienen los resultados de forma
eficiente y despus se presenta grficamente lo que ha ocurrido, pudiendo ser
detenido en cualquier momento sin afectar a los resultados finales.
Capacidades de estadstica: el software debe tener caractersticas de
estadstica lo ms amplias posible. Estas capacidades deben ser tanto para
los datos de entrada (variedad en las distribuciones posibles, etc.) como para
el anlisis de los datos de salida (incorporar la posibilidad de hacer rplicas,
obtener intervalos de confianza, incorporar tcnicas de reduccin de la
varianza, etc.)
Informes de resultados: debe admitir informes estndar o especficos,
posibilidad de presentaciones tabulares o grficos, permitir el acceso a
06/07/2006
61
muestras individuales, etc.)

Soporte al cliente: debe ser extenso y bien documentado, incluyendo
demostraciones y ensayos libres.
I.3.3 Enfoques o estrategias

La estrategia o visin del mundo de un lenguaje de simulacin, inherente al
lenguaje, es usada para seleccionar el evento siguiente y gestionar el tiempo.
Bsicamente, existen dos estrategias diferentes9:
a) Programacin de sucesos (Event Scheduling ES)
Algunos lenguajes de este tipo son GASP, SIMSCRIPT, SLAM o Arena.
b) Interaccin de procesos (Process Interaction PI)
De este tipo son GPSS, Q-GERT, SIMSCRIPT, SLAM, Arena o SIMULA.
Algunos admiten varias estrategias, pues su naturaleza y estructura permiten
usar ambas.
Los programas realizados con un lenguaje de simulacin tienen una
estructura jerrquica con tres niveles:
1. Nivel ejecutivo o del programa de control: se encarga de identificar cundo
tiene que ocurrir el siguiente suceso y de la ejecucin correcta de las
operaciones por l implicadas en los momentos adecuados. El programa de
control est implantado en el lenguaje propiamente dicho y el usuario del
lenguaje no necesita saber cmo est programado, slo necesita saber cmo
funciona, es decir, qu estrategia tiene implantada.
2. Nivel de operaciones: es la secuencia de sentencias que constituyen el
programa propiamente dicho, sentencias propias del lenguaje utilizado.
3. Nivel de rutinas de detalle: ejecutan las acciones implicadas por cada
operacin o sentencia del modelo y tambin son inherentes al propio
lenguaje.
Con cualquiera de las estrategias, cuando se selecciona el suceso siguiente
para ser procesado, se ejecuta la correspondiente rutina para modelar los
cambios apropiados en el estado del modelo.
Existe una tercera, programacin de actividades, pero que est cayendo en desuso
y por lo tanto no ser mencionada.
9
62
06/07/2006
I SIMULACIN
Entre los sucesos que cabe considerar, o mejor dicho, que un lenguaje de
simulacin puede considerar, se clasifican en dos tipos: sucesos incondicionales y
sucesos condicionales.
Suceso incondicional: es un suceso que es elegible para ser ejecutado cuando

llega el instante de tiempo para el que ha sido programado. Depende
exclusivamente del tiempo y de ninguna otra condicin aparte de sta.
Suceso condicional: es un suceso que puede depender de condiciones
adicionales distintas del tiempo para ser activado y que, por lo tanto, hay
que verificar adems del tiempo antes de ejecutar la correspondiente rutina;
esas condiciones suelen ser condiciones relativas al estado de las componentes
del sistema (desocupacin o fin de ocupacin de un dispositivo del sistema,
...).
Vamos a ver ahora en qu consiste cada una de las estrategias de los

lenguajes de simulacin.
1. PROGRAMACIN DE SUCESOS (Event Scheduling, ES)
Esta estrategia considera que es una secuencia de sucesos incondicionales a lo
largo del tiempo, es decir, no se programa ningn suceso que dependa de
condiciones adicionales al tiempo. Se selecciona de la lista de sucesos aqul
cuyo tiempo de ocurrencia es el ms prximo, resolviendo los empates por las
prioridades asignadas o por omisin, se actualiza el reloj de simulacin
igualando su valor al del instante en que ocurre el suceso y se llama a la
rutina correspondiente al tratamiento del suceso. La traza del modelo sigue
esta estrategia de programacin de sucesos.
Cualquier verificacin de una condicin diferente de la del tiempo del reloj
debe realizarse dentro de las rutinas de tratamiento de los sucesos y durante
la ejecucin de las rutinas de evento no se avanza el reloj de simulacin. Por
ejemplo, mediante la asignacin de valores singulares a ciertas variables
auxiliares, tal como se haca asignando valor al instante del prximo
evento de final de servicio cuando no haba clientes en el sistema.
Esta filosofa responde al planteamiento que se ha hecho previamente. Se
podra decir que el programa principal y la rutina de tiempo es lo que
corresponde al nivel ejecutivo en este caso y las rutinas de evento sera lo
nico que el modelador tendra que programar.
Por ejemplo, en un sistema de colas con un servidor, los eventos
incondicionales son llegadas de clientes y fin de servicio de clientes y el
programa en un lenguaje de simulacin seran las rutinas de evento de cada
06/07/2006
63
uno de ellos.
2. INTERACCIN DE PROCESOS (Process Interaction, PI)
Contempla el progreso de las componentes del sistema a travs de una
secuencia de pasos o procesos, cada uno de los cuales puede tener dos
posibles componentes, un segmento de condicin cuya ejecucin identifica si
se puede pasar a ejecutar la segunda componente, que es un segmento de
accin.
Un proceso es una secuencia ordenada de eventos interrelacionados,
separados por pasos de tiempo, que describe la experiencia entera de una
entidad como su flujo a travs de un sistema. As, un proceso, o mejor dicho,
una rutina de proceso contiene explcitamente el camino del tiempo simulado
de cada entidad y suele tener mltiples puntos de entrada. Un modelo de
simulacin puede tener diferentes tipos de procesos.
Para el ejemplo de un sistema de colas con un servidor, el proceso comienza
por la llegada de un cliente (que sera una entidad), cmo este ocupa al
servidor o es situado en espera, la ocupacin del servidor y tiempo que lo
tiene ocupado y el final de servicio y desaparicin de la entidad del sistema.
Las entidades del sistema pueden ser fijas o mviles. Las entidades fijas (o
recursos) son denominadas procesadores y representan servidores en un
sistema de colas, instalaciones, semforos y entidades lgicas. Las entidades
mviles (o cargas), o simplemente entidades, son las que se mueven a travs
del proceso.
En un instante determinado cada entidad se puede encontrar en un estado
diferente. Los posibles estados de una entidad son los siguientes:
Activa: entidad que se mueve a travs de su ruta o proceso en ese

momento.
Demorada: entidad que se encuentra retenida por un suceso incondicional
y, por lo tanto, tiene previsto un tiempo de activacin.
Detenida: se encuentra retenida por un suceso condicional, no tiene
instante previsto de activacin, ste depende del cambio de estado de
alguna componente.
En el ejemplo de un sistema de colas con un servidor, como ya se ha dicho,

las entidades son los clientes. Cuando se est ejecutando el proceso de un
cliente y avanzando ste por la rutina del proceso se dice que esa entidad
est activa (slo una est activa en un instante determinado). Cuando el
cliente est siendo atendido por el servidor, la entidad se considera que est
64
06/07/2006
I SIMULACIN
demorada y cuando el cliente est esperando en la cola a que el servidor se

libere y l sea el primero en ser atendido, se considera que es una entidad
detenida. Grficamente, el proceso de un sistema como el descrito tendra
que considerar los siguientes puntos:
Llegada
Inicio servicio
Final servicio
Evento
Evento
Evento
t
Tiempo en cola
Tiempo en sericio
Figura 9. Proceso de un cliente en una cola con un servidor.
Cuando una entidad est activa se mueve por su ruta o proceso hasta que es
detenida o demorada por algn suceso o desaparece del sistema. En ese
momento se vuelve al programa de control que analiza las entidades que hay
abiertas en ese momento (u otras que puedan surgir) y, ante los cambios
producidos por el proceso de la entidad que acaba de dejar de ser activa, cul
de todas las entidades es la primera que se puede activar, moviendo el reloj
de simulacin al instante en que se activa esta entidad.
Un diagrama del proceso de un cliente en una cola con un servidor puede
verse en la Figura 10. Diagrama del proceso en una cola con un servidor.
Obsrvese que el punto 4 supone una espera condicional y el punto 8 una
espera incondicional. As mismo, los puntos 1, 5 y 9 son puntos de entrada
desde el programa de control.
06/07/2006
65
Cliente
1
Programar llegada siguiente cliente
Servidor
libre?
Aadir cliente
a la cola
NO
4
Esperar
turno
Paso de tiempo simulado
SI
Sacar cliente
de la cola
Ocupar servidor
Programar final de servicio al cliente
Esperar hasta final de servicio al cliente
Paso de tiempo simulado

Liberar servidor
El cliente abandona el sistema
10
Volver
Figura 10. Diagrama del proceso en una cola con un servidor
66
06/07/2006
I SIMULACIN
I.4 Anlisis de resultados(MSS)

Un estudio de simulacin busca respuestas a preguntas sobre el sistema
objeto del estudio a travs de la informacin que proporcionan los experimentos
con el modelo del sistema. A su vez los experimentos buscan, en general,
respuestas a preguntas del tipo: Qu pasara s? (What-if) que se plantean en
distintas fases del ciclo de vida: diseo, modificaciones de sistemas ya existentes,
...
Las respuestas que buscamos mediante los experimentos servirn de soporte
para tomar una decisin racional sobre el sistema. As pues, interesa que las
respuestas queden expresadas numricamente para la alternativa que nos ocupa
en cada momento.
Las alternativas constituirn una variante del modelo o escenario de
simulacin con las que realizaremos los experimentos, y con la que obtendremos
una estimacin de las variables respuesta.
Como tales estimaciones, siempre que el modelo incluya aleatoriedad habr
que recurrir para analizarlas y obtener conclusiones a la estadstica, y ms
concretamente a los mtodos de muestreo, los mtodos de reduccin de la
varianza, los mtodos de estimacin y al diseo de experimentos.
I.4.1 Comportamientos transitorio y estacionario de un

proceso estocstico
En los modelos de simulacin dinmicos y aleatorios la variable respuesta
vara con el tiempo, por lo tanto puede ser realmente considerado un proceso
estocstico.
As pues comenzaremos explicando brevemente los dos tipos de
comportamiento que puede tener un proceso estocstico: el transitorio y el
estacionario o permanente.
Considrese el proceso estocstico respuesta Y1,Y2 ,... , y sea
Fi (y / I ) = P (Yi y / I ) , y
la distribucin de la variable i -sima del proceso
supuestas unas condiciones iniciales I. Fi (y / I ) es denominada distribucin
transitoria del proceso en el instante i para las condiciones iniciales I.
Si cuando el tiempo se hace tender a , la distribucin deja de depender del
tiempo y de las condiciones iniciales, es decir, Fi (y / I )
F (y ) y, I ,
i
entonces se dice que F (y ) es la distribucin estacionaria.
Es un lmite, pero en la prctica suele existir un cierto k a partir del cual las
distribuciones son casi iguales.
06/07/2006
67
I.5 CONSTRUCCIN DE MODELOS DE SIMULACIN VLIDOS Y CREBLES
Las siguientes grficas muestran la evolucin de un cierto proceso estocstico

que alcanza un estado estacionario. En la primera, se representa la distribucin
de la variable respuesta y como va cambiando con el tiempo. En la segunda, se
muestra la evolucin de la media de la variable respuesta (nmero de clientes en
un sistema de colas con un servidor) con distintas condiciones iniciales.
TRA N SITO RIA S
ES T A CIO N A R IA S
= E [Y
Y ik
E [Y i ]
Y i4
Y i1 Y i2
i1
i2
Y ik +1
Y i5
Y i3
i3
i4
i5
.....
ik
ik + 1
Figura 11. Evolucin de la distribucin de la variable respuesta
S=20
E[Di / S ]
d = 9
S=0
S : n c lie n te s e n s is te m a e n t= 0 ,
E [ D i / S ] : n m e d io c lie n te s e n s is te m a
Figura 12. Evolucin de la media de la variable variando condiciones iniciales
I.4.2 Tipos de simulacin segn el anlisis de resultados

Cabe distinguir varios tipos de simulacin segn sea el tipo de anlisis que se
pretenda hacer, o ms concretamente, como sea el proceso estocstico de la
variable respuesta y qu caractersticas de su comportamiento se pretenden
analizar segn su horizonte temporal. As los tipos de simulacin que se pueden
plantear son:
68
06/07/2006
I SIMULACIN
Simulacin con horizonte finito: es la que se lleva a cabo cuando existe un

evento natural E que especifica la longitud de cada simulacin o
replicacin. En ese evento el sistema se reinicializa, obteniendo una muestra
aleatoria simple de variables respuesta. Las condiciones iniciales
generalmente afectan a las medidas de desarrollo, por lo que han de ser
representativas del sistema real, para lo cul se puede plantear un periodo de
calentamiento o arranque (warm up) en el que se alcancen esas
condiciones se puede modelar las condiciones iniciales y aleatorizar en cada
replicacin.
En ocasiones, cuando el horizonte es muy lejano respecto al periodo de
arranque, siendo el comportamiento estacionario el que rige la mayor parte
del tiempo, la simulacin con horizonte finito se puede asimilar a una
simulacin con horizonte infinito.
Simulacin con horizonte infinito: no existe tal evento que indique el final de
la replicacin, y nuestro inters se centra en el comportamiento a largo
plazo, pudiendo entonces darse varias posibilidades:
1. Existe distribucin estacionaria: el objetivo es estimar los parmetros
estacionarios del modelo.
2. No existe distribucin estacionaria, pero s por ciclos: entonces hay que
estimar los parmetros estacionarios de cada ciclo y la duracin de stos.
3. No existe distribucin estacionaria, pues los datos de entrada varan en el
tiempo: entonces hay que considerar que cada vez que cambian es un final
de horizonte, y tratarlo as, como si fueran sucesiones de simulaciones con
horizonte finito.
I.4.3 Estimacin de variables respuesta: estimacin de

esperanzas
En general, el valor esperado de la variable respuesta se estima mediante la
media muestral de las observaciones, que es el estimador puntual para sta. Sin
embargo, en muchas ocasiones no es suficiente dar un valor puntual, sino que se
desea tambin dar un intervalo de confianza para sta (estimacin por
intervalo) o una precisin del valor obtenido.
As, dada una muestra aleatoria simple de la variable respuesta, Y1,...,Yn , el
n
estimador puntual para la media es la media muestral, Y =
06/07/2006
i =1
, que es un
69
estimador insesgado o centrado para la esperanza, es decir, E [Y ] = E [Y ] .

Por otra parte, un estimador para la varianza de la variable Y
n
(Y
cuasivarianza, cuya expresin es S 2 =
es la
Y )2
i =1
, de modo que dado que la

n 2 1
S2
, entonces, el valor
resulta ser
varianza de la media muestral es Var[Y ] =
n
n
un estimador para la varianza de la media muestral. Estos estimadores sern
insesgados slo si la muestra es aleatoria simple, es decir, si existe independencia
entre las variables.
Los valores de la media y varianza muestrales se pueden calcular
iterativamente de acuerdo con estas expresiones [Ramos:90]
Yn =
S 2 (n ) =
S 2 (n ) =
1
(n 1)Y n 1 + Yn
n
2
1
n
2
Y n Yn )
(n 2)S (n 1) +
(
n 1
n 1
2
1
n 1
2
Y n 1 Yn )
(n 2)S (n 1) +
(
n 1
n
o estas expresiones numricamente estables

2
n 1

1
1
2
(n 2)S (n 1) +
S (n ) =
Yi (n 1)Yn
n 1
n(n 1) i =1

2
2
n

1
1
2
(n 2)S (n 1) +
S (n ) =
Yi nYn
n 1
n(n 1) i =1

2
siendo Yn el valor de la ltima observacin y tomando como valores iniciales

Y 1 =Y1 y S 2 (1) = 0 .
Con estas consideraciones, dado un nivel de confianza 1 , el intervalo de
confianza para la esperanza de la variable respuesta, suponiendo distribucin
normal o una muestra suficientemente grande, tiene la siguiente expresin:
Y tn 1, / 2
S
n
donde tn 1,1 / 2 es el valor de la t de Student con n 1 grados de libertad que

deja una probabilidad de / 2 a su derecha.
Su interpretacin es que da cada 100 intervalos que construyramos,
confiamos en que en al menos en (1 ) 100 se encontrar la esperanza de la
70
06/07/2006
I SIMULACIN
variable. Obsrvese que al hacer slo uno, no hay seguridad de que la media real
se encuentre en tal intervalo, slo cierta confianza.
Por otra parte, si se desea dar una estimacin de la precisin de la media, se
puede deducir a partir del intervalo de confianza. A la vista de la expresin
anterior una multiplicacin por 4 del nmero de muestras implica una
disminucin del intervalo de confianza aproximadamente a la mitad.
Por lo tanto, una medida de la precisin de la estimacin de la media viene
dada por la relacin entre la desviacin tpica de la media y la media
S 2 (n )
n
Xn
A partir de aqu, se pueden plantear dos tipos de muestreo:
Muestreo de dimensin fija: el tamao de la muestra, n , se fija de

antemano, y se obtiene una precisin no controlada previamente.
Muestreo secuencial: la precisin es fijada de antemano y lo que queda
indeterminado y sujeto a los resultados que se vayan obteniendo es el
tamao de la muestra; en cada iteracin se calcula la precisin lograda, y si
no alcanza a la prefijada se sigue muestreando.
I.4.4 Estimacin de parmetros estacionarios: el problema

del estado inicial transitorio
Como ya se ha comentado en un proceso estocstico, como es la variable
respuesta de un modelo de simulacin dinmico, existe un comportamiento
transitorio, y si el proceso es estacionario, otro comportamiento que es el que se
alcanza en el periodo estacionario.
Si la simulacin es de horizonte finito, el periodo transitorio ha de tenerse en
cuenta, de tal forma que incluso el objetivo del anlisis sea estudiar el
comportamiento en este periodo.
Sin embargo, si la simulacin es de horizonte infinito, o se pretende estimar
un parmetro estacionario o de comportamiento normal, es decir, se quiere
estimar = lim E [Yi ] , hay que evitar las influencias del estado inicial.
i
Algunos mtodos para obtener una muestra para la media estacionaria y un

estimador puntual para sta son los siguientes:
A) Replicacin/Eliminacin
B) Procedimiento por Lotes
06/07/2006
71
C) Procedimientos regenerativos
A) Mtodo de Replicacin/Eliminacin:
Se realizan n replicaciones independientes de longitud m . Se determina el
periodo de arranque (warmup) de longitud l (l << m ) , y se eliminan esas
observaciones en la estimacin. As si las observaciones de cada replicacin son
Y11, ,Y1m , ,Yn 1, ,Ynm , se consideran slo las observaciones posteriores al
periodo de arranque para hacer la estimacin, obtenindose de cada replicacin
m
X1 =
Y1i
i =l +1
ni
, ..., X n =
i =l +1
, y posteriormente haciendo la media y su

m l
m l
S
intervalo con estos valores: X tn 1, / 2 X
n
El problema de este mtodo es que puede existir una desviacin entre el
valor estimado, , y el verdadero valor de .
En cuanto a la aplicacin presenta la dificultad de elegir la longitud de
periodo de arranque, lo que se suele hacer mediante un anlisis previo de tipo
grfico mediante medias mviles. Por otra parte, dependiendo de cul sea esa
longitud, resulta poco eficiente simular el comportamiento desde el principio
cada vez, para luego prescindir de las primeras observaciones.
B) Procedimiento por Lotes:
En este caso se realiza una nica replicacin, con lo que slo hay un periodo
de arranque, que debe ser eliminado. El resto de la secuencia se divide en n
lotes de tamao k . k y n deben ser suficientemente grandes, de modo que
los bloques se puedan considerar independientes y sus medias distribuidas
normalmente (para que sea aplicable el Teorema Central del Lmite para
obtener el estimador.
As, suponiendo que las observaciones, una vez eliminado el periodo de
arranque, fueran Y1,...,Yk ,...,Ynk , se dividen en los lotes de los que se obtiene la
media:
Y1,...,Yk , Yk +1,...,Y2k , ... Y(n 1)k +1,...,Ynk .
Y1(k )
Y2 (k )
Yn (k )
Por ltimo, se obtiene la media de los valores medios obtenidos de cada lote
n
nk
Y (k ) Y
j
Y (n, k ) =
72
j =1
i =1
nk
06/07/2006
I SIMULACIN
y la cuasivarianza para poder hacer el intervalo de confianza o la precisin

n
(Y (k ) Y (n, k ))
S 2 (n, k ) =
j =1
n 1
El problema que puede presentar este mtodo es que se haga una estimacin
baja de la varianza del estimador, Var ( ) . Esta infraestimacin puede darse
porque al ser una nica replicacin las observaciones no son independientes y,
por lo tanto, si el tamao de cada replicacin no es suficientemente grande
puede haber correlacin entre ellas y no ser correcta la estimacin de la
varianza. sa es, por lo tanto, la mayor dificultad del mtodo, cmo obtener el
tamao k para lograr la incorrelacin. Respecto al mtodo anterior presenta la
ventaja de no tener que realizar la simulacin del periodo de arranque ms que
una vez.
C) Procedimientos regenerativos:
En este caso se realiza una nica replicacin, como antes, pero los bloques no
son del mismo tamao, sino que se toma un punto de regeneracin para
determinar dnde acaba, siendo variable la longitud de cada secuencia obtenida,
N i . Se entiende por punto de regeneracin, un punto en el que el sistema vuelve
a comenzar como si fuera el principio. Por ejemplo, en un sistema de colas
podra ser que el sistema se encuentre vaco. De ese modo, se evita el problema
de la correlacin entre las observaciones de dos secuencias. Sin embargo, ahora
hay que tener en cuenta que el tamao de cada secuencia es tambin una
variable aleatoria.
As si las observaciones obtenidas, agrupadas ya en secuencias, son las
siguientes
Y1,Y2 ...,YB1 , YB1 +1,...,YB2 , ..., YBn 1 +1,...,YBn
con tamaos respectivos, N 1 = B1 , N 2 = B2 B1 , N n = Bn Bn 1 , se consideran
Bj
para cada secuencia dos variables: la suma de las observaciones, X j =
Yi ,
i =B j 1 +1
y el tamao de stas, N j .
Para cada una de estas variables se consideran las estimaciones de su media
y varianza, as a partir de las X j se obtienen X y S X2 , y a partir de las N j se
obtienen N y S N2 .
Por ltimo, el estimador de la media ser S 2 = S X2 2ZS X2 ,N + Z 2S N2 , y el
S 2 = S X2 2ZS X2 ,N + Z 2S N2 ,
donde
estimador
de
su
varianza,
ser
06/07/2006
73
2
X ,N
(X
X )(N j N )
j =1
Z z /2
n 1
El
intervalo
de
confianza
resultante
ser
.
N n
Con este mtodo tambin se corre el riesgo de hacer una infraestimacin de
la varianza. Pero su principal inconveniente es que puede ser difcil de aplicar,
bien porque no haya punto de regeneracin o que la probabilidad de que se d
sea muy pequea teniendo que hacer largas simulaciones para lograr una
muestra o que el nmero de secuencias obtenido sea muy pequeo, o bien por
todo lo contrario, que resulten secuencias de tamao N j demasiado pequeos,
que hagan que no se puedan considerar independientes las secuencias y por lo
tanto se est infravalorando su varianza.
I.4.5 Tcnicas de reduccin de la varianza

El objetivo de estas tcnicas es incrementar la eficiencia estadstica del
anlisis de simulacin.
El medio para lograrlo es reduciendo la varianza de las variables de salida
sin modificar la media de la estimacin. De esta forma se obtiene mayor
precisin para el mismo nmero de datos, o la precisin deseada con menos
pasadas de simulacin.
Antes de ver las tcnicas de reduccin de la varianza hay algunas
observaciones que hacer sobre ellas:
Los mtodos de reduccin de la varianza dependen del modelo en estudio, de

modo que su comportamiento puede ser muy diferente en distintos modelos.
Normalmente no es posible saber de antemano cunto se va a poder reducir
la varianza, o incluso, si se va a poder reducir.
Algunas tcnicas pueden aumentar el coste computacional, por lo que hay
que buscar un equilibrio entre la mejora que pueden proporcionar y el coste
que conlleva utilizarlas.
Las tcnicas utilizadas ms habitualmente para reducir la varianza de un

estimador son las siguientes:
Muestreo correlado.
Utilizacin de variables de control.
Utilizacin de variables antitticas.
Condicionamiento
Muestreo estratificado.
Muestreo por importancia
74
06/07/2006
I SIMULACIN
Vamos a ver una introduccin a todas ellas, para ampliar el estudio puede
consultarse cualquier libro de teora de muestras o de simulacin avanzado(ver
[Law, 2000] o [Ros-Insa, 1997])
1.1.1.15. Muestreo correlado (nmeros aleatorios comunes)

El objetivo de esta tcnica es comparar dos o ms configuraciones
alternativas para el sistema bajo condiciones de experimentacin similares.
Por lo tanto, se utiliza cuando se quiere comparar la variable de salida con dos
configuraciones diferentes.
La idea bsica es que se quiere comparar la variable de salida para dos
configuraciones, y por lo tanto si X1 j y X 2 j son las observaciones para la 1 y
2 configuracin, respectivamente, en el tiempo j , lo que queremos estimar es
= 1 2 = E (X1 j ) E (X 2 j )
Sea la variable Z j = X1 j X 2 j , cuya esperanza es el valor que se desea
n
estimar, E (Z j ) = , y sea la media muestral de estas variable, Z (n ) = Z j / n ,

j =1
que es un estimador insesgado de .

La varianza de este estimador es
V (Z (n )) =
V (Z j )
n
V (X1 j ) + V (X 2 j ) 2Cov(X1 j , X 2 j )
n
Si las variables obtenidas con distintas configuraciones se obtienen de forma

independiente, la covarianza es cero, pero se puede disminuir la varianza del
estimador si se logra una covarianza positiva entre ambas. Para lograrlo, el
muestreo correlado propone utilizar los mismos valores U(0,1) para simular cada
una de las configuraciones a lo largo del tiempo.
El mtodo es eficaz y razonable, sin embargo, hay que tener cuidado al
aplicarlo con la sincronizacin, pues puede no ser suficiente con poner la misma
semilla para los nmeros aleatorios. Una forma de buscar esa sincronizacin es
utilizar una semilla diferente para cada variable aleatoria del modelo, con el fin
de que aunque alguna de ellas pierda la sincrona el resto no lo haga.
1.1.1.16. Variables antitticas

Esta tcnica se utiliza para reducir la varianza del estimador de la media,
pero sin comparaciones entre distintas configuraciones.
El objetivo es inducir una correlacin negativa entre las sucesivas
simulaciones o replicaciones del modelo que se llevan a cabo para obtener una
06/07/2006
75
muestra con la que obtener el estimador.

Supongamos que X1 y X 2 es una muestra de tamao 2 de la variable
respuesta. El estimador de la media de la variable ser la media muestral,
X = (X1 + X 2 )/ 2 y su varianza ser,
V (X ) = 1/ 4(V (X1 ) + V (X 2 ) + 2Cov(X1, X 2 ))
Obsrvese que si las variables son independientes, la covarianza es cero, pero
que el valor de la varianza mejorara si la covarianza fuera negativa. Por lo
tanto, el objeto de esta tcnica es intentar lograr una covarianza negativa entre
dos replicaciones del mismo modelo. Para ello, el mtodo propone que en una
replicacin se utilicen unos valores de la uniforme y en la otra los valores
complementarios, es decir, 1 menos los anteriores.
As si U 1,...,U n son variables aleatorias con distribucin uniforme en (0,1),
las variables 1 U 1,...,1 U n tambin son uniformes en (0,1). Y es ms, si
X1,..., X n son variables obtenidas mediante la transformada inversa a partir de
U 1,...,U n , y X1 ',..., X n ' son las obtenidas a partir de 1 U 1,...,1 U n , entonces
las variables X j y X j ' estn correladas negativamente.
De aqu se deduce que si en una simulacin se utilizan los valores de una
uniforme y en la siguiente sus complementarios las variables estarn correladas
negativamente, mejorando el valor de la varianza del estimador.
Sin embargo, no siempre es cierto ya que aunque las variables de entrada
estn correladas negativamente, si el sistema es complejo las de salida pueden no
estarlo. Adems, el resultado est demostrado para variables de entrada
generadas por el mtodo de la transformada inversa, pero no siempre ste es el
mtodo que se utiliza para generar una variable aleatoria.
1.1.1.17. Variables de control

El objetivo de esta tcnica es utilizar la correlacin entre ciertas variables
aleatorias para conseguir reducir la varianza.
Supongamos que X es la variable de salida del modelo. Por ejemplo, en un
sistema de colas podra ser el tiempo de espera en cola de los primeros 100
clientes, y se desea estimar = E (X ) .
Sea Y una variable aleatoria que aparece en el proceso de simulacin,
correlada con X (positiva o negativamente), y con esperanza = E (Y )
conocida. Para el mismo ejemplo podra ser Y : tiempos de servicio de los
primeros 99 clientes que terminan su servicio, cuya media es conocida puesto
que el tiempo de servicio es una variable de entrada con media conocida.
Entonces el valor observado para la variable Y (valor que puede ser Y > o
Y < ) permite ajustar el valor de X , y por lo tanto, se dice que Y es una
variable de control para X .
76
06/07/2006
I SIMULACIN
Veamos cmo utilizar esta variable de control para mejorar la eficiencia del
estimador. Para ello se define el siguiente estimador de control:
XC = X a(Y )
Obsrvese que este estimador es un estimador insesgado para , ya que
E (XC ) = E (X a(Y )) = E (X ) a(E (Y ) ) = a( ) = ,

y su varianza es
V (XC ) = V (X ) + a 2V (Y ) 2aCov(X ,Y )
As pues, para que la varianza de este estimador sea mejor que la anterior ha
de verificarse que a 2V (Y ) 2aCov(X ,Y ) < 0 , y por lo tanto lo que hay que
determinar es un valor de a para que esto sea cierto. En concreto, el mejor
Cov(X ,Y )
.
valor para la constante, el que da la menor varianza, es a * =
V (y )
Precisamente, el problema que puede tener este mtodo es determinar la
variable de control y el valor de a , que adems requiere de una estimacin
previa de la covarianza entre las dos variables. Adems, este mtodo es
especfico para cada modelo, con lo cul su automatizacin en el software de
simulacin comercial existente resulta prcticamente inviable.
1.1.1.18. Condicionamiento
La tcnica de condicionamiento para reducir la varianza del estimador
intenta aprovechar alguna propiedad especial del modelo para remplazar un
valor estimado por un valor analtico exacto. Al eliminar esta fuente de
variabilidad es de esperar que la variable aleatoria de salida sea ms estable,
aunque no est absolutamente garantizado. Esta tcnica tiene su origen en el
mtodo de Monte Carlo condicional introducido por Trotter y Tukey (1956) y
desarrollado por Hammersley and Handscomb (1964).
Supongamos que X es la variable de salida de nuestro modelo, cuya media
desea ser estimada. Supongamos que existe otra variable aleatoria Z tal que
para un valor dado de sta, z , es posible calcular analticamente el valor de la
esperanza condicionada de X por este valor, es decir, E [X / Z = z ] es un valor
conocido. Entonces un estimador insesgado para se puede obtener a partir de
la esperanza en Z de la esperanza condicionada de X a los valores de Z , es
decir, = E [X ] = EZ [E (X / Z )] . Como ejemplo de lo que sera este estimador, si
Z fuera discreta aunque de distribucin desconocida el estimador por
condicionamiento sera EZ [E (X / Z )] = E (X / Z = z )p(z ) , que sera centrado.
z
Respecto a la reduccin de la varianza se verifica la siguiente relacin ya que la

06/07/2006
77
varianza es una funcin no negativa

VarZ [E (X / Z )] = Var [X ] EZ [Var (X / Z )] Var [X ]
As el procedimiento sera muestrear o simular para obtener valores de la
variable Z y para cada uno de ellos calcular analticamente el valor de la
esperanza condicionada de X por ese valor. Es decir, se realiza el experimento
de simulacin para observar la variable Z obtenindose las observaciones
n
1
{z1,..., z n } y a partir de ah se calcula el estimador E [X / Z = z i ] .
i =1 n
Una aplicacin de este mtodo puede verse en Carter and Ignall (1975). En
este caso se queran analizar polticas de atencin del servicio de extincin de
incendios del Bronx, comparando para ello el tiempo medio de respuesta cuando
se produce un incendio considerado serio (en el que pueden peligrar vidas
humanas). Datos histricos revelaban que 1 de cada 30 incendios es serio. Y por
lo tanto para hacer la simulacin haba que simular 30 veces ms situaciones
que las que se queran considerar para la variable de salida. Sien embargo, el
modelo tena tal estructura que conociendo la situacin de los equipos de
extincin en un momento dado, era posible determinar analticamente con
exactitud el tiempo medio de respuesta si en ese momento se produjera un
incendio serio. As el procedimiento consisti en hacer la simulacin, pero
interrumpir peridicamente la simulacin para observar el estado del sistema y
calcular y almacenar el valor del tiempo medio de respuesta bajo esas
condiciones si se produjera un incendio serio en ese momento (aunque realmente
no estuviera sucediendo). El estimador final fue la media de estos tiempos de
respuesta esperados condicionados e inclua muchos ms trminos que el nmero
de incendios serios que realmente haban sido simulados. Con este procedimiento
se redujo en un 95 % la varianza del estimador aunque con un mayor esfuerzo
computacional. Para el mismo esfuerzo computacional la reduccin fue de un 92
%.
Sin embargo en este mtodo no siempre se puede asegurar que reduzca la
varianza en tales dimensiones, o incluso que se llegue a reducirla, dada la
correlacin que puede existir entre los valores condicionados de X y que no ha
sido tenida en cuenta.
1.1.1.19. Muestreo estratificado

Esta tcnica para reducir la varianza es una tcnica no especfica de la
simulacin sino que proviene de la idea de estratificacin de la teora de
muestras (ver Thomson, 1992).
Supongamos que deseamos estimar = E [h(X )] para una variable aleatoria
X con funcin de densidad f (x ), x D . Es posible hacer una particin del
78
06/07/2006
I SIMULACIN
soporte D en k subconjuntos o estratos Di y definir i =

Entonces, se tiene que
Di
h(x )f (x )dx .
h(x )f (x )dx = h(x )f (x )dx = i

i =1
Di
i =1
As pues, el procedimiento sera dividir el soporte en estratos y estimar el

valor en cada estrato y despus sumarlos. Se comprueba que si la estratificacin
se ha hecho adecuadamente, se obtiene una reduccin en la varianza al tener
menor variabilidad en los estratos que en el soporte completo. El efecto de la
reduccin se alcanzar concentrando puntos muestrales en estratos que sean ms
importantes.
La mayor dificultad de este mtodo est en cmo elegir los estratos para
lograr reducir la varianza y el tamao de la muestra en cada estrato. Por otra
parte, una hiptesis implcita en la estratificacin es que resulta posible generar
muestras directamente de los espacios muestrales condicionados asociados a
cada estrato, lo cul no siempre es posible.
1.1.1.20. Muestreo por importancia

Este mtodo se basa en los conceptos de estratificacin y ponderacin de la
teora de muestras (ver Thomson, 1992). Supongamos que queremos estimar
= E [h(X )] , donde la variable aleatoria X tiene funcin de densidad f (x ) ,
x D m . En tal caso, el problema se plantea como estimar
= E [h(X )] = h(x )f (x )dx
D
La idea bsica de este mtodo consiste en observar que para cualquier otra
variable aleatoria Z con funcin de densidad g con el mismo dominio D ,
denominada distribucin de importancia, se puede expresar el estimador como
h(z )f (z )
h(z )f (z )
=
g(z )dz = EZ
D
g(z )
g(z )
As se puede estimar el parmetro muestreando los valores z i de Z y utilizar
como estimador
1 n h(z i )f (z i )
=
n i =1 g(z i )
que es un estimador insesgado. Bsicamente, este estimador es una media de los
valores h(z i ) ponderados con pesos f / g . La varianza de este estimador puede
llegar a ser mucho menor que la de X si se toma la distribucin de importancia
con forma similar a hf de modo que el cociente sea casi constante.
Esta tcnica concentra la distribucin en los puntos que se consideran de
mayor importancia, de modo que si supisemos de antemano que algunos valores
son ms importantes que otros en la determinacin del parmetro, desearamos
06/07/2006
79
seleccionar estos valores con mayor frecuencia de la que la distribucin les da en

s. Sin embargo, esto puede ser difcil de conseguir y suele ser conveniente llevar
a cabo una simulacin piloto de tamao pequeo para determinar si se produce
reduccin de la varianza.
Por otra parte, como ocurre con la mayora de las tcnicas de reduccin de
la varianza, el muestreo por importancia depende fuertemente del modelo, por lo
que resulta interesante sugerir distribuciones de importancia adecuadas para
clases de problemas relevantes. Aunque es difcil hacerlo, se ha avanzado en
algunas reas (ver Geweke (1989) para la aplicacin a algunos modelos
economtricos).
I.4.6 Diseo de experimentos

Por ltimo dentro del anlisis de resultados vamos a ver una breve
introduccin de cmo disear los experimentos para poder comparar distintas
alternativas sobre la configuracin o las estrategias.
Cuando se quieren comparar diferentes alternativas, suele haber ciertos
factores controlables (cuantitativos o cualitativos) que operan a distintos niveles
(valores) que definen las alternativas. En un estudio de simulacin interesa
identificar el efecto de cada factor al variar en sus distintos niveles, la
interaccin entre los factores, etc. a la hora de tomar una decisin.
La cuestin es qu pruebas o replicaciones hay que hacer para identificar
esos efectos. Para dar respuesta a esta pregunta la tcnica estadstica apropiada
es el diseo de experimentos.
Si bien es cierto que esta tcnica suele resultar ms relevante cuando los
experimentos no son simulados por la dificultad de llevarlos a cabo, tambin en
simulacin cuando hay muchos factores o muchos posibles valores o las
simulaciones son muy largas, es deseable disear los experimentos evitando los
diseos completos, es decir, evitando probar todas las combinaciones posibles de
factores y niveles para poder comparar. Obsrvese que con k factores y 2
niveles cada uno y realizando m replicaciones de cada combinacin, resultan
m 2k simulaciones.
Existen diversos diseos que pueden aplicarse como la variacin de un factor
cada vez, los diseos factoriales globales, fraccionales, superficie de respuesta, ...
Para un estudio de estos diseos se remite al lector a un libro de estadstica
(como por ejemplo [Pea, 98]) o uno especfico de diseo de experimentos
([Montgomery, 91]). Sin embargo, a continuacin se va a presentar una breve
introduccin a los diseos ms habituales.
80
06/07/2006
I SIMULACIN
1.1.1.21. Principios del diseo experimental

El objetivo de un experimento es estudiar el efecto que sobre una variable
respuesta tienen un conjunto de otras variables denominadas variables
experimentales, fatores o tratamientos.
Supondremos que la variable respuesta es continua y que los factores se fijan
durante el experimento a ciertos niveles determinados. El experimento consiste
en seleccionar distintas unidades experimentales, fijar los valores de los factores
a distintos niveles y observar el valor de la variables respuesta en cada unidad.
El nmero total de datos es el tamao del experimento.
En cualquier experimento en que se investiga el efecto de un factor hay un
gran nmero de otras variables que pueden influir en los resultados.
Bsicamente hay tres caminos para eliminar el efecto de una variable:
1. mantenerla fija durante toda la realizacin del experimento,
2. reorganizar la estructura del experimento para las comparaciones de
inters se efecten para valores fijos de esta variable
3. aleatorizar su aparicin en los tratamientos
Los experimentos cientficos suelen usar los dos primeros para eliminar el
efecto de aquellas variables que son controladas por el experimentador, y el
tercero para eliminar el efecto de variables fuera de nuestro control y de poca
influencia esperada (se englobarn dentro del error experimental).
En general, cuando se analizan resultados de simulacin no suele utilizarse la
aleatorizacin ya que en el modelo no suelen existir variables fuera de control,
sin embargo, se va a explicar el principio de aleatorizacin sobre todo para
tenerlo en cuenta a la hora de tomar datos y observaciones para crear el modelo,
y a la hora de validarlo comparando con la realidad.
El principio de aleatorizacin
Este principio requiere que todos los factores no controlados por el
experimentador y que puedan influir en los resultados se asignen al azar a las
observaciones. Por ejemplo, si al comparar las ventas de un producto en un
establecimiento en dos das distintos de la semana sospechamos que puede
influir el empleado que est en esa seccin que pueden ser dos distintos, deben
tomarse observaciones para esos das con el vendedor asignado de forma
aleatoria a las observaciones (aleatoria, es decir, con orden aleatorio tambin,
para evitar efectos de aprendizaje, etc.).
La aleatorizacin es fundamental ya que previene la existencia de sesgos,
evita la dependencia entre observaciones y confirma la validez de los
procedimientos estadsticos ms comunes.
De este principio se derivan los denominados contrastes de permutaciones
06/07/2006
81
para analizar la influencia de un factor en presencia de otra variable:

Supngase que para el ejemplo anterior se deciden observar 5 das de un tipo
(D1) y 5 de otro (D2). Se asignan de forma aleatoria los dos empleados a cada
da de forma que siempre haya 5 das de cada uno en los 10, y se observa la
diferencia de medias en la variable respuesta de ambos tipos de da: x D1 x D2 . Si
el da observado no influyera (que es lo que se pretende determinar) dara igual
que las observaciones fueran de un da u otro, as pues podramos considerar que
de las 10 observaciones cualesquiera 5 son de un da y el resto de otro. El
nmero de asignaciones posibles de los tipos de da a las 10 observaciones es
10
= 252 , y si se calculan las 252 diferencias que se obtienen con las distintas
5
asignaciones y el valor concreto que se tiene est entre el 100 / 2 % de las
mximas o de las mnimas se considera que un valor tan anormalmente alto o
bajo slo puede ser debido a que no son iguales las medias.
Los test de permutaciones fueron introducidos por Fisher (1953), y Scheff
(1959) demostr que los contrastes t y F (anlisis de la varianza para igualdad
de medias) son una buena aproximacin incluso sin la hiptesis de normalidad
que se les exige.
La repeticin del experimento
Como ya se ha comentado, para reducir la varianza de la estimacin de una
media que es 2 / n , se puede reducir el valor de 2 o aumentar n que conlleva
replicar el experimento. Aunque este tema ya ha sido tratado, hay que indicar la
diferencia entre repetir cada observacin y repetir el experimento. Si se toman
dos medidas seguidas en cada condicin experimental se tiene cada observacin
repetida dos veces, pero no necesariamente un experimento replicado. Conviene
realizar el experimento una vez y luego repetirlo desde el principio para evitar
subestimar la variabilidad.
La homogeneidad estadstica de las comparaciones: diseos factoriales
Para comparar el efecto de un factor en la variable respuesta es claro que se
debe comparar con distintos niveles pero actuando stos en condiciones
homogneas. Existen dos enfoques para intentar lograr esa homogeneidad:
a) diseos clsicos: eliminar del experimento las dems variables
mantenindolas fijas a niveles constantes y variar slo la que se trata de
comparar
b) diseos factoriales: introducir en la experimentacin todas las variables
que pueden influir y estimar los efectos promediando situaciones
homogneas. As para el ejemplo de la venta del producto se obtendran
82
06/07/2006
I SIMULACIN
datos para cada nivel del facto da con los dos empleados, siendo una
tabla de doble entrada.
De los dos enfoques el primero tiene como inconveniente principal que no
tiene en cuenta la interaccin entre los factores. Por ejemplo, supongamos que
se desea investigar si la temperatura y la concentracin influyen en el
rendimiento de un proceso. Con el diseo clsico fijaramos la temperatura a un
valor de referencia y modificaramos el valor de la concentracin para ver su
efecto; despus haramos lo mismo pero fijando la concentracin a un valor y
variaramos la temperatura. De esta forma es posible llegar a conclusiones tales
como que aumentar la temperatura disminuye el rendimiento y aumentar la
concentracin tambin, y sin embargo, es posible que aumentando temperatura
y concentracin a la vez se logre un mayor rendimiento. Esto ocurre porque los
efectos pueden no ser aditivos, es decir, el modelo puede ser del tipo
Rend = b1Conc + b2Temp + b3Conc Temp , y sin embargo, con el diseo clsico se
supone que el coeficiente b3 es cero.
El concepto de bloque
Una variable o factor cuyo efecto sobre la respuesta no es directamente de
inters pero que se utiliza para obtener comparaciones homogneas se denomina
variable bloque. En el ejemplo, de la venta del producto sera el empleado si lo
que realmente nos interesa saber es slo el efecto del tipo de da. La principal
diferencia en el tratamiento de un factor y de una variable bloque es que, en
general, se supone que hay independencia entre los factores y las variables
bloque.
1.1.1.22. Diseo con un factor

ste es el diseo bsico en el cul no se presenta ms que un nico factor
que opera a I niveles, de modo que se dispone de una muestra de tamao n tal
que ni han sido obtenidas con el factor fijado al nivel i , siendo yij estas
observaciones.
El modelo que supone este factor es yij = i + uij , siendo uij de distribucin
N (0, ) independientes (se puede comprobar representando los valores para cada
nivel y ver que siguen una distribucin normal).
El procedimiento es en primer lugar estimar los parmetros del modelo: las
i y 2 ; en segundo lugar realizar el contraste de igualdad de medias para ver
si el factor influye en la variable respuesta, es decir, contrastar si es cierto que
1 = ... = I = . Despus comprobar con los residuos las hiptesis del modelo,
y por ltimo, si se ha rechazado que el factor no influye hacer comparaciones de
las medias.
06/07/2006
83
Los estimadores de los parmetros del factor son i = yi . =
ij
, y
ni
definiendo los residuos como eij = yij yi . , el estimador de la varianza es
eij2
.
2 = ij
n
A continuacin se plantea el contraste de igualdad de medias:
H 0 : 1 = ... = I = frente a la hiptesis de que hay alguna distinta. Para
hacer este contraste se compara la variabilidad explicada por los grupos (VE)
con la no explicada o residual (VNE), de modo que si es muy grande la
explicada respecto a la que no entonces se rechaza la hiptesis nula y se acepta
que el factor influye en la variable respuesta. Este anlisis se conoce como
anlisis de la varianza y para llevarlo a cabo se utiliza una tabla denominada
ANOVA (ADEVA en castellano):
Fuentes variacin
Suma de cuadrados Grados de libertad Varianzas
Entre grupos (VE)
se2
I 1
ni (yi. y.. )2
Interna, no explicada
o residual (VNE)
Total
(y
ij
yi . )2
n I
sR2
(y
ij
y.. )2
n 1
sy2
i, j
i, j
donde la ltima columna es el cociente de las dos anteriores.

se2
seguira una
sR2
distribucin F de Fisher-Snedecor con esos grados de libertad indicados, de
modo que se rechazar la hiptesis si este estadstico toma un valor
suficientemente alto.
As si se acepta la hiptesis nula, se acepta la igualdad de medias y por lo
tanto que el factor no influye. Si se rechaza tiene inters estimar las diferencias
entre los grupos. Para ello se puede hacer un intervalo de confianza para la
diferencia de medias de los grupos dos a dos o hacer un contraste de igualdad de
medias dos a dos. Sin embargo, hay que tener cuidado ya que la aplicacin
I
reiterada de ese contraste (para I niveles seran contrastes) puede llevar a
2
que aparezcan diferencias entre grupos cuando realmente no las hay. Para
evitarlo el mtodo de Bonferroni propone que cada contraste debera ser hecho
al nivel de significacin /c , donde es el nivel de significacin total que se
desea y c el nmero de comparaciones que se van a realizar.
Si la hiptesis nula fuera cierta el estadstico F(I 1),(nI ) =
84
06/07/2006
I SIMULACIN
1.1.1.23. Diseo en bloques aleatorizados

Este diseo se utiliza para analizar el efecto de un factor en presencia de una
variable bloque. Se tienen I niveles del factor, J valores de la variable bloque y
se tienen I J observaciones de la variable respuesta obtenidas cada una fijando
un nivel del factor y un valor del bloque, denotadas por yij .
El modelo en bloques aleatorizados es yij = + i + j + uij , i = 1,..., I ,
j = 1,..., J , donde uij es una variable N (0, ) y sus valores independientes.
El modelo descompone la respuesta como suma de un efecto global , un
efecto incremental del factor principal i (al ser incremental, se supone
i = 0 ), un efecto incremental del factor secundario o bloque j (de nuevo
i
= 0 ) y un efecto aleatorio uij que sera el denominado error experimental
debido a las restantes causas de variabilidad.

El objetivo primero del anlisis es determinar si los efectos del factor
principal son nulos, y si se decide que no entonces puede ser de inters analizar
las diferencias.
El primer paso es estimar los valores de los parmetros que sern un total de
I + J , donde se incluyen el valor de , los i , los j y 2 .
El estimador de es la media de todas las observaciones, que
denominaremos y.. ; los estimadores de los efectos del factor principal se obtienen
como la media de las observaciones para ese nivel del factor menos la media de
1
todas las observaciones, es decir, i = yi . y.. = yij y.. ; anlogamente
J j
para estimar los efectos del bloque se tendra j = y. j y.. ; por ltimo, para la
varianza del error, se obtienen los residuos eij = yij i j y se estima
1
como 2 = eij2 .
n i, j
Una vez estimados los coeficientes se procede a contrastar si se pueden
considerar significativamente distintos de cero y poder concluir que realmente el
factor influye. Adems interesa saber si el bloque influye, ya que si no fuera as,
se podra optar por un modelo ms sencillo, como el de la seccin anterior, que
no distinguiera por el bloque. Para hacer estos contrastes se realiza el anlisis de
la varianza. La lgica de este anlisis es en primer lugar descomponer la
variabilidad total de los datos en sus fuentes de variacin, y comparar el
trmino debido a cada fuente con un patrn comn, la varianza residual, para
juzgar respecto a su importancia.
La tabla ANOVA en este caso ser de la siguiente forma
Fuente
Suma cuadrados
G. libertad Varianzas
06/07/2006
85
Entre tratamientos
(distintas )
Entre bloques
(distintas )
Residual
J (yi . y.. )2 = J i2
I 1
s2
I (y. j y.. )2 = I j2
J 1
s2
2
ij
i, j
Total
= (yij i j )2 (I 1)(J 1)
sR2
i, j
(y
ij
y.. )2
n 1
sy2
i, j
A partir de esta tabla se realizan los contrastes. El contrate principal es que

los tratamientos son idnticos:
H 0 : i = 0; i
s2
, que si la hiptesis nula es
sR2
cierta sera una F de Fisher-Snedecor con los grados de libertad indicados, de
modo que si el valor del estadstico es alto ser rechazada la hiptesis de que el
factor no influye.
Para los bloques el contraste es H 0 : j = 0; j y el estadstico es
Se efecta con el estadstico F(I 1),(I 1)(J 1) =
s2
, y es un contraste independiente del anterior.
sR2
La eficacia del diseo depende de los efectos de los bloques, pero en cualquier
caso nunca es peor que si se tratara como un diseo completamente aleatorio
como el de la seccin anterior.
Si del anlisis de la varianza se deriva que el factor influye entonces se pasa
a realizar comparaciones entre las medias de los grupos determinados por los
niveles del factor, tal y cmo se coment en la seccin anterior.
Respecto a la validacin de modelo, el principal error que se puede estar
cometiendo es que se est despreciando la interaccin entre el factor y el bloque,
y podra ser que existiera, es decir, el modelo podra ser de la forma:
yij = + i + j + ( )ij + uij
Este modelo tiene demasiados parmetros, por lo que Tukey propuso tomar
( )ij = i j que slo aade un parmetro.
La interaccin se detecta fundamentalmente porque si sta existe y no ha
sido considerada en el modelo, los residuos no tendrn esperanza nula, y
grficamente si se representa en el eje de abscisas el valor previsto y en el de
ordenadas el residuo se podr ver una curvatura.
F(J 1),(I 1)(J 1) =
86
06/07/2006
I SIMULACIN
1.1.1.24. Modelos factoriales: con dos factores y con interaccin

Este modelo se aplica cuando las dos variables a estudiar tienen la misma
importancia a priori y se admite la interaccin desde un principio.
El modelo sin replicacin
El modelo que se considera es el siguiente:
yij = + i + j + ( )ij + uij
y el nmero de parmetros a estimar son IJ + 1 teniendo en cuenta las
restricciones i = j = ( )ij = ( )ij = 0 . Cmo se puede observar
i
hay ms parmetros que observaciones, luego no pueden ser todos estimados. La

opcin es no estimar la varianza, y estimar los parmetros como en el caso
anterior y para las interacciones estimarlas como los residuos, es decir,
( )ij = yij yi . y. j y.. . Sin embargo al no disponer de residuos no es posible
contrastar el modelo, salvo que se consideren las interacciones nulas, o que se
replique el experimento.
El modelo con replicacin
Suponiendo que se hacen K replicaciones para cada combinacin de niveles
de los dos factores se dispone de IJK observaciones y el modelo considerado
ahora sera:
yijk = + i + j + ( )ij + uijk
Aunque el nmero de parmetros a ser estimados sigue siendo IJ + 1 ahora
hay ms observaciones. Los estimadores en este caso sern
= y...
i = yi .. y...
j = y. j . y...
( )ij = yij . yi .. y. j . + y...
Los residuos en este caso sern: eijk = yijk yij . . La tabla ANOVA ser en tal
caso la siguiente
Fuente
Suma cuadrados
G. libertad Varianzas
2
Factor
JK i
s2
I 1
Factor
Interaccin
IK j2
J 1
s2
K ( )ij2
(I 1)(J 1)
2
s
IJ (K 1)
sR2
i, j
Residual
2
ijk
i , j ,k
06/07/2006
87
(y
Total
ijk
y... )2
IJK 1
sy2
i , j ,k
Los tests resultantes y estadsticos sern los siguientes:

s2
1) H 0 : i = 0, i; estadstico F(I 1),IJ (K 1) = 2
sR
2)
3)
H 0 : j = 0, j ;
estadstico
H 0 : ( )ij = 0, i, j ;
F(J 1),IJ (K 1) =
estadstico
s2
sR2
F(I 1)(J 1),IJ (K 1)
2
s
= 2
sR
1.1.1.25. Modelos factoriales con ms de dos factores

El modelo con tres factores sera de la forma:
yijk = + i + j + k + ( )ij + ( )ik + ( )jk + ( )ijk + uijk
En este modelo adems de las interacciones de segundo orden para cada par
de variables, existe una interaccin de tercer orden. En general, los efectos
principales son mayores que los de segundo orden, y stos mayores que los de
tercer orden.
De nuevo, como ocurra en el caso de dos factores, hay ms parmetros que
observaciones, luego no ser posible estimar todos ellos, siendo la varianza del
ruido el que se deja sin estimar. Sin embargo, por esa misma razn los
contrastes de la tabla ANOVA slo pueden realizarse si se supone que la
interaccin de tercer orden es nula, o si se dispone de replicaciones.
El mtodo de estimacin y los contrastes son una extensin de los del caso
de dos factores.
Estas ideas se extienden inmediatamente para modelos con cualquier nmero
de factores, aunque para ms de tres las interacciones superiores a tercer orden
suelen suponerse nulas. La limitacin principal de estos diseos es el nmero de
observaciones que requieren, de modo que para ms de cuatro factores no suelen
usarse estos diseos completos y se acude al concepto de fraccin: suponiendo
que las interacciones son nulas a partir de un orden se selecciona una parte del
diseo completo que permita estimar los efectos principales y las interacciones
de orden bajo. La siguiente seccin muestra uno de estos diseos fraccionales.
1.1.1.26. Cuadrados latinos

Este modelo se puede aplicar en las siguientes condiciones:
a) existen tres factores (alguno puede ser una variable bloque);
88
06/07/2006
I SIMULACIN
b) el nmero de niveles para cada factor es el mismo;

c) no se espera interaccin entre los factores.
La ventaja de este modelo es que el nmero de observaciones se reduce
mucho, de modo que si N es el nmero de niveles de cada factor, el diseo
completo requiere N 3 observaciones mientras que el cuadrado latino slo N 2 , es
decir, se trata de un diseo fraccional.
La idea bsica del cuadrado latino es aprovechar la simetra del diseo
factorial seleccionando un conjunto de combinaciones de los niveles de los
factores con la condicin de que cada nivel de un factor aparezca una vez con
cada uno de los niveles de los otros factores.
Para llevar a cabo la experimentacin con un diseo de cuadrado latino en
primer lugar se selecciona un cuadrado latino que corresponda al nmero de
niveles con los que se est trabajando, y luego se aleatoriza el orden de las filas
y columnas. Los posibles cuadrados latinos son los siguientes:
N =3
A B C
A B C
B C
A B
A B
B C
A B C
A B C
N =4
A B C
A D C
D C
A B
A D C
D C
D C
A B
A B
B
A D C
N =5
A B C
B C
C
E
A B C
D E
A B C
D E
A B
D E
A B C
A B
A B C
B C
D E
D E
D E
D E
D E
D E
A B C
A B C
N =6
06/07/2006
D E
B C
D E
A B C
D E
A B C
D E
A B
A B C
D E
A B C
A B C
D E
B C
A B
D E
89
A B C
D E
A F
E C
A D E
D C
A F
B C
D C
A B
Para ver los cuadrados latinos de mayor dimensin consultar Pea (1998).
Se asigna un factor a las filas, otro a las columnas y otro a las letras. El
diseo es simtrico para ambas as que se pueden asignar como se desee, y en
general, se hablar del efecto fila, efecto columna y efecto letra. A continuacin
se aleatoriza el orden de las columnas y el de las filas, resultando as las
combinaciones de niveles de los tres factores que han de ser experimentadas.
Por ejemplo, si para comparar el efecto que tiene sobre el consumo en
automviles cuatro tratamientos de la gasolina, se seleccionan 4 automviles y 4
conductores, se puede aplicar un diseo de cuadrado latino con N = 4 para
eliminar en las comparaciones del efecto vehculo y conductor. Se asigna, por
ejemplo, que las columnas sean los conductores (cada columna es un conductor),
las filas el vehculo (cada fila un vehculo) y las letras el tratamiento.
Entonces se selecciona un cuadrado latino de orden 4, por ejemplo,
A B C
A D C
A B
T1 T 2 T 3 T 4
T 2 T1 T 4 T 3
T 3 T 4 T1 T 2
T 4 T 3 T 2 T1
D C B A
Ahora, se aleatoriza a quin corresponde cada fila y cada columna. As, si el
orden resultante para las filas es (2,1,3,4) y para las columnas (3,4,2,1) el diseo
resultante sera:
C3 C4 C2 C1
V2 T1 T2 T3 T4
V1 T2 T1 T4 T3
V3 T3 T4 T1 T2
V4 T4 T3 T2 T1
Reordenando las filas y columnas, que es como se suele presentar el diseo,
C1 C2 C3 C4
V1 T3 T4 T2 T1
V2 T4 T3 T1 T2
V3 T2 T1 T3 T4
90
06/07/2006
I SIMULACIN
V4 T1 T2 T4 T3
Cada celda representa un experimento que hacer con el conductor de la
columna correspondiente, el vehculo de la fila correspondiente y el tratamiento
de gasolina que se indique en la celda. Obsrvese que cada nivel de un factor
aparece combinado con todos los niveles de los dems factores. Por otra parte,
un diseo completo exigira 43 = 64 experimentos mientras que este diseo
requiere 42 = 16 pruebas.
El modelo que se supone es el siguiente
yij (k ) = + i + j + k + uij (k ), i, j, k = 1,..., N
donde i es el efecto fila, j el efecto columna, k el efecto letra en las distintas

casillas y las perturbaciones uij (k ) son normales (0, 2 ) independientes. La
notacin ij (k ) indica que el subndice k depende de la casilla ij segn el diseo,
es decir, dados i y j , mirando en el cuadro, se tiene el valor de k . Se supone
adems que
i = j = k = 0 .
La estimacin de los parmetros sera la siguiente:
= y... =
ij .
i, j
N2
i = yi .. y...;
yi .. =
j = y. j . y...;
y. j . =
k = y..k y...;
y..k =
Los residuos se obtienen como eij (k )
ij .
N
yij .
i
N
yij (k )
i, j
N
= yij (k ) i j k , y la estimacin
centrada de la varianza residual ser 2 = SR2 =
2
ij (k )
i, j
.
(N 1)(N 2)
Por ltimo, el cuadro del anlisis de la varianza sera
Fuente
Suma cuadrados
G. libertad
2
Efecto fila
N i
N 1
i
Varianzas
s2
Efecto columna
N j2
N 1
s2
Efecto letra
N k2
N 1
s2
(N 1)(N 2)
sR2
Residual
2
ij (k )
i, j
06/07/2006
91
Total
(y
ijk
y... )2
sy2
N2 1
i, j
Los tests resultantes y estadsticos sern los siguientes:
1)
efecto fila H 0 : i = 0, i;
2)
efecto columna H 0 : j = 0, j ;
3)
estadstico
efecto letra H 0 : k = 0, k ;
F(N 1),(N 1)(N 2) =
estadstico
estadstico
s2
sR2
F(N 1),(N 1)(N 2) =

F(N 1),(N 1)(N 2) =
s2
sR2
s2
sR2
Para cuatro variables existe una extensin de este diseo que son los
cuadrados greco-latinos, que no se va a ver en esta introduccin pero que puede
ser consultado en cualquier libro de diseo de experimentos o estadstica como
Pea (1998).
1.1.1.27. Modelos con efectos aleatorios: Diseos jerrquicos

El objetivo de los diseos anteriores es determinar el efecto que producen en
la variable respuesta ciertos niveles prefijados de un factor, y es lo que se llama
diseo de efectos fijos. Sin embargo, existen otros diseos donde estos niveles no
se eligen, sino que al muestrear estn presentes en la poblacin, denominndose
entonces diseos de efectos aleatorios. Los diseos de efectos fijos se utilizan
cuando se desea medir cmo vara el nivel de la variable respuesta con los
niveles de los factores, mientras que los de efectos aleatorios se utilizan para ver
el efecto sobre la variabilidad de la respuesta. Por ejemplo, para saber si un el
uso de determinados tipos de carburante es efectivo se realiza un diseo de
efectos fijos, mientras que si se desea saber la variabilidad que el uso de
distintos carburantes utilizados habitualmente introduce en el proceso, se
utilizar un modelo de efectos aleatorios.
En los diseos con efectos aleatorios no se fijan los niveles del factor, de
modo que el factor se considera una variable aleatoria cuyo efecto en la
respuesta se puede apreciar en la variabilidad, y el objetivo del diseo es
precisamente estimar la varianza del factor, es decir, no se estima sino 2 , y
el contraste principal no es i = 0 sino 2 = 0 .
La formulacin matemtica del modelo es idntica, pero en el diseo de
efectos fijos los efectos representan la respuesta media y son parmetros fijos a
estimar, mientras que en el de efectos aleatorios son variables aleatorias
normales de media 0 y varianza 2 , siendo esta varianza el parmetro a
estimar.
La descomposicin de la variabilidad y la tabla ANOVA se realiza igual en
ambos modelos, y si no existe interaccin los contrastes de que un factor no
92
06/07/2006
I SIMULACIN
influye son idnticos. Sin embargo cuando existe interaccin entre dos efectos,
los contrastes cambian de modo que si en el de efectos fijos para ver el efecto de
un factor se contrasta el valor de s2 / sR2 , en el de efectos aleatorios se contrasta
2
s2 / s
.
Por otra parte, en el modelo de efectos aleatorios la estimacin de los valores
i , j ,... no tiene sentido, por lo que no se plantea el problema de las
comparaciones mltiples, ya que el objetivo es contrastar que los efectos existen,
y en caso afirmativo, estimar las varianzas.
Un caso especial de este tipo de diseos es cuando los factores que
intervienen estn anidados o jerarquizados. Por ejemplo, si se desea estudiar la
influencia en la opinin de los trabajadores del sector industrial en que trabajan
y de la empresa en qu estn, no es posible cruzar todos los niveles de los
factores. En primer lugar habr que seleccionar sectores, despus, para cada
sector seleccionar empresas de ste, y dentro de cada empresa seleccionar
trabajadores. As el factor empresa puede medirse slo a un nivel fijo del factor
sector. Este tipo de diseos se denominan de clasificacin jerrquica o diseos
anidados, y en ellos al no existir cruces entre factores no puede existir
interaccin entre ellos.
El caso de diseos jerrquicos ms importante es el modelo con dos factores
aleatorios o modelo de componentes de la varianza. Supngase que se quiere
estimar la variabilidad en el rendimiento siendo un factor las mquinas y otro
los operarios. Para ello se selecciona un conjunto de mquinas al azar (efecto
aleatorio) y se toman varias muestras de la produccin con distintos
trabajadores en cada mquina. La diferencia fundamental con otros diseos es
que no estn todas las mquinas y que los trabajadores son distintos en cada
mquina, no se cruzan.
El modelo que se establece es yijk = + i + j (i ) + uijk , donde yijk es la
respuesta, i es el efecto aleatorio de la mquina que es un valor de una
N (0, 2 ) , j (i ) es el efecto del trabajador j con la mquina i cuya distribucin
es N (0, ) y uijk es el error experimental al actuar un trabajador en una
mquina concreta y se considera N (0, ) . Tomando varianzas se tiene
y2 = 2 + 2 + 2 .
Cuando se toma la misma cantidad de trabajadores por cada mquina los
datos pueden disponerse en una tabla de doble entrada como en un diseo
factorial con dos factores (mquina y operario) con replicacin. Sin embargo, la
interpretacin es muy distinta ya que los operarios en el diseo clsico eran los
mismos para todas las mquinas, mientras que aqu son diferentes para cada
mquina (el hecho de que sea por ejemplo la primera columna supone que es el
primero en orden para cada mquina no el mismo operario).
06/07/2006
93
La estimacin en este caso, dado que estn anidados los factores se ha de

hacer de forma secuencial. Supongamos que se tienen I valores del factor
principal, J del factor anidado (la misma cantidad en todos los valores del
principal) y K replicaciones de cada uno.
Se estima en primer lugar la varianza residual como:
(yijk yij . )2
2 = sR2 = i, j ,k
.
IJ (K 1)
A continuacin se estima la varianza debida al factor anidado
K (yij . yi .. )2
2
2
s sR
i, j
donde s22 =
.
2 = 2
I (J 1)
K
Por ltimo, la variabilidad debida al factor principal se estima como
JK (yi .. y... )2
2
2
s
K
i
.
2 = 1
donde s12 =
KJ
I 1
La diagnosis del modelo se efecta con los contrastes habituales.
1.1.1.28. Diseos factoriales a dos niveles ( 2k )

En la experimentacin industrial es frecuente que se desee conocer el efecto
sobre una variable respuesta de un gran nmero de factores, aunque en
ocasiones no todos sean realmente relevantes. Los diseos factoriales a dos
niveles que se van a ver, permiten experimentar con un gran nmero de factores
y adems son fciles de fraccionar en bloques homogneos favoreciendo la
experimentacin secuencial.
En primer lugar se va a ver como son estos diseos factoriales completos y
despus cmo fraccionarlos y aprovecharlo para hacer una experimentacin
secuencial.
Un diseo factorial a dos niveles de orden k , representado por 2k supone
que hay k factores con dos niveles cada uno. Veremos primero el caso ms
sencillo: 22 .
El diseo 22
Se supone que hay dos factores, A y B, con dos niveles. Se usar la notacin
de signos + y para representar los dos niveles de cada factor (si son
cuantitativos se usa el valor + para el mayor). Las observaciones
correspondientes se disponen en general en una tabla, notndose por (o) a las
observaciones con ambos factores en el nivel , por (a) cuando el factor A est
en su nivel + y el B en , por (b) si es al revs, y por (ab) cuando ambos estn
en el nivel +. As la tabla sera de la forma
A
B
Y
94
06/07/2006
I SIMULACIN
y11 (o)
+
y21 (a)
+ y12 (b)
+
+ y22 (ab)
El modelo factorial sera de la forma
yij = + i + j + ( )ij + uij ;
i, j = 1,2
Este modelo con las restricciones habituales de que sena efectos

incrementales sobre el valor medio (las sumas de los parmetros nulas) y
+1 si factor k en nivel +
aadiendo las variables X k =
, quedara
1 si factor k en nivel
yij = + 2X1 + 2X 2 + ( )22 X1X 2 + uij ; i, j = 1,2
En este diseo hay un parmetro por cada factor y uno por interaccin. Tal
y como est expresado los coeficientes representan el incremento esperado en la
respuesta cuando los factores se fijan al nivel +. Sin embargo, por conveniencia,
se hablar de efecto de un factor como el efecto esperado en la respuesta cuando
pasa de a +. Estos efectos los vamos a denotar por la misma letra pero sin
subndice ya que no es necesario, verificndose las siguientes relaciones:
1
1
1
( )22 = ( )
2 = 1 =
2 = 1 =
2
2
2
La estimacin de estos nuevos parmetros sera de la forma
1
1
1
= (o + a + b + ab) = (a + ab o b) = (b + ab o a )
4
2
2
1
( ) = (o + ab a b)
2
Una forma de recordar estas estimaciones es conocida como el algoritmo de
los signos. Este algoritmo se aplica creando una tabla denominada estndar a
partir de la tabla de observaciones. En ella se aade una columna AB que es el
producto de las columnas A y B, y la estimacin de cada parmetro se hace
multiplicando la correspondiente columna de signos por las observaciones y
dividiendo luego entre 2. Este algoritmo es aplicable tambin cuando hay ms
de dos factores. La tabla estndar entonces sera:
A
B AB
Y
+ y11 (o)
+
y21 (a)
+
y12 (b)
+
+
+ y22 (ab)
En este anlisis se estiman cuatro parmetros con cuatro observaciones, de
modo que no es posible estimar el error experimental. Por lo tanto, para hacer
intervalos de confianza o contrastes de hiptesis para los parmetros ser
06/07/2006
95
necesario una estimacin externa de 2 o replicar el experimento. Si se replica

el experimento, se aplica el procedimiento visto de estimacin a las medias y los
residuos se calculan como eijk = yijk yij . . A partir de ellos se estima la varianza
residual con la suma de los cuadrados de los residuos dividida por 4(R 1)
donde R es el nmero de replicaciones.
Hay que tener una precaucin con este modelo, y es que cuando las
interacciones son altas, los efectos principales no describen de forma adecuada
los resultados. Como regla general, cuando la interaccin sea un tercio del
promedio de los efectos principales la descripcin mediante efectos principales e
interacciones es inadecuada.
Una de las ventajas de este diseo frente a uno factorial clsico es que
obtiene estimaciones ms precisas, de menor varianza, o si se quiere, que para
lograr la misma precisin es necesario un nmero menor de experimentos. En
general, para k factores el diseo clsico requiere (k + 1)/ 2 veces el nmero de
observaciones de un diseo factorial.
El modelo 23
Ahora se tienen 3 factores con 2 niveles cada uno. El modelo es semejante al
anterior pero ahora existirn 3 efectos principales, 3 interacciones de segundo
orden y 1 interaccin de tercer orden. El procedimiento es semejante al anterior
siendo la tabla estndar de la forma
A
B
C AB AC BC ABC
Y
+ +
+
(o)
+

+
+
(a)
+
(b)
+
+
(ab)
+
+
+
(c)
+
+
+
(ac)
+
+

+
(bc)
+
+
+
+ +
+
+
(abc)
Para hacer la estimacin del efecto de un factor o interaccin se multiplica la
columna de signos correspondiente por la columna de las observaciones,
dividiendo despus por n / 2 = 2k 1 = 22 . Slo el estimador de la media va
dividido por n = 2k .
Una vez hechas las estimaciones para interpretarlas con intervalos de
confianza o hacer contrastes es necesaria una estimacin de la varianza residual.
Hay bsicamente tres formas de estimarla:
a) mediante una estimacin externa
b) replicando el diseo: los efectos se estiman con las medias de los valores
correspondientes y la varianza residual ser la suma de los cuadrados de
los residuos dividida entre 8(R 1) , siendo R el nmero de replicaciones;
96
06/07/2006
I SIMULACIN
el contraste se basar en el estadstico
que sera una T de

sR / 2R
Student con 8(R 1) grados de libertad

c) considerando que las interacciones son nulas (se utiliza mucho en diseos
con ms factores considerando nulas las interacciones de tercer orden y
superiores): si es as sus estimaciones deben ser valores aleatorios de una
normal de media cero y varianza 2 / 2 , y si no lo es y alguna interaccin
es no nula, la media cambiar pero no la varianza. Sea la mediana de las
estimaciones de las interacciones M () = mediana(5 , 6 , 7 , 8 ) . Un
estimador robusto para la variabilidad es la MEDA o mediana de las
desviaciones absolutas a la mediana: MEDA = mediana M () . Un
i =5,...,8
estimador robusto para la desviacin tpica en poblaciones normales ser

MEDA
s =
. Para realizar los contrastes de hiptesis se considerar que
0.675
el efecto principal de un factor existe si j 2s , y una estimacin del
error experimental ser = s 2 .
En cuanto a decidir si una interaccin puede considerarse nula es habitual
decidirlo de forma grfica o geomtrica. As si se desea ver si hay interaccin
entre el factor A y el C se hace la siguiente representacin:
y
C(+)
C(-)
(-)
Factor A
(+)
El valor y representado es el valor esperado con los factores representados

en la grfica al nivel que se indica en cada punto. Por ejemplo para (-) en A y
( )
. En cuanto
en C el valor esperado sera y(x 1 = 1, x 3 = 1) = +
2 2
2
a la interpretacin del grfico:
a) El hecho de que una recta sea superior a la otra indica que el factor C
influye mucho
b) El hecho de que los puntos de la derecha sean siempre superiores a los de
la izquierda indica que el factor A tambin influye
06/07/2006
97
c) El hecho de que no sean paralelas las rectas indica que hay interaccin
entre ambas variables. Es decir, slo se puede considerar que no hay
interaccin si ambas rectas fueran paralelas.
El modelo 2k
El modelo, estimaciones, etc. son prcticamente iguales que el modelo
anterior. Slo hay algunas matizaciones que hacer. La primera es que en estos
modelos las interacciones altas se suelen considerar nulas, en concreto las
superiores a 3, lo que adems supone que se dispone de observaciones para
estimar el error experimental. Se suele utilizar el mismo estimador a partir de la
MEDA para el error experimental salvo que en este caso ser = s 2k 2 .
Respecto a los contrastes sobre los parmetros, en la prctica se suponen
significativos aquellos para los que j 2s y si k es grande se hace con un 3.
Una cuestin que resulta de inters es decidir si es mejor hacer un diseo
2k 1 replicado o introducir un factor ms y hacer uno 2k con el riesgo de aadir
un factor inerte, es decir, que no ejerce influencia alguna. La respuesta es
sencilla, es mejor hacer uno 2k , ya que si el nuevo facto es inerte ambos
procedimientos son idnticos y tendremos el diseo replicado, y si es activo, bien
por s solo o por interaccin el diseo amplido permitir medir su efecto.
Fracciones de diseos factoriales a dos niveles
El problema de los diseos anteriores es que requiere un nmero elevado de
pruebas, especialmente si se utilizan muchos factores. La idea de los diseos
fraccionales es realizar slo una fraccin del diseo completo que permita
estimar los parmetros de orden bajo. En estos diseos se suponen nulas las
interacciones de orden alto. Estos diseos se utilizan sobre todo en los principios
de una investigacin para identificar los factores que tienen mayor efecto en la
respuesta.
Supongamos que en un diseo 23 seleccionamos como fraccin aquellos
experimentos en que ABC siempre tiene signo +.
A
B
C AB AC BC
+
+
+
+
+
+
+ +
+
98
La tabla sera:
ABC
Y
+
(a)
+
(b)
+
(c)
+
(abc)
06/07/2006
I SIMULACIN
Esta tabla requiere la mitad de observaciones. La estimacin de los

parmetros se realizara como en el diseo completo, pero hay que tener en
cuenta que ahora no se estima slo el efecto de ese factor sino que incluir
tambin interacciones que no pueden separarse, es decir, ambos efectos estn
confundidos. Por ejemplo, al hacer la estimacin del parmetro del factor A no
es posible impedir que se incluya tambin el efecto de la interaccin BC ya que
tiene los mismos signos que A. Denotando por sA a la estimacin hecha de la
forma habitual pero dividiendo el resultado del algoritmo de los signos por 2 no
por 4 (se cambia la notacin porque no ser la estimacin directa del
parmetro), los efectos confundidos para este diseo sern
sA A + BC sB B + AC sC C + AB s + ABC
De haber la fraccin de todos (-) en ABC los efectos confundidos seran
sA A BC sB B AC sC C AB s ABC
Por lo tanto, al seleccionar una fraccin slo se podrn estimar los efectos
principales si se consideran nulas las interacciones y los estimadores sern estos
valores.
Para saber qu efectos son los confundidos se utiliza la ecuacin generatriz.
As, en el caso anterior la ecuacin generatriz ser I = ABC ( I es una columna
de signos +), y los efectos confundidos se obtienen multiplicando esta matriz
por
los
factores
con
las
AI = A
reglas
A = AI = AABC = IBC = BC ,
C = IC = ABCC = ABI = AB ,
A = BC
B = AC
C = AB
AA = I .
As
se
tiene
B = BI = BABC = AC
es
decir,
la
confusin
y
ser
I = ABC . Para diseos mayores se multiplica
tambin por las interacciones. El procedimiento es anlogo si se seleccionan los

negativos pero se hablar de I .
Es obvio que no resultar equivalente elegir una ecuacin generatriz u otra
ya que producir distintos efectos confundidos. Para compararlas se utiliza el
concepto de resolucin. Se define la resolucin de una fraccin factorial como
Resolucin = 1 + orden de interaccin ms baja confundida con algn efecto
principal
Por ejemplo, la media fraccin de un diseo 25 ( 251 ) que se obtiene con la
06/07/2006
99
ecuacin generatriz I = ABCDE tiene resolucin 5 (los efectos principales se

confunden con las interacciones de cuarto orden); si fuera la media fraccin
obtenida con I = ABCD sera de resolucin 4. Obsrvese que la resolucin
coincide con el nmero de letras que hay en la ecuacin generatriz (si es una
palabra, si hay ms, lo que no es posible en medias fracciones pero s en cuartas,
etc., ser el nmero de letras que hay en la palabra ms corta).
Obviamente, un diseo ser mejor cuanta mayor resolucin tenga, pues,
confundir los efectos principales con interacciones de mayor orden, y se supone
que cuanto mayor sea el orden menor importancia tiene la interaccin, e incluso
se suele despreciar la interaccin a partir de ciertos rdenes.
Construccin de diseos 2k p
Supngase que se desean estudiar 5 factores con 8 experimentos. Esto supone
que se desea un diseo del tipo 252 . Hay dos procedimientos para determinar el
diseo que se debe hacer: uno es elegir de un 25 qu dos interacciones poner
todas positivas o negativas y otro es hacer un diseo 23 y estudiar cmo aadir
las nuevas 2 variables. De ambos procedimientos es preferible el segundo. La
razn fundamental es que en el primero es difcil determinar la resolucin con la
que se hace la seleccin. Por ejemplo, si se seleccionan I = ABCDE junto con
I = ABCD al multiplicar por E en la segunda para ver los efectos confundidos
se tendra E = EI = EABCD = ABCDE = I , con lo que la resolucin sera 1 y
no sera posible estimar el efecto de este factor.
Para obtener el diseo haciendo un 23 completo lo que hay que saber es
cmo aadir las dos variables que faltan. Si se asigna una variable a la
interaccin de tercer orden ( D = ABC ) y otra a una de segundo orden (por
ejemplo
E = AB )
la
ecuacin
de
definicin
de
la
fraccin
ser
I = ABCD = ABE , con lo que la resolucin ser 3. Obsrvese que de esta

forma no es posible que no se pueda estimar el efecto principal de un factor, y
proporciona directamente la ecuacin generatriz que indica la resolucin del
diseo.
Se
llama
ecuacin
generatriz
completa
todas
las
posibles
mutliplicaciones de las ecuaciones de seleccin de todas las formas posibles, de

modo que en diseo 263
ecuacin
100
generatriz
sera
definido por D = AB
E = AC
I = ABD = ACE = BCF
F = BC , la
la
completa
06/07/2006
I SIMULACIN
I = ABD = ACE = BCF = BDCE = ACDF = ABEF = DEF . El inters en

conocer la ecuacin generatriz completa radica en que para saber la estructura
de confusin basta con multiplicar por la ecuacin completa el efecto que se
desea saber con quin est confundido. Por ejemplo, para saber con qu efectos
se confunde A se multiplica por la ecuacin completa, de modo que se obtiene
A = BD = CE = ABCF = ABDCE = CDF = BEF = ADEF .
Anlisis de fracciones factoriales
Para analizar qu factores o estimaciones resultan significativas se suele
utilizar el mtodo de la MEDA de modo que llamando s = MEDA / 0.675 se
acepta como significativas aquellas estimaciones que en valor absoluto sean
mayores que 2s , o 3s si hay muchos datos.
Una vez decididas cules se consideran significativas hay que decidir de los
efectos confundidos en ellas cules son los que se consideran significativos. Para
ello se suelen seguir dos reglas: primera, que los efectos principales son mayores
en magnitud que las interacciones y dentro de stas las de rdenes ms bajos
mayores que las de rdenes ms altos, y que es raro encontrar interacciones
altas activas que sean combinaciones de efectos inactivos. Supongamos entonces
el diseo 231 con I = ABC . Los efectos confundidos en las estimaciones sern
sA A + BC
sB B + AC
sC C + AB
s + ABC .
Supongamos
que slo se considera activa sA , entonces caben tres interpretaciones: a) slo A

es activo, b) slo la interaccin BC es activa, c) ambas son activas. De las tres
opciones se opta por la primera segn las reglas enunciadas anteriormente.
Los diseos factoriales tienen mltiples aplicaciones en la industria. En ella
bsicamente hay dos formas de experimentacin: fuera de la lnea (off-line) y en
la lnea (on-line). La que se hace fuera de la lnea suele llevarse a cabo por
personal especializado, un gran nmero de variables y tiempo limitado, por lo
que se suelen utilizar diseos fraccionales. La que se hace en la lnea suele
hacerse por personal no especializado, ha de ser sencilla pues no puede influir en
el tiempo de proceso, y suele ser sin limitacin de tiempo, por lo que suelen
usarse diseos simples ( 22 o 23 ) replicados varias veces, lo que se conoce como
Operacin Evolutiva o EVOP (por ejemplo para 2 factores se eligen 2 niveles
06/07/2006
101
para cada uno y se experimenta con un 22 , si pasado un tiempo se decide que el

primer factor es significativo se sita en el nivel que mejor vaya y se selecciona
otro nivel para l y se vuelve a repetir el experimento, as hasta que se de cmo
no mejorable la configuracin).
1.1.1.29. Modelo de regresin

Estos modelos suponen que la variable respuesta es una funcin lineal de los
factores de los que depende el modelo, factores continuos de modo que no
pueden ser fijados a todos sus niveles y en muchos casos aleatorios, y de una
perturbacin. El modelo sera de la forma
k
yi = 0 + j x ij + i ,
i v.a.i.i.d. N (0, 2 )
j =1
El modelo de regresin pretende medir el efecto de las variable ms

importantes, determinando cules son stas, y representa el efecto de las
restantes (incluso desconocidas) en la perturbacin.
Slo se va a hacer una breve exposicin de lo que es el modelo de regresin.
Para una descripcin detallada de las hiptesis del modelo, estimacin de
parmetros y diagnosis del modelo se debe consultar un libro de estadstica,
como Pea (1998).
Las preguntas que se pueden hacer en un modelo son qu valores toman los
coeficientes que ah aparecen? es este modelo vlido?
Para responder a estas preguntas se estiman los parmetros y se hace un
anlisis de la varianza, con 2 factores en este caso, con el fin de determinar si
los factores influyen en la respuesta. Despus se analizan los residuos para ver si
las hiptesis del modelo (normalidad de residuos, homcedasticidad, etc.) son
vlidas.
Sin embargo, en el modelo general de regresin existen adems otros
procedimientos para estimar los parmetros significativos del modelo, sobre todo
para el caso en que las variables explicativas no sean independientes. En este
caso hay que tener en cuenta que el efecto de una variable puede incluir el de
otra con lo que hay que tener en cuenta que no se pueden estimar por separado
y no se pueden duplicar efectos.
Para determinar el modelo hay bsicamente dos procedimientos:
a) estimar los parmetros del modelo conjuntamente y hacer un anlisis de
la varianza para determinar cules pueden considerarse significativos,
prescindiendo entonces de los que no lo sean y estimando de nuevo los
parmetros de las otras sin estos factores. Con este procedimiento la
102
06/07/2006
I SIMULACIN
relacin que pueda haber de dos variables conjuntamente aparece

amortiguada en cada uno de los coeficientes de stas.
b) hacer una regresin por pasos, en la que en cada iteracin se va
aadiendo una variable al modelo (con la opcin incluso de quitar alguna
variable que se hubiera aadido antes si con la aadida y el resto pierde
su significacin), hasta que se considera que ninguna de las variables que
no han sido incluidas en el modelo todava pueden aportar informacin
relevante (para determinar la relevancia de una variable no incluida se
analiza la relacin entre los residuos del modelo parcial con las variables
restantes). Con este procedimiento, el coeficiente con que son incluidas
las nuevas variables al modelo ser slo para explicar en los residuos lo
que no hayan podido explicar las anteriores, de modo que lo que sera por
correlacin con otras variables quedara en el coeficiente de las que ya
estn incluidas en el modelo.
Respecto al tamao de la experimentacin en regresin con mltiples
factores, slo decir que no es recomendable incluir en una regresin un
nmero de variables de modo que el cociente entre el nmero de variables y
el nmero de datos sea alto, ya que el coeficiente de determinacin tiende a
tomar un valor alto en esos casos y puede falsear la bondad del modelo (con
pocos datos y muchas variables es fcil ajustar la funcin para que se
aproxime a ellos).
I.5 Construccin de modelos de simulacin vlidos y

crebles(MSS)
El objetivo principal de la metodologa de modelado es que un modelo debe
ser una representacin adecuada del sistema que se estudia. Sin embargo, una
pregunta surge de forma inmediata, cmo determinar cundo un modelo de
simulacin es una representacin suficientemente exacta del sistema, es decir,
cundo el modelo es vlido?
No hay respuesta exacta a esta pregunta, slo se pueden dar algunas pautas
que seguir durante todo el proceso con el fin de hacerlo vlido y creble. Este
captulo se dedica precisamente a definir los conceptos asociados a validacin,
verificacin y credibilidad, y dar algunas normas y consejos tiles a ser seguidos
en el desarrollo de un modelo.
I.5.1 Definiciones
El desarrollo de un modelo de simulacin pasa por distintas fases, pudiendo
06/07/2006
103
agruparse todas ellas en tres:
Fase de anlisis y modelado: en la que se obtiene un modelo conceptual,

entendiendo por tal la representacin matemtica o lgica del problema,
formulado para un estudio particular.
Fase de programacin e implantacin: en la que se obtiene un modelo
computacional, que es la traduccin del modelo conceptual a un programa de
ordenador e implantacin en un ordenador.
Fase de experimentacin: en la que se hacen inferencias sobre el problema
mediante experimentos computacionales.
Cada una de estas fases tiene asociado un concepto que representa el proceso
de aceptacin de la correccin de esa fase tanto por la persona que desarrolla el
modelo como por el usuario o cliente del mismo. Estos conceptos son la
verificacin, la validacin y la credibilidad.
La verificacin consiste en determinar que el programa de ordenador se
comporta como es debido, es decir, que se ha realizado una traduccin correcta
del modelo conceptual a un programa de ordenador que funciona correctamente.
La validacin consiste en determinar si el modelo conceptual es una
representacin adecuada del sistema, es decir, si nuestro conocimiento del
sistema se ha traducido en hiptesis que reproducen correctamente su
comportamiento referente a los objetivos del estudio.
La credibilidad es hacer que los resultados sean aceptados por el decisor para
ser utilizados en el proceso de toma de decisiones, es decir, han de ser crebles.
La siguiente grfica muestra las fases y los conceptos que intervienen en cada
una de ellas.
104
06/07/2006
I SIMULACIN
VALIDACIN
VERIFICACIN
VALIDACIN
ESTABLECER
CREDIBILIDAD
ESTABLECER
CREDIBILIDAD
SISTEMA
MODELO
CONCEPTUAL
ANLISIS
Y DATOS
PROGRAMA
SIMULACIN
RESULTADOS
CORRECTOS
DECISIONES:
IMPLANTACIN
PRUEBAS Y
PROGRAMACIN EXPERIMENTOS ACEPTACIN
POR EL
DECISOR
Figura 13. Fases y conceptos de aceptacin asociados en el desarrollo de un modelo

de simulacin
Para poder validar, verificar y establecer la credibilidad hay una serie de

pautas que se deben seguir en cada una de ellas, con el fin de facilitar esta
labor.
As pues, para la validacin algunas pautas y consejos son los siguientes:
En primer lugar, determinar si de todos los aspectos del sistema hemos

incorporado los que son de real inters para nuestro estudio, sin dejarnos
ninguno que pueda influir en el comportamiento; hay que tener en cuenta
que se desea experimentar con el modelo como con un sustituto del sistema
real.
Los modelos se desarrollan con un objetivo, y es importante, por lo tanto,
que haya una claridad de esos objetivos desde el principio, y que al definirlos
se implique al responsable de la toma de decisiones, de ese modo se lograr
tambin la credibilidad deseada.
Por otra parte, ha de establecerse un equilibrio entre realismo (con la
complejidad que implica) y objetivos, no incluyendo detalles innecesarios; no
se debe perder nunca de vista que el modelo es siempre una aproximacin.
Por ltimo, es recomendable utilizar en el desarrollo procedimientos
jerrquicos, empezando con modelos sencillos para luego ir complicndolos.
En cuanto a la verificacin, es un proceso ms estndar y conocido que

forma parte del mundo de la programacin, pero algunas de las pautas
habituales son las siguientes:
06/07/2006
105
Organizar el programa en submdulos, verificables por separado.

Para asegurarse que est libre de errores de programacin probarlo con casos
sencillos, cuyo resultado sea conocido.
Tener una traza de la ejecucin para ver si sigue la lgica de los procesos; es
habitual comparar en algn ejemplo sencillo la traza de la ejecucin con una
traza desarrollada a mano.
Utilizar la animacin grfica para hacer la verificacin mediante la
visualizacin, y para dar credibilidad al simulador.
I.5.2 Metodologa de validacin y credibilidad

Aunque en la seccin anterior se han dado algunas pautas generales acerca
de la validacin, pero stas se pueden concretar ms dando un procedimiento de
validacin que a su vez logre establecer la credibilidad buscada en el modelo. La
metodologa sera la siguiente:
1. Desarrollar desde el principio un modelo vlido, es decir, con el objetivo de
ser bueno, que sea creble, es decir, razonable. Para ello se debe
involucrar a los usuarios
verificar la recogida de datos
si es posible, intentar basar aspectos del modelo en teoras bien
establecidas
2. Verificar empricamente las hiptesis en que se basa el modelo.
Verificar adecuadamente la bondad de ajuste de las distribuciones
seleccionadas.
Realizar un anlisis de sensibilidad, que permita identificar cun sensible
son los resultados de la simulacin a algn aspecto del modelo, teniendo
pues especial cuidado con los ms relevantes; este anlisis conlleva
realizar un adecuado diseo de experimentos. Por ejemplo, cuando hay
dudas acerca de la distribucin seleccionada, se deben realizar
experimentos variando la distribucin y comparar los resultados para
determinar si el modelo realmente es sensible a una u otra distribucin de
la variable. En el caso en que s lo sea, se deber extremar el cuidado en
la seleccin de la distribucin, obteniendo si es posible nuevas
observaciones que ayuden a tomar la decisin final.
3. Determinar cun representativos son los resultados de la simulacin: esto
implica hacer una comparacin entre resultados reales y resultados de
simulacin, segn se explica a continuacin.
106
06/07/2006
I SIMULACIN
1.1.1.30. Comparacin entre datos reales y simulados

La comparacin entre los valores reales y los valores obtenidos mediante
simulacin no es una tarea trivial, sino que debe hacerse con sumo cuidado para
no llegar a conclusiones errneas.
Existen fundamentalmente tres aproximaciones para hacer esta comparacin:
1. Comparacin por inspeccin:
Sea {R1,..., Rk } el conjunto de datos reales, y {1,..., k } el conjunto de datos
simulados.
Una primera idea sera aplicar los tests de homogeneidad estadsticos, que
intentar establecer si dos muestras pueden provenir de la misma poblacin.
Sin embargo, esta aproximacin no suele ser buena ya que no suele haber
independencia entre los datos, que es una de las hiptesis de estos tests, la
independencia entre ambas muestras.
Otra posibilidad fcil de llevar a cabo es hacer comparaciones directas de
medias, varianzas, etc. Sin embargo, es muy peligroso usar este sistema ya
que es muy vulnerable a la aleatoriedad.
2. Inspeccin correlacionada:
Consiste en establecer las comparaciones alimentando el modelo con los
datos histricos. El esquema sera el siguiente
SISTEMA
Datos histricos de
REAL
entrada al sistema
MODELO DE
Resultados sistema
COMPARAR
SIMULACIN
Resultados modelo
Figura 15. Inspeccin correlacionada de datos reales y datos simulados
3. Anlisis de intervalos de confianza basados en datos independientes:

Sean {R1,..., Rm } m conjuntos independientes del sistema, y {M 1,..., M n } n
conjuntos independientes del modelo. Considrese la esperanza de cada uno
de los m + n conjuntos, R = E [Rj ] y M = E [M j ] .
El objetivo de este anlisis es obtener un intervalo de confianza para la
diferencia de ambas medias, = R M .
El intervalo de confianza a nivel 1 ser
R M t f, / 2
06/07/2006
S R2
S2
+ M
m
n
107
donde el nmero de grados de libertad de la t de Student viene dado por la

expresin
x
x [0,2]
8
1
x (2, 8 ]
.
f (x ) = 2
5 x

x (8,10]
4 8
0
resto
4. Anlisis de series cronolgicas:

Este anlisis se basa en un anlisis espectral que excede los objetivos de este
captulo
108
06/07/2006
I SIMULACIN
I.6 Referencias
Barcel, J. (1996) Simulacin de Sistemas Discretos. Isdefe.
Bratley, P., Fox, B.L., Schrage, L.E. (1987) A Guide to Simulation. SpringerVerlag.
Carter, G. and Ignall, E.J. (1975) Virtual Measures: A Variance Reduction
Technique for Simulation, Management Science, 21, 607-616.
Fushimi, M. (1989) Random Number Generation on Parallel Processors
Proceedings of the 1989 Winter Simulation Conference. pp 459-461.
Geweke, J. (1989) Bayesian Inference in Econometrics using Monte Carlo
Integration. Econometrica, 57, 1317-1340.
Hammersley, J.M. and Handscomb, D.C. (1964) Monte Carlo Methods, Methuen
Kelton, W.D., Sadowski, R.P. and Sadowski, D.A. (2002) Simulation with
Arena. McGraw-Hill.
Kleijnen, J. and Van Groenendaal, W. (1994) Simulation. A Statistical
Perspective. John Wiley and Sons.
Law, A.M., Kelton, W.D. (2000) Simulation Modeling and Analysis. McGrawHill.
LEcuyer, P. (1999) Good Parameters and Implementations for Combined
Multiple Recursive Random Number Generators Operations Research. Vol.
47, No. 1, January-February, pp 159-164.
LEcuyer, P., Simard, R., Chen, E.J., and Kelton, D. (2002) An ObjectOriented Random-Number Package with Many Long Streams and
Substreams Operations Research. Vol. 50, No. 6, November-December, pp
1073-1075.
Montgomery, D.C.
Iberoamericana.
(1991)
Diseo
anlisis
de
experimentos.
Ed.
Pardo, L., Valds, T. (1987) Simulacin: Aplicaciones Prcticas en la Empresa.

Daz de Santos.
Pea, D. (1998) Estadstica. Modelos y mtodos,.(vol. 2). Alianza Universidad
Textos.
Ros-Insa, D., Ros-Insa, S., Martn, J. (1997) Simulacin. Mtodos y
06/07/2006
109
Aplicaciones. Ra-Ma
Rubinstein, R.Y. and Melamed, B. (1998) Modern Simulation and Modeling.
John Wiley and Sons.
Thomson, S.K. (1992) Sampling. Wiley.
Trotter, H. and Tukey, J. (1956) Conditional Monte Carlo for normal samples,
in Symposium on Monte Carlo Methods, H. A. Meyer (ed.), Wiley, 64-79
110
06/07/2006
I SIMULACIN
I.7 Biblioteca de problemas

PROBLEMA 1
El servicio de entrega de las declaraciones de la renta en la Agencia
Tributaria consiste en dos ventanillas, la primera para comprobar que la
declaracin es correcta y la segunda para pagar o recibir el importe de la
declaracin. Una vez que la declaracin es verificada en la ventanilla primera
toda persona se pone en cola en la segunda. Una vez saldada su cuenta con
Hacienda la persona se va de la Agencia Tributaria. Los declarantes llegan a la
Agencia segn una distribucin exponencial de tiempo entre llegadas con media
de 1 minuto. Los tiempos de servicio de las respectivas ventanillas siguen una
distribucin discreta. El tiempo de servicio de la primera es de 0.6 minutos con
probabilidad 0.2, 0.7 minutos con probabilidad 0.5 y 0.8 minutos con
probabilidad 0.3. El tiempo de servicio de la segunda es de 0.8 minutos con
probabilidad 0.1, 0.9 minutos con probabilidad 0.7 y 1 minuto con probabilidad
0.2. Se pide simular el proceso estocstico que ocurre en la Agencia Tributaria
durante 10 minutos. Suponer que las ventanillas estn vacas al comienzo.
Representar en una tabla el avance del tiempo de simulacin, los eventos que
se producen y su tipo, y el valor instantneo del nmero de personas en cada
cola de cada ventanilla y siendo atendidas.
Para representar el comportamiento de las variables aleatorias se han
extrado estas tres series independientes y uniformes de nmeros
pseudoaleatorios distribuidos entre 0 y 1 suficientemente largas que se utilizarn
para determinar cada una de las variables aleatorias consecutivamente.
Serie 1: 0.76 0.06 0.16 0.79 0.54 0.59 0.17 0.88 0.50 0.93 0.33 0.64 0.51 0.73 0.23 0.62
Serie 2: 0.12 0.03 0.30 0.38 0.79 0.46 0.19 0.50 0.14 0.60 0.44 0.79 0.01 0.99 0.63 0.37
Serie 3: 0.74 0.73 0.42 0.91 0.02 0.49 0.71 0.62 0.98 0.59 0.05 0.17 0.24 0.78 0.84 0.40
PROBLEMA 2
Sea una variable aleatoria X con funcin de densidad y de distribucin:
06/07/2006
111
I.7 BIBLIOTECA DE PROBLEMAS
x
x 2
x [0,2]
8
16
1
1
x
(2,8]
1
, F (x ) = + (x 2)
f (x ) = 12
4 12
5 x
2

x (8,10]
x + 5x 21
4 8
16
0
4
4
resto
x <0
x [0,2]
x (2,8]
x (8,10]
resto
a) Explicar cmo se generaran valores de la misma. Aplicacin al caso de

disponer de los nmeros aleatorios 0.680, 0.108, 0.324, 0.814, 0.560 y 0.912.
b) Cmo se generaran valores de una variable aleatoria discreta que toma los
valores 1, 5 y 9 con probabilidades 0.2, 0.5 y 0.3, respectivamente? Aplicarlo
con los datos del apartado anterior.
PROBLEMA 3
Aplicar el mtodo de la transformada inversa y el de aceptacin y rechazo
para generar variables aleatorias a partir de las siguientes funciones de
densidad:
3x 2
f (x ) = 2
1 x 1
cualquier otro valor
x 0
0
x
0 x a
a(1 a )
1
a x 1 a para valores de 0 < a < 1/ 2
f (x ) =
1 a
1 x
1a x 1
a(1 a )
x 1
0
Comentar qu mtodo es el ms conveniente para cada funcin de densidad.
PROBLEMA 4
Dado un sistema de dos componentes colocadas en serie de modo que el fallo
de una de ellas supone el fallo del sistema, y tal que cuando una pieza falla la
otra se desconecta (no sigue funcionando hasta que la que ha fallado no sea
112
06/07/2006
I SIMULACIN
reparada), cuyos tiempos de vida y reparacin siguen las siguientes

distribuciones:
Pieza 1: Tiempo Vida: Cauchy(1,0) truncada en 0
Tiempo reparacin: Exponencial(2)
Pieza 2: Tiempo Vida: Uniforme(1,3)
Tiempo reparacin: Exponencial(4)
a) Hacer un modelo de simulacin discreto con avance al prximo evento para
estudiar la disponibilidad de un sistema de estas caractersticas.10
b) Obtener la disponibilidad del sistema explicando el procedimiento utilizado
para generar las variables aleatorias que aparecen en el modelo, con un
tiempo lmite de 10 horas, y utilizando los siguientes valores obtenidos
independientemente y con distribucin uniforme en el intervalo (0,1) (cada
secuencia para una variable)11:
Vida Pieza 1: 0.2, 0.9, 0.7, 0.3, 0.9, 0.8, 0.1
Reparacin Pieza 1: 0.1, 0.3, 0.7, 0.6, 0.9, 0.8, 0.2
Vida Pieza 2: 0.6, 0.8, 0.2, 0.5, 0.7, 0.1, 0.9
Reparacin Pieza 2: 0.4, 0.2, 0.6, 0.8, 0.6, 0.4, 0.3
PROBLEMA 5
Una empresa de envasado de productos congelados del mar dispone de dos
envasadoras iguales. Los productos llegan en contenedores o lotes, segn una
distribucin de tiempo entre las llegadas: 15 minutos con probabilidad 0.25, 30
minutos con probabilidad 0.5 y 45 minutos con probabilidad 0.25.
Cada contenedor o lote tarda en ser procesado por una envasadora un
tiempo que se distribuye segn una distribucin exponencial de media 1 hora
truncada en 45 minutos, no pudiendo ser la duracin inferior a este valor.
Si un lote llega y no puede ser procesado inmediatamente, la empresa
dispone de una cmara de congelacin para la espera. La cmara puede alojar
nicamente a un lote de productos, y el coste de funcionamiento diario (no
proporcional al tiempo que se utilice) est estimado en 50 euros diarios.
Si la cmara est llena cuando llega un lote, ste habr de ser rechazado. Se
ha estimado el beneficio que produce un lote (en trminos medios) en 100 euros.
Se supone un da de 8 horas.
a) Hacer un modelo de simulacin discreto con avance al prximo evento para
este problema, que obtenga el coste (por funcionamiento de cmaras y por
10
11
Disponibilidad: Proporcin de tiempo que el sistema est funcionando

1
, x
Funcin densidad de la distribucin Cauchy(1,0): f (x ) =
(1 + x 2 )
06/07/2006
113
prdida de lotes) diario esperado, que admita ms de una cmara de

congelacin.
b) Obtener el coste de un da utilizando los siguientes valores obtenidos
secuencia para una variable):
Llegadas: 0.2, 0.3, 0.9, 0.7, 0.1, 0.2, 0.9, 0.2, 0.6, 0.5, 0.8, 0.3, 0.7, 0.9, 0.4
Servicios: 0.1, 0.3, 0.7, 0.6, 0.9, 0.8, 0.2, 0.5, 0.1, 0.3, 0.7, 0.2, 0.6, 0.4, 0.9
PROBLEMA 6
El taller de mantenimiento de los autobuses urbanos de Madrid consta de
una zona de inspeccin y otra de reparacin. Los autobuses, una vez acabado su
turno acuden a este taller. Cada media hora un autobs finaliza su turno. En el
taller, en primer lugar se inspecciona cada autobs con un tiempo distribuido
segn la distribucin trapezoidal f1(x) que se describe ms abajo. La zona de
inspeccin es alimentada por una nica cola de tipo FIFO. Histricamente, la
inspeccin detecta que el 30 % de los autobuses requiere reparacin. La zona de
reparacin est alimentada tambin por una nica cola de tipo FIFO y los
tiempos de reparacin se distribuyen segn una distribucin Gamma de
parmetros p = 2 y a = 0.05 , truncada en 30 minutos (no puede ser inferior).
x 20
20 < x 25
50
25 < x 30
0.1
f1(x ) =
35 x
30 < x 35
50
0
resto
a) Obtener el nmero medio de autobuses que hay en el taller, explicando el

procedimiento utilizado para generar las variables aleatorias que aparecen en
el modelo, con un tiempo lmite de 4 horas, y utilizando los siguientes
valores obtenidos independientemente y con distribucin uniforme en el
intervalo (0,1) (cada secuencia una variable y redondear a un decimal los
valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
Serie 3: 0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
b) Hacer un modelo de simulacin discreto con avance al prximo evento para

estudiar el nmero medio de autobuses que hay en el taller de
mantenimiento
PROBLEMA 7
114
06/07/2006
I SIMULACIN
Una empresa fabrica dos tipos de productos que han de ser procesados por
un nico empleado. El tiempo de fabricacin del primer tipo de producto sigue
una distribucin normal de media 4 horas y desviacin tpica 1, y el del segundo
tipo de producto sigue una distribucin triangular simtrica entre 2 y 4 horas, es
x 2 x (2, 3)
decir, con funcin de densidad: f (x ) =
4 x x (3, 4)
Los pedidos son unitarios, el tiempo que transcurre entre pedidos es uniforme
entre 3 y 5 horas, y el 35 % de ellos son pedidos de tipo 1.
a) Obtener el nmero medio de pedidos sin atender al finalizar el da,
explicando el procedimiento utilizado para generar las variables aleatorias
que aparecen en el modelo, con un tiempo lmite de 40 horas, y utilizando
los siguientes valores obtenidos independientemente y con distribucin
uniforme en el intervalo (0,1) (cada secuencia una variable y redondear a un
decimal los valores obtenidos) (3.5p.):
Serie
Serie
Serie
Serie
1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
3:0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
4: 0.2, 0.7, 0.5, 0.3, 0.1, 0.9, 0.5, 0.6, 0.2, 0.8, 0.7, 0.4, 0.5, 0.6, 0.9, 0.3, 0.1, 0.4
b) Hacer un modelo de simulacin discreto con avance al prximo evento para

estudiar el nmero medio de pedidos pendientes de ser servidos en la fbrica.
PROBLEMA 8
Se considera un taller de reparaciones con dos mecnicos. El primer
mecnico cobra a razn de 30 /h y puede reparar a razn de 5 mquinas por
hora. El segundo mecnico cobra 50 /h pero puede reparar a razn de 8
mquinas por hora. Ambos sueldos se pagan con independencia de que los
trabajadores estn ocupados u ociosos. Los clientes estiman que una mquina
averiada les representa un coste de 80 /h y el taller lo asume como coste por
unidad de tiempo de espera por cliente. Se supone que las mquinas llegan al
taller segn un proceso de Poisson de parmetro 4 mquinas por hora y que el
tiempo de reparacin sigue una distribucin exponencial.
a) Escribir un modelo que permita evaluar el coste de cada mecnico (un nico
programa que evale el coste de cada uno por separado).
b) A la vista de los siguientes resultados Qu trabajador resulta ms
econmico para la empresa? Razonar la respuesta.
Relative clock
Facility
MECAN1
MECAN2
06/07/2006
720.00
Absolute clock
(1)
(2)
Average
Number
utilization
entries
.80
2869
.51
2892
720.00
(3)
Average
time/trans
.20
.13
115
Queue
(AD set)
TLLER1
MECAN1
TLLER2
MECAN2
Queue
(AD set)
(1)
Maximum
contents
19
18
11
10
(6)
Average
time/trans
(2)
Average
contents
3.73
2.93
.98
.47
(7)
$Average
time/trans
(3)
Total
entries
2869
2869
2892
2892
(4)
Zero
entries
0
566
1
1455
(5)
Percent
zeros
.00
19.73
.03
50.31
(8)
Current
contents
TLLER1
.94
.94
1
MECAN1
.74
.92
0
TLLER2
.24
.24
0
MECAN2
.12
.23
0
$Average time/trans=average time/trans excluding zero entries
PROBLEMA 9
A una centralita llaman clientes de dos tipos, con tiempos entre llamadas
distribuidos segn una distribucin Exponencial de parmetro 1 (minutos) para
el primer tipo de clientes y uniforme entre 2 minutos y 5 minutos para el
segundo tipo. La centralita tiene varias lneas con unos amables caballeros que
atienden cada una de ellas. Si al recibir una llamada todas las lneas estn
ocupadas, salta una espantosa musiquilla con la que se suponen entretienen al
cliente de modo que ste queda pacientemente esperando a que su llamada sea
atendida, lo cual se hace por riguroso orden de llamada.
Una vez que la llamada del cliente es atendida, se le pasa la llamada a unas
agradables seoritas que amablemente resuelven la razn de la llamada,
escuchando una segunda horrorosa msica si todas las seoritas estn
atendiendo otras llamadas hasta que le toque el turno de ser atendido por stas.
La distribucin del tiempo que cada caballero tarda en atender la llamada se
distribuye segn una uniforme entre 3 y 5 minutos, y la distribucin del tiempo
que las seoritas tardan en resolver el problema uniforme entre 5 y 15 minutos.
Escribir un modelo/programa para estudiar en una jornada de 8 horas el
nmero de lneas que debe tener la centralita y de seoritas que resuelven el
problema, dando para el diseo ptimo el tiempo medio que pasa un cliente
escuchando la espantosa primera musiquilla, el tiempo medio que pasa un
cliente escuchando la horrorosa segunda msica, y una tabla de frecuencias y la
media del tiempo que pasa cada tipo de clientes colgado del telfono, adems
del grado de ocupacin de cada uno de los amables caballeros y de las eficientes
seoritas.
PROBLEMA 10
En una fbrica se producen dos tipos de producto segn peticiones. La
demanda de los productos es unitaria siguiendo el tiempo entre pedidos una
distribucin exponencial de media 2 horas para el primer producto, y de media
30 minutos para el segundo producto.
116
06/07/2006
I SIMULACIN
El proceso de produccin es diferente para cada tipo de producto,

involucrando a 5 tipos de mquinas y con diferente tiempo de proceso en cada
una de ellas segn el producto de que se trate (todo en horas):
P1
P2
M1
U(0.5,1)
U(0.5,1)
M2
U(1,1.5)
M3
U(0.75,1.25)
U(0.75,1.25)
M4
U(0.3,0.5)
M5
U(0.5,0.8)
U(0.75,1.25)
Disear el nmero de mquinas que se debe poner en la planta suponiendo

produccin continua, y para esta configuracin dar el tiempo medio desde que
llega la peticin de un producto hasta que ste es terminado (para cada tipo de
producto) con el fin de poder dar una aproximacin del tiempo en que podr ser
servido, el mximo nmero de cola que se forma delante de cada tipo de
mquinas para saber cuanto espacio es necesario reservar, as como el tamao
medio de las colas.
PROBLEMA 11
Una compaa ferroviaria pinta sus propios vagones, segn se vayan
necesitando, en sus propios talleres, donde se pinta a mano de uno en uno con
una velocidad que se distribuye segn una exponencial de media uno cada 4
horas y un coste anual de 4 millones de u.m. Se ha determinado que los vagones
pueden llegar segn un proceso de Poisson de media uno cada 5 horas. Adems
el coste por cada vagn que no est activo es 500 u.m/hora.
Se plantean otras dos posibilidades. Una es encargar dicho trabajo a una
empresa de pintura que lo hara con aerosol con el consiguiente ahorro de
tiempo. Sin embargo el presupuesto para esta segunda alternativa es de 10
millones de u.m. anuales. En este caso el proceso se aproxima a uno de Poisson
con una tasa de uno cada 3 horas. La otra opcin es poner otro taller
exactamente igual al que hay actualmente, con igual tasa de servicio y coste
anual, que permita pintar dos vagones a la vez. En todos los casos el trabajo se
considera ininterrumpido, esto es, se trabajan 24x365=8760 horas anuales.
A la vista de los resultados de la simulacin:
a) Cul de los tres procedimientos es preferible?
b) Si se deseara conocer la distribucin del tiempo que pasan actualmente los
vagones inactivos, qu informacin sera relevante? Cmo la utilizaras?
Con la informacin actual qu distribucin de probabilidad conjeturaras?
c) Cul es el nivel de utilizacin de los recursos en cada caso?
06/07/2006
117
SIMULATEtall3
GENERATE 5*FN$XPDIS
STORAGE
2QTABLE ARRIVE OPT2
OPT1,0,5,15
SEIZE aer,Q
ADVANCE 3*FN$XPDIS
GENERATE
RELEASE aer
5*FN$XPDISARRIVE
DEPART OPT2
OPT1SEIZE
TERMINATE
tall1,QADVANCE
4*FN$XPDIS
RELEASE tall1
DEPART OPT1
TERMINATE
Facility
TALL1
AER
Storage
contents
.37
Storage
TALL3
Average
(AD set)
OPT1
TALL1
OPT2
AER
OPT3
TALL3
Queue
(AD set)
(1)
Average
utilization
.77
.62
(2)
Number
entries
1682
1754
Capacity
Average
utilization
1711
3.76
(6)
Current
contents
0
(1)
Total
contents
19
18
13
12
7
5
(6)
Average
time/trans
GENERATE 5*FN$XPDIS
ARRIVE OPT2
SEIZE aer,Q
ADVANCE 3*FN$XPDIS
RELEASE aer
DEPART OPT2
TERMINATE
GENERATE 8760
TERMINATE 1
START 1
END
(3)
Average
time/trans
4.02
3.08
Average
time/trans TALL3
Entries
2
Average
.73
(7)
Maximum
contents
2
(2)
(3)
Zero
Percent
contents
entries
3.04
2.26
1.53
.92
.84
.10
(7)
$Average
time/trans
1682
1682
1754
1754
1711
1711
(4)
entries
0
418
0
688
0
1355
(5) Queue
Maximum
zeros
.00
24.85
.00
39.22
.00
79.19
(8)
Current
contents
OPT1
15.81
15.81
0
TALL1
11.79
15.69
0
OPT2
7.65
7.65
1
AER
4.57
7.52
0
OPT3
4.28
4.28
0
TALL3
.52
2.50
0
$Average time/trans=average time/trans excluding zero entries
Table
(1)
(2)
(3)
Entries in table
Mean argument
Standard deviation
1682
15.81
14.87
Range
Observed
Per cent
frequency
of total
percentage
remainder
.00
.00
100.00
.01 5
436
25.92
25.92
5.01 10
358
21.28
47.21
10.01 15
232
13.79
61.00
15.01 20
161
9.57
70.57
20.01 25
121
7.19
77.76
25.01 30
103
6.12
83.89
30.01 35
88
5.23
89.12
35.01 40
56
3.33
92.45
40.01 45
35
2.08
94.53
45.01 50
30
1.78
96.31
50.01 55
19
1.13
97.44
55.01 60
11
.65
98.10
60.01 65
10
.59
98.69
Overflow
22
1.31
100.00
(5) Average value of overflow
72.84
(4)
Sum of arguments
26592.06
Cumulative
Cumulative
0
0
74.08
52.79
39.00
29.43
22.24
16.11
10.88
7.55
5.47
3.69
2.56
1.90
1.31
.00
PROBLEMA 12
El departamento de contabilidad de una empresa tiene un sistema
informtico con varios ordenadores en un mismo dominio, un ordenador que
acta como servidor de impresin (que procesa los trabajos por riguroso orden
de llegada sin que sean establecidas prioridades en los trabajos) y una impresora
118
06/07/2006
I SIMULACIN
(con un buffer en principio ilimitado.) Los miembros del departamento han

elevado una solicitud (queja) a la direccin para que sea mejorado este servicio
de impresin, aduciendo que la mquina al final de mes (instante de cierre
contable) est sobresaturada. La direccin desea hacer un modelo de simulacin
para analizar el uso de la impresora, es decir, para obtener el factor de
utilizacin de la mquina.
Tras realizar las observaciones oportunas en esta poca de final de mes, y
analizar los datos obtenidos llega a las siguientes conclusiones:
- El tiempo que pasa entre rdenes de impresin que llegan al servidor se
distribuye segn una exponencial de media 5 minutos.
- El tiempo que el servidor tarda en procesar la tarea solicitada sigue una
distribucin trapezoidal cuya funcin de densidad es (minutos)
4
x
0 < x < 0.5
0.5 < x < 1.25

2 / 3
f (x ) =
(2.25 x ) 1.25 < x < 2.25
0
resto
El tiempo que tarda en imprimir los trabajos la impresora, se distribuye

segn la funcin de distribucin (minutos)
0
x 1
G (x ) = 12
x + 5
20
1
a)
x <1
1 < x < 10
10 < x < 15
x > 15
Obtener el factor de utilizacin de la impresora a final de mes simulando

media hora, mediante una traza, explicando qu son todos los elementos
del modelo (variables de estado, datos, hiptesis, eventos, ...) y el
procedimiento utilizado para generar las variables aleatorias que aparecen
en
el
modelo,
utilizando
los
siguientes
valores
obtenidos
independientemente y con distribucin uniforme en el intervalo (0,1)
(cada secuencia una variable y redondear a un decimal los valores
obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1,
0.4, 0.2, 0.9
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2,
06/07/2006
119
b)
0.9, 0.7, 0.6

Serie 3:0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3,
0.7, 0.3, 0.5
Hacer un modelo para este problema (con distribuciones uniformes de
tiempos de servicio con lmites los mismos de las distribuciones del
enunciado), que sea lo mnimo para ver el factor de utilizacin de la
impresora.
PROBLEMA 13
Se considera un taller de reparaciones con un robot. Se considera la
posibilidad de sustituir ste por otro robot. Ambos robots son diferentes, con
diferentes costes. En la siguiente tabla se recogen los datos de cada uno de los
robots, entendindose por costes operativos los costes por unidad de tiempo que
el robot est realizando alguna reparacin y por costes de amortizacin costes
por unidad de tiempo, est reparando o no el robot.
Costes amortizacin (/h) Costes operativos (/h)
Robot 1
1000
2000
Robot 2
1500
4000
El primer robot puede reparar a razn de 6 mquinas por hora y el segundo
puede reparar a razn de 7 mquinas por hora.
Cuando una mquina se encuentra en el taller de reparacin se considera un
coste por unidad de tiempo por prdida de productividad estimado en 8000 /h
y el taller lo asume como coste por unidad de tiempo y por cliente. Se supone
que las mquinas llegan al taller segn un proceso de Poisson de parmetro 5
mquinas por hora y que el tiempo de reparacin con que reparan los robots
sigue una distribucin exponencial.
Adems los robots se averan, siendo
32
(x 0.75) 0.75 x 1
3
16
f (x ) = (1.5 x ) 1 x 1.5
3
0
resto
la distribucin del tiempo en horas hasta que se averan y 15 minutos el tiempo

que tarda en ser reparado un robot. Cuando una mquina se estropea se
interrumpe lo que est haciendo, si es que est activa en ese momento,
continuando el proceso una vez reparado en el punto en que se dej el proceso.
120
06/07/2006
I SIMULACIN
a) Obtener el coste por hora del primer robot, mediante una traza que simule
hasta 2 horas (no incluir eventos posteriores a 2 horas), explicando cules
son todos los elementos del modelo (variables de estado, datos, hiptesis,
eventos, ...) y el procedimiento utilizado para generar las variables aleatorias
que aparecen en el modelo, utilizando los siguientes valores obtenidos
secuencia una variable en el orden en que se piden en la hoja de soluciones y
redondear a 2 decimales los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.2, 0.1, 0.6, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2, 0.9, 0.8
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6, 0.7
Serie 3: 0.9, 0.1, 0.8, 0.6, 0.2, 0.5, 0.7, 0.4, 0.1, 0.6, 0.3, 0.7, 0.3, 0.1, 0.1, 0.4, 0.3, 0.1
b) Hacer un modelo para el problema del apartado anterior, considerando

distribucin uniforme del tiempo de vida con lmites los mismos de la
distribucin del enunciado, y considerando que la ruptura de la mquina no
es tal, sino un proceso de mantenimiento que cuando se lanza espera para ser
procesado a que todos los trabajos previos ejecutndose o en espera hayan
acabado.
PROBLEMA 14
Un muelle circular ejerce fuerza en funcin del ngulo de separacin .
Dicho ngulo puede estar entre 0 y 90 grados. Su fuerza en Newton se calcula
como: K 2 expresando K en Newton/rad2. El ngulo de separacin es una
variable aleatoria que tiene una funcin de densidad f () = cos() .
a) Establecer el procedimiento de la transformada inversa para muestrear la
fuerza que ejerce el muelle.
b) Utilizando como nmeros aleatorios uniformes 0.32, 0.17, 0.78, 0.90 y 0.54
calcular el valor medio de la fuerza del muelle y la varianza de dicho valor
medio.
PROBLEMA 15
Un fondo de
porcentual en el
estadsticamente
siguiente funcin
06/07/2006
inversin ofrece un inters anual equivalente al incremento

ao del ndice IBEX-35. Un potencial inversor ha analizado
el incremento porcentual de este ndice y ha establecido la
de densidad:
121
Funcin de densidad
1/20
1/40
1/40
% IBEX 35
-10
10
20
Calcular la media muestral del incremento porcentual del IBEX-35 aplicando

el mtodo de la transformada inversa con los nmeros pseudoaleatorios
facilitados a continuacin, y comparar el resultado con el valor real esperado
segn la distribucin propuesta. Nmeros pseudoaleatorios: 0.12, 0.28, 0.79,
0.34, 0.52, 0.37, 0.89, 0.24, 0.09, 0.93.
PROBLEMA 16
Un equipo est formado por tres componentes idnticas configuradas en
paralelo y funcionando en redundancia activa, es decir, las tres al mismo tiempo
y con la misma carga. El fallo de una componente es catastrfico para la misma.
Si designamos por T a la variable duracin de una componente, la
probabilidad de que una cualquiera de las componentes falle antes del instante t
viene dada por
F (t ) = P (T t ) = 1 e
t
5
Estimar, mediante simulacin y con ayuda de la secuencia de nmeros

aleatorios que se adjunta (0.51, 0.46, 0.41, 0.53, 0.21, 0.08, 0.74, 0.10, 0.65, 0.77,
0.25, 0.74, 0.89, 0.95, 0.69), la vida media del equipo.
PROBLEMA 17
Un transformador tiene una capacidad mxima de transformacin C que se
distribuye segn una funcin de densidad uniforme en el intervalo [a, b ] . Su
potencia transformada p se distribuye estadsticamente segn una distribucin
triangular cuyo valor mnimo es 0 y cuyo valor mximo es el valor de C y que
a su vez coincide con el valor ms probable de la distribucin, ver figura
adjunta.
f(p)
Potencia
transformada
122
06/07/2006
I SIMULACIN
a) Establecer un procedimiento basado en el mtodo de la transformada inversa

para simular la potencia transformada.
b) Establecer un procedimiento que utilice el mtodo de aceptacin-rechazo
simple que permita simular la potencia transformada.
c) Estimar por uno de los dos procedimientos la media de la potencia
transformada con los valores de a = 395 y b = 410 a partir de la siguiente
secuencia de nmeros pseudoaleatorios: 0.435, 0.128, 0.301, 0.604, 0.321,
0.165, 0.603, 0.516, 0.321, 0.932, 0.859, 0.932.
PROBLEMA 18
Juan Prez est estudiando la posibilidad de abrir un taller de lavado de
vehculos. Los vehculos que solicitan el servicio pueden ser dos tipos: turismos y
camiones. El tiempo que se tarda en lavar un turismo es de 4 minutos, y el
tiempo de un camin es el doble que el requerido por los turismos, siendo el
porcentaje de turismos del 65 %. Supngase que no hubiera limitacin de
espacio y que utiliza una mquina rpida. Para asegurar que el lavado es
correcto un 25 % de los vehculos que terminan un servicio han de pasar de
nuevo por el servicio de lavado para recibir otro lavado (elegidos de forma
aleatoria, no con un orden) cuya duracin sigue la misma distribucin que un
lavado normal, aunque independientemente de que sea camin o turismo (es
decir, 4 minutos el 65 % de las veces y 6 minutos el 35 % para cualquier
vehculo). El vehculo ha de ponerse de nuevo a esperar en la cola para recibir el
tratamiento de control. Por otra parte, el tiempo entre dos llegadas de vehculos
sigue una distribucin triangular cuya funcin de densidad es la siguiente:
12 x
f (x ) = 32
0
4 x 12
resto
a) Hacer un modelo de simulacin de eventos discretos con incremento de

tiempo al prximo evento para obtener los ingresos esperados durante un
tiempo mximo T si los turismos pagan 3 euros y los camiones 5, definiendo
todos los elementos que intervienen.
b) Obtener los ingresos durante 45 minutos del funcionamiento del taller
mediante una traza, explicando el procedimiento utilizado para generar las
variables aleatorias que aparecen en el modelo, utilizando los siguientes
valores obtenidos independientemente y con distribucin uniforme en el
intervalo (0,1) (cada secuencia una variable en el orden en que se piden en la
hoja de soluciones y redondear a 2 decimales los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.6, 0.2, 0.3, 0.8, 0.1, 0.9, 0.7, 0.6, 0.1, 0.5, 0.1, 0.3, 0.5, 0.1,
06/07/2006
123
0.8
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6,
0.7
Serie 3: 0.9, 0.2, 0.8, 0.6, 0.2, 0.5, 0.7, 0.4, 0.1, 0.6, 0.3, 0.7, 0.3, 0.5, 0.1, 0.4, 0.3
PROBLEMA 19
Sea una planta de produccin con un puesto al que llegan dos tipos de
producto, P1 y P2. El tiempo entre llegadas de los productos se considera que
sigue una distribucin F1, de las cuales el 65 % son productos de tipo P1. Los
productos llegan en un orden aleatorio. En el puesto hay un robot que tarda en
procesar los productos de tipo P1 un tiempo distribuido segn una distribucin
G1 y los productos de tipo P2 segn una distribucin G2. El robot tiene dos
modos de configuracin, uno para cada tipo de producto, de forma que para
cambiar de modo de configuracin (pasar de procesar un producto de un tipo a
procesar uno de otro tipo), el robot requiere un tiempo de ajuste de Taj
minutos. Por esta razn, el orden en que se procesan los productos es tal que si
el robot est procesando un producto de un tipo a continuacin procesar otro
del mismo tipo, hasta que no le queden ms, es decir, hasta que al acabar un
producto no queden ms de ese tipo en la cola. Inicialmente, el modo en que
est configurado el robot es el modo 1, es decir, para procesar productos de tipo
P1.
a) Hacer un modelo de simulacin de eventos discretos con incremento de
tiempo al prximo evento para obtener el nmero de productos procesados
de cada tipo durante un tiempo T y el nmero de productos de cada tipo
que quedan sin procesar al final, definiendo todos los elementos que
intervienen.
b) Obtener durante 100 minutos los productos procesados de cada tipo, y el
nmero de productos que quedan sin procesar de cada tipo al final, siendo:
x 10
16
0.1345
e
10 < x < 20
f (x ) =
0
resto
funcin de densidad de la distribucin F1, G1 determinista de valor 5

minutos, G2 determinista de valor 30 minutos, y el tiempo de ajuste Taj de
5 minutos. Explicar el procedimiento utilizado para generar las variables
aleatorias que aparecen en el modelo, utilizando los siguientes valores
obtenidos independientemente y con distribucin uniforme en el intervalo
(0,1) (cada secuencia una variable en el orden en que se piden en la hoja de
soluciones y redondear a 2 decimales los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.6, 0.2, 0.3, 0.8, 0.1, 0.9, 0.7, 0.6, 0.1, 0.5, 0.1, 0.3, 0.5, 0.1,
0.8
124
06/07/2006
I SIMULACIN
Serie 2: 0.8, 0.1, 0.9, 0.6, 0.2, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6, 0.7, 0.3
06/07/2006
125
I SIMULACIN
I.8 Resultados de la biblioteca de problemas

RESULTADO DEL PROBLEMA 1
En primer lugar se presentar el modelo con todos los elementos que incluye
y en segundo lugar se presentar la traza, junto con los mtodos utilizados para
generar las variables aleatorias que se describen.
ELEMENTOS DEL MODELO:
Variables de estado:
El objetivo de la simulacin va a ser estudiar el nmero de clientes que hay
en cada una de las ventanillas, as pues, las variables de estado van a ser:
N1(t) = Nmero de clientes que hay en el servidor 1 ( ventanilla para
comprobar que la declaracin es correcta).
N2(t) = Nmero de clientes que hay en el servidor 1 ( ventanilla para pagar
o recibir el importe de la declaracin ).
Nota: El nmero total de clientes en nuestro sistema va a ser N1+N2.
Eventos:
Los eventos que se pueden dar en nuestro sistema tal que produzcan un
cambio en el mismo son:
- Llegada de un cliente al servidor 1.
- Servicio de un cliente en el servidor 1 = Llegada de cliente al servidor 2
- Servicio de un cliente en el servidor 2 (lo que equivale a irse
definitivamente de la agencia o sistema).
Mecanismo de transicin:
Los cambios que se producen en el estado del sistema cuando se produce uno
de los eventos anteriormente descritos son:
- Llegada de un cliente al servidor 1 : N1 N1+1.
- Servicio de un cliente del servidor 1 =Llegada de un cliente al servidor 2
N1 N1-1;
N2 N2+1.
- Servicio de un cliente en el servidor2: N2 N2-1.
Datos:
- Distribucin de tiempos entre llegadas a la ventanilla 1 (exponencial de
media 1 minuto)
- Distribucin de los tiempos de servicio de la ventanilla 1 (discreta)
06/07/2006
127
Distribucin de los tiempos de servicio de la ventanilla 2 (discreta)

TMAX = tiempo mximo de simulacin. (10 minutos).
Otras variables:
- TM: Reloj de simulacin.
- DL: Tiempo entre llegadas = Exponencial.
- DS1: Tiempo de servicio ventanilla1 = Discreta.
- DS2: Tiempo de servicio ventanilla2 = Discreta.
- TL: Instante de la prxima llegada.
- TS1: Instante del prximo final de servicio en ventanilla1.
MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; TM = 0; TS1=inf.; TS2=inf.;
Generar DL; TL = DL
1.- Actualizacin del reloj de simulacin: TM = min (TL, TS1, TS2);
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL. Llamar a subrutina: Llegada a servidor 1.
Si TM = TS1. Llamar a subrutina: Servicio1.
3.- Regla de parada.
Si TM<TMAX, ir a 1. Si no, parar: N1, N2.
Subrutinas
Llegada a servidor1
1.- N1=N1+1:
2.- Generar DL, poner TL=TM+DL.
Si N1=1, Generar DS1, poner TS1=TM+DS1:
3.- Volver a Programa principal.
Servicio1
1.- N1 = N1 - 1; N2 = N2 + 1.
2.- Si N1 = 0, poner TS1=inf. Si no, Generar DS1, poner TS1 = TM + DS1
Si N2=1, Generar DS2, poner TS2 = TM + DS2;
128
06/07/2006
I SIMULACIN
Servicio2
1.- N2 = N2 1.
2.- Si N2 = 0, poner TS2=inf. Si no, Generar DS2, poner TS2 = TM + DS2;
MTODOS DE GENERACIN DE VARIABLES ALEATORIAS:

- Llegadas a la ventanilla 1: distribucin exponencial de media 1 minuto
x=-Ln(u);
Valores para DL con la serie 1:
0.27, 2.81, 1.83, 0.23, 0.61, 0.52, 1.77, 0.12, 0.69, 0.07, 1.1, 0.44, 0.67, 00.31,
1.46, 0.47.
- Los tiempos de servicio de la ventanilla 1: distribucin discreta.
Probabilidad de 0.2 que sean 0.6 minutos: Si u<0.2,
x 0.6
Probabilidad de 0.5 que sean 0.7 minutos: Si 0.2<u<0.7,
x 0.7
Probabilidad de 0.3 que sean 0.8 minutos: Si u>0.7,
x 0.8
Valores para DS1 segn la serie 2:
0.6, 0.6, 0.7, 0.7, 0.8, 0.7, 0.6, 0.7, 0.6, 0.7, 0.7, 0.8, 0.6, 0.8, 0.7, 0.7
-Los tiempos de servicio de la ventanilla 2: distribucin discreta.

Probabilidad de 0.1 que sean 0.8 minutos: Si u<0.1,
x 0.8
Probabilidad de 0.7 que sean 0.9 minutos: Si 0.1<u<0.8,
x 0.9
Probabilidad de 0.2 que sea 1 minuto:
Si u>0.8,
x 1
Valores para DS2 segn la serie 3:
0.9, 0.9, 0.9, 1, 0.8, 0.9, 0.9, 0.9, 1, 0.9, 0.8, 0.9, 0.9, 0.9, 1, 0.9
TRAZA:
DL: Tiempo de llegada a la ventanilla 1:
0.27, 2.81, 1.83, 0.23, 0.61, 0.52, 1.77, 0.12, 0.69, 0.07, 1.1, 0.44, 0.67, 0.31
DS1: Tiempos de servicio de la ventanilla 1:
0.6, 0.6, 0.7, 0.7, 0.8, 0.7, 0.6, 0.7, 0.6, 0.7, 0.7, 0.8, 0.6, 0.8, 0.7, 0.7
0.9, 0.9, 0.9, 1, 0.8, 0.9, 0.9, 0.9, 1, 0.9, 0.8, 0.9, 0.9, 0.9, 1, 0.9
N evento Reloj TM Tipo evento
0
0
Inicio
1
0.27
Llegada
2
0.87
Servicio1
3
1.77
Servicio2
06/07/2006
N1
0
1
0
0
N2
0
0
1
0
TL
0.27
3.08
3.08
3.08
TS1
TS2
0.87
1.77
129
4
5
6
7
8
9
10
11
12
13
14
15
16
3.08
3.68
4.58
4.91
5.14
5.61
5.75
6.27
6.31
6.51
7.11
7.51
7.81
Llegada
Servicio1
Servicio2
Llegada
Llegada
Servicio1
Llegada
Llegada
Servicio1
Servicio2
Servicio1
Servicio2
Servicio1
1
0
0
1
2
1
2
3
2
2
1
1
0
0
1
0
0
0
1
1
1
2
1
2
1
2
4.91
4.91
4.91
5.14
5.75
5.75
6.27
8.04
8.04
8.04
8.04
8.04
8.04
3.68
17
8.04
Llegada
8.16
8.64
18
8.16
Llegada
8.85
8.64
8.31
19
8.31
Servicio2
8.85
8.64
9.21
20
8.64
Servicio1
8.85
9.34
9.21
21
8.85
Llegada
8.92
9.34
9.21
22
8.92
Llegada
2 10.02 9.34
9.21
23
9.21
Servicio2
1 10.02 9.34 10.11
24
9.34
Servicio1
2 10.02 9.94 10.11
25
9.94
Servicio1
3 10.02 10.64 10.11
26
10.02
Parada
5.61
5.61
6.31
6.31
6.31
7.11
7.11
7.81
7.81
4.58
6.51
6.51
6.51
6.51
7.51
7.51
8.31
8.31
8.31

El objetivo de la simulacin va a ser estudiar el coste diario esperado en una
empresa de envasado; se va a tener en cuenta que el nmero de cmaras de
congelacin puede ser ms de una (para ello, utilizamos el parmetro K).
130
06/07/2006
I SIMULACIN
Para saber el coste diario, al final de cada da deberemos saber el nmero de

lotes rechazados. Para ello vamos a usar las siguientes variables de estado:
N1(t) = Nmero de lotes que hay en la envasadora 1 .
N2(t) = Nmero de lotes que hay en la envasadora 2 .
NR/t)= Nmero de lotes que se rechazan .
NE(t)= Nmero de envases que se congelan en las K camaras disponibles.
Nota: El nmero total de clientes en nuestro sistema va a ser N1+N2+NE.
Eventos:
- Llegada de un lote.
- Servicio de un lote en envasadora 1.
- Servicio de un lote en envasadora 2.
N 1 N 1 + 1 N 1 = 0
N 2 N 2 + 1 N 2 = 0 N 1 = 1
NE NE + 1 N 2 = 1 N 1 = 1.NE = 0
NR NR + 1 N 2 = 1 N 1 = 1.NE = 1
Llegada de un lote.
Servicio de un lote en envasadora 1. N1 N1-1 o NE NE-1

Servicio de un lote en envasadora 2. N2 N2-1 o NE NE-1
Datos:
- Distribucin de tiempos entre llegadas al sistema (Discreta).
- Distribucin de los tiempos de servicio en ambas envasadoras
(Exponencial)
- TMAX = tiempo mximo de simulacin. (8 horas = 480 minutos).
Otras variables:
- DL: Tiempo entre llegadas = Discreta.
- DS1: Tiempo de servicio envasadora1 = Exponencial.
- DS2: Tiempo de servicio envasadora2 = Exponencial.
06/07/2006
131
TL: Instante de la prxima llegada.

TS1: Instante del prximo final de servicio en envasadora1
TS2: Instante del prximo final de servicio en envasadora2
MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; NR = 0; NE = 0; TM= 0; TS1=inf.; TS2=inf.;
Generar DL; TL = DL
1.- Actualizacin del reloj de simulacin:
TM = min (TL, TS1, TS2);
N= N1 +N2 + NE;
Si TM = TL. Llamar a subrutina: Llegada a sistema.
Si TM<TMAX, ir a 1. Si no, parar:
N1, N2. NR.
Coste = 5000 k + NR 10000
Subrutinas
Llegada a sistema
1.- Si N1 = 0, N1=N1+1. Generar DS1, poner TS1=TM+DS1
Si no
Si N2= 0, N2= N2+1. Generar DS2 poner TS2=TM+DS2
Si no,
Si NE < k Entonces NE=NE+1
Si no
NR= NR + 1;
2.- Generar DL, poner TL=TM+DL.
Servicio1
1.- Si NE>0 entonces NE=NE-1; Generar DS1, poner TS1 =TM +DS1,
Si no, N1=N1-1, TS1=inf.
132
06/07/2006
I SIMULACIN

Servicio2
1.- Si NE>0 entonces NE=NE-1; Generar DS2, poner TS2 =TM +DS2,
Si no, N2=N2-1, TS2=inf.

- Los tiempos de llegada al sistema: distribucin discreta.
Probabilidad de 0.25 que sean 15 minutos: Si u<0.25,
x 15
Probabilidad de 0.5 que sean 30 minutos: Si 0.25<u<0.75,
x 30
Probabilidad de 0.25 que sean 45 minutos: Si u>0.75,
x 45
0.2, 0.3, 0.9, 0.7, 0.1, 0.2, 0.9, 0.2, 0.6, 0.5, 0.8, 0.3, 0.7, 0.9, 0.4, 0.8
Llegadas al servicio1 y 2: distribucin exponencial de media 1 minuto,
truncada en 45 minutos:
x=-Ln(u);
- Valores para DS1 y DS2 con la serie 2:

0.1, 0.3, 0.7, 0.6, 0.9, 0.8, 0.2, 0.5, 0.1, 0.3, 0.7, 0.2, 0.6, 0.4, 0.9 0.47 0,19
0,074
TRAZA: (k=1)
DL: Tiempo de llegada a la ventanilla 1:
15 30 45 30 15 15 45 15 30 30 45 30 30 45 30 45
DS1: Tiempos de servicio1 y 2:
138 72 nulo nulo nulo nulo 96 nulo 138 72 nulo 96 nulo 54 nulo 45 99 156
Nota: Usaremos los nmeros aleatorios para ambos servicios.
N even. TM Evento N1 N2 NR NE TL TS1 TS2
0
0
Inicio
0
0
0
0
15
1
15 Llegada
1
0
0
0
45 153
2
45 Llegada
1
1
0
0
90 153 117
3
90 Llegada
1
1
0
1 120 153 117
4
117 Servicio2 1
1
0
0 120 153 213
5
120 Llegada
1
1
0
1 135 153 213
6
135 Llegada
1
1
1
1 150 153 213
06/07/2006
133
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
150
153
195
210
213
240
270
285
291
315
345
345
375
381
390
420
450
480
Llegada
Servicio1
Llegada
Llegada
Servicio2
Llegada
Llegada
Servicio2
Servicio1
Llegada
Llegada
Servicio1
Llegada
Servicio2
Servicio1
Llegada
Llegada
Servicio2
1
1
1
1
1
1
1
1
0
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
3
3
3
4
4
4
4
4
4
4
4
4
4
4
4
1
0
1
1
0
1
1
0
0
0
1
0
1
0
0
0
1
0
195
195
210
240
240
270
315
315
315
345
375
375
420
420
420
450
495
153
291
291
291
291
291
291
291
345
345
390
390
390
546
546
546
213
213
213
213
285
285
285
381
381
381
381
381
381
480
480
480
480
La solucin final y objetivo del problema, ser:

Al cabo de 8 horas se tiene que
Coste = 5000 k + NR 10000 = 5000 1 + 4 10000 = 45000pts = 272.
El objetivo de la simulacin va a ser estudiar el nmero de autobuses que
hay en el sistema, formado por las zonas de inspeccin y de reparacin
(vamos a saber cal es el n de autobuses en cada zona en cada momento):
N1(t) = Nmero de clientes que hay en el servidor 1 ( zona de inspeccin).
N2(t) = Nmero de clientes que hay en el servidor 2 ( zona de reparacin).
Nota: El nmero total de clientes en nuestro sistema va a ser N1+ N2.
Eventos:
134
06/07/2006
I SIMULACIN
- Llegada de un autobs al servidor 1.
- Servicio de un autobs en el servidor 1, que implica la llegada de autobs
al servidor 2 o la salida definitiva del sistema despus de servicio 1
- Servicio de un autobs en el servidor 2 (lo que equivale a irse
definitivamente del sistema).
- Llegada de un autobs al servidor 1 : N1 N1+1.
- Servicio de un autobs del servidor 1. N1 N1-1. y con probabilidad p
es la llegada de un autobs al servidor 2 N2 N2+1, o la salida
definitiva del sistema despus de servicio 1.
- Servicio de un autobs en el servidor2: N2 N2-1.
Datos:
- Distribucin de tiempos entre llegadas a la zona de inspeccin (la llegada
se produce cada 30 minutos).
- Distribucin de los tiempos de servicio en la zona de inspeccin 1
(distribucin trapezoidal).
- Llegada de autobuses a la zona de reparacin (discreta), p.
- Distribucin de los tiempos de servicio en la zona de reparacin
(distribucin Gamma de parmetros p = 0,2 y a = 0,05, truncada en 30
minutos).
- TMAX = tiempo mximo de simulacin. ( 4 horas =240 minutos).
Otras variables:
- DL1: Tiempo entre llegadas al servidor 1 = Cte.
- DS1: Tiempo de servicio ventanilla1 = Trapeizoidal.
- DS2: Tiempo de servicio ventanilla2 = Gamma.
- DP: Tipo de servicio despus de salir de servidor1 (llegada a servidor 2 o
salida definitiva).
- TL1: Instante de la prxima llegada.
- SUMA: contador acumulado suma de reas de autobuses en el sistema
06/07/2006
135
por tiempo de permanencia.

- TANT: variable auxiliar.
- NANT: variable auxiliar.
MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; TM = 0; TS1=inf.; TS2=inf.;
DL1 = 30; TL = DL1; SUMA=0;
Si TM = TL1. Llamar a subrutina: Llegada a servidor 1.
Si TM< TMAX, ir a 1. Si no, parar: N1, N2.
N = N1 + N2;
SUMA/TM
Subrutinas
Llegada a servidor1
1.- N1=N1+1:
2.- Generar DL, poner TL1= TM+DL.
Si N1=1, Generar DS1, poner TS1=TM+DS1
3.- SUMA = SUMA + NANT x (TM-TANT)
4.- NANT=N1+N2, TANT=TM
Servicio1
1.- N1 = N1 - 1; .
2.- Si N1 = 0, poner TS1=inf. Si no, Generar DS1, poner TS1 = TM + DS1
3.- Generar TP.
-Si TP = servidor 2 (prob. p), N2= N2+1; Si N2=1, Generar DS2, poner
TS2 = TM + DS2
3.- SUMA = SUMA + NANT x (TM-TANT)
4.- NANT=N1+N2, TANT=TM
Servicio2
136
06/07/2006
I SIMULACIN
1.2.3.4.5.-
N2 = N2 1.
Si N2 = 0, poner TS2= inf. Si no, Generar DS2, poner TS2 = TM + DS2
SUMA = SUMA + NANT x (TM-TANT)
NANT=N1+N2, TANT=TM
Volver a Programa principal.

- Llegadas al servidor 1: Cte de 30 min.
- Distribucin de los tiempos de servicio en la zona de inspeccin 1
(distribucin trapezoidal).
x 20 20 < x 25
50
25 < x 30
0.1
f1(x ) =
35 x
30 < x 35
50
0
resto
Valores para DS1 con la serie 1:

Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Modo de obtencin de las variables aleatorias:

x (20, 35);
c max f (x ) : x (20, 35);
c = 0,1;
Genero
u1
u2
x = 20 + 15 u1;
y = 0,1 u 2;
Calculof (x )
Si
y < f (x ) Aceptox ;
-
Llegada de autobuses a la zona de reparacin (discreta). Generacin de

TP.
06/07/2006
137
Probabilidad de 0.3 que el autobs pase al servidor 2:

Si u<0.3, TP
servidor2.
Probabilidad de 0.7 que el autobs se vaya definitivamente del sistema.
Si 0.3<u<1, TP Fuera
Usaremos la serie 2:
0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
- Distribucin de los tiempos de servicio en la zona de reparacin
(distribucin Gamma de parmetros p = 2 y a = 0,05) truncada en 30 minutos:
Nota: Al ser el parmetro p natural, vamos a usar una Erlang(2, 0.05)
De la serie 3 calcularemos:
p
x =
ln u
i =1
Vamos a usar la serie 3:

0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
TRAZA:
DS1: Tiempos de servicio del servidor 1 salen:
27,5 24,5 33,5 nulo 32 29 nulo 33,5 26
64,37 nulo 39,32 59,91 nulo nulo 34,29 31,21 37,94
TP: S2, Fuera, Fuera, Fuera, Fuera, S2, S2, Fuera, Fuera, , Fuera, Fuera
Fuera, Fuera S2 S2 Fuera S2 fuera
N Evento TM
Evento N1 N2 TL TS1
0
0
Inicio
0
0
30
1
30
Llegada
1
60 57.5
2
57.5 Servicio1 0
1
60
3
60
Llegada
1
1
90 84.5
4
84.5 Servicio1 0
1
90
5
90
Llegada
1
1 120 123.5
6
120
Llegada
2
1 150 123.5
7
121.87 Servicio2 2
0 150 123.5
8
123.5 Servicio1 1
0 150 155.5
9
150
Llegada
2
0 180 155.5
10
155.5 Servicio1 1
0 180 184.5
11
180
Llegada
2
0 210 184.5
138
TS2
TP
SUMA
0
121.87
S2
27.5
121.87
30
121.87 Fuera
79
121.87
84.5
121.87
144.5
150.11
Fuera 153.37
179.87
Fuera 190.87
215.37
06/07/2006
I SIMULACIN
12
13
14
15
184.5
210
218
240
Servicio1
Llegada
Servicio1
Llegada
1
2
1
2
0
0
1
1
210
240
240
270
218
218
244
244
257
257
Fuera
S2
224.37
249.87
265.87
309.87
Al cabo de las 4 horas el nmero total de autobuses es:

N= N1 + N2 = 3 autobuses en el taller de mantenimiento.
Al cabo de los 4 horas el nmero medio de autobuses es:
SUMA/TM = 1,29 autobuses cada minuto en el sistema.
El objetivo de la simulacin va a ser estudiar el nmero medio de pedidos sin
atender que quedan al final del da; as pues, las variables de estado van a
ser:
N(t) = Nmero de pedidos de ambos tipos que hay en el sistema.
Eventos:
- Llegada de pedido.
- Fabricacin de pedido.
- Llegada de pedido. N N + 1
- Fabricacin de pedido. N2 N - 1
Datos:
- Distribucin de tiempo entre pedidos. Es uniforme entre 3 y 5 horas.
- Distribucin de tiempo de fabricacin de tipo de producto 1 (normal)
- Distribucin de tiempo de fabricacin de tipo de producto 2 (triangular)
06/07/2006
139
Tipo de pedido (discreta)

TMAX = tiempo mximo de simulacin. (40 horas).
Otras variables:
- DL: Tiempo entre pedidos. (uniforme).
- DS1: Tiempo de servicio tipo 1 = Normal.
- DS2: Tiempo de servicio tipo 2 = Normal.
- TL: Instante de la prxima llegada de cualquier tipo de pedido.
- TS1: Instante del prximo final de servicio de tipo 1.
- TS2: Instante del prximo final de servicio de tipo 2.
- TP: Tipo de pedido.
MODELO:
Programa principal:
0.- Inicializacin
N = 0; TM = 0; TS1 = inf.; TS2 = inf.; SUMA =0;
Generar DL;
TL = DL;
1.- Actualizacin del reloj de simulacin: TM = min (TL TS1, TS2);
TANT =TM;
Si TM = TL1. Llamar a subrutina: Llegada a fabricaron.
Si TM < TMAX, ir a 1. Si no, parar: SUMA/TM
Subrutinas
Llegada a fabricacin
1.- N = N + 1;
2.- Generar DL; TL = TM + DL;
3.- Si N = 1; Generar TP;
Si TP = 1; Generar DS1 TS1= TM + DS1; TS2 = inf.
4.- SUMA = SUMA + (N 1) (TM TANT )
140
06/07/2006
I SIMULACIN
Servicio1
1.- N = N - 1.
2.- Si N = 0, poner TS1 = inf. TS2 = inf.
Si N > 0;Generar TP;
3.- SUMA = SUMA + (N 1) (TM TANT ).
Servicio2
1.- N = N - 1.
2.- Si N = 0, poner TS1 = inf. TS2 = inf.
Si N > 0 Generar TP;
Si TP = 2; Generar DS2 TS2= TM + DS2; TS1 = inf;
3.- SUMA = SUMA + (N 1) (TM TANT ).

- Llegadas de pedidos: distribucin uniforme de entre 3 y 5 horas.
Usamos la serie:
Serie 3: 0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3,
0.5
Calculamos las variables aleatorias:

Dado u(0,1); tenemos que x = 3 + (5-3)u;
Resultado: 3.2 3.8 4 4.2 4.4 3.4 3.2 4 4.4 4.8 4.6 4.2 4.8 3.4 3.6 4.4 3.6 4
Los tiempos de fabricacin de los pedidos de tipo 1: distribucin normal
de media 4 horas y desviacin tpica 1.
Vamos a usar como nmeros aleatorios:
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Dado u(0 ,1); tenemos que x = 1 u + 4;

Resultado:
4.5, 4.9, 4.3, 4.7, 4.9, 4.2, 4.1, 4.6, 4.8, 4.3, 4.6, 4.1, 4.8, 4.7, 4.9, 4.1, 4.4, 4.2
Los tiempos de fabricacin de los pedidos de tipo 2: distribucin

triangular simtrica entre 2 y 4 horas.
Vamos a usar como nmeros aleatorios:
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
06/07/2006
141
Dado u1, u2(0,1); tenemos el tringulo de base (2,4) y altura (0,1):

Mtodo:
x (2, 4);
c max f (x ) : x (2, 4);
c = 1;
Genero
u1
u2
x = 2 + 2 u1;
y = 1 u 2;
Calculof (x )
Si
Resultado:
No acepto; No acepto; No acepto; 3.4; 2.4; 3.6; No acepto; No acepto; 3.4:
Lo tipos de pedido se distribuyen segn una discreta; vamos a usar:
Serie 4: 0.2, 0.7, 0.5, 0.3, 0.1, 0.9, 0.5, 0.6, 0.2, 0.8, 0.7, 0.4, 0.5, 0.6, 0.9, 0.3, 0.1, 0.4
Probabilidad de 0.35 que sea de tipo1:

Si u<0.35, x 1
Probabilidad de 0.65 que sea de tipo 2.:
Si 0.35<u<1, x 2
Valores para TP segn la serie 4: 1 2 2 2 2 1 1 2 2 2 2 2 2 1 1 2 1 2
TRAZA:
DL: Tiempo de llegadas al sistema:
3.2 3.8 4 4.2 4.4 3.4 3.2 4 4.4 4.8 4.6 4.2 4.8 3.4 3.6 4.4 3.6 4
DS1: Tiempos de fabricacin de pedido 1:
4.5, 4.9, 4.3,
4.7, 4.9, 4.2, 4.1, 4.6, 4.8, 4.3, 4.6, 4.1, 4.8, 4.7, 4.9, 4.1, 4.4, 4.2
DS2: Tiempos de fabricacin de pedido 2:

No acepto; No acepto; No acepto; 3,4; 2,4; 3,6; No acepto; No acepto; 3,4:
TP: tipo de pedido:
122221122222211212
N Reloj
evento TM
0
0
142
Tipo
evento
Inicio
N TL
TS1
TS2
0 3.2
TP
SUMA
06/07/2006
I SIMULACIN
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
3.2
7
7.7
11
11.1
13.5
15.2
18.8
19.6
23
23
26.4
27.9
29.6
32.2
33.6
35.6
38
38
Llegada
Llegada
Servicio1
Llegada
Servicio2
Servicio2
Llegada
Servicio2
Llegada
Llegada
Servicio2
Llegada
Servicio1
Llegada
Servicio1
Llegada
Servicio2
Llegada
Servicio2
1
2
1
2
1
0
1
0
1
2
1
2
1
2
1
2
1
2
1
7
7.7
11
7.7
11
15.2
15.2
15.2
19.6
19.6
23
26.4
26.4 27.9
29.6 27.9
29.6 32.2
33.6 32.2
33.6
38
38
42.8
42.8
11.1
11.1
13.5
18.8
23
23
35.6
35.6
38
38
41.6
2
1
1
2
2
0
3.8
3.8
7.1
7.1
7.1
7.1
7.1
7.1
10.5
10.5
13.9
13.9
15.6
15.6
17
17
19.4
19.4
Al cabo de estas 40 horas se han dejado sin atender 1 pedido. Se han dado
servicio a una media de 19.4/40 = 0.485 productos cada hora.
El objetivo de la simulacin va a ser estudiar el factor de utilizacin de la
impresora.
NES(t) = Nmero de trabajos que esperan para ser procesados por el
servidor
NEI(t) = Nmero de trabajos que esperan en el buffer para ser impresos o
estn siendo impresos.
N(t) = Nmero de trabajos impresos.
Eventos:
06/07/2006
143
- Llegada de un trabajo al servidor.
- Servicio de un trabajo en el servidor = Llegada de cliente al buffer
directamente a impresin.
- Impresin de un trabajo (lo que equivale a irse definitivamente del
sistema).
- Llegada de un cliente al servidor 1 : NES NES+1.
- Servicio de un trabajo en el servidor =Llegada de un cliente al servidor 2
NES(t) NES(t)-1;
NEI(t) NEI(t)+1.
- Servicio de un cliente en el servidor2: NEI(t) NEI(t)-1.
N(t) N(t) + 1.
Datos:
- Distribucin de tiempos entre llegadas al servidor (exponencial de media
5 minutos)
- Distribucin de los tiempos de servicio del servidor (trapezoidal)
- Distribucin de los tiempos de impresin de la impresora (G(x))
- TMAX = tiempo mximo de simulacin. (30 minutos).
Otras variables:
- TU: tiempo que la impresora ha estado trabajando.
- DL: Tiempo entre llegadas = Exponencial.
- DS1: Tiempo de servicio servidor = Trapezoidal.
- DS2: Tiempo de servicio impresora = G(x).
- TS1: Instante del prximo final de servicio en servidor.
- TS2: Instante del prximo final de servicio en impresora.
MODELO:
Programa principal:
0.- Inicializacin
144
06/07/2006
I SIMULACIN
NES = 0; NEI = 0; N = 0;TM = 0; TS1 = inf.; TS2 = inf.; TU = 0

Generar DL; TL = DL
Si TM = TL. Llamar a subrutina: Llegada a servidor.
Si TM = TS1. Llamar a subrutina: Servicio.
Si TM = TS2. Llamar a subrutina: Impresin.
Si TM < TMAX, ir a 1. Si no, parar: NES, NEI, N,
factor de utilizacin = TU/TM;
Subrutinas
Llegada a servidor
1.- NES = NES + 1:
2.- Generar DL, poner TL = TM + DL.
Si NES = 1, Generar DS1, poner TS1 = TM + DS1:
Servicio
1.- NES = NES - 1; NEI = NEI + 1.
2.- Si NES = 0, poner TS1 = inf. Si no, Generar DS1, poner TS1 = TM +
DS1;
Si NEI = 1, Generar DS2, poner TS2 = TM + DS2; TU = TU +DS2.
Impresin
1.- NEI = NEI 1. N = N + 1;
2.- Si NEI = 0, poner TS2 = inf. Si no, Generar DS2, poner TS2 = TM +
DS2;
TU = TU + DS2.

- Los tiempos de llegada al sistema: distribucin exponencial de media 5
Se emplea el mtodo de la transformada inversa; mediante los nmeros
aleatorios uniforme u [0,1) obtenemos DL:
ln(u )
x =
1/ 5
06/07/2006
145
Usamos serie 1: 0.5, 0.9, 0.3, 0.7, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7,
0.9, 0.1, 0.4, 0.2, 0.9
3.47 0.53 6.02 1.78 8.05 11.51 2.55 1.12 6.02 2.55 11.51 1.12 1.78 0.53 11.51
4.58 8.05 0.53
-
Los tiempos de servicio del servidor: distribucin trapezoidal de funcin

de densidad:.
4
x
0 < x < 0.5
3
2 / 3
0.5 < x < 1.25
f (x ) =
2
(2.25 x ) 1.25 < x < 2.25
3
0
resto
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2,
0.9, 0.7, 0.6
x (0.2,25);
c max f (x ) : x (0.2,25);
c = 2 / 3;
Genero
u1
u2
x = 2,25 u1;
y = 2 / 3 u 2;
Calculof (x )
Si y < f (x ) Aceptox ;
Valores para DS1:
0.45 no acepto no acepto 1.575 0.675 1.8 0.9 0.45 1.575
-Los tiempos de servicio de la impresora DS2: funcin de distribucin G(x):
146
06/07/2006
I SIMULACIN
x 1
G (x ) = 12
x + 5
20
1
x <1
1 < x < 10
10 < x < 15
x > 15
Usamos el mtodo de la transformada inversa:

Si u < 0.75 x = 12 u + 1
Si u > 0.75 x = 20 u 5
Usamos la serie 3:
Serie 3:0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3,
0.7, 0.3, 0.5
Resultados para DS2:
4.6 5.8 11 8.2 9.4 3.4 2.2 7 9.4 13 11 8.2 13 3.4 4.6 9.4 4.6 7
TRAZA:
DL: 3.47 0.53 6.02 1.78 8.05 11.51 2.55 1.12 6.02 2.55 11.51 1.12 1.78 0.53
11.51 4.58 8.05 0.53
DS1: 0.45 no acepto no acepto 1.575 0.675 1.8 0.9 0.45 1.575
DS2: 4.6 5.8 11 8.2 9.4 3.4 2.2 7 9.4 13 11 8.2 13 3.4 4.6 9.4 4.6 7
N
evento
0
1
2
3
4
5
6
7
8
9
10
11
12
13
06/07/2006
Reloj
TM
0
3.47
3.92
4
5.75
8.52
10.02
10.7
11.8
12.5
14.32
19.85
20.75
25.32
Tipo
NES NEI TL
TS1
evento
Inicio
0
0
3.47
Llegada
1
4
3.92
Servicio
0
1
4
Llegada
1
1 10.02 5.75
Servicio
0
2 10.02
Impresin
0
1 10.02
Llegada
1
1
11.8 10.7
Servicio
0
2
11.8 12.5
llegada
1
2 19.85 12.5
Servicio
0
3 19.85
Impresin
0
2 19.85
Llegada
1
2 31.36 20.75
Servicio
0
2 31.36
Impresin
0
1 31.36
TS2
TU
8.52
8.52
8.52
14.32
14.32
14.32
14.32
14.32
25.32
25.32
25.32
33.52
0
0
4.6
4.6
4.6
10.4
10.4
10.4
10.4
10.4
21.4
21.4
21.4
29.6
0
0
0
0
0
1
1
1
1
1
2
2
2
3
147
El factor de utilizacin resulta de dividir el nmero de trabajos impresos entre el

tiempo de utilizacin de la mquina en los 30 minutos simulados.
Factor de utilizacin = 3/29.6 = 0.101.
El objetivo de la simulacin va a ser estudiar el coste por hora del primer
robot:
N1(t) = Nmero de maquinas que hay en el taller de reparacin.
R: Variable que me dice si el robot esta funcionando (R = 0) o esta
arreglndose (R = 1).
Eventos:
- Llegada de una mquina al taller.
- Reparacin de una maquina = Salida de mquina del taller.
- Inicio avera de un robot.
- Fin reparacin del robot
- Llegada de una mquina al taller : N1 N1+1.
- Reparacin de una maquina = Salida de mquina del taller.
N1 N1-1;
- Avera de un robot. N1 se mantiene. R=0
- Fin de reparacin de robot. R=1
Datos:
- Distribucin de tiempos entre llegadas de mquinas al taller (Poisson de
parmetro 5 )
- Distribucin de los tiempos de reparacin (exponencial)
- Distribucin de los tiempos de avera del robot: f(x)
148
06/07/2006
I SIMULACIN
Tiempo de duracin de reparacin robot 15 min.

TMAX = tiempo mximo de simulacin. (120 minutos).
Otras variables:
- DL: Tiempo entre llegadas = Poisson
- DS1: Tiempo de reparacin = Exponencial.
- DAR: Tiempo entre averas de robot. F(x).
- TS1: Instante del prximo final de reparacin.
- TAR: Instante del prximo final de avera de robot.
- TFR: instante del prximo final de reparacin de robot
- SUMA: contador acumulado suma de reas de taller en el sistema por
tiempo de permanencia.
- TANT: variable auxiliar.
- NANT: variable auxiliar.
- A: Variable auxiliar que me dice cuanto tiempo trabaja el robot.
- T(t) :Tiempo que el robot esta funcionando.
MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; TM = 0; TS1 = inf.; TFR = inf.; NNAT = 0; TANT =
0; R=0 ; A = 0 ;
Generar DL; TL = DL
Generar DAR; TAR = DAR;
1.- Actualizacin del reloj de simulacin: TM = min (TL, TS1, TAR, TFR);
Si TM = TL. Llamar a subrutina: Llegada a taller.
Si TM = TS1. Llamar a subrutina: Reparacin.
Si TM = TAR. Llamar a subrutina: Avera.
Si TM = TFR. Llamar a subrutina: Fin Avera.
Si TM < TMAX, ir a 1. Si no, parar:
Coste = 10002+2000A/60+8000SUMA/120
Subrutinas
06/07/2006
149
Llegada a taller
1.- Si R = 0
1.- N1 = N1 + 1:
Si N1 = 1, Generar DS1, poner TS1 = TM + DS1, A = DS1 + A;
NANT=N1, TANT=TM
Volver a Programa principal.
2.- Si R = 1
N1 = N1 +1
Si N1 = 1
Generar DS1, TS1 = TFR + DS1, A = DS1 + A;
3. Generar DL, poner TL = TM + DL.
SUMA = SUMA + NANT x (TM-TANT)
NANT=N1, TANT=TM
4. Volver a Programa principal.
Reparacin
1.- N1 = N1 - 1;
2.- Si N1 = 0, poner TS1 = inf. Si no, Generar DS1, poner TS1 = TM +
DS1; A = A + DS1;
3.-SUMA = SUMA + NANT x (TM-TANT)
4.- NANT=N1, TANT=TM
Avera
R=1
1.- TFR = TAR + 15;
Si N >= 1
TS1 = TS1 + 15;
2.-SUMA = SUMA + NANT x (TM-TANT)
3.- NANT=N1, TANT=TM
Fin avera
R=0
1.- TFR = infinito;
Generar DAR; TAR = DAR + TM;
2.- Volver a programa principal
150
06/07/2006
I SIMULACIN
Llegadas al taller: distribucin exponencial de media 1/5 *60 = 12

minutos
X = -Ln(u)*12;
8,31 1,26 14,44 4,28 19,31 27,63 6,12 14,44 6,12 27,63 2,67 4,28 1,26 27,63
10,99 19,31 1,26 2,67
-
Los tiempos de reparacin: distribucin exponencial. El robot 1 arregla. 6

mquinas por hora: Exponencial de media 10 minutos.
X = -Ln(u) 10;
Valores para DS1 con la serie 2:
16,09 2,23 22,07 6,93 1,05 5,10 23,02 12,03 5,10 2,23 12,03 9,16 6,93 16,09 1,05
3,56 5,10 3,56
-
Los tiempos de servicio del servidor: distribucin de funcin de densidad:.

32
(x 0.75) 0.75 x 1
3
16
f (x ) = (1.5 x ) 1 x 1.5
3
0
resto
Serie 3: 0.9, 0.1, 0.8, 0.6, 0.2, 0.5, 0.7, 0.4, 0.1, 0.6, 0.3, 0.7, 0.3, 0.1, 0.1, 0.4, 0.3, 0.1

x (0, 75.1, 5);
c max f (x ) : x (0, 75.1, 5);
c = 2, 66
Genero
u1
u2
x = 0, 75 + 0, 5 u1;
y = 2, 66 u 2;
Calculof (x )
Si
06/07/2006
151
Valores para DAR (en minutos): 72 No acepto 69 63 51 60 66 57 48

TRAZA:
DL: Tiempo de llegada al taller:
8,31 1,26 14,44 4,28 19,31 27,63 6,12 14,44 6,12 27,63 2,67 4,28 1,26 27,63
10,99 19,31 1,26 2,67
DS1: Tiempos de reparacin del robot 1:
16,09 2,23 22,07 6,93 1,05 5,10 23,02 12,03 5,10 2,23 12,03 9,16 6,93 16,09 1,05
3,56 5,10 3,56
Valores para DAR (en minutos): Tiempos de avera de robot.
72 No acepto 69 63 51 60 66 57 48
N
evento
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Reloj
TM
0
8.31
9.57
24.01
24.4
26.63
28.29
47.6
48.7
55.63
56.68
72
75.23
77.9
82.18
83.44
87
Tipo
evento
Inicio
Llegada
Llegada
Llegada
Reparacin
Reparacin
Llegada
Llegada
Reparacin
Reparacin
Reparacin
Avera
Llegada
Llegada
Llegada
Llegada
Fin avera
17
92.1
Reparacin 3
18
111.07
19
115.92 Reparacin 3
152
Llegada
N1 N2
0
1
2
3
2
1
2
3
2
1
0
0
1
2
3
4
4
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
16.09
16.09
16.09
18.32
40.39
40.39
40.39
47.32
48.37
48.37
48.37
53.47
53.47
53.47
53.47
53.47
TL
TS1
8.31
9.57
24.4
24.01 24.4
28.29 24.4
28.29 26.63
28.29 48.7
47.6
48.7
75.23 48.7
75.23 55.63
75.23 56.68
75.23
75.23
77.9
92.1
82.18 92.1
83.44 92.1
111.07 92.1
111.07 92.1
TAR TFR R SUMA
72
72
72
72
72
72
72
72
72
72
72
72
87
87
87
87
87
141
0
0
0
0
0 1.26
0 30.14
0 31.31
0 35.77
0 37.42
0 76.04
0 79.34
0 93.2
0 94.25
1 94.25
1 94.25
1 96.92
1 105.48
1 109.26
0 109.26
0 76.49 111.07 115.02 141
0 129.66
0 76.49 122.07 115.02 141
0 186.57
0 88.52 122.07 126.8
0 205.97
141
06/07/2006
I SIMULACIN
Coste = 10002+2000A/60+8000SUMA/120 = 18679 euros en dos

horas. 9339 Euros / hora.
Datos:
q varia entre 0 y 90 grados.
La frmula de la fuerza es: F = Kq 2 [N];
La funcin de densidad de ngulo q: f(q)=cos(q); q (0, 90)
La funcin de distribucin del ngulo q es: F(q) = sen(q) q (0, 90)
Generamos un nmero aleatorio entre 0 y 1 y luego se determina x tal que
F(x) = u, luego x = -arcsen(u)
Con los nmeros aleatorios propuestos: 0.32, 0.17, 0.78, 0.90 y 0.54
x= q:
18,66 9,79 51,26 64,15 32,68
Las diferentes fuerzas saldrn:
Fuerzas
348,2 K
95,84 K
2627 K
4117 K
1069 K
La fuerza media del muelle viene dada por
i =5
fuerzas
= K 1651,23 [Newton ]
5
La varianza del valor medio viene dada por:
Media =
i =1
i =5
Valor =
_ 2
(xi x )
s
= i =1
= K 574413;
5
5 (5 1)

Establecemos la funcin de densidad y calculamos la funcin de distribucin:
Funcin de densidad:
06/07/2006
153
1/ 20 0 x 10
1/ 40 10 x 0
i(x ) =
1/ 40 10 x 20
0 resto
La funcin de distribucin quedar:

0 x < 10
x + 10
10 x 0
40
p
1
x
I (x ) = i(x )dx =
0 x 10
+
4 20
3 x 10
+
10 x 20
4
40
1 x > 20
Nmeros pseudoaleatorios: 0.12, 0.28, 0.79, 0.34, 0.52, 0.37, 0.89, 0.24, 0.09,
0.93
Clculo de la media muestral del incremento porcentual del IBEX-35
aplicando el mtodo de la transformada inversa:
Regla:
Si u (0,1/ 4) entonces u = (x+10)/40
Si u (1/ 4, 3 / 4) entonces u = +x/20;
Si u (3 / 4,1) entonces u = +(x-10)/40;
Las variables aleatorias resultantes:
U
x
0.12,
-5,2
0.28,
0,6
0.79,
11,6
0.34,
1,8
0.52,
5,4
0.37,
2,4
0.89,
15,6
0.24,
-0,4
0.09,
-6,4
0.93
17,2
i =10
La media sale: media =
154
xi
i =1
10
= 4,26 %
06/07/2006
I SIMULACIN
Comparando este resultado con el valor esperado segn la distribucin

propuesta:
Gracias al grfico adjunto se ve que sale 5 %.
La diferencia entre ambos es de 0.74 %.

t
5
F (t ) = P (T t ) = 1 e exponencial de media 5.
Estimacin de la vida media del equipo:
Mtodo de la transformada inversa: t = - 5 Ln(F);
Con los 15 nmeros aleatorios sacamos 15 tiempos de duracin t y tomamos
estos de 3 en 3. La vida del equipo ser el mximo tiempo de entre los tres; esto
es porque estn en paralelo, y el equipo no dejar de funcionar hasta que las tres
componentes fallen.
Usando los nmeros aleatorios:
0.51, 0.46, 0.41, 0.53, 0.21, 0.08, 0.74, 0.10, 0.65, 0.77, 0.25, 0.74, 0.89, 0.95, 0.69
u1 fallos componentes fallos

0.51
3.36672277
3.88264395
0.46
4.4579906
0.41
3.17439136
0.53
7.80323874
0.21
12.6286432
0.08
1.50552546
0.74
0.1
11.5129255
2.15391458
0.65
1.30682382
0.77
6.93147181
0.25
1.50552546
0.74
0.58266908
0.89
0.25646647
0.95
06/07/2006
de equipo
4.46
12.62
11.51
6.93
1.86
155
0.69
1.85531841
i =5
Vida media =
tiempo
i =1
= 7, 478

Segn el enunciado, vemos que la funcin de densidad de C va a ser:
f (C ) =
1
b a
a C b
Segn la distribucin triangular tenemos:
f (p)dp = 1 Area tringulo = hC / 2 = 1 h = C

0
La funcin de densidad de f (p) queda:

f (p ) =
2p
C2
0 p C
y la de distribucin:
p
F (p ) =
f (p)dp = p 2
C 2
p >C
0 p C
luego p = C F (p)
Mtodo de la transformada inversa:

Tomamos dos valores aleatorios de U[0,1]: u1 y u2;
Con u1: C = a + (b a )u1
Con u2: p = C u 2
Como tenemos 12 nmeros aleatorios vamos a obtener 6 valores de p.
Mtodo aceptacin rechazo:
f (p ) =
2p
C2
0 p C
Vamos a necesitar tres nmeros aleatorios: u1, u2, u3:

Con u1: C = a + (b a )u1
Con u2: p * = Cu 2
2
Con u3: f (p)* = u 3
C
Si f (p)* f (p * ) acepto p *
Si no: no acepto.
156
06/07/2006
I SIMULACIN
Resultados para a = 395 y b = 410:

Mtodo de la transformada inversa:
Con u1: C = 395 + (410 395)u1
Con u2: p = Cmax u 2
Usamos los siguientes nmeros aleatorios:
p
C
0.435 401.525 143.653951
u1,u2
0.128
0.301 399.515 310.492818

0.604
0.321 399.815 162.405621
0.165
0.603 404.045 290.23821
0.516
0.321 399.815 385.981989
0.932
0.859 407.885 393.772779
0.932
i =6
Media =
= 281.09
6
Mtodo de aceptacin-rechazo:
i =1
u1,u2,u3
0.435
C
401.525
p*
51.3952
f (p)*
f (p * )
0.00063757 0.001499284 No acepto
0.128
0.301
0.604
404.06 129.70326 0.00158887 0.00081671
129.7
0.321
0.165
0.603
404.045 208.48722 0.00255417 0.001588932 No acepto
0.516
0.321
06/07/2006
157
0.932
408.98 351.31382 0.00420069 0.00455768 No acepto
0.859
Media: 129.7
158
06/07/2006

Libro Completo Sds

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Libro Completo Sds

Enviado por

Direitos autorais:

Formatos disponíveis

MODELOS MATEMTICOS

I.1.7 Etapas en el desarrollo de un estudio de simulacin ...................... 19

Variables aleatorias y sus propiedades............................................................................23

I.2.2 Identificacin de patrones........................................................... 34

I.2.3 Generacin de variables aleatorias(MM) .......................................... 44

I.3 SOFTWARE DE SIMULACIN(MM) .................................................................. 59

1.1.1.18. Condicionamiento .........................................................................................................77

I.4.6 Diseo de experimentos...............................................................80

Principios del diseo experimental ................................................................................81

1.1.1.28. Diseos factoriales a dos niveles ( 2 )...........................................................................94

I.5 CONSTRUCCIN DE MODELOS DE SIMULACIN VLIDOS Y CREBLES(MSS) ....103

I.6 REFERENCIAS ..........................................................................................109

I.1 Modelado de sistemas mediante simulacin(MM)

Sistema: Conjunto de objetos o ideas que estn interrelacionadas entre s

El objetivo es crear un modelo del sistema a partir de la observacin. Sin

Anlisis terico o mtodo deductivo: con este procedimiento se lleva a cabo

I.1 MODELADO DE SISTEMAS MEDIANTE SIMULACIN

otras condiciones externas como las caractersticas del terreno en que se

Un modelo de simulacin desarrollado para la perforacin en el punto M1

Figura 1. Modelo de simulacin de perforacin montaa M1.

Anlogamente, se hara otro para el punto M2. Este modelo se programa en

I.1 MODELADO DE SISTEMAS MEDIANTE SIMULACIN

I.1.2 Ventajas e inconvenientes de la simulacin

Si no existe formulacin matemtica del modelo o los mtodos de resolucin.

Sin embargo, tambin tiene ciertos inconvenientes la simulacin:

La construccin del modelo puede ser compleja y costosa. Por ejemplo, la

I.1.3 Tipos de sistemas y de simulacin

Sistemas continuos: Las variables de estado cambian de forma continua con

Los modelos de simulacin a su vez pueden ser clasificados atendiendo a

Segn la evolucin del tiempo

I.1 MODELADO DE SISTEMAS MEDIANTE SIMULACIN

este tipo de simulacin se la denomina simulacin de Monte Carlo.

Segn las variables de estado

Un ejemplo de un modelo continuo es el clsico modelo presa - depredador

donde r es la tasa de crecimiento de la poblacin presa en ausencia de

de estado en esos intervalos mediante las ecuaciones descritas (directamente al

I.1.4 Elementos de la simulacin de eventos discretos

siendo N (t ) el nmero de clientes en el sistema en el instante t .

Incremento en tiempo fijo (time step): el reloj de simulacin se incrementa

I.1 MODELADO DE SISTEMAS MEDIANTE SIMULACIN

I.1.5 Organizacin de un modelo de simulacin

Lista de eventos: es la lista de instantes en que van a ocurrir los prximos

Adems, un modelo de simulacin se estructura en distintas partes, cada una

Rutina de tiempo: determina el siguiente evento y avanza el reloj de

Plasmado en un diagrama de flujo, ste sera el siguiente (donde no hay

Determinar tipo prximo evento i

Avanzar reloj de simulacin

Generar futuros eventos y

Clculos finales (estimaciones)

Figura 2. Organizacin de un modelo de simulacin de eventos discretos.

Veamos un ejemplo de un sistema de una lnea de espera con un servidor. El

I.1 MODELADO DE SISTEMAS MEDIANTE SIMULACIN

Final de servicio de un cliente

Otras variables auxiliares son:

Figura 3. Diagrama del modelo de simulacin de una cola con un servidor.

A continuacin, se presenta la traza del modelo. La traza es una tabla en la

I.1 MODELADO DE SISTEMAS MEDIANTE SIMULACIN

Figura 4. Traza del modelo.

Figura 5. Nmero de clientes en el sistema a lo largo del tiempo.

Grficamente el nmero de clientes en el sistema a lo largo del tiempo se

I.1.6 Algunas aplicaciones de simulacin

Los eventos que se consideran son:

El proceso de simulacin consta de las siguientes etapas descritas mediante

I.1 MODELADO DE SISTEMAS MEDIANTE SIMULACIN