UNIDAD 1.

INTRODUCCIN A LA SIMULACION
1.1 DEFINICIONES E IMPORTANCIA DE LA SIMULACIN
Introduccin a la simulacin en la ingeniera
Con la llegada de las computadoras una de las ms importantes herramientas
para analizar el diseo y operacin de sistemas o procesos complejos es
la simulacin.
Aunque la construccin de modelos arranca desde el renacimiento, el uso
moderno de la palabra simulacin data de 1940, cuando los cientficos Von
Neuman y Ulam que trabajaban en el proyecto Monte Carlos, durante la segunda
guerra
mundial,
resolvieron
problemas
de
reacciones
nucleares
cuya solucin experimental sera muy cara y el anlisis matemtico demasiado
complicado.
Simulacin es una tcnica numrica para conducir experimentos en una
computadora digital. Estos experimentos comprenden ciertos tipos de relaciones
matemticas y lgicas, las cuales son necesarias para describir el comportamiento
y la estructura de sistemas complejos del mundo real a travs de largos periodos
de tiempo.

Importancia de la simulacin en la Ingeniera.

A travs de un estudio de simulacin, se puede estudiar el efecto de cambios
internos y externos del sistema, al hacer alteraciones en el modelo del sistema y
observando los efectos de esas alteraciones en el comportamiento del sistema.
Una observacin detallada del sistema que se est simulando puede conducir a
un mejor entendimiento del sistema y por consiguiente a sugerir estrategias que
mejoren
la
operacin.
La simulacin de sistemas complejos puede ayudar a entender mejor la
operacin del sistema, a detectar las variables ms importantes que interactan en
el sistema y a entender mejor las interrelaciones entre estas variables.
La tcnica de simulacin puede ser utilizada para experimentar con nuevas
situaciones, sobre las cuales tiene poca o ninguna informacin. A travs de esta
experimentacin se puede anticipar mejor a posibles resultados no previstos.
Cuando nuevos elementos son introducidos en un sistema, la simulacin puede
ser usada para anticipar cuellos de botella o algn otro problema que puede surgir
en el comportamiento del sistema.

Aplicaciones de la Simulacin
Las reas de aplicacin de la simulacin son muy amplias, numerosas y diversas,
basta mencionar slo algunas de ellas: Anlisis del impacto ambiental causado por
diversas fuentes Anlisis y diseo de sistemas de manufactura. Anlisis y diseo
de sistemas de comunicaciones. Anlisis de grandes equipos de cmputo. Anlisis
de un departamento dentro de una fbrica. Adiestramiento de operadores. Anlisis
financiero de sistemas econmicos. Evaluacin de sistemas tcticos o de defensa
militar.

1.2 CONCEPTOS BSICOS DE LA SIMULACIN

Qu es simulacin?
Aunque la mayora de la gente tiene una ligera idea de lo que es la simulacin,
existe mucha confusin de trminos y conceptos que se aclararn en esta etapa.
Por ejemplo, podemos pensar en los juegos de nios donde actan como si
fuesen vaqueros (cowboys) en un pueblo del Oeste Americano de hace un siglo.
Pero esta intuicin a menudo no se corresponde con la definicin formal de
simulacin. Lo que usualmente s se tiene claro es que cada vez resulta ms
importante en el mundo de la ciencia y la tecnologa, la economa, las ciencias
sociales, etc.
El Modelo
Mientras que en simulacin fuera del ordenador se requiere montar una rplica
fsica de lo que se quiere estudiar, lo que se conoce por maqueta, en simulaciones
por ordenador es necesario definir un modelo a partir de reglas matemticas y/o
lgicas.
Un modelo de simulacin adquiere importancia y significado en virtud de
su similitud con un fenmeno de inters determinado. La similitud del modelo
respecto al fenmeno de origen se clasifica en los siguientes tipos:
Similitud Fsica: este es el tipo de similitud que ms se asocia cuando se habla
de simulacin en general y concretamente en realidad virtual aplicada a la
simulacin, aunque no por esto es ms importante que los otros tipos. Este tipo
comprende diversas componentes de similitud que pueden ser o no importantes
en cada caso: visual, sonora, mecnica, qumica, tctil, etc.
Similitud Probabilstica: este tipo proviene del comportamiento del fenmeno de
origen. La disciplina de la estadstica conocida por anlisis de probabilidad se
encarga de estudiar la probabilidad con que un fenmeno tiende a manifestarse.
Por lo tanto, la similitud probabilstica hace referencia a las propiedades
funcionales
del
fenmeno
de
estudio.

Similitud Conceptual: esta similitud hace referencia a las estructuras internas del
fenmeno de estudio y a como estn organizadas. Por esta razn, se pueden
definir la siguientes propiedades de la similitud conceptual: asociativa, por
analoga, estructural, etc.
La simulacin, por lo general, intenta responder la pregunta:
o Que se puede aplicar cuando no es prctico experimentar con el sistema
real en su entorno natural, ya sea por cuestiones de seguridad, de tamao,
de tiempo, etc.
o Que la simulacin es el nico medio que permite investigar las
caractersticas de diseo de un sistema determinado, es decir, que permite
descomponerlo y analizarlo por partes. Por lo tanto fuerza la especificacin
detallada del sistema y en consecuencia del problema.
o Que se puede aplicar cuando no existen tcnicas matemticas o analticas
para el problema tratado. Debido a esto se experimentan nuevas tcnicas,
algoritmos, etc.
o Que se puede aplicar cuando se ha de evaluar un sistema utilizando
medidas estadsticas.
o Que se puede aplicar cuando es necesario simular un perodo de tiempo
muy largo de forma comprimida, o viceversa.
o Que permite detectar problemas no previstos debido al anlisis que se
realiza del funcionamiento del modelo.
Existen diversas clasificaciones de modelos segn el enfoque deseado:
Clasificacin Formal de modelos (WHICKER, SIGELMAN, 1991):
Modelos Fsicos: Son aquellos que pretenden ser una rplica fsica del sistema
estudiado. Por ejemplo: un tnel de viento, el cual puede ser construido tanto
fsicamente como mediante una aplicacin de realidad virtual. En los dos casos,
son un modelo de un mismo fenmeno de estudio; concretamente la dinmica de
fluidos del aire.
Modelos Esquemticos: Son aquellos que presentan ciertas caractersticas del
sistema. Por ejemplo: el plano de un edificio, donde se est perdiendo cierta
informacin volumtrica, de materiales, etc., pero en cambio nos aporta una
informacin
de
organizacin
espacial.
Modelos Simblicos: Son aquellos que codifican mediante algn lenguaje
matemtico o informtico las caractersticas del sistema. Por ejemplo, unas
frmulas de comportamiento econmico, donde el fenmeno de origen no tiene
unas propiedades fsicas, sino que es fruto de una organizacin social.

1.3 METODOLOGA DE LA SIMULACIN

DEFINICIN DEL SISTEMA
FORMULACIN DEL MODELO
COLECCIN DE DATOS
IMPLEMENTACIN DEL MODELO CON LA COMPUTADORA
VALIDACIN
LA OPININ DE EXPERTOS
SOBRE LOS RESULTADOS
DE
LA SIMULACIN.
LA EXACTITUD CON QUE SE PREDICEN DATOS HISTRICOS.
LA EXACTITUD EN LA PREDICCIN DEL FUTURO.
LA COMPROBACIN DE FALLA DEL MODELO DE SIMULACIN AL
UTILIZAR DATOS QUE HACEN FALLAR AL SISTEMA REAL.
LA ACEPTACIN Y CONFIANZA EN EL MODELO DE LA PERSONA
QUE HAR USO DE LOS RESULTADOS QUE ARROJE EL
EXPERIMENTO DE SIMULACIN.
EXPERIMENTACIN
INTERPRETACIN
DOCUMENTACION.

1.4

MODELOS

CONTROL

Los objetivos que se persiguen al estudiar uno o varios fenmenos en funcin de

un sistema son aprender cmo cambian los estados, predecir el cambio y
controlarlo, todo sistema consta de 3 caractersticas; Tienen fronteras, existe
dentro de un medio ambiente y tiene subsistemas, el medio ambiente es el
conjunto de circunstancias dentro de las cuales esta una situacin problemtica,
mientras que las fronteras distinguen las entidades dentro de un sistema de las
entidades
que
constituyen
su
medio
ambiente.

1.5 ESTRUCTURA Y ETAPAS DEL ESTUDIO DE LA

SIMULACIN
Tipos de simulaciones
En este punto, en que ya se ha definido lo que se entiende por modelo y
por simulacin, se pasar a ver qu tipos generales de simulacin se definen
habitualmente:
Persona - Persona: Simulaciones de tipo social en las que se estudian las
reacciones de personas o colectivos. Por ejemplo: entrenamiento de entrevistas
de trabajo. Se sita a dos personas en los papeles de entrevistador y entrevistado

y despus de actuar durante un perodo de tiempo, se intercambian los papeles

para poder entender los procesos inversos.
Tipos de simulaciones por ordenador
Tal y como se ha expuesto ya, las simulaciones por ordenador son simulaciones
en las que no interviene la interaccin de una persona. As pues, estos procesos
en los que se definen unos datos iniciales (el estado inicial) y a partir de unos
algoritmos se les hace evolucionar durante un tiempo determinado, se pueden
clasificar en tres tipos principales (MCHANEY, 1991):
Tipo Monte Carlo: En estas, en realidad no interviene el tiempo y se basan en la
aleatoriedad y la probabilidad.
Simulaciones Continuas: Sistemas modelados por ecuaciones diferenciales o
algebraicas que dependen del paso del tiempo de forma continua.
Por Eventos discretos: Se caracterizan por el paso de bloques de tiempo en los
que se considera que no pasa nada y donde se puntan eventos que cambian el
estado del sistema. Sobre todo se basan en teora de colas.
Para tener una definicin exacta del sistema que se desea simular, es necesario
hacer primeramente un anlisis preliminar de este, con el fin de determinar
la interaccin con otros sistemas, las restricciones del sistema, las variables que
interactan dentro del sistema y sus interrelaciones, las medidas de efectividad
que se van a utilizar para definir y estudiar el sistema y los resultados que
se esperan obtener
del
estudio.
Una vez definidos con exactitud los resultados que se esperan obtener del estudio,
se define y construye el modelo con el cual se obtendrn los resultados deseados.
En la formulacin del modelo es necesario definir todas las variables que forman
parte de l, sus relaciones lgicas y los diagramas de flujo que describan en forma
completa el modelo.
Es importante que se definan con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados.
Con el modelo definido, el siguiente paso es decidir si se utiliza algun lenguaje
como el fortran,lisp,etc..., o se utiliza algun paquete como Vensim,Stella e
iThink,GPSS,Simula,Simscript,Rockwell Arena, etc..., para procesarlo en la
computadora y obtener los resultados deseados.

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

modelo o en los datos alimentados al modelo. Las formas ms comunes de validar
un modelo son:
Se realiza despus de que el modelo haya sido validado, consiste en generar los
datos deseados y en realizar un anlisis de sensibilidad de los ndices requeridos.
Se interpretan los resultados que arroja la simulacin y con base a esto se toma
una decisin Es obvio que los resultados que se obtienen de un estudio
de simulacin ayuda a soportar decisiones del tipo semi-estructurado.
Dos tipos de documentacin son requeridos para hacer un mejor uso del modelo
de simulacin La primera se refiere a la documentacin del tipo tcnico y la
segunda se refiere al manual del usuario, con el cual se facilita la interaccin y el
uso del modelo desarrollado.
El concepto de sistema en general est sustentado sobre el hecho de que ningn
sistema puede existir aislado completamente y siempre tendr factores externos
que lo rodean y pueden afectarlo.
Conceptos Bsicos de Sistemas
Entidad: "Una entidad es algo que tiene realidad fsica u objetiva y distincin de
ser o de carcter".
Las entidades tienen ciertas propiedades que los distinguen a unas de otras.
Relacin: Relacin es la manera en la cual dos o ms entidades dependen entre
s". Relacin es la unin que hay entre las propiedades de una o ms entidades;
por consiguiente, el cambio en alguna propiedad de una entidad ocasiona un
cambio en una propiedad de otra entidad.
Estructura: Es un conjunto de relaciones entre las entidades en la que cada
entidad tienen una posicin, en relacin a las otras, dentro del sistema como un
todo.
Estado: El estado de un sistema en un momento del tiempo es el conjunto de
propiedades relevantes que el sistema tiene en este momento. Cuando se habla
del estado de un sistema, entiende los valores de los atributos de sus entidades.
Analizar un sistema supone estudiar sus cambios de estado conforme transcurre
el tiempo.
Moderacin de sistemas
Puede ser una representacin formal de la teora o una explicacin formal de la
observacin emprica, a menudo es una combinacin de ambas. Los propsitos de
usar un modelo son los siguientes:

Hace posible que un investigador organice sus conocimientos tericos y sus

observaciones empricas sobre un sistema y deduzca las consecuencias lgicas
de esta organizacin.
Al analizar un sistema podemos observar, que al cambiar un aspecto del mismo,
se producen cambios o alteraciones en otros. Es en estos casos en los que la
simulacin, representa una buena alternativa para analizar el diseo y operacin
de complejos procesos o sistemas.
Describir el comportamiento de sistemas.
Hiptesis que expliquen el comportamiento de situaciones problemticas.
Predecir un comportamiento futuro, es decir, los efectos que se producirn
mediante cambios en el sistema o en su mtodo de operacin.
Un modelo se utiliza como ayuda para el pensamiento al organizar y clasificar
conceptos confusos e inconsistentes. Al realizar un anlisis de sistemas, se crea
un modelo del sistema que muestre las entidades, las interrelaciones, etc. La
adecuada construccin de un modelo ayuda a organizar, evaluar y examinar la
validez de pensamientos.
FORMULACIN DEL MODELO: Una vez que estn definidos con exactitud los
resultados que se desean obtener del estudio el siguiente paso es definir y
construir el modelo con el cual se obtendrn los resultados deseados. Aqu es
necesario definir las variables que forman parte del modelo, sus relaciones lgicas
y los diagramas de flujo que describan en forma completa al modelo.
COLECCIN DE DATOS: Es posible que la facilidad de obtencin de algunos
datos o la dificultad de conseguir otros, pueda influenciar el desarrollo y
formulacin del modelo. Por ello es importante que se defina con claridad y
exactitud los datos que el modelo va a requerir para producir los resultados
deseados.
IMPLEMENTACIN DEL MODELO EN LA COMPUTADORA: Aqu se define cual
es el lenguaje que se va a utilizar algunos de estos pueden ser de propsito
general como: Visual basic, Java, Delphi o se pueden usar unos paquetes como:
GBSS, SIMULA, PROMODEL.
VALIDACIN: A travs de esta etapa es posible detallar definiciones en la
formulacin del modelo o en los datos alimentados al modelo. Las formas ms
comunes de validar un modelo son:
a)Opinin de expertos b)La exactitud con la que se predicen los datos C)Exactitud
de la prediccin del futuro d)Comprobacin de la falla del modelo de simulacin al

utilizar datos que hacen fallar al sistema. e) Aceptacin y confianza en el modelo

de la persona que lo usara.
EXPERIMENTACIN: La experimentacin con el modelo se realizara despus de
que este ha sido validado. La experimentacin consiste en generar los datos
deseados y en realizar anlisis de sensibilidad de los ndices requeridos.
INTERPRETACIN: A que se interpretan los resultados que arroja la simulacin y
en base a esto se toma una decisin.
DOCUMENTACIN: Existen dos tipos de documentacin que son requeridos para
hacer un mejor uso del modelo de simulacin.
Documentacin Tcnica: Es la documentacin que con el departamento de
procesamiento de datos debe tener del modelo. Manual del Usuario: Es la
documentacin que facilita la interpretacin y el uso del modelo desarrollado a
travs de una terminal de computadora.

1.6 ETAPAS DE UN PROYECTO DE SIMULACIN

FORMULACIN DEL PROBLEMA.
Otro importante aspecto abordado en la investigacin es la identificacin y estudio
de las tcnicas de integracin para la formulacin de las tareas docentes. Sin
pretender profundizar en las complejidades que encierra una investigacin
pedaggica sobre el tema, a continuacin se describen muy brevemente algunas
tcnicas utilizadas para la formulacin de problemas qumicos de integracin
estructural, que son los ms importantes:
1.-Modelacin. Fijado el objetivo que se persigue en la creacin de un problema,
inmediatamente se activan los componentes intelectuales bsicos: sensaciones,
percepciones, memoria, pensamiento e imaginacin. Con ellos se comienzan a
dibujar en el cerebro nuevas ideas en forma de imgenes, con la necesidad de ser
exteriorizadas mediante la construccin de modelos grficos, es por ello que los
elementos estructurales del problema son plasmados en el papel antes de su
redaccin en el formato final.
2.-Tanteo-error. Consiste en un proceso continuo de adecuacin y ajuste por
bsqueda y prueba de los datos y/o las incgnitas segn las condiciones del
problema, hasta encontrar las ms adecuadas. La bsqueda puede ser de tipo
inteligente o arbitrario, y en ocasiones es utilizada para modificar las condiciones y
con ella reordenar los elementos estructurales. Se evidencia su utilizacin en el
gran nmero de operaciones de clculo que son realizadas, as como en
tachaduras y borrones que generalmente aparecen sobre el papel del formulador.

3.Asociacin por analoga. En esta tcnica se hace uso de la reproduccin en una

primera fase. Consiste en establecer nuevos nexos entre datos e incgnitas
siguiendo formatos y textos guardados en la memoria para obtener otras por
medio de la innovacin. Es evidente que sobre las ideas iniciales, posteriormente
se introducen modificaciones, que consisten en relacionar los datos de otra forma,
introducir nuevas condiciones o cambiar la forma de redactar las preguntas, para
obtener al final un problema derivado, que si bien no se caracteriza por su
originalidad, s constituye una nueva tarea.
4.-Integracin por inclusin. Es una tcnica muy sencilla, cuyo procedimiento es
asequible a cualesquier sujeto. Consiste en elaborarla de forma tal que las
incgnitas de los diferentes incisos mantengan una dependencia sucesiva en
forma de cadena, como el ejemplo de la pgina 37, donde fueron caracterizados
los sistemas semiabiertos, para luego eliminar los iniciales y solo dejar la incgnita
final.
5.-Reformulacin. Consiste en reconstruir la estructura gramatical y de sistema
mediante procesos de innovacin. Se diferencia de la analoga por la profundidad
de los cambios introducidos, puesto que se parte de un ejemplo concreto que
debe ser modificado y no de recuerdos que pueden ser borrosos y a veces
confusos.
6.-Fusin de tareas (o contenidos) auxiliares. Como parte de las estrategias de
integracin, la fusin de tareas docentes auxiliares constituye una de las ms
importantes. Es poco empleada, debido a la elevada complejidad que implica el
establecimiento de relaciones mltiples entre datos e incgnitas que proceden de
ejemplos diferentes, aunque tambin pueden ser integrados diversos contenidos
previamente seleccionados, que guarden una relacin directa o indirecta. Consiste
en fusionar dos o ms contenidos (que pueden o no proceder de otras tareas),
mediante los mecanismos de la integracin externa o interna, para obtener otra
con un mayor nivel de complejidad.
1.-Partir del anlisis de los objetivos de los programas, siguiendo un enfoque
sistmico en su derivacin gradual, desde los ms generales de la enseanza
hasta la clase.
2.-Proporcionar en las tareas relaciones ricas entre los nuevos conocimientos y los
esquemas existentes, donde estn presentes todos los niveles de integracin de
los conocimientos y las habilidades, hasta llegar al nivel interdisciplinario.
3.-Desarrollar una adecuada variedad, concebida la variedad no slo en trminos
de enfoque que propicien reflexin, estimulen el debate y permitan crear motivos
cognoscitivos, sino tambin en relacin con las funciones, habilidades, niveles de
asimilacin y complejidad, entre otros.
4.-Presentar la informacin tanto en trminos positivos y familiares como con
complejidad lgico lingstica, ir desde la simple descripcin del lenguaje simblico

hasta la exigencia de complicadas transformaciones, como por ejemplo

negaciones o varias premisas con diferentes enlaces lgicos, textos complejos a
interpretar o informaciones no utilizables, entre otras.
5.-Redactar las tareas de forma tal que expresen siempre ms de una funcin.
Adems de la funcin cognoscitiva, incorporar situaciones nuevas, con diferentes
niveles de complejidad, tanto de la vida diaria, la orientacin profesional o el
cuidado del medio ambiente, como de la actualidad poltico- ideolgica del pas.
6.-Establecer un adecuado equilibrio entre los problemas que sern formulados,
dejando un espacio a los problemas experimentales y cualitativos, que son
insuficientes en los textos de la enseanza media.

1.7 ELEMENTOS BSICOS DE UN SIMULADOR DE

EVENTOS DISCRETOS.
I. Facilidad de modelamiento:
En general la simulacin de eventos discretos permite modelar situaciones de alto
nivel de complejidad con funciones relativamente sencillas, de esta forma es
posible construir modelos que representen la realidad en el nivel de detalle
deseado, por ejemplo el diseo de un modelo de un centro de distribucin con
recibo, almacenamiento, picking de estibas, zona de fast picking, alistamiento y
despacho.
II. Estadsticas e indicadores
Dada la estructura de la simulacin de eventos discretos es posible obtener todo
tipo de estadsticas e indicadores relevantes a la operacin modelada, inclusive se
puede obtener informacin que muchas veces en los sistemas reales sera
inimaginable tener, como por ejemplo: diagramas de gantt de las piezas en
proceso, utilizacin de los recursos humanos, diagrama de gantt de los recursos
utilizados, tiempos de ciclo de piezas en proceso).
I. Entidades
Son los objetos que fluyen a travs del sistema, podran ser: clientes, productos,
cajas, camiones y pallets entre otros
II. Atributos
Son las diferentes caractersticas que definen a las entidades: tipo, edad, gnero,
peso, volumen, tiempo de inicio de un proceso.
III. Variables

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

UNIDAD 2. NMEROS PSEUDOALEATORIOS

2.1 Mtodos de generacin de nmeros Pseudoaleatorio Mtodos mecnicos La

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

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

nmeros aleatorios uniformes de k cifras, con valores de la variable aleatoria en el
conjunto, con probabilidad 1/10, no tenemos nada ms que partir de una tabla de

nmeros aleatorios de una cifra, y agruparlos de en ; los nmeros resultantes son

aleatorios de cifras.

La generacin de nmeros aleatorios de una variable aleatoria uniforme (0, 1)

constituye el paso siguiente, ya que esa distribucin juega un papel fundamental
en la generacin de variables aleatorias con otras distribuciones. Supongamos
que estamos interesados en la generacin de nmeros aleatorios con cifras
decimales y uniformes en el intervalo (0, 1). El primer paso ser generar nmeros
(), uniformes de cifras para posteriormente, a travs de una transformacin = /10 ,
pasarlos al dominio (0, 1)

2. Mediante una moneda o un dado: Se lanza una moneda o un dado y se anota el

resultado.

3. Uso de guas telefnicas: Coger la gua telefnica de una provincia, abrir una
pgina al azar y anotar de cada nmero de telfono las cuatro ltimas cifras.

4. Recurrir a tablas de nmeros aleatorios.

Mtodos de generacin aritmticos

Los procedimientos de generacin de nmeros aleatorios ms utilizados son de

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

Mtodo de los cuadrados medios

Este mtodo fue planteado por Von Neumann en 1950. Se basa en tomar un
nmero, elevarlo al cuadrado y tomar los dgitos del centro como nuevo nmero,
luego repetir el procedimiento.

2.2 Pruebas estadsticas

En esta seccin se describen 2 de las pruebas estadsticas que se aplican a los
nmeros pseudoaleatorios generados por cualquiera de los mtodos anteriores;
en la primera de ellas, se tratar de verificar la hiptesis de que los nmeros
generados provienen de la distribucin uniforme en el intervalo cerrado [0,1], en la
segunda de ellas, se aplicar la prueba de corrida, misma que sirve para verificar
que los nmeros son efectivamente aleatorios. A continuacin se detallan ambas
pruebas:

2.2.1 De uniformidad. (chi cuadrada, kolmogorov-Smimov)

Prueba de Kolmogorov-Smirnov

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

observaciones provienen de una determinada distribucin. La estadstica D que se
utiliza en esta prueba es una medida de la diferencia mxima observada entre la
distribucin emprica (dada por las observaciones) y la terica supuesta. La
estadstica D es obviamente una variable aleatoria.

A continuacin se detalla cmo se utiliza esta prueba para verificar o negar que un
conjunto de nmeros pseudoaleatorios tenga una distribucin uniforme en el
intervalo cerrado [0, 1].
2.2.2 De aleatoriedad. (corridas arriba y debajo de la media y longitud de
corridas)

Aqu se encuentran los resultados de una encuesta con una serie de cuestiones
sobre lo que ocurrira jugando al ajedrez de forma aleatoria, as como los
resultados obtenidos de una simulacin mediante PC (Mtodo de Monte Carlo) de

sta misma cuestin. Las respuestas a la encuesta se obtuvieron a travs de

Internet y de un BBS local. Las lneas marcadas con dos asteriscos son las
respuestas verdaderas de acuerdo con los resultados de la simulacin.
El resumen de los resultados de la simulacin al azar, muestra en la primera
tabla, los datos parciales y acumulados que se obtuvieron despus de simular
2.000.000 de partidas.
Una segunda tabla muestra los resultados cuando se introduce la regla de los
50 movimientos, que no result significativa, ya que de las 264.831 tablas
resultantes de la misma, 247.354 tambin lo hubiesen sido sin la aplicacin de la
regla.
La tabla tercera muestra el porcentaje de veces que cada uno de los tipos de
piezas aparece en la posicin final del bando vencedor (naturalmente de las
partidas que no fueron tablas).
La cuarta tabla muestra el nmero de casillas que por trmino medio bate cada
una de las piezas durante el desarrollo de las partidas. Como es bien conocido,
esta es una medida del poder de cada pieza.
Una ltima tabla muestra los resultados de simular tandas de 4.000.000 de
simulaciones desde posiciones iniciales que solo contiene el material de los mates
elementales.

2.2.3 De independencia. (Autocorrelacin, prueba de huecos, prueba del pquer,

prueba de Yule)
La prueba Pquer, prueba grupos de nmeros juntos como una mano de poker y
compara cadamano con la mano esperada usando la prueba Chi-cuadrada. La
prueba de corrida arriba abajo es generalmente.
La prueba POKER se utiliza para analizar la frecuencia con la que se repiten los
dgitos en nmeros aleatorios individuales. Para determinar si los nmeros
aleatorios generados cumplen con las propiedades especificadas ( uniformidad e
independencia ) se tendrn las hiptesis siguientes:

2.3 Mtodo de Monte Carlo

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

2.3.2 Aplicaciones

Sistemas de computacin: redes de ordenadores, componentes, programacin,

bases de datos, fiabilidad.
Fabricacin: manejo de materiales, lneas de montaje, equipos de
almacenamiento, control de inventario, mantenimiento, distribucin en planta,
diseo de mquinas.
Negocios: anlisis de existencias, poltica de precios, estrategias de marketing,
estudios de adquisicin, anlisis de flujo de caja, prediccin, alternativas del
transporte, planificacin de mano de obra.
Gobierno: armamento y su uso, tcticas militares, prediccin de la poblacin, uso
del suelo, prevencin de incendios, servicios de polica, justicia criminal, diseo de
vas de comunicacin, servicios sanitarios.

Ecologa y medio ambiente: contaminacin y purificacin del agua, control de

residuos, contaminacin del aire, control de plagas, prediccin del tiempo, anlisis
de sesmos y tormentas, exploracin y explotacin de minerales, sistemas de
energa solar, explotacin de cultivos. Sociedad y comportamiento: estudios de
alimentacin de la poblacin, polticas educativas, estructuras organizativas,
anlisis de sistemas sociales, sistemas de asistencia social, administracin
universitaria.

2.3.3 Solucin de problemas

Supongamos que tenemos un satlite, que para su funcionamiento depende de

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

UNIDAD 3 GENERACIN DE VARIABLES ALEATORIAS

3.1 Conceptos bsicos
Las variables aleatorias son aquellas que tienen un comportamiento probabilstico
en la realidad. Por ejemplo, el nmero de clientes que llegan cada hora a un banco
depende del momento del da de la semana y de otros factores: por lo general, la
afluencia de clientes ser mayor al medioda que muy temprano por la maana; la
demanda ser ms alta el viernes que el mircoles; habr ms clientes un da de
pago que un da normal etc. Dadas estas caractersticas, las variables aleatorias
deben cumplir reglas de distribucin de probabilidad como stas:

La suma de las probabilidades asociadas a todos los valores posibles de la

variable aleatoria x es uno.
La probabilidad de que un posible valor de las variables x se presente
siempre es mayor que o igual a cero.
El valor esperado de la distribucin de la variable aleatoria es la media de
la poblacin.
Si la distribucin de probabilidad asociada a una variable aleatoria est
definida por ms de un parmetro, dichos parmetros pueden obtenerse
mediante un estimador no sesgado. Por ejemplo, la varianza de la
poblacin puede ser estimada utilizando la varianza de una muestra que es
s2. De la misma manera, la desviacin estndar de la poblacin, puede
estimarse mediante la desviacin estndar de la muestra s.

3.2 Variables aleatorias discretas

3.4 Mtodos para generar variables aleatorias

Supongamos que la variable aleatoria X tiene la funcin de distribucin F continua
y estrictamente creciente, siempre que 0<F(x) <1. Sea Y una variable aleatoria con
distribucin uniforme en (0,1). Entonces, la variable aleatoria F-1(U) tiene funcin
de distribucin F.
Esta proposicin sugiere que para hacer un muestreo de una variable aleatoria X
de la que se conoce F-1(x), se pueden generar nmeros U uniformes entre (0,1) y
hacer X = F-1(U).
Mtodo de Rechazo
Mtodo De Composicin.

3.4.1 Mtodo de la transformada inversa.

El mtodo de la transformada (o transformacin) inversa, tambin conocido como
mtodo de la inversa de la transformada, es un mtodo para
la generacin de nmeros aleatorios de cualquier distribucin de probabilidad
continua cuando se conoce la inversa de su funcin de distribucin .
El mtodo de la transformada inversa se basa en el siguiente teorema:

3.4.2 Mtodo de convolucion.

Muchas variables aleatrias incluyendo l normal, binomial, Poisson, gamma,
erlang, etc., se pueden expressar de forma exacta o aproximada mediante l suma
lineal de otras variables aleatrias.
El mtodo de convolucin se pueden usar siempre y cuando l variable
aleatria x se pueda expresar como una combinacin lineal de k variables
aleatrias:

En este mtodo se necesita generar k nmeros aleatorios (u1,u2,...,uk) para

generar (x1,x2,...xk) variables aleatrias usando alguno de los mtodos anteriores
y as poder obtener un valor de l variable que se desea obtener por convolucin.

3.4.2 Mtodo de composicin.

Este mtodo va a poder ser aplicado cuando la funcin de densidad es fcil de

Siendo n el nmero de trozos en los que se ha dividido la funcin.

Cada uno de los fragmentos se puede expresar como producto de una funcin de
distribucin y un peso

Y la funcin de distribucin global la podemos obtener como

El mtodo consiste en generar dos nmeros aleatorios, uno sirve para seleccionar
un trozo y el otro se utiliza para generar un valor de una variable que sigue la
distribucin de dicho trozo. El valor de la variable obtenida es el valor buscado.
El algoritmo general queda como sigue:
Generar u1, u2~U (0,1)
Si u1=w1 entonces generar x~f1(x) Si no Si u1=w1+w2 entonces generar x~f2(x).

3.5 Procedimientos especiales.

Existen diferentes tipos de mtodos para generar variables aleatorias, pero
tambin existen casos especiales para generar estas los cuales son:

La Distribucin De Poisn.

La Distribucin Binomial.

La Distribucin Erlang.

3.6 Pruebas estadstica. (Pruebas de bondad de ajuste)

Cuando se realizan investigaciones, con frecuencias importante obtener
informacin a travs de una muestra. Algunos estudios producen resultados sobre
los que no podemos afirmar que se distribuyen.
En estos casos debemos emplear tcnicas no paramtricas que se utilizan
ampliamente en las aplicaciones de las ciencias sociales, cuando se pueden
asumir a priori que los datos de una muestra se ajusten a una distribucin normal.
Ahora nos ocuparemos del problema de verificar si de un conjunto de datos se
pueden afirmar que proviene de que proviene.
Estadstica No Parametrica
La estadstica no paramtrica es una rama de la estadstica las pruebas y modelos
estadsticos cuya distribucin subyacente no se ajuste a los llamados criterios
paramtricos. Las pruebas paramtricas no asumen ningn parmetro de
distribucin de las variables mustrales.
Las pruebas paramtricas asumen los parmetros de las variable (media y
varianza) y un tipo de distribucin normal.
Las pruebas no paramtricas no asumen ningn parmetro de distribucin de las
variables muestrales.

Para resolver este problema utilizaremos unas pruebas estadsticas que reciben el
nombre general de pruebas de bondad de ajuste.
Este calculo de pruebas es sencillo, desde el punto de vista manual y matemtico,
sin embargo y siguiendo con nuestra practica, facilita el trabajo hacerlo con la hoja
de calculo de Excel.
Prueba Fisher
Es la prueba estadstica de eleccin cuando la prueba de Chi-cuadrada no puede
ser empleada por tamao muestral insufiente.
Prueba de Chi-Cuadrada
Se basa en la hiptesis nula (Ho) de que no hay diferencias significativas entre la
distribucin muestral y la teora. Mientras que la hiptesis alternativa (H1),
siempre se enuncia como que los datos no siguen la distribucin supuesta.
Estadstico de Prueba
El estadstico de prueba esta definido como la sumatoria de los residuos
expresados en trminos de las frecuencias esperadas para cada una de las
clases.
Interpretacin. Cuanto mayor sea el valor de , menos verosmil es que la hiptesis
Ho sea correcto. De la misma forma, cuanto ms se aproxima a cero el valor de
Chi-cuadrada.
Si = 0. La frecuencia terica y observada concuerda exactamente.
Si > 0. Mientras mayor es la diferencia mayor es la discrepancia.
En la prctica: si Ho = 0 no existe diferencia significativa es la distribucin de la
frecuencia observada y la distribucin terica especficamente los mismos
parmetros.

UNIDAD 4 LENGUAJES DE SIMULACIN

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

desarrollados para diferentes objetivos (como SIMPROCESS, ProModel, Witness,

Taylor II y Cristal Ball).
4.2 APRENDIZAJE Y USO LENGUAJE DE SIMULACIN O UN SIMULADOR
Los lenguajes de simulacin facilitan enormemente el desarrollo y ejecucin de
simulaciones de sistemas complejos del mundo real.
Los lenguajes de simulacin son similares a los lenguajes de programacin de alto
nivel pero estn especialmente preparados para determinadas aplicaciones de la
simulacin.
As suelen venir acompaados de una metodologa de programacin apoyada por
un sistema de smbolos propios para la descripcin del modelo por ejemplo
mediante diagramas de flujo u otras herramientas que simplifican notablemente la
modelizacin y facilitan la posterior depuracin del modelo.
Caractersticas de los lenguajes de simulacin:

Los lenguajes de simulacin proporcionan automticamente las

caractersticas necesarias para la programacin de un modelo de simulacin, lo
que redunda en una reduccin significativa del esfuerzo requerido para programar
el modelo.
Proporcionan un marco de trabajo natural para el uso de modelos de
simulacin. Los bloques bsicos de construccin del lenguaje son mucho ms
afines a los propsitos de la simulacin que los de un lenguaje de tipo general.
Los modelos de simulacin son mucho ms fcilmente modificables.
Proporcionan muchos de ellos una asignacin dinmica de memoria
durante la ejecucin.
Facilitan una mejor deteccin de los errores.
Los paquetes de software especialmente diseados para simulacin
contienen aplicaciones diversas que facilitan al simulador las tareas de
comunicaciones, la depuracin de errores sintcticos y de otro tipo de errores, la
generacin de escenarios, la manipulacin on-line de los modelos, etc.
Son muy conocidos y en uso actualmente

Aprendizaje lleva cierto tiempo

Simuladores de alto nivel

Muy fciles de usar por su interface grfica

Restringidos a las reas de manufactura y comunicaciones

Flexibilidad restringida puede afectar la validez del modelo

Entre estos lenguajes especficos podemos nombrar los siguientes: MIDAS,
DYSAC, DSL, GASP, MIMIC, DYNAMO, GPSS, SIMULA, CSSL ( Continuous

System Simulation Language) , CSMP, ACSL ( Advanced Conrinuous Simulation

Language), DARE-P and DARE-Interactive, C-Simscript, SLAM, SIMAN, SIMNON,
SIMSCRIPT-II-5, ADA, GASP IV, SDL.
Muchos de estos lenguajes dependen fuertemente de los lenguajes de propsito
general como es el caso de SLAM o SIMAN que dependen de Fortran para las
subrutinas.
Por otro lado, el GPSS es un caso especial de un lenguaje de simulacin de
propsito especial, altamente estructurado que est orientado a la transaccin, un
caso especial de una orientacin basada en procesos ms general.
El GPSS fue diseado para la simulacin simple de sistemas de colas tales como
trabajos de taller.
A diferencia de los otros lenguajes de simulacin, GPSS tiene varias
implementaciones incluyendo GPSS/H y GPSS/PC, ambos de los cuales sern
discutidos ms adelante.
El SIMAN V, SIMSCRIPT II.5, y el SLAM son lenguajes de simulacin de alto nivel
que tienen constructor especialmente diseados para facilitar la construccin de
modelos.
Estos lenguajes proveen al analista de simulacin con una opcin orientacin
basada en procesos o basada en eventos, o un modelo usando una mezcla de las
dos orientaciones.
A diferencia del FORTRAN, estos tres lenguajes proveen la administracin de la
lista de eventos futuros, generador interno de variables aleatorias, y rutinas
internas para la obtencin de estadsticas (estas caractersticas para las
implementaciones del GPSS mencionadas previamente.)
Se pueden lograr clculo complejos en ambas implementaciones del GPSS y
estos tres lenguajes.
El SIMAN, SIMSCRIPT II.5, y el SLAMSYSTEM proveen la capacidad de realizar
simulacin continua (esto es, para modelar sistemas que tengan continuamente
cambios en sus variables de estado) pero este tema no est dentro del alance de
este libro.
El SIMAN est escrito en C, aunque las primeras versiones del lenguaje fue
escrito en FORTRAN.
El SIMAN V puede ser acezado directamente, o a travs del medio ambiente del
ARENA. El SLAMSYSTEM contiene al lenguaje de simulacin SLAM II.
El SLAM II est basado en el FORTRAN y contiene al lenguaje GASP como un
subconjunto.
El GASP es un conjunto de subrutinas en FORTRAN para facilitar las simulaciones
orientadas al objeto escritas en FORTRAN.
El SIMSCRIPT II.5 por otro lado, contiene un subconjunto de un completo lenguaje
cientfico de simulacin comparable con el FORTRAN, C o C++.

El MODSIM III es un descendiente del lenguaje que la compaa de productos

CACI originalmente diseado por la armada de los Estados Unidos.
Hereda mucha de su sintaxis del MODULA-2 y del ADA, ciertas caractersticas del
ADA y sus conceptos de simulacin del SIMSCRIPT y el SIMULA.
Algunas de las caractersticas de la simulacin orientada al objeto fueron
originalmente vistas en el SIMULA y el SMALLTALK.
4.3 CASOS PRCTICOS DE SIMULACIN
Un caso prctico de una simulacin podemos decir en esta parte, la simulacin del
Mtodo de Monte Carlo.
ALGORITMOS
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la
generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el
cual se basa en las distribuciones acumuladas de frecuencias:

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

Generar un nmero aleatorio uniforme (0,1).

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

acuerdo a las clases que tengamos.
Calcular media, desviacin estndar error y realizar el histograma.

Analizar resultados para distintos tamaos de muestra.

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

Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias

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

Las principales caractersticas a tener en cuenta para la implementacin o

utilizacin del algoritmo son:

El sistema debe ser descripto por 1 o ms funciones de distribucin de

probabilidad (fdp)
Generador de nmeros aleatorios: como se generan los nmeros aleatorios es
importante para evitar que se produzca correlacin entre los valores mustrales.
Establecer lmites y reglas de muestreo para las fdp: conocemos que valores
pueden adoptar las variables.
Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a
simular.
Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para
que una corrida sea vlida?
Tcnicas de reduccin de varianza.
Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia
trabajar con varios procesadores paralelos para realizar la simulacin.
EJEMPLO PRACTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y
queremos ver qu sucede con el promedio de la demanda en varias iteraciones:

Utilizando la distribucin acumulada (F(x) es la probabilidad que la variable

aleatoria tome valores menores o iguales a x) podemos determinar cul es el valor
obtenido de unidades cuando se genera un nmero aleatorio a partir de una
distribucin continua uniforme.
Este mtodo de generacin de variable aleatoria se llama Transformacin Inversa.

Generando los valores aleatorios vamos a ver como se obtiene el valor de la

demanda para cada da, interesndonos en este caso como es el orden de
aparicin de los valores.
Se busca el nmero aleatorio generado en la tabla de probabilidades acumuladas,
una vez encontrado (si no es el valor exacto, ste debe ser menor que el de la fila
seleccionada pero mayor que el de la fila anterior), de esa fila tomada como
solucin se toma el valor de las unidades (Cuando trabajamos en Excel debemos
tomar el lmite inferior del intervalo para busca en las acumuladas, para poder

emplear la funcin BUSCAR V (), para 42 sera 0, para 43 0,100001 y as

sucesivamente).

4.3.1 PROBLEMAS CON LNEAS DE ESPERA.

Simulacin

de

una

lnea

de

espera

con

una

fila

un

servidor

Un sistema de colas estar definido cuando tengamos la siguiente informacin

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

Tanto el tiempo de servicio como el tiempo entre llegadas siguen una distribucin
exponencial aunque con parmetros diferentes, para el caso del tiempo entre
llegadas tenemos =15 y para el tiempo de servicio tenemos =10.
Aplicando el mtodo de la transformada inversa a la distribucin exponencial
(consultar Dyner etc. al, 2008), tenemos que:

Donde corresponde a una observacin de una variable exponencial, _ es un

nmero aleatorio entre cero y uno y es la media de la distribucin.
Para la implementacin del sistema descrito en Excel, abra una nueva hoja de
clculo y configrela como se muestra en la figura.

En la celda B8 escriba la formula =ALEATORIO () y arrastre hasta la celda B23.

Repita este procedimiento para la columna G.

En el paso anterior, se defini los nmeros aleatorios a partir de los cuales se

generaran las observaciones de variables aleatorias de la simulacin.
Ahora, en la celda C8 escribe la formula =-LN (1-B8)/$B$4, y arrastre hasta la
celda C23.
Como se puede apreciar, esta es la frmula descrita anteriormente para obtener
observaciones de una variable exponencial.
En este caso, se estn generando observaciones para la variable aleatoria de
tiempos entre llegadas.
En la celda D8 escribe la formula =C8, lo anterior significa que como es la primera
llegada al sistema, su tiempo de llegada (en el instante de tiempo en el que llego
al sistema), ser igual a su tiempo entre llegadas.
Sin embargo, para la celda D9 la formula correspondiente es =C9+D8, ahora
arrastre la frmula de D9 hasta D23; esta frmula significa que despus de que
llega el primer cliente, el instante de tiempo en el que cualquier otro cliente llega al
sistema ser el instante de tiempo en el que entro el penltimo cliente sumado el
tiempo entre llegadas del ltimo cliente, es decir, si el penltimo cliente entro al
sistema en el instante t=4, y el tiempo entre llegadas del ultimo cliente es dt=2,
entonces este ltimo cliente entrara realmente al sistema en t=6.
La frmula correspondiente a la celda E8 es =D8, esto significa que, al ser primer
cliente, el instante en el que llega al sistema ser el mismo instante en el que
comienza el servicio; ms adelante se presenta las formulas correspondientes al
resto de clientes del sistema en esta columna.
Ahora en la celda F8 escriba la formula =E8-D8 y arrstrela hasta la celda F23,
esto corresponde al tiempo de espera del cliente antes de comenzar a ser
atendido, note que D8 nunca ser mayor que E8 ya que el valor mnimo que
puede tomar el tiempo de comienzo del servicio es el tiempo de llegada, es decir,
cuando un cliente llega al sistema y no tiene que hacer fila.
En la celda H8 escribe la formula =-LN (1-G7)/$B$5, y arrstrela hasta la celda
H23, esta frmula indica cuanto tiempo tardara el servidor atendiendo al cliente
actual.
Ahora en la celda I8 escriba la formula =E8+H8, esta frmula indica el instante de
tiempo en el que servidor termina de atender al cliente actual y corresponde a la
suma entre el instante que comienza el servicio y la cantidad de tiempo que este
toma.
Retomemos ahora la columna E, ntese que esta solo est definida en su posicin
E8, esto porque primero se requera definir otros valores antes de poder
determinar el instante en el que empieza realmente el servicio.
En un sistema como el aqu presentado se pueden tener dos casos para el tiempo
de comienzo del servicio, en primer lugar puede que el servidor se encuentre
desocupado, en este caso el tiempo de comienzo del servicio ser igual al tiempo
de llegada al sistema y no habr tiempo de espera.

Sin embargo, si el servidor se encuentra ocupado, el tiempo de comienzo del

servicio ser igual al mximo entre el instante en que el servidor termine de
atender al cliente actual y el tiempo de llegada al sistema; por si el tiempo de fin
del servicio del cliente actual es igual a tfs=12 pero el tiempo de llegada del
prximo cliente es tll=14, el tiempo de comienzo del servicio del prximo cliente
sera t=14 y el servidor tendr un ocio dt=2; por otro lado, si tfs=13 para el cliente
actual y el prximo cliente tiene un tll=10, el servidor no tendr ocio y el prximo
cliente debera esperar un intervalo de tiempo dt=3. De lo anterior se concluye que
la frmula para la celda E9 debe ser=MAX (D9;I8), ahora arrastre esta frmula
hasta la celda E23.
Hasta este punto se tiene una simulacin de un sistema de lneas de espera con
una fila y un servidor, si se desea generar nuevas observaciones presione la tecla
F9; como tarea al lector se deja el clculo de:
Tiempo promedio en el sistema
Tiempo promedio de espera (sin incluir ceros)
Tiempo promedio de espera (incluyendo ceros)
Tiempo promedio de servicio
Tiempo promedio de ocio
Adicionalmente se plantea al lector elaborar, una simulacin en Excel que
represente el sistema que se muestra en la figura siguiente, donde p es la
probabilidad de que un cliente se dirija a S1 o a S2.
Tanto el tiempo entre llegadas como los tiempos de servicio, se distribuyen
exponencial con los parmetros que se muestran a continuacin.

Tiempo entre llegadas: =8

Tiempo de servicio S1: =13
Tiempo de servicio S2: =18
Probabilidad p: 0.63
4.3.2 PROBLEMAS CON SISTEMAS DE INVENTARIO.
El diseo de sistema de inventarios toma en cuenta las caractersticas ms
relevantes del mundo real, es decir, aquellas variables cuya presencia tiene
efectos significativos sobre el objeto fijado.
Desde este punto de vista el sistema presenta una simplificacin o abstraccin de
una realidad.
Por otra parte, la operacin del sistema se facilita con el empleo de modelos, que
en forma directa o indirecta dan eleccin ms conveniente, segn los supuestos
que han llevado a su formulacin.

El desarrollo de modelo no es un trabajo reciente en el campo de la

administracin.
Los esquemas de balance de la empresa representan modelos generales que
simplifican la realidad de la empresa, pero que son capaces de proveer
informacin para la toma de decisiones de los ejecutivos.
En otros casos los modelos, segn los supuestos de su construccin dan una o
ms alternativas que permiten si la realidad se comporta como establece el
modelo, lograr el mejor desempeo del sistema.
Se distinguen dos tipos de modelo que son los empricos y matemticos.
Los modelos empricos corresponden a los que utilizan las empresas para
administrar sus inventarios, cuando no se encuentra una funcin u objetivo
claramente cuantificado que trate de optimizar, y en que la informacin que se
provee a los ejecutivos no permite fcilmente establecer cul es la estrategia de
mayor eficiencia econmica.
Por otro lado los modelos matemticos se caracterizan por representar la realidad
que les preocupa en smbolos y relaciones matemticas.
Dentro de los modelos matemticos se distinguen dos grupos de modelos, los
modelos de optimizacin y los modelos de simulacin.
Los modelos de simulacin parten de una funcin objetiva expresada en forma
matemtica y por su construccin es posible obtener la o las estrategias que
logran el nivel ms alto de eficiencia del objetivo.
En general, la optimizacin del modelo ser real en la medida que sea una
representacin adecuada del mundo que est en estudio.
A su vez, los modelos de optimacin se agrupan en modelo determinsticos y
modelos aleatorios o estocsticos.
Los modelos determinsticos reciben a un conjunto de variables, cuyo
comportamiento o valor en el futuro se supone cierto, es decir, no sujetos a
variacin.
En cuanto a los modelos estocsticos, se caracterizan por que uno o ms
variables pueden tener diferentes valores futuros, y cada uno de ellos tiene una
cierta probabilidad de ocurrencia.
4.4 VALIDACIN DE UN SIMULADOR
A travs de esta etapa es valorar las diferencias entre el funcionamiento delsimula
dor y el sistema real que se est tratando de simular.
Las formas ms comunes de validar un modelo son:
1. La opinin de expertos sobre los resultados de la simulacin.
2. La exactitud con que se predicen datos histricos.

3. La exactitud en la prediccin del futuro.

4. La comprobacin de falla del modelo de simulacin al utilizar datos que hacen
fallar al sistema real.
5. La aceptacin y confianza en el modelo de la persona que har uso de los
resultados que arroje el experimento de simulacin.
4.4.1 PRUEBAS PARAMTRICAS (VALIDACIN DEL MODELO, PRUEBAS DE
HIPTESIS Y PRUEBAS DE ESTIMACIN).
Validacin del modelo
Etapas en el desarrollo de un simulador.
Recordemos que las etapas nombradas para desarrollar un simulador son:
1) Identificacin del problema
2) Delimitacin del sistema
3) Formulacin del modelo
4) Preparacin de datos
5) Construccin del modelo
6) Validacin
7) Diseo de experimentos
8) Ejecucin de experimentos
9) Interpretacin (Inferencia)
10) Documentacin
IV) Etapa IV: Preparacin de datos, o bien obtencin de datos.
Consiste en la identificacin y captacin de los datos que requiere el modelo, de
acuerdo a la formulacin que se haya hecho en las etapas anteriores del diseo.
V. Construccin del modelo
Es llevar el modelo que se tiene del simulador a un lenguaje de programacin
disponible en el computador a usar o en las configuraciones disponibles, y que
debe conocer su programacin.
VI. Validacin
Es esta etapa se trata de establecer, y si es posible aumentar, el nivel aceptable
de confiabilidad de las inferencias efectuadas sobre el sistema real.
VII Diseo de experimentos
Aqu se usan las reglas y los procedimientos que la estadstica considera para el
diseo de experimentos en general y que se aplica a disear experimentos a
efectuar con el simulador.
VIII Ejecucin de los experimentos
Corresponde a la etapa operacional del diseo de experimentos.
IX Interpretacin

Se hacen las inferencias sobre el sistema real de los datos generados por el
simulador.
X. Documentacin
Se debe indicar por escrito puntos tales como: los objetivos, las componentes y
subsistemas, variables de entrada y de salida, relaciones funcionales, el modelo
formulado, la funcin de desempeo, y lo pertinente hasta aqu (Diseo lgico del
simulador).
XII. Explotacin
Es dejar el simulador con los manuales y documentacin a disposicin del o los
usuarios.
Pruebas de hiptesis
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en
parmetro poblacional.
Despus de recolectar una muestra aleatoria, se compara la estadstica muestral,
as como la media (x), con el parmetro hipottico, se compara con una supuesta
media poblacional.
Despus se acepta o se rechaza el valor hipottico, segn proceda.
Se
rechaza
el
valor hipottico
slo
si
el
resultado
resulta muy poco probable cuando la hiptesis es cierta.
Etapas Para La Prueba De Hiptesis.

muestral

Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa.

La hiptesis nula (H0) es el valor hipottico del parmetro que se compra con el
resultado muestral resulta muy poco probable cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar.
El nivel de significancia del 5%, entonces se rechaza la hiptesis nula solamente si
el resultado muestral es tan diferente del valor hipottico que una diferencia de
esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad de
1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba.
La estadstica de prueba puede ser la estadstica muestral (el estimador no
segado del parmetro que se prueba) o una versin transformada de esa
estadstica muestral.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba.
Habiendo especificado la hiptesis nula, el nivel de significancia y la estadstica de
prueba que se van a utilizar, se produce a establecer el o los valores crticos de
estadstica de prueba.
Etapa 5.- Determinar el valor real de la estadstica de prueba.

Por ejemplo, al probar un valor hipottico de la media poblacional, se toma una

muestra aleatoria y se determina el valor de la media muestral.
Etapa 6.- Tomar la decisin.
Se compara el valor observado de la estadstica muestral con el valor (o valores)
crticos de la estadstica de prueba.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor
crtico en la distribucin estadstica que divide la regin del rechazo (en la cual la
hiptesis nula no se puede rechazar) de la regin de rechazo.
PASOS DE LA PRUEBA DE HIPTESIS
1. Expresar la hiptesis nula
2. Expresar la hiptesis alternativa
3. Especificar el nivel de significancia
4. Determinar el tamao de la muestra
5. Establecer los valores crticos que establecen las regiones de rechazo de las
de no rechazo.
6. Determinar la prueba estadstica.
7. Coleccionar los datos y calcular el valor de la muestra de la prueba estadstica
apropiada.
8. Determinar si la prueba estadstica ha sido en la zona de rechazo a una de no
rechazo.
9. Determinar la decisin estadstica.
10 Expresar la decisin estadstica en trminos del problema.

4.4.2 PRUEBAS NO PARAMTRICAS

Las pruebas estadsticas no paramtricas son las que, a pesar de basarse en
determinadas suposiciones, no parten de la base de que los datos analizados
adoptan una distribucin normal.
Tcnica estadstica que no presupone ninguna distribucin de probabilidad terica
de la distribucin de nuestros datos.
Se denominan pruebas no paramtricas aquellas que no presuponen una
distribucin de probabilidad para los datos, por ello se conocen tambin como de
distribucin libre (distribucin free).
En la mayor parte de ellas los resultados estadsticos se derivan nicamente a
partir de procedimientos de ordenacin y recuento, por lo que su base lgica es de
fcil comprensin.
Cuando trabajamos con muestras pequeas (n < 10) en las que se desconoce si
es vlido suponer la normalidad de los datos, conviene utilizar pruebas no

paramtricas, al menos para corroborar los resultados obtenidos a partir de la

utilizacin de la teora basada en la normal.
En estos casos se emplea como parmetro de centralizacin la mediana, que es
aquel punto para el que el valor de X est el 50% de las veces por debajo y el 50%
por encima.
Las pruebas no paramtricas no requieren asumir normalidad de la poblacin y en
su mayora se basan en el ordenamiento de los datos, la poblacin tiene que ser
continua.
El parmetro que se usa para hacer las pruebas estadsticas es la Mediana y no
la Media.
Son tcnicas estadsticas que no presuponen ningn modelo probabilstico terico.
Son menos potentes que las tcnicas paramtricas, aunque tienen la ventaja que
se pueden aplicar ms fcilmente.