Simulación

¿Qué es Simulación?

• Viene a ser la reproducción artificial de un sistema en sus

relaciones de entrada y salida (a través de variables
aleatorias), implementadas en un programa de una PC.
Esta técnica numérica permite realizar experimentos en una
PC. de programas matemáticos y lógicos que describen el
comportamiento de un sistema (manufactura, negocios
sociales, etc.) a través de grandes períodos de tiempo.
• Permite describir y analizar el comportamiento del sistema
real, y responder ciertas interrogantes para apoyar el
diseño de sistemas reales.
 RECOLECCIÓN Y
PROCESAMIENTO DE
DATOS

FORMULACIÓN DEL
PASOS PARA IMPLEMENTAR PROBLEMA
UN PROCESO DE SIMULACION
FORMULACIÓN DEL
PROBLEMA

ESTIMACIÓN DE LOS
PARÁMETROS

EVALUACIÓN
DEL MODELO

FORMULACIÓN DEL
PROGRAMA PARA LA

VERIFICACIÓN

DISEÑO DE
EXPERIMENTOS

ANÁLISIS DE DATOS
DE LA SIMULACIÓN
 Definición del Problema

Establecer Objetivos y Plan General del Proyecto

Conceptualización Modelo Recolección de Datos

Construcción del Modelo

no
¿Verificado?

no no
¿Validado?

Diseño de Experimentos

Corridas de Producción / Análisis de Resultados

si si
¿Más Corridas?

Reportes Preliminares, Documentar y Reportes Finales

Que es entonces simulación?
 Es una metodología que permite apoyar la toma
de decisiones.
 ya sea en el diseño de Sistemas, antes que este sea
construido
 ya sea probando políticas de Operación, antes que
estas sean implantadas

 Por si misma, la Simulación, no resuelve los

problemas, sino que ayuda a:
 identificar los problemas relevantes
 evaluar cuantitativamente las soluciones alternativas
 ¿Por qué son necesarios los
modelos de simulación?

 Permite la experimentación de un sistema o

procesos de la misma.
 ... puede ser muy costosa
 ... o puede llevarlo a colapsos
 ... o puede ser simplemente imposible
 La Simulación ...

 Es un término muy amplio, en realidad existen un

conjunto de enfoques para analizar problemas
 La Simulación requiere de MODELOS (validez)
 No es una solución analítica
 No obtiene resultados exactos (desventaja)
 Permite modelar sistemas complejos (ventaja)
 Es mejor una respuesta aproximada al problema
correcto que una respuesta correcta al problema
aproximado
 Es la técnica de modelación matemática más útil,
de mayor reconocimiento en el estudio de sistemas
 Areas de Aplicación

 Manufactura — Programación, Inventarios

 Personal en empresas de servicios
 Bancos, Comida Rápida, Correo, ...
 Distribución y Logística
 Salud — Salas de emergencia y de operaciones
 Sistemas de Computadores
 Telecomunicaciones, Transporte y Energía
 Aplicaciones Militares y Navales
 Política Públicas
 Planes de Emergencia (terremotos, inundaciones)
 Distribución de Servicios (juzgados, hospitales)
 Simulación Computacional

 Un Método para Estudiar un amplio abanico de modelos

de sistemas del mundo real
 Uso de evaluación numérica con el computador
 Uso de software para “imitar” las operaciones y
características del sistema, a menudo en el tiempo
 En la práctica, es el proceso de diseñar y crear modelos
computarizados del sistema y hacer experimentos
numéricos con el computador
 Una aplicación poderosa a sistemas complejos
 Simulación puede tolerar modelos complejos
 ¿Cuándo Simular?

Cuando:
 Desarrollar un modelo matemático es muy difícil o
quizás aún imposible
 El sistema tiene una o más variables aleatorias
relacionadas.
 La Dinámica del sistema es extremadamente compleja.
 El objetivo es observar el comportamiento del sistema
sobre un período.
 La habilidad de mostrar la animación es importante.
 Justificación Económica

Costo Costos de Operación

SIN Simulación

Costos de Operación
CON Simulación

Tiempo
 Ventajas de la Simulación

 Beneficio general de la simulación

 Laboratorio de aprendizaje
 Algunos beneficios específicos
 Permite manejar procesos no homogéneos
 Mejorar desempeño del sistema
 Disminuir inversiones y gastos de operación
 Reducir el tiempo de desarrollo del sistema
 Asegurar que el sistema se comportará como se desea
 Conocer oportunamente hechos relevantes
 Flexibilidad para modelar las cosas tal como son ( aún si son
enredadas y complicadas)
 Evitan “buscar” sólo dónde hay luz: Cuento en dónde un “borrachito” busca las llaves
del auto cerca del farol porque ahí puede ver y no dónde se le cayeron realmente
porque está oscuro
 No se obtiene respuestas exactas, sólo estimaciones,
aproximaciones
 Lo que también es cierto en otros métodos modernos
 Puede poner límites de error por aproximaciones de máquina.
 Se obtiene salidas aleatorias de las simulaciones estocásticas
 Diseño estadístico, análisis de experimentos de simulación
 Explota: control de ruido, replicabilidad, muestreo secuencial, técnicas de reducción de
variancia
 Permite Modelar la Incertidumbre y lo transciende
 La única cosa segura es que nada es seguro
 Peligro de ignorar la variabilidad y la incertidumbre
 Validez del Modelo
 Precauciones al Simular

 Puede ser costosa y consumidora de tiempo

inicialmente.
 Algunas veces soluciones mejores y más fáciles son
pasadas por alto.
 Los resultados pueden ser mal interpretados
 Por lo general son ignorados los factores humanos y
tecnológicos.
 Colocar o poner demasiada confianza en los
resultados de la simulación.
 Es difícil verificar si los resultados son válidos.
 Números Aleatorios

• Elemento Central en la Simulación digital.

• Definición formal controvertida.
• Elemento esencial en muchas áreas del conocimiento
Ingeniería, Economía, Física, Estadística, etc.
• Definición intuitiva: Una sucesión de números
aleatorios puros, se caracteriza por que no existe
ninguna regla o plan que nos permita conocer sus
valores.
• Los números aleatorios obtenidos a través de
algoritmos recursivos se llaman pseudoaleatorios.
 Formas de obtener Ns As:
 Por provisión externa: Viene a ser la obtención de Ns. As
impresos o almacenados en tablas aleatorias o en unidades
de memoria (diskettes, disco duro, etc.)
 Generación interna a través de un proceso físico: que es el
uso de un dispositivo especial acompañado de una PC,
registra los resultados de un proceso aleatorios,
reduciéndolo además estos resultados a sucesiones de Ns.
As.
 Generación interna a través de una relación de recurrencia:
obtención de sucesiones de números a través de fórmulas
determinísticas preestablecidas.
Características de los Ns. As.
 Ser estadísticamente independientes.
 Estar uniformemente distribuidos.
 Tener períodos largos.
 Ser reproducibles.
 Ser generadores a través de un método
rápido.
 Ocupar poca capacidad de memoria en
almacenamiento.
Números Aleatorios
Disponer de un buen generador de números
aleatorios es clave en:

 Computación Aleatorizada
 Computación Evolutiva
 Algoritmos Aleatorizados
 Verificación de Algoritmos
 Validación de Algoritmos
 Criptografía
 etc.
Métodos de Generación de Números Aleatorios

1.- Método de los cuadrados medios

2.- Métodos Congruenciales
3.- Método de registros desfasados

[Semilla - Algoritmo - Validación]

P1 : Obtener semilla (valores iniciales)
P2 : Aplicación de Algoritmos recursivos
P3 : Validación del conjunto de datos
generados (Test de Aleatoriedad)
MÉTODOS CONGRUENCIALES
PARA GENERAR Ns.As.
 Métodos congruencial mixto.
 Métodos congruencial multiplicativo
 Métodos congruencial aditivo.
 Métodos del cuadrado central.

 MÉTODO CONGRUENCIAL MIXTO.

X n+1 = (aXn + c) Mod m con n= 0, 1, ... , m-1

 Donde:
 Xo = Semilla (Xo > 0) ; (Xo , siempre es dato)
 a = multiplicador (a>0)
 c = constante aditivo (c>0)
 m= módulo (m> Xo, m>a, m>c)
 GENERACIÓN DE VARIABLES ALEATORIAS NO UNIFORMES
 Método de transformación inversa.
 Método de rechazo
 Método de composición.
 Método de procedimiento especiales
Método de la transformada inversa
 Se trabaja con la función de distribución acumulada: F(x)
 Por ser: 0 < F(x) < 1 y 0 < R < 1  R= F (x)  x = F-1 (R)
Gráficamente: F (x )

(X )
X = F -1(R )
 MÉTODO DE RECHAZO
Es otro método para simular variables aleatorias
que describan la fin de probabilidad no uniforme
en un intervalo con dominio finito (a , b).
El método implica resolver los siguientes pasos:
1. Generar un par de Ns As: R1 y R2
2. R1 está representado a través de: X = a + (b-a). R1
2. Evaluar la función de en: X = a + (b-a) – R1
3. Verificar si la siguiente desigualdad se cumple:
R2 < f [a+(b-a) R1] / M F (x )
M

Donde:
M = cota superior de la función.

X
a b
Ejemplo: Simule la siguiente función empírica.
Sea f(x) = 2x si 0 < x < 1

Solución

1. Se generan R1 y R2
2. Calcular x= R1
3. R2 < f(R1)/2 =2R1 / 2 = R1
Luego; para todo R2 < R1  es un valor simulado
f

H= 2

0
0 ,4 0 ,6 1 X
 MÉTODO DE
MONTECARLO
El M. Montecarlo se aplica cuando las Vs. As son discretas.
Este método se caracteriza por dividir en “N” subintervalos el intervalo
[0, 1], donde c/ subintervalo representa la inversa de la función.

Ejemplo. Simule X ~ Poisson () 5 x

Solución: P( x)  e  ; x  0,1, 2, 3,...
Para  = 5 x!
x p(x) P(x) R x
0 e-5 = 0.0067 0,0067 Si 0,0000 ≤ R1 <0.0067  x=0
1 5e-5 = 0.0337 0,0404 Si 0,0067 ≤ R2 <0.0404  x=1
2 12,5e-5 = 0.0842 0,1246 Si 0,0404 ≤ R3 <0.1246  x=2
3 (25/6)e-5 = 0.1404 0,2650 Si 0,1246 ≤ R4 <0.2650  x=3
4 0,1755 0.4405
Si 0,2650 ≤ R5 <0.4405  x=4
5 0,1755 0.6160
… … … Si 0,4405 ≤ R6 <0.6160  x=5
X=0 x=1 x=2 …x=3- …
…
Intervalo:
0.0 0.00067 0.0404 0.1246 0.2650 … 1