introducciÓn - msc. jaime soto (ing.) | sitio … problemas para llevar a cabo la simulaciÓn,...
TRANSCRIPT
1
INTRODUCCIÓN
La creciente capacidad de las computadoras y la inmensa investigación en el campo de la
Ciencia de la Computación otorgan nuevas herramientas para apoyar el proceso de la toma
de decisiones en diversas disciplinas y áreas de diseño y manejo de la industria. La
Simulación es una de las herramientas más importantes y más interdisciplinarias. En
pocas palabras podemos decir, que la simulación realiza cuando la computadora finge ser
una tienda, un avión o un mercado de abarrotes. El usuario define la estructura del sistema
que quiere simular. Una corrida del programa de simulación correspondiente le dice cual
será el comportamiento dinámico de su empresa o de la maquina que esta diseñando. Así
podemos ver los pronósticos para la demanda y utilidad de nuestro producto, o ver cuando
un mecanismo pueda fallar en las condiciones adversas del ambiente donde funcionará.
Las aplicaciones de la simulación parecen no tener limites. Actualmente se simulan los
comportamientos hasta las partes más pequeñas de un mecanismo, el desarrollo de las
epidemias, el sistema inmunológico humano, las plantas productivas, sucursales bancarias,
el sistema de repartición de pizzas en la Ciudad de México, crecimiento de poblaciones de
especies de animales, partidos y torneos de fútbol, movimiento de los planetas y la
evolución del universo, para mencionar unos pocos ejemplos de las aplicaciones de esta
herramienta. Cabe mencionar la creciente importancia de la Simulación en la
Investigación de operaciones y en sus aplicaciones industriales. En los países altamente
desarrollados la simulación es una herramienta principal de en los procesos de toma de
decisiones, en el manejo de empresas y el planeación de la producción. Además, la
Simulación es cada vez más “amigable” para el usuario, que no tiene que ser un
especialista en computación.
El Dr. Ralph Huntsinger, ex-presidente de la “Society for Computer Simulation” y actual
Presidente del Instituto McLeod de las Ciencias de Simulación ha dicho en sus
presentaciones en el Primer Simposio sobre la Simulación por Computadora y la III
Conferencia sobre Simulación por Computadora (Universidad Panamericana, Noviembre
1992 y 1995):
!LA SIMULACIÓN ES ÚTIL Y DIVERTIDA¡
¡DISFRUTE SUS VENTAJAS¡
UNIDAD I: CONCEPTOS BÁSICOS DE SIMULACIÓN.
La simulación es una técnica muy poderosa y ampliamente usada en las ciencias
para analizar y estudiar sistemas complejos. En Investigaciones se formularon modelos
que se resolvían en forma analítica. En casi todos estos modelos la meta era determinar
soluciones óptimas. Sin embargo, debido a la complejidad, las relaciones estocásticas, etc.,
no todos los problemas del mundo real se pueden representar adecuadamente en forma de
modelo. Cuando se intenta utilizar modelos analíticos para sistemas como éstos, en
general necesitan de tantas hipótesis de simplificación que es probable que las soluciones
no sean buenas, o bien, sean inadecuadas para su realización. En eso caso, con frecuencia
2
la única opción de modelado y análisis de que dispone quien toma decisiones es la
simulación. Simular, es reproducir artificialmente un fenómeno o las relaciones entrada-
salida de un sistema. Esto ocurre siempre cuando la operación de un sistema o la
experimentación en él son imposibles, costosas, peligrosas o poco prácticas, como en el
entrenamiento de personal de operación, pilotos de aviones, etc.
Si esta reproducción está basada en la ejecución de un programa en una
computadora digital, entonces la simulación se llama digital y usualmente se conoce como
simulación por computadora, aunque esto incluye la simulación en las computadoras
analógicas. La simulación por computadora está relacionada con los simuladores. Por
simulador entendemos no sólo un programa de simulación y la computadora que lo realiza,
sino también un aparato que muestra visualmente y a menudo físicamente las entradas y
salidas (resultados) de la simulación, como es el caso de los simuladores profesionales de
vuelo, aunque en este curso no se hablará sobre los simuladores ni sobre la simulación
analógica. A partir del advenimiento de las computadoras electrónicas, la simulación ha
sido una de las herramientas más importantes y útiles para analizar el diseño y operación de
complejos procesos o sistemas. Simular, según el Diccionario Universitario Webster, es
“fingir, llegar a la esencia de algo, prescindiendo de la realidad”.
Se puede definir a la simulación como la técnica que imita el funcionamiento de un
sistema del mundo real cuando evoluciona en el tiempo. Esto se hace por lo general al
crear un modelo de simulación. En síntesis, cada modelo o representación de una cosa es
una forma de simulación. La simulación es un tema muy amplio y mal definido que es
muy importante para los responsables del diseño de sistemas, así como para los
responsables de su operación.
Shannon define la simulación como el proceso de diseñar un modeló de un sistema real y
realizar experimentos con él para entender el comportamiento del sistema o evaluar varias
estrategias (dentro de los limites impuestos por un criterio o por un conjunto de criterios)
para la operación del sistema. Por lo que se entiende que el proceso de simulación incluye
tanto la construcción del modelo como su uso analítico para estudiar un problema. Un
modelo de simulación comúnmente toma la forma de un conjunto de hipótesis acerca del
funcionamiento del sistema, expresado con relaciones matemáticas o lógicas entre los
objetos de interés del sistema. En contraste con las soluciones matemáticas exactas
disponibles en la mayoría de los modelos analíticos, el proceso de simulación incluye la
ejecución del modelo a través del tiempo, en general en una computadora, para generar
nuestras representativas de las mediciones del desempeño o funcionamiento. En este
aspecto, se puede considerar a la simulación como un experimento de muestreo acerca del
sistema real, cuyos resultados son puntos de muestra. Por ejemplo, para obtener la mejor
estimación del promedio de la medición del funcionamiento, calculamos el promedio de
los resultados de muestra. Es claro que tanto más puntos de muestra generemos, mejor será
nuestra estimación. Sin embargo, hay otros factores que tienen influencia sobre la bondad
de nuestra estimación final, como las condiciones iniciales de la simulación, la longitud del
intervalo que simula y la exactitud del modelo mismo.
3
ALGUNOS USOS DE LA SIMULACIÓN
Las áreas de aplicación de la simulación son muy amplias, numerosas y diversas,
basta mencionar sólo algunas de ellas: Análisis del impacto ambiental causado por diversas
fuentes Análisis y diseño de sistemas de manufactura Análisis y diseño de sistemas de
comunicaciones. Evaluación del diseño de organismos prestadores de servicios públicos
(por ejemplo: hospitales, oficinas de correos, telégrafos, casas de cambio, etc.).
Análisis de sistemas de transporte terrestre, marítimo o por aire. Análisis de grandes
equipos de cómputo. Análisis de un departamento dentro de una fábrica. Adiestramiento de
operadores (centrales carboeléctricas, termoeléctricas, nucleoeléctricas, aviones,
etc.).Análisis de sistemas de acondicionamiento de aire. Planeación para la producción de
bienes. Análisis financiero de sistemas económicos.Evaluación de sistemas tácticos o de
defensa militar. La simulación se utiliza en la etapa de diseño para auxiliar en el
logro o mejoramiento de un proceso o diseño o bien a un sistema ya existente para explorar
algunas modificaciones. Se recomienda la aplicación de la simulación a sistemas ya
existentes cuando existe algún problema de operación o bien cuando se requiere llevar a
cabo una mejora en el comportamiento. El efecto que sobre el sistema ocurre cuando se
cambia alguno de sus componentes se puede examinar antes de que ocurra el cambio
físico en la planta para asegurar que el problema de operación se soluciona o bien para
determinar el medio más económico para lograr la mejora deseada. Todos los
modelos de simulación se llaman modelos de entrada-salida. Es decir, producen la salida
del sistema si se les da la entrada a sus subsistemas interactuantes. Por tanto los modelos
de simulación se “corren” en vez de “resolverse”, a fin de obtener la información o los
resultados deseados. Son incapaces de generar una solución por si mismos en el sentido de
los modelos analíticos; solo pueden servir como herramienta para el análisis del
comportamiento de un sistema en condiciones especificadas por el experimentador. Por
tanto la simulación es una teoría, si no una metodología de resolución de problemas.
Además la simulación es solo uno de varios planteamientos valiosos para resolver
problemas que están disponibles para el análisis de sistemas. Pero ¿Cuándo es útil utilizar
la simulación? Cuando existan una o más de las siguientes condiciones:1.- No existe una
completa formulación matemática del problema o los métodos analíticos para resolver el
modelo matemático no se han desarrollado aún. Muchos modelos de líneas de espera
corresponden a esta categoría.2.- Los métodos analíticos están disponibles, pero los
procedimientos matemáticos son tan complejos y difíciles, que la simulación proporciona
un método más simple de solución.3.- Las soluciones analíticas existen y son posibles, pero
están mas allá de la habilidad matemática del personal disponible El costo del diseño, la
prueba y la corrida de una simulación debe entonces evaluarse contra el costo de obtener
ayuda externa.4.- Se desea observar el trayecto histórico simulado del proceso sobre un
período, además de estimar ciertos parámetros.5.- La simulación puede ser la única
posibilidad, debido a la dificultad para realizar experimentos y observar fenómenos en su
entorno real, por ejemplo, estudios de vehículos espaciales en sus vuelos
interplanetarios.6.- Se requiere la aceleración del tiempo para sistemas o procesos que
requieren de largo tiempo para realizarse. La simulación proporciona un control sobre el
tiempo, debido a que un fenómeno se puede acelerar o retardar según se desee.
4
PROBLEMAS PARA LLEVAR A CABO LA SIMULACIÓN, CUANDO LOS
SISTEMAS SON GRANDES Y COMPLEJOS:
El modelo matemático es demasiado grande y complejo, así que la escritura de los
programas de cómputo resulta ser una tarea demasiado tediosa. En la actualidad se dispone
ya de algunos programas que genera de modo automático el código de un modelo para la
simulación. El tiempo de cómputo es alto y costoso. Sin embargo y gracias a los
actuales desarrollos de poderosos equipos de computo, el tiempo de computo tiende a bajar
rápidamente. Desafortunadamente existe en el mercado una marcada impresión de
considerar a la simulación, como un simple ejercicio de programación de computadoras.
Como consecuencia de ello, codificación y la corrida para obtener finalmente una
respuesta.
SISTEMAS, MODELOS Y SIMULACIÓN
Existen diversos enunciados para definir un sistema, por ejemplo: “ un sistema de
colección de entidades ( personas, máquinas equipos, etc. ) los cuales actúan o interactuan
juntos, para lograr un propósito bien definido “ ( Schmidt & Taylor )
o bien “ Un sistema es un conjunto de componentes cuyos parámetros de comportamiento
están interrelacionados. Simular un sistema significa observar un sistema equivalente que
aproxima o imita el comportamiento del sistema real.
En la práctica, lo que se entiende por sistema depende sobre todo el objetivo que se
quiera alcanzar en un estudio en particular.
La colección de entidades que componen un sistema puede ser tan sólo un
subconjunto de un sistema más amplio. Por ejemplo, si se quiere llevar a cabo un estudio
en un banco, para poder determinar el número de cajeros que se quieren, para proporcionar
un adecuado servicio a los clientes que deseen cambiar cheques por dinero en efectivo o
bien para hacer un depósito en su cuenta de ahorros, el sistema puede ser definido como
una porción del banco que consiste en los cajeros y los clientes que esperaban en una fila
para ser atendidos. Si por otro lado se incluyera la oficina de depósito de valores y cajas
personales de seguridad, entonces la definición de sistema cambia de manera natural.
Entonces las Entidades de un sistema son los elementos que nos interesan en el
sistema y los atributos son la descripción de las propiedades de las entidades. Actividad es
el proceso que causa cambios en el sistema. Estas pueden ser: endógenas cuando se
generan dentro del mismo sistema y exógenas cuando provienen del medio exterior.
El estado de un sistema queda definido como la colección de variables necesarias
para describir un sistema particular, congruente con los objetivos de estudio ( es una
fotografía del sistema )
5
En el ejemplo del banco, algunas de las posibles variables de estado que pueden
definirse son: el número de cajeros, el número de clientes en el banco, la hora de llegada de
cada cliente al banco.
Los sistemas se clasifican en discreto es aquel en el que las variables de estado
cambian instantáneamente en puntos distintos en el tiempo. Se rigen por ecuaciones lógicas
que expresan condiciones para que un evento ocurra. La simulación discreta, consiste en
seguir los cambios en el estado del sistema resultando de cada uno de los eventos que se
realizan. Por regla general este tipo de la simulación se realiza siguiendo la secuencia de
ocurrencia de eventos, es decir avanzamos el tiempo de la simulación al tiempo de la
ocurrencia del siguiente evento.
En los sistemas discretos, el flujo es tratado como un cierto número de enteros. Por
ejemplo en el análisis de flujo de personas en el supermercado, involucra el tiempo que
tarda una persona en las distancias aéreas del supermercado y el contador de salida de un
sistema discreto, otros sistemas discretos son: el análisis de como el de tráfico de autobuses
en una central camionera, e control de tráfico de: trenes en una estación ferroviaria,
aviones en el aeropuerto, vehículos en una autopista, buques en el puerto. Otro ejemplo
puede ser un banco, dado que las variables de estado como pueden ser: el número de
clientes dentro del banco, cambia solamente cuando llega un nuevo cliente o bien cuando
un cliente termina de ser atendido por un cajero y abandona el banco.
Un sistema continuo es aquel en el que las variables de estado cambian de manera
continua en el tiempo. Por ejemplo si consideramos un aeroplano que se mueve por los
aires, sus variables de estado como velocidad, posición, consumo de combustible, etc.,
cambian de manera continua en el tiempo.
En los sistemas continuos el flujo a través del sistema es, el de un medio continuo,
por ejemplo el flujo de las partículas sólidas, moviéndose a velocidades relativas al tamaño
de las partículas presentes en la corriente.
En la práctica, pocos sistemas continuos puros o como sistemas discretos puros, sin
embargo predomina uno de los dos, con lo cual es posible identificarlos.
En la Figura 1 se ilustra las diferentes maneras de cómo se estudian los sistemas en
general.
Otra manera de clasificar a los sistemas es determinísticos y estocásticos. En un
análisis determinístico, las variables de entrada se especifican de una manera precisa; en
cambio en un análisis estocástico, las condiciones de entrada al sistema son inciertas, son
completamente aleatorias, es decir obedecen a una ley de distribución de probabilidad.
6
SISTEMA
EXPERIMENTO CON EXPERIMENTO CON
EL SISTEMA REAL UN MODELO DEL
SISTEMA REAL
MODELO MODELO
FÍSICO MATEMÁTICO
SOLUCIÓN SIMULACIÓN
ANALÍTICA
Figura No. 1 FORMAS DE ESTUDIAR LOS SISTEMAS
EXPERIMENTO CON EL SISTEMA REAL VS. EXPERIMENTO CON EL
MODELO DEL SISTEMA.
Cuando es posible (y el costo lo permite) modificar físicamente el sistema y
operarlo en las nuevas condiciones es probable lo más adecuado sin embargo no existen
muchas preguntas acerca de la relevancia del estudio.
Esta situación raramente es factible dado el alto costo asociado con experimento o
bien porque interrumpe por demasiado tiempo la operación del equipo.
Puede darse el caso que el sistema no exista, sin embargo se requiere saber su
comportamiento para diferentes configuraciones, para observar cual es la que ofrece mayor
ventaja, tal como se da en los modernos centros de maquinado flexible de diversos tipos de
componentes, o en los sistemas tácticos de defensa de un país. Por esta razón se hace
necesario construir un modelo que aproxime de la mejor manera posible el sistema real.
Siempre que se usa un modelo, existe la pregunta de que tan precisamente refleja el
comportamiento del sistema real para propósitos de la toma de decisiones, esto tiene que
ver con la validez del modelo.
Independientemente de como y con qué hagamos nuestro modelo, en cualquier caso
involucra un proceso de abstracción, que consiste básicamente en:
a) Selección de la realidad, los elementos más importantes que intervienen en el problema
y desechar aquellos que consideramos no juegan un papel determinante en el mismo.
7
b) Establecer con precisión las distintas relaciones que guarden entre si dichos elementos.
Una vez realizado este proceso de abstracción estamos en condiciones de elaborar
un modelo, dependiendo de cómo y con qué lo hagamos tomará distintas características.
Construido el modelo, podemos manipular elementos y sobre todo buscar posibles
soluciones. Resolver el problema en el modelo significa haber contestado las siguientes
preguntas:
a) ¿Existe solución? Si la respuesta es negativa habremos terminado, el modelo
construido no tiene solución podemos replantearnos la pregunta y/o replantear el modelo.
Si la respuesta es afirmativa la siguiente pregunta es:
b) ¿La solución es única? Si la respuesta es afirmativa habremos acabado, si resulta
negativa, significa que existe más de una solución, y tendríamos que formularnos la tercera
pregunta:
c) ¿Cual de todas es la que más nos conviene? Para contestar esta última, muchas veces
tenemos que volver a reflexionar sobre la realidad y/o sobre nuestro modelo, para
establecer los criterios que nos permitan decir cual es mejor.
Después de resolver el problema en el modelo, podemos trasladar la solución
encontrada a la realidad, este proceso recibe el nombre de aplicación.
En el análisis de sistemas los tipos de modelos de interés son los modelos
matemáticos, el cual representa al sistema en términos de variables (enteras, reales, lógicas,
etc.) y sus relaciones mutuas, las cuales se manipulan y modifican a placer para poder
determinar la forma como responde el sistema modelado o bien como debe de
comportarse, siempre y cuando el modelo sea valido.
SOLUCIÓN ANALÍTICA CONTRA SIMULACIÓN.
Una vez que se ha construido un modelo matemático, este debe ser analizado para
saber la manera como debe ser utilizado para que de respuesta a las preguntas de interés,
acerca del sistema que supuestamente representa.
Si el modelo es lo suficiente sencillo, es posible trabajar con cantidades y relaciones
que tiendan a la exactitud, obteniéndose entonces una solución exacta. Sin embargo, aún
las soluciones analíticas pueden ser extraordinariamente complejas, requiriéndose de un
considerable tiempo de cómputo.
Pero cuando el modelo es demasiado complejo, el modelo matemático asociado es
de las mismas características y la opción de utilizar una solución analítica se desvanece,
dando paso al estudio del sistema mediante simulación.
8
TIPOS DE MODELOS DE SIMULACIÓN.
MODELOS DE SIMULACIÓN ESTÁTICA VS. DINÁMICA
Un modelo de simulación estática, se entiende como la representación de un
sistema para un instante (en el tiempo) en particular o bien para representar un sistema en
el que el tiempo no es importante, por ejemplo la simulación Montecarlo; en cambio un
modelo de simulación dinámica representa a un sistema en el que el tiempo es una variable
de interés, como por ejemplo en el sistema de transporte de materiales dentro de una
fabrica, una torre de enfriamiento de una central termoeléctrica, etc..
MODELOS DE SIMULACIÓN DETERMINISTA VS ESTOCASTICA
Si un modelo de simulación no considera ninguna variable importante,
comportándose de acuerdo con una ley probabilística, se le llama un modelo de simulación
determinista. En estos modelos la salida queda determinada una vez que se especifican los
datos y relaciones de entrada al modelo, tomando una cierta cantidad de tiempo de
cómputo para su evaluación. Sin embargo, muchos sistemas se modelan tomando en
cuenta algún componente aleatorio de entrada, lo que da la característica de modelo
estocástico de simulación.
Un ejemplo sería un sistema de inventarios de una fábrica, o bien el sistema de
líneas de espera de una fabrica, etc. Estos modelos producen una salida que es en si misma
de carácter aleatorio y ésta debe ser tratada únicamente para estimar las características
reales del modelo, esta es una de las principales desventajas de este tipo de simulación.
MODELOS DE SIMULACIÓN CONTINUOS VS DISCRETOS
Los modelos de simulación discretos y continuos, se definen de manera análogo a
los sistemas discretos y continuos respectivamente. Pero debe entenderse que un modelo
discreto de simulación no siempre se usa para modelar un sistema discreto. La decisión de
utilizar un modelo discreto o continuo para simular un sistema en particular, depende de
los objetivos específicos de estudio. Por ejemplo: un modelo de flujo de tráfico en una
supercarretera, puede ser discreto si las características y movimientos de los vehículos en
forma individual es importante. En cambio si los vehículos pueden considerarse como un
agregado en el flujo de tráfico entonces se puede usar un modelo basado en ecuaciones
diferenciales presentes en un modelo continuo.
Otro ejemplo: Un fabricante de comida para perros, requiere el auxilio de una
compañía consultora con el objeto de construir un modelo de simulación para su línea de
fabricación, la cual produce medio millón de latas al día a una velocidad casi constante.
Debido a que cada una de las latas se representó como una entidad separada en el modelo,
9
éste resulto ser demasiado detallado y por ende caro para correrlo, haciéndolo poco útil.
Unos meses más tarde, se hizo una reformulación del modelo, tratando al proceso como un
flujo continuo. Este nuevo modelo produjo resultados precisos y se ejecuto en una fracción
del tiempo necesario por el modelo original.
VENTAJAS Y DESVENTAJAS DEL USO DE LA SIMULACIÓN
Aunque la técnica de simulación generalmente se ve como un método de último
recurso, recientes avances en las metodología de simulación y la gran disponibilidad de
software que actualmente existe en el mercado, han hecho que la técnica de simulación sea
una de las herramientas más ampliamente usadas en el análisis de sistemas. Además de las
razones antes mencionadas, Thomas H. Naylor ha sugerido que un estudio de simulación es
muy recomendable porque presenta las siguientes ventajas:
A través de un estudio de simulación, 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 observación detallada del sistema que se está simulando puede conducir a un mejor
entendimiento del sistema y por consiguiente a sugerir estrategias que mejoren la
operación y eficiencia del sistema.
La técnica de simulación puede ser utilizada como un instrumento pedagógico para
enseñar a estudiantes habilidades básicas en análisis estadísticos, análisis teórico, etc.
La simulación de sistemas complejos puede ayudar a entender mejor la operación del
sistema, a detectar las variables más importantes que interactuan en el sistema y a
entender mejor las interrelaciones entre estas variables.
La técnica de simulación puede ser utilizada para experimentar con nuevas situaciones,
sobre las cuales tiene poca o ninguna información. A través de esta experimentación se
puede anticipar mejor a posibles resultados no previstos.
La técnica de simulación se puede utilizar también para entrenamiento de personal. En
algunas ocasiones se puede tener una buena representación de un sistema (como por
ejemplo los juegos de negocios), y entonces a través de el es posible entrenar y dar
experiencia a cierto tipo de personal.
Cuando nuevos elementos son introducidos en un sistema, la simulación puede ser usada
para anticipar cuellos de botella o algún otro problema que puede surgir en el
comportamiento del sistema.
Los sistemas los cuales son sujetos de investigación de su comportamiento no necesitan
existir actualmente para ser sujetos de experimentación basados en la simulación. Solo
necesitan existir en la mente del diseñador.
10
El tiempo puede ser compresado en los modelos de simulación. El equivalente de días,
semanas y meses de un sistema real en operación frecuente pueden ser simulados en
solo segundos, minutos u horas en una computadora. Esto significa que un largo
número de alternativas de solución pueden ser simuladas y los resultados pueden estar
disponibles de forma breve y pueden ser suficientes para influir en la elección de un
diseño para un sistema.
En simulación cada variable puede sostenerse constante excepto algunas cuya influencia
está siendo estudiada. Como resultado el posible efecto de descontrol de las variables
en el comportamiento del sistema necesitan no ser tomados en cuenta. Como
frecuentemente debe ser hecho cuando el experimento está desarrollado sobre un
sistema real.
Es posible reproducir eventos aleatorios idénticos mediante una secuencia de números
aleatorios. Esto hace posible usar las técnicas de reproducción de varianza para mejorar
la precisión con la cual las características del sistema pueden ser estimadas para dar un
valor que refleje el esfuerzo de la simulación.
A diferencia de las ventajas mencionadas, la técnica de simulación presenta
importantes desventajas, éstas son:
Falla al producir resultados exactos. S supone que un sistema ésta compuesto de uno o
mas elementos que están sujetos a un comportamiento al azar. Cuando una simulación
es desarrollada con un modelo del sistema, los valores de cada variable son registrados y
los promedios de estos valores son dados en una postsimulación. Pero el promedio en
una muestra de observación solo a veces provee un estimado de lo esperado, es decir,
una simulación solo provee estimados, no resultados exactos.
Fallas al optimizar. La simulación es usada para contestar preguntas del tipo “Qué pasa
si?”, “pero no de”, “¿que es lo mejor?”. En este sentido, la simulación no es una técnica
de optimización. La simulación no generará soluciones, solo evalúa esas que han sido
propuestas.
Largo tiempo de conducción. Un estudio de simulación no puede ser conducido o
llevado a cabo en solo un fin de semana. Meses de esfuerzo pueden ser requeridos para
reunir información, construir, verificar y validar modelos, diseñar experimentos y
evaluar e interpretar los resultados.
Costos para proveer capacidad de simulación. El establecimiento y mantenimiento de
capacidad de simulación, envuelve tener mejor personal, software, hardware,
entrenamiento y otro tipo de costos.
11
Abuso de simulación. Hay muchas facetas para un balanceo y comprensivo estudio de
la simulación. Ya que una persona debe tener conocimiento de una gran variedad de
áreas antes de llegar a ser un practicante de la simulación. Este hecho es algunas veces
ignorado, sin embargo como resultado, cada estudio puede incorrectamente ser
desarrollado, o podría estar incompleto, o podría caer en otro tipo de caminos, quizá
resultado de una falla del esfuerzo de la simulación.
En conclusión la simulación ofrece poderosas ventajas pero sufre de mayores
desventajas también. Afortunadamente muchas de estas desventajas están disminuyendo
en importancia en el tiempo, gracias a las herramientas que emplean simulación.
metodologias, desarrollo de computadoras y de software y decrementos en los costos de los
mismos.
Como nosotros hemos visto la simulación tiene una categoría extremadamente
buena, aun ahora en medio de tantas alternativas y su méritos podrían continuar a través
del tiempo.
12
METODOLOGIA DEL PROCESO DE SIMULACIÓN.
PLANIFICAR UN PROCESO DE SIMULACIÓN REQUIERE DE LOS
SIGUIENTES PASOS:
A) FORMULACIÓN DEL PROBLEMA.
B) RECOLLECCIÓN Y PROCESAMIENTO DE LA INFORMACIÓN REQUERIDA.
C) FORMULACIÓN DEL MODELO MATEMATICO.
D) EVALUACIÓN DE LAS CARACTERISTICAS DE LA INFORMACIÓN
PROCESADA.
E) FORMULACIÓN DE UN PROGRAMA DE COMPUTADORA.
F) VALIDACIÓN DEL PROGRAMA DE COMPUTADORA.
G) DISEÑO DE EXPERIMENTOS DE SIMULACIÓN.
H) ANALISIS DE RESULTADOS Y VALIDACIÓN DE LA SIMULACIÓN.
A continuación se resumen las principales características asociadas a cada paso.
13
FORMULACIÓN DEL PROBLEMA
Generalmente un problema se presenta por síntomas, no por el diagnostico. Por lo
que antes de generar soluciones en un sistema, se deben buscar el mayor numero de
síntomas.
Según Acoff y Sasieni, las condiciones para que exista el mas simple de los
problemas son:
1. Debe existir por lo menos un individuo que se encuentra dentro de un marco de
referencia, el cual se puede atribuir el problema del sistema.
2. El individuo debe tener por lo menos un par de alternativas para resolver su problema,
en caso contrario no existe tal problema.
3. Deben de existir por lo menos, un par de soluciones, una de las cuales debe tener mayor
aceptación que la otra en el individuo. En caso contrario, no existe el problema. Esta
preferencia esta asociada a un cierto objetivo dentro del marco de referencia en donde se
encuentra el individuo del sistema.
4. La selección de cualquiera de las soluciones debe repercutir de manera diferente en los
objetivos del sistema, es decir existe una eficiencia y/o efectividad asociada con cada
solución. Estas eficiencias y/o efectividades deben ser diferentes, puesto que de lo
contrario no existe problema.
5. Por ultimo le individuo que toma las decisiones ignora las soluciones y/o eficiencia y/o
efectividades asociadas con las soluciones del problema.
Si las cinco condiciones anteriores existen, entonces se tiene un problema. Esta
situación puede complicarse en los siguientes casos:
a) El problema recae en un grupo, no en un individuo.
b) El marco de referencia donde se encuentra el grupo, cambia en forma dinámica.
c) El numero de alternativas que el grupo puede escoger es bastante grande, pero finito.
d) El grupo dentro del sistema puede tener objetivos múltiples. Peor aun, no
necesariamente estos objetivos son consistentes entre si.
e) Las alternativas que selecciona el grupo son ejecutadas por otro grupo ajeno, al cual no
se le puede considerar como elemento independiente del sistema.
14
f) Los efectos de la decisión del grupo pueden sentirse por elementos que aun siendo
ajenos al sistema considerando, influyen directa o indirectamente, favorable o
desfavorablemente hacia el (político, consumidor, etc.).
Para formular un problema se necesita la siguiente información:
a) ¿Existe un problema?.
b) ¿De quien es el problema?.
c) ¿Cual es el marco de referencia del sistema donde se encuentra el problema?
d) ¿Quien o quienes toman las decisiones?
e) ¿Cuales son sus objetivos?.
f) Cuales son los componentes controlables del sistema y cuales no lo son?.
g) ¿Cuales son las interrelaciones más importantes del sistema?.
h) ¿Como se emplearan los resultados del proyecto? ¿Por quien? ¿que efectos tendrá?
i) ¿Las soluciones tendrán efecto a corto o largo plazo?
j) ¿Podrán los efectos de las soluciones modificarse o cambiarse fácilmente?
k) ¿Cuantos elementos del sistema se afectaran por las soluciones del proyecto? ¿En qué
grado?
FORMULAR UN PROBLEMA REQUIERE:
a) Identificar las componentes controlables de un sistema.
b) Identificar posibles rutas de acción dadas por las componentes, controlables.
c) Definir el marco de referencia, dado por las componentes no controlables
d) Definir los objetivos que se persiguen y clasificarlos por su orden de importancia.
15
Identificar las relaciones importantes entre las diferentes componentes del sistema,
este paso equivale a encontrar las restricciones que existen, a la vez que permite más
adelante representar estas interrelaciones en forma matemática.
La identificación de la estructura del sistema (componentes, canales,
interrelaciones, etc.), se hace a través de un proceso sistemático, que se conoce como
diseño de sistemas.
El diseño de sistemas se lleva a cabo de la siguiente manera:
a) Se ubica al sistema considerando dentro de sistemas más grandes.
b) Se determinan las componentes del sistema.
c) Se determinan los canales de comunicación entre las componentes del sistema y de este
hacia los elementos de otros sistemas que van a tener influencia directa o indirecta.
d) Se determinan de que manera se tiene acceso a la información requerida como se
procesa esta y como se transmite entre las diferentes componentes del sistema.
RECOLECCION Y PROCESAMIENTO DE LA INFORMACIÓN.
1.- Mediante algún método de recolección se necesita capturar los siguientes datos.
- Número de llegadas por unidad de tiempo a diferente horarios.
- Tiempos entre llegadas en diferentes horarios.
- Operaciones que se realizan en el banco.
- Frecuencia de los servicios requeridos por el usuario.
- Comportamiento del usuario en las líneas de espera.
2.- Procesar la información capturada, en forma de tablas, gráficas, etc. a través de algún
paquete computacional.
16
Recolección y procesamiento de la información.
RECOLECCIÓN: Es el proceso de capturar los datos disponibles que se requieren para la
simulación del comportamiento del sistema.
PROCESAMIENTO: Se comprenden las actividades requeridas para transformar los datos
en información.
Por ejemplo, un directorio telefónico es un banco de datos: mi dirección y teléfono
es información que procede de ese banco de datos el hecho de que estos datos estén
arreglados en cierta forma (procesados y forma alfabética), permite el acceso a la
información deseada de una manera sencilla.
La formulación es necesaria para poder simular un sistema.
La información debe ser: oportuna relevante y confiable.
FUENTES PARA GENERAR INFORMACIÓN
1.- Las series históricas o de tiempo: son datos útiles y de rápido procesamiento para
convertirlos en información.
2.- La opinión de expertos: Es información subjetiva, carente de detalle y de utilidad
mínima, económica y rápida de obtener cierto tipo de información complementaria.
3.- Los estudios de campo: son el método mas efectivo, aunque más costoso y tardado, de
obtener información requerida. Se requiere el diseño de una muestra estadística
representativa del universo bajo estudio; de un cuestionario que asegure la relevancia y
confiablilidad de un cuestionario y que asegure la relevancia y confiabilidad de los mismos
y de personal entrenado que aplique la encuesta. La información capturada se mete a la
computadora a través de algún paquete y se edita.
FORMULACIÓN DEL MODELO.
1. Representar el sistema mediante un esquema en el que se visualice en cada modula con
sus componentes, atributos, actividades endógenas y exógenas y las relaciones entre
estas. El conjunto de todos estos módulos es el sistema.
2. Caracterizar matemáticamente las relaciones quien gobierna la interacción de las
componentes del sistema y de las actividades endógenas y exógenas.
17
Es mas fácil construir una expresión matemática de las componentes y actividades
del bloque de que todo el sistema. Sin embargo a una escala, la modelación puede ser muy
difícil o, en ciertos casos imposible.
El sistema como un todo se modela matemáticamente de acuerdo a la interconexión
de los bloques.
Por ejemplo si un sistema esta formada por una sola unidad de servicio y una línea
de espera, una expresión matemática para determinar el tiempo promedio que los clientes
están en el sistema:
TSISTEMA = TCOLA + TSERVICIO
FORMULACIÓN DEL MODELO
Al modelar el sistema banco se caracterizan por expresiones matemáticamente las
relaciones que gobiernan las interacciones de los módulos con cada uno de sus
componentes, atributos, actividades endógenas y exógenas.
A
B
C
D
E
F
Se considera que el sistema banco esta formado por el modulo siguiente:
MODULO 1: Formado por las 6 cajas.
COMPONENTES:
18
CAJAS A, B, C, D, E, F.
LINEAS DE ESPERA
ATRIBUTOS:
CAJAS: Tipo de operación que realizan, monto de dinero recaudado, clientes atendidos en
cada actividad; tiempo de servicio para cada actividad.
LINEA DE ESPERA: Tiempo promedio que un cliente esta en cola, número promedio de
cliente en cada cola.
ACTIVIDADES EXÓGENAS: Todas las actividades económicas que originan que los
usuarios lleguen al banco.
ACTIVIDADES ENDÓGENAS: Son cinco las actividades que se van a realizar en el
banco.
1. Ahorro
2. Deposito
3. Cambio de cheques
4. cambio de dinero
5. pago de servicios
estas actividades pueden hacerse en algunas o varias cajas.
El 10% realizan ahorro, de este 10% el 40% solo realizan ahorro en la caja a el
60% además van a depositar en las cajas B a F.
El 20% realizan la operación de deposito en las cajas B a F
El 40% realizaba la operación de deposito en las cajas B a F
45% cheques < 1000 cajas B y E
35% cheques 1001 a 5000 cajas C y D
20% cheques > 5000 caja F
El 20% realizan la operación cambio de dinero en las cajas de la B a F.
El 10% realizan la operación pago de servicios en las cajas B y E.
EVALUACIÓN DE LAS CARACTERISTICAS DE LA
INFORMACIÓN PROCESADA
19
Se necesita averiguar el tipo de distribución probabilística que gobierna a la
información.
Para ello se requiere la realización de una serie de prueba estadísticas, para analizar
si existen diferentes significativas entre la distribución empírica observada (histograma de
los datos capturados) y la distribución teórica supuesta de no existir diferencias
significativas, se utiliza la distribución teórica que generalmente ya viene tabulada. De lo
contrario, el comportamiento del sistema debe hacerse en base a la distribución empírica
observada, lo cual acarrea cierta complejidad.
Las diferentes pruebas auxiliares para analizar estas diferencias estadísticas son:
a) Pruebas referentes a valores medios (diferentes entre medias).
b) Pruebas referentes a variaciones (Ji-cuadrada, prueba F…).
c) Pruebas referentes a conteo de datos (proporciones, tablas de contingencia, bondad de
ajuste, pruebas de corridas e intervalo).
d) Pruebas no parametricas (rangos, medianas, corrección, Kolmogorov-Smirnov, etc.).
EVALUACIÓN DE LAS CARACTERISTICAS DE LA
INFORMACIÓN PROCESADA
¿Como se evalúo que las llegadas de clientes al banco son tipo Poisson o que los
tiempos entre llegadas son de tipo exponencial?
De 9:00 a 10:00 el tiempo promedio es de 15”
De 10:00 a 12:00 el tiempo promedio es de 30”
De 12:00 a 13:00 el tiempo promedio es de 20”
En relación al tiempo de operación y caja a utilizar, como se determino que:
El 10% va a ahorrar en la caja a que de este 10%
El 40% se retira.
El 60% se va a deposito.
El 20% se va a depositar en las cajas B a F.
El 40% va a cambio de cheques que de este 40%.
El 45% son cheques < 1000 y va a las cajas B y F.
Que el 35% son cheques 1001 a 5000 y van a las cajas C y D.
Que el 20% son cheques > 5000 y van a la caja F
El 20% va a cambio de dinero en las cajas B y F.
El 10% va apago de servicios y va a las cajas B y F .
20
Como se concluyo que los tiempos de servicios en las cajas de acuerdo al tipo de
operación son:
Ahorro 3” 1”
deposito 15.
30
cambios de cheques
cheque < 1000 1'
30''
cheque 1001 a 5000 2'
45''
cheque> 5000 2 5. ' '
1
cambio de dinero 3'
1'
pago de servicios 4’ 2’
Para realizar las pruebas estadísticas se sugiere apoyarse en algún software como el
statgraphics que es un paquete estadístico.
FORMULACIÓN DEL PROBLEMA
¿EXISTE UN PROBLEMA?
Recientemente se ha notado la disminución de clientes en el banco.
Posiblemente el trato hacia el cliente no se a el adecuado. O probablemente el
cliente tarda mucho esperando ha ser atendido que ha optado por buscar los servicios de
otro banco. Posiblemente haya muchas interrogaciones en relación a lo que esta
ocurriendo actualmente en el banco. Pero de ella, la mas importantes es la que esta
relacionada con el tiempo que permanece el cliente en el banco ¿como es este tiempo?
¿podría ser disminuido a tal grado que sea atractivo para el cliente y vuelvan a requerir los
servicios del banco?
Problema: La cantidad de clientes ha disminuido, necesitamos ser más eficientes y eficaz.
¿De quien es el problema?: De todos los que laboran en el banco pero fundamentalmente
del gerente y el cuerpo directivo.
¿Marco de referencia?: De acuerdo con la experiencia del gerente se supone que el
problema se encuentra en las cajas, específicamente en el tiempo utilizado para que un
21
cajero atienda a un cliente. El problema se encuentra en todo el sistema o específicamente
en el subsistema cajas.
¿Quien o quienes toman las decisiones?: El gerente con su cuerpo directivo.
¿Cuales son las componentes controlables del sistema?:
Las cajas: Pueden ponerse cajeros más rápidos y eficientes, aumentando su numero.
Las líneas de espera: Pueden organizarse de tal manera que la espera sea agradable.
Estrategias: A través de personal capacitado se puede orientar al cliente para mandarlo a
la caja más adecuada y rápida. Esto hacia más fluida la espera.
¿Cuales son las componentes no controlables? Los clientes en lo que se refiere a tasa de
llegada, a su deseo de irse cuando ha transcurrido cierto tiempo o existen un numero
determinado de clientes delante de el.
¿Cuales son las interrelaciones más importantes del sistema? Los recurso del sitema banco
son.
*Recursos humanos.
*Recursos financieros.
*Recursos materiales.
Entre estos existe un número muy grande de interrelaciones.
R.H R.F
R.M
En nuestro caso las interrelaciones más importantes son la que se entre los recurso
humanos con los clientes. Que llegan al banco y que por un tiempo determinado forman
parte del sistema banco.
Cada caja esta atendida por sistema humano y este atiende a otro ser humano que es
un cliente.
22
Cliente cajero
Aunque se maneje dinero y equipo eléctrico no existen interrelaciones relevantes
que sean un objetivo para este análisis.
Nos interesa la utilización de las cajas atendidas por seres humanos, denominados
cajeros.
¿Quienes harán la investigación de lo que esta ocurriendo en el sistema banco? Expertos
en investigación de operaciones, en sistemas y en simulación.
¿Como se emplearan los resultados de la investigación? Para el análisis se determinara:
Número promedio de clientes en cada caja.
El tiempo promedio que un cliente esta en caja.
El promedio que un cliente esta en el sistema.
El número promedio en el sistema.
El factor de utilización de cada una de las cajas.
El numero de los clientes que hicieron determinado tipo de servicio.
La posibilidad de que colas en las cajas con un número determinado de clientes.
Determinar los tiempos promedio de atención de los clientes en las cajas.
Los resultados anteriores se emplearan para analizar con que condiciones desde el punto de
vista funcional se encuentra el sistema banco.
¿Por Quien? El grupo de especialistas proporcionara dicha información al gerente y su
equipo administrativo para su análisis y toma de decisiones.
¿Qué efectos tendra? Puede ser que elimines cajas si es que la utilización son muy grandes.
¿Las soluciones tendran efecto a corto o largo plazo? Dada la alta competitividad con otros
bancos se sugiere realizar la simulación del sitema banco para poder tener un análisis que
traiga como resultado mejorar el servicio que dicho banco proporciona. Todo esto a corto
plazo.
a) ¿Podrán los efectos de las soluciones modificarse o cambiarse fácilmente?: En este caso
el efecto de las soluciones es proporcionar satisfacción en el cliente una parte de la
solución sería disminuir el tamaño de las líneas de espera, agilizar el tiempo de atención
de caja a los clientes. Para lograr una mayor satisfacción se debe permitir decidir hasta
que punto pueden crecerse los cambios deseados u en su momento disminuirse.
b) ¿Cuantos elementos del sistema se afectaran por las soluciones y en que grado?: Los
elementos del sistema que podrían verse afectado son alguna o algunas de las 6 cajas.
Existe la posibilidad de que alguna caja tenga su utilización baja, desaparezca, no así el
servicio que proporciona al eliminarse cajas, esto podría afectar a algún trabajador.
23
En la formulación del problema existe un proceso dialéctico entre los que tienen el
problema y los que van a construir el modelo. Algunos objetivos o propósitos pueden
definirse mediante los siguientes aspectos:
a) Preguntas que deben contestarse:
¿Realmente necesita hacerse un análisis del funcionamiento del sistema banco? ¿Podria
disminuirse el tiempo de estancia de un cliente en el sistema banco? ¿Sera necesario
instalar equipo electrónico que sirva de apoyo al cajero para dar un servicio más
rápido?, ¿Se necesitan más cajas para el servicio?
b) Hipótesis que deben ser verificadas:
La causa de que en el banco haya poca clientela se debe a que los tiempos de servicio en
las cajas son muy lentos originando la acumulación de mucha cola.
Si el cajero cuenta con equipo electrónico como apoyo a sus operaciones la eficiencia se
elevaría hasta el 90%.
Un resultado del analisis podria ser que despidieran personal.
La administración del banco podría instalar espejos, sillas, televisiones, la sala para evitar
que los llamados aburridos se fueran.
c) Efectos que deben estimarse:
¿Como afectaría al sistema banco si e instalara equipo electrónico en cada caja?
¿Como afectaría al sistema banco si se aplica el horario de servicio?
¿Como afectara al sistema banco si se instalan en la localidad otros bancos?
VALIDACIÓN DEL PROGRAMA POR COMPUTADORA
En el caso del sistema banco se tiene lo siguiente.
1.- Cada corrida genera los siguientes resultados.
a) Un numero de clientes que se van por aburridos.
b) Un número promedio de clientes que se esperan en la cola de cada caja
c) Un factor de utilización para cada una de las 6 cajas.
d) Una tabla de tiempos de tránsitos o de estancia de los clientes en el sistema.
e) Una tabla de los tiempos de estancia en cada una de las colas(cajas).
Si se realiza otra corrida se obtiene a otros resultados diferentes.
¿Cuantas veces se debe correr el programa? Aún cuando en cada corrida los
resultados son diferentes estadísticamente estos pueden ser confiables.
2.- Establecer las hipótesis para cada tipo de resultados, aún cierto nivel de significancia.
Por ejemplo si se hacen 5 simulaciones probar que probabilisticamnete los factores
de utilización de cada una de las cajas son iguales.
24
AU = UB = UC = UD = UF
AU = UB = UC = UD = UF
AU = UB = UC = UD = UF
AU = UB = UC = UD = UF
AU = UB = UC = UD = UF
3.- Realizar la prueba de hipótesis para afirmar o refutar la hipótesis como statgraphics.
4.- Simultáneamente realizan las pruebas de hipótesis, y se pueden comparar los resultados
con algún patrón de información previamente conocido para tener panorama más amplio y
confiable.
5.- Si la hipótesis no fue aceptada entonces se debe revisar exhaustivamente todo el
programa las funciones, procedimientos entradas y salidas de información, hasta encontrar
si hay el posible error.
DISEÑO DE EXPERIMENTOS DE SIMULACIÓN
Esta fase se puede hacer simultáneamente con las faces: diseño y validación del
programa. Una vez validado el programa se entra a la fase del diseño de experimentos que
se quieren simular, para ello se debe hacer lo siguiente:
1. Definir las variables endógenas y exógenas.
2. Definir las estructuras funcionales que las relacionan.
3. Elegir las distribuciones adecuadas a los parametros aleatorios.
4. Generar los números y variables aleatorias que de acuerdo a estas distribuciones,
representan al sistema baja estudio.
5. Realizar pruebas de hipótesis para seleccionar la información necesaria para realizar la
simulación.
6. Definir las distintas condiciones iniciales y finales de la simulación.
7. Realizar un número determinado de simulación.
8. Tabule y grafique los resultados para realizar un mejor análisis y validación de la
simulación.
DISEÑO DEL EXPERIMENTO DE SIMULACIÓN DEL SISTEMA
BANCO
25
1. ¿Están bien definidas las variables endógenas del sistema?
2. ¿Están bien definidas las estructuras funcionales que realizan las variables?
3. ¿Se han hecho las pruebas de hipótesis necesarias para afirmar que:
-Las llegadas son de tipo Poisson o que los tiempos son de tipo exponencial
-Que los tipos de servicio que van a requerir el cliente están representados por una
distribución.
-Que las duraciones de los servicios son de tipo uniforme y normal como lo espe-
sifica el enunciado.
4. ¿Se tiene bien definido el modelo generador de números aleatorios?
5. ¿Se tienen bien definidos los modelos generador de números aleatorios?
En cuanto a las condiciones iniciales y finales se tiene lo siguiente:
CONDICIONES INICIALES
El banco inicia s su funciones a las 9:00
Al inicio no hay ningún cliente
CONDICIONES FINALES
El banco solo pueden darse llegadas hasta las 13:30 horas.
La simulación termina cuando no haya un solo cliente.
8. ¿Se tienen definidas cuantas simulaciones se van a realizar?
un solo día es de 9:00 a 13:30.
solo podrían simular una semana o un mes.
9. Tabular y grafique los resultados obtenidos de cada simulación con el fin de realizar un
mejor análisis y validación de la simulación.
ANALISIS DE RESULTADOS Y VALIDACIÓN DE LA SIMULACIÓN
1. Recolectar sistemáticamente los datos producidos por la simulación.
2. Calcular ciertas estadísticas.
3. Interpretar el comportamiento de la información obtenida.
4. Validar los resultados de la simulación comparando tanto similitud entre los resultados y
las posibles series historicas que se poseen, como el uso que los decisiones le den a esta
herramienta.
La utilización del modelo por parte de los decisores es la validación crucial. De
otra forma el modelo se archiva o se tira a la basura.
ANALISIS DE RESULTADOS Y VALIDACIÓN DE LA SIMULACIÓN
26
1.- Diseñe una tabla con un formato tal que facilite la visualización de los resultados de
cada simulación del sistema banco
corrida clientes que se van colas en cada caja utilización en cajas
QA, QB, QC, QD, QE, PA, PB, PC, PD, PE,
QF PF
TABLAS DE TIEMPO
2.- Calculo de las estadísticas
promedios, desviaciones estándar porcentajes etc.
3.- Interpretación de los resultados
Hacer comparaciones de los promedios entre una y otra simulación
4.- Comparar estos resultados con algún patrón de información o con la realidad que
desea resolver.
Representaría a los decisiones.
FORMULACIÓN DE UN PROGRAMA DE COMPUTADORA.
Esta fase se puede hacer simultáneamente con las fases: validación del programa y el
diseño de experimento los pasos a seguir para formular un programa de computadora
son:
a) Elaborar un diagrama de flujo que muestre el efecto de las diferentes actividades sobre
las componentes importantes del sistema
b) Diseñar la programación en algún lenguaje especial como:GPSS, SIMNET,
SIMSCRIPT, GASP, DYNAMO, etc. ó lenguajes de alto nivel: PASCAL, C.
-condiciones iniciales de la simulación.
-condiciones finales.
c) Probar el programa hasta eliminar todos los errores lógicos y no lógicos.
27
d) Generar resultados.
b) diseñar un programa:
El programa puede hacerse en lenguajes de alto nivel: C, PASCAL, FORTRAN,
BASIC, etc., lenguajes de simulación: GPSS SIMNET, cualquiera que sea el lenguaje
seleccionada en el deben ampliarse procedimientos funciones o bloques que describan la
realización de llegadas servicios y salidas.
SIMULACIÓN
I SIMULACIÓN Y TOMA DE DECICIONES.
I.1 INTRODUCCIÓN
Con el advenimiento de la computadora, una de las más importantes herramientas
para realizar el diseño y operación de sistemas o procesos complejos es la simulación.
Aunque la construcción de modelos arranca desde el Renacimiento, el uso moderno
de la palabra simulación data de 1940, cuando los científicos Von Neuman Y Ulam que
trabajaban en el proyecto Monte Carlo, durante la segunda Guerra Mundial, resolvieron
problemas de reacciones nucleares cuya solución experimental sería muy cara y el análisis
matemático demasiado complicado.
Con la utilización de la computadora en los experimentos de simulación, surgieron
incontables aplicaciones y con ello, una cantidad mayor de problemas teóricos y prácticos.
En estas notas, se intenta por consiguiente, investigar y analizar cierto número de
aplicaciones importante de simulación de las áreas economía, administración de negocios,
ingeniería industrial e sistemas computacionales investigación de operaciones, así como
también sugerir algunos métodos alternativos para resolver algunos problemas teóricos y
prácticos que surgen al efectuar simulaciones reales.
I.2 DEFINICIÓN DE SIMULACIÓN.
Se ha empezado a utilizar la palabra simulación sin haber dado una definición de
ella. Por consiguiente, antes de proseguir con este tema, sería conveniente describir
algunas de las definiciones más aceptadas de y difundidas de la palabra simulación. Tomas
H. Naylor (1977), la define así:
Simulación es una técnica numérica para conducir experimentos en una
computadora digital, los cuales requieren ciertos tipos de modelos lógicos y matemáticos
28
que describen el comportamiento de un negocio o un sistema económico (o algún
componente de ellos) en periodos extensos de tiempo real.
La definición anterior está hecha en un sentido muy amplio, pues puede incluir
desde una maqueta, hasta un sofisticado programa de computadora. En sentido más
estricto, Masiel y Gnugnoli, definen simulación como:
Simulación es una técnica numérica para realizar experimentos en una
computadora digital. Estos experimentos involucran ciertos tipos de modelos
matemátematicos y lógicos que describen el comportamiento de sistemas de negocios,
económicos, sociales, industriales, biológicos físicos y químicos a través de largos
períodos de tiempo.
Otros estudiosos del tema como Robert E. Shannon (1988), definen simulación
como:
Simulación es el proceso de diseñar y desarrollar un modelo computarizado de un
sistema o proceso y conducir experimentos con este modelo con el propósito de entender el
comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar el
sistema.
Para los que prefieren una definición estrictamente formal, la propuesta por West
Churman puede resultar satisfactoria, ya que admite las ambigüedades e inconsistencias
inherentes al uso actual de la palabra y define la simulación como [Boni, 1963]:
Se dice que “x simula a y” si y sólo si:
a) x y y son sistemas formales;
b) y se considera como el sistema real;
c) x se toma como una aproximación del sistema real;
d) las reglas de validez en x no están exentas de error.
Las definiciones anteriores no especifican si los sistemas modelados son continuos
o discretos. Se desprende entonces que, existe la simulación de sistemas dinámicos
continuos y discretos.
1.3 SIMULACIÓN COMO UNA TECNICA PARA SOLUCIONAR
PROBLEMAS.
Simulación, es una forma de realizar experimentos en la computadora, la cual ayuda
a las empresas a realizar la simulación de un proyecto para ver si valdrá la pena
desarrollarlo en la empresa. A continuación listamos algunos de los aspectos más
importantes que se tienen que tomar en cuenta, cuando se desea llevar a cabo un
experimento de simulación, en la toma de decisiones.
29
1. La simulación hace posible estudiar y experimentar con las complejas interacciones que
ocurren en el interior de un sistema dada, ya que sea en una empresa, industria,
economía o un subsistema de cualquiera de ellas.
2. A través de la simulación se puede estudiar los efectos de ciertos cambios informativos,
de organización y ambientales, en la operación de un sistema, al hacer alteraciones en su
modelo y observar los efectos de éstas en el comportamiento del problema.
3. La observación detallada del sistema que se está simulando, conduce a un mejor
entendimiento del mismo y proporciona sugerencias para mejorarlo.
4. La experiencia que se adquiere al diseñar un modelo de simulación en una computadora,
puede ser más valiosa que la simulación en sí misma. El conocimiento que se obtiene al
diseñar un estudio de simulación sugiere, frecuentemente, cambios en el sistema en
cuestión. Los efectos de estos cambios pueden probarse, entonces, a través de la
simulación, antes implantarlos en el sistema real.
5. La simulación de sistemas complejos puede producir un valioso y profundo
conocimiento acerca de cuales variables son más importantes que otras en el sistema y
cómo ellas obran entre sí.
6. La simulación puede emplearse para experimentar con situaciones nuevas acerca de las
cuales tenemos poca o ninguna información, con el objeto de estar preparados para
alguna eventualidad.
7. La simulación puede servir como una prueba de preservicio para ensayar nuevas
políticas y reglas de decisión en la operación de un sistema, antes de tomar el riesgo de
experimentar con el sistema real.
8. Las simulaciones son valiosas algunas veces, ya que proporcionan una forma
conveniente de dividir un sistema complicado en subsistamos, cualesquiera de los cuales
puede ser modelado por un analista o un equipo de expertos en esta área.
9. Para ciertos tipos de problemas estocásticos, la secuencia de los eventos puede ser muy
importante, pues La información acerca de los valores esperados y de los momentos,
puede ser suficiente para describir el proceso. En estos casos los métodos de Monte
Carlo pueden constituir la única forma satisfactoria de obtener la información requerida.
10.Las simulaciones de Monte Carlo pueden realizarse para verificar soluciones analíticas.
11.La simulación permite estudiar los sistemas dinámicos, ya sea en tiempo real, tiempo
comprimido o tiempo expandido.
12.Cuando se presentan nuevos componentes de un sistema, la simulación puede emplearse
para ayudar a descubrir los obstáculos y otros problemas que resultan de la operación
del sistema.
30
1.4 ETAPAS PARA REALIZAR UN ESTUDIO DE SIMULACIÓN.
La mayoría de los autores de libros sobre simulación, opinan que loa pasas
necesarios para llevar a cabo un experimento de simulación son:
Definición del sistema. Para tener una definición precisa del sistema que se desea
simular, es necesario hacer primeramente un análisis del mismo, con el fin de
determinar la interacción del sistema con otros sistemas, las restricciones del sistema,
las variables que interactúan 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.
Formulación del modelo. Una vez que están definidos con exactitud los resultados que
se esperan obtener del estudio, el siguiente paso es definir y construir el modelo con el
cual se obtendrán los resultados deseados. En la formulación del modelo es necesario
definir todas las variables que forman parte de él, sus relaciones lógicas y los diagramas
de flujo que describan en forma completa al modelo.
Colección de datos. Es posible que la facilidad de obtención de algunos datos o la
dificultad de conseguir otros, pueda influenciar el desarrollo formulación del modelo.
Por consiguiente, es muy importante que se definan con claridad y exactitud los datos
que el modelo va a requerir para producir los resultados deseados. Normalmente, la
información requerida por un modelo se puede obtener de registros contables, de
órdenes de trabajo, de órdenes de compra, de opiniones de expertos y si no hay otro
remedio por experimentación.
Implementación del modelo en la computadora. Con el modelo definido, el siguiente
paso es decir si se utiliza algún lenguaje de propósito general, como Fortran, Basic,
Pascal, C/C++, Visual Basic, Visual C++, o Delphi, etc. o software de propósito
particular, como GPSS, GPSSH, PROMODEL SIMFACTORY, SLAM I, y II,
MICROMANAGER, etc., para procesarlo en la computadora y obtener los resultado
resultados deseados.
Validación. Una de las principales etapas de un estudio de simulación es al validación.
A través de esta es posible detallar deficiencias en la formulación del modelo. Las
formas más comunes de validar un modelo son:
- La opinión de expertos sobre los resultados de la simulación.
-La exactitud con que se predicen datos históricos. -
La precisión en la predicción del futuro.
- La comprobación de falla del modelo de la persona que hará uso de los resultados que
arroje el experimento de simulación.
31
Experimentación. La experimentación con el modelo se realiza después de que ha sido
validado. La experimentación consiste en generar los datos deseados y en realizar
análisis de sensibilidad de los índices requeridos.
Interpretación. En esta etapa del estudio, se interpretan los resultados que arroja la
simulación y basándose en esto se toma una decisión. La computadora en si no toma la
decisión, sino que la información que proporciona ayuda a tomar mejores decisiones y
por consiguiente a sistemáticamente obtener mejores resultados.
Documentación. Dos tipos de documentación son requeridos para hacer un mejor uso
del modelo de simulación. La primera se refiere a la documentación de tipo técnico, es
decir, a la documentación que el departamento de procesamiento de Datos debe tener
del modelo. La segunda se refiere al manual del usuario, con el cual se facilita la
interacción y el uso del modelo desarrollado, a través de una computadora.
1.5 GENERACIÓN DE VARIABLES ALEATORIAS NO UNIFORMES
Si el modelo de simulación es estocástico, la simulación debe ser capaz de generar
variables aleatorias no uniformes de distribuciones de probabilidad teóricas o empíricas.
Lo anterior puede obtenerse si se cuenta con un generador de números uniformes y una
función que transforme estos números en valores de la distribución de probabilidad
deseada. A este respecto, se han desarrollado una gran cantidad de generadores para las
distribuciones más comunes como; la distribución normal, exponencial, Poisson, Erlang,
Binomial, Gamma, Beta, F, t, 2.
1.5.2 LENGUAJE DE PROGRAMACION.
Las primeras etapas de un estudio de simulación se refieren a la definición del
sistema a ser modelado y al descripción del sistema en términos de relaciones lógicas de
sus variables y diagramas de flujo. Sin embargo, llega el momento de describir el modelo
en un lenguaje que sea aceptado por la computadora que va utilizar (PC compatible). En
esta etapa se tienen dos curso de acción a seguir si no se tiene nada de software de
simulación, que son:
desarrollar el software requerido, o
Comprar software (lenguaje de programación d propósito especial). Para esta alternativa es
necesario analizar y evaluar varios paquetes de simulación (GPSS, GPSSH, PROMODEL
SIMFACTORY, SLAM , MICROMANAGER, etc.) antes de tomar la decisión final.
1.5.3 CONDICIONES INICIALES.
La mayoría de los modelos de simulación estocástica se corren con la idea de
estudiar al sistema en una situación de estado estable. Sin embargo, la mayor parte de
estos modelos presentan en su etapa inicial estados transigentes los cuales no son típicos
del estado estable. Por consiguiente es necesario establecer claramente las alternativas o
cursos de acción que existen para resolver este problema. Algunos autores piensan que la
forma de atacar este problema sería a través de :
32
Usar un tiempo de corrida suficientemente grande de modo que los períodos transientes
sean relativamente insignificantes con respecto a la condición de estado estable.
Excluir una parte apropiada de la parte inicial de la corrida.
Utilizar simulación regenerativa.
Basado en la experiencia, de las tres alternativas presentadas, la que presenta menos
desventajas es el uso de simulación regenerativa. Las otras alternativas presentan las
desventajas de ser prohibitivamente excesivas en costo.
1.5.4 TAMAÑO DE LA MUESTRA.
Uno de los factores principales a considerar en un estudio de simulación es el
tamaño de la muestra (número de corridas en la computadora). La selección de un tamaño
de muestra apropiado que asegure un nivel deseado de precisión y a la vez minimice el
costo de operación del modelo, es un problema algo difícil pero muy importante. Puesto
que la información proporcionada por el experimento de simulación sería la base para
decidir con respecto a la operación del sistema real. Esta información deberá ser tan exacta
y precisa como sea posible o al menos el grado de imprecisión presente en la información
proporcionada por el modelo debe ser conocida. Por consiguiente, es necesario que un
análisis estadístico se a realizado para determinar el tamaño de la muestra requerido.
El tamaño de la muestra puede obtenerse de dos maneras:
13.Previa e independientemente de la operación del modelo, o
14.Durante la operación del modelo basado en los resultados arrojados por el mismo. Para
la última alternativa se utiliza la técnica estadística de intervalos de confianza.
1.5.5 DISEÑO DE EXPERIMENTOS.
El diseño de experimentos es un tópico cuya relevancia en experimentos en estudios
de simulación ha sido reconocida, pero raramente aplicada. El diseño de experimentos en
estudios de simulación puede ser varios tipos, dependiendo de los propósitos específicos
que se hayan planteado. Existen diferentes formas de análisis que pueden ser utilizados.
Entre los más comunes e importantes, se pueden mencionar los siguientes:
Comparación de las medias y varianzas de las alternativas analizadas.
Determinación de la importancia y el efecto de diferentes variables en los resultados de
la simulación.
Búsqueda de los valores óptimos de un conjunto de variables.
33
Para realizar el primer tipo de análisis, al cual se le denomina comúnmente diseño
de experimentos de un factor simple, es necesario tomar muy en cuenta el tamaño de la
muestra, las condiciones iniciales y la presencia o ausencia de autocorrelación. Para el
segundo tipo de análisis, existe una gran cantidad de literatura, puesto que la gran mayoría
de los libros de texto de diseño de experimentos, explican o tratan el tema de análisis de
varianza y técnicas de regresión como medios para evaluar la importancia y el efecto de
varias variables en los resultados de operación de un sistema. Para el tercer tipo de
análisis, generalmente se requiere utilizar algoritmos heurísticos de búsqueda como por
ejemplo el algoritmo de Hookes y Jeeves.
1.5.6 VENTAJAS Y DESVENTAJAS EN EL USO DE LA SIMULACIÓN
Aunque la técnica de simulación generalmente se ve como un método de último
recurso, recientemente avances en las metodologías de simulación y la gran disponibilidad
de software que actualmente existe en el mercado, han hecho posible que la técnica de
simulación sea una de las herramientas más ampliamente usadas en el análisis de sistemas.
Además de las razones antes mencionadas, Tomas H. Naylor (1977), ha sugerido que un
estudio de simulación es muy recomendable porque presenta las siguientes ventajas:
A través de la técnica de simulación, 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 estas alteraciones en el comportamiento del sistema.
Una observación detallada del sistema que se está simulando puede conducir a un mejor
entendimiento del sistema y por consiguiente a sugerir estrategias que mejoren la
operación y eficiencia del sistema.
La técnica de simulación puede ser utilizada como un instrumento pedagógico, para
estudiantes al enseñarles los conocimientos básicos en el análisis teórico, el análisis
estadístico, y en la toma de decisiones.
La simulación de sistemas complejos puede producir un valioso y profundo
conocimiento acerca de cuáles variables son más importantes que otras en el sistema y
cómo ellas obran entre sí.
La técnica de simulación puede utilizarse para experimentar con nuevas situaciones,
sobre las cuales se tiene poca o nula información. A través de esta experimentación se
puede anticipar mejor a los posibles resultados no previstos.
34
La técnica de la simulación de sistemas complejos puede producir un valioso y profundo
conocimiento acerca de cuáles variables son más importantes que otras en el sistema y
cómo ellas obran entre sí.
Se puede utilizar también para entrenamiento de personal. En algunas ocasiones se
puede tener una buena representación de un sistema (como por ejemplo los juegos de
negocios), y entonces a través de él es posible entrenar y dar experiencia a cierto tipo de
personal.
La simulación de sistemas complejos puede producir un valioso y profundo
conocimiento acerca de cuáles variables son más importantes que otras en el sistema y
cómo ellas entre sí.
Cuando nuevos elementos son introducidos en un sistema, la simulación puede utilizarse
para anticipar cuellos de botella o algún otro problema que puede surgir en el
comportamiento del sistema.
A diferencia de las ventajas mencionadas, la técnica de simulación presenta el
problema de requerir equipo de computo y recursos humanos, en ocasiones costosas.
Además, generalmente se requiere bastante tiempo para que un modelo de simulación sea
desarrollado y perfeccionado. Finalmente, es posible que la alta administración de una
organización no entienda esta técnica y esto crea dificultad en vender la idea.
1.6 EJMPLOS DE USO DE SIMULACIÓN
Existe una gran cantidad de áreas donde la técnica de simulación puede ser
aplicada. Algunos ejemplos podrían ser los siguientes:
Simulación de un sistemas de colas. Con la técnica de simulación es posible estudiar y
analizar sistemas de colas cuya representación matemática sería demasiado complicada de
analizar. Ejemplos de estos sistemas serían aquellos donde es posible la llegada al sistema
en grupo, la salida de la cola del sistema, el rehusar entrar al sistema cuando la cola es
excesivamente grande, etc.
Simulación de sistemas de inventarios. A través de simulación se puede analizar más
fácilmente sistemas de inventarios donde todos sus parámetros(tiempo de entrega,
demanda, costo de llevar inventario, etc.), son estocásticos.
Simulación de un proyecto de inversión. Existen en la práctica una gran cantidad de
proyectos de inversión donde la incertidumbre con respecto a los flujos de efectivo que el
proyecto genera a las tasas de interés, a las tasas e inflación, etc., hacen difícil y a veces
35
imposible manejar analíticamente este tipo de problemas. Para este tipo de situaciones el
uso de simulación es ampliamente recomendado.
Simulación de sistemas económicos. La técnica de simulación puede ser utilizada para
evaluar el efecto de cierto tipo de decisiones (devaluación de la moneda, el impuesto al
valor agregado, etc.), en las demás variables macroeconómicas como: producto nacional
bruto, balanza comercial, inflación, oferta monetaria, circulante, etc.
Simulación de estados financieros. La expansión y diversificación de una organización a
través de la adquisición y establecimiento de nuevas empresas, repercuten
significativamente en su posición y estructura financiera. Por consiguiente, el uso de
simulación permite analizar cuál de las estrategias de crecimiento son las que llevaran a la
organización al logro de sus objetivos y metas de corto, mediano y largo plazo.
Simulación de juegos de azar. Se pueden hacer predicciones sobre los resultados de un
juego en particular, por ejemplo mélate, tris, etc. donde las variables involucradas son
estocásticas.
II MODELACIÓN
2.1 INTRODUCCIÓN.
La ciencia trata de explicar los fenómenos; con tal fin elabora leyes. Pero
siendo la tarea del científico difícil, con frecuencia se enfrenta a problemas muy complejos,
y para explicar aquellos datos inobservables que descubre necesita emplear términos
teóricos. De esta manera, combinando y coordinando de forma adecuada un grupo de leyes
y hechos, mediante construcciones lógicas, se obtienen las teorías.
Como en la teoría de entidades no observables, que son los contenidos de los
términos teóricos, el nivel de los hechos queda abandonado. Así pues, las teorías
funcionan como explicaciones muy generales y amplias, de las cuales las leyes son
aspectos particulares.
Nos planteamos entonces la siguiente pregunta: ¿de que manera están relacionadas
las teorías, con sus términos teóricos y con los hechos? ¿Cómo volvemos al nivel fáctico (o
de hechos)?
Encontraremos la respuesta cuando comprendamos qué es un modelo científico y
cuál es su función en la ciencia.
2.2 LA NOCIÓN DE MODELO
36
El término modelo abarca varios significados; el primero de ellos al que nos
referiremos es el de :
a) Representación. Por ejemplo, la maqueta de un edificio es un modelo porque lo
representa. Aunque no vemos el edificio, gracias al modelo comprendemos cómo será.
Otro ejemplo:
Un mapa es un modelo porque representa una zona determinada con los caminos, ríos y
montañas que existen realmente en esa zona.
b) La palabra “modelo” también se emplea en el sentido de perfección o ideal. Por
ejemplo, decimos: “Martín es un estudiante modelo” o “Lupita es una esposa modelo”.
Con ello queremos dar a entender que así como es Martín deberían ser los demás
estudiantes; y como Lupita deberían ser todas las esposas.
c) Otra significación de la palabra “modelo” es la de muestra; que se emplea, por ejemplo,
cuando en una unidad habitacional un vendedor nos muestra la casa “modelo”, también
llamada casa muestra; o bien, cuando vamos a un desfile de modas y vemos los distintos
modelos, que son muestras de la producción de un diseñador.
En la ciencia continuamente se hace referencia a los modelos científicos que
pueden entenderse abarcando tres significaciones: representan la teoría, muestran las
condiciones ideales en las que se producen un fenómeno al verificarse una ley o una teoría
y por otro lado, constituyen una muestra particular de la explicación general que da la
teoría.
Un ejemplo típico de modelo es el átomo que ilustra la teoría de Bohr, la cual
admite la existencia de átomos en la realidad y los concibe como compuestos por un núcleo
(eléctricamente positivo), alrededor del cual giran en órbitas “muy especificas” los
electrones (con carga negativa), ver figura
figura 2.1 Modelo atómico de Bohr.
37
Este modelo representa la explicación dada por Bohr, nos dice cómo se comportan
los átomos en condiciones ideales; es una muestra particular de todas las explicaciones
dadas en términos teóricos y generales.
Algunos autores reúnen estas tres significaciones: “representación”, “ideal” y
“muestra”, en una sola: configuración ideal.
Podemos decir, entonces, que un modelo científico es la “configuración ideal que
representa de manera simplificada una teoría”.
2.3 DEFINICIÓN DE MODELO
Definición: El modelo es una representación o abstracción de una situación u
objetos reales, que muestra las relaciones (directas e indirectas) y las relaciones de la
acción y la reacción en términos de causa efecto. Como un modelo es una abstracción de
la realidad, puede parecer menos complicado que la misma. Para que sea completo, el
modelo debe ser representativo de aquellos aspectos de la realidad que están
investigándose.
Debido a que la simulación es solamente un tipo de modelación, aunque muy
importante, preparemos el escenario para un comentario sobre modelación de simulación
considerando primero la modelación en términos generales.
Una de las razones básicas para el desarrollo de modelos es la de descubrir cuáles
son las variables importantes o pertinentes. El descubrimiento de las variables pertinentes
está estrechamente asociado con la investigación de las estadísticas y la simulación para
investigar las relaciones que hay entre las muchas variables de un modelo.
2.3.1 FUNCIÓN DE LOS MODELOS
El concepto de la representación de algún objeto, sistema o idea, con un modelo, es
tan general que es difícil clasificar todas las funciones que satisfagan los modelos. La
mayoría de los autores de libros de simulación, reconocen por lo menos cinco usos
comunes:
d) Una ayuda para el pensamiento.
e) Una ayuda para la comunicación.
f) Para entretenimiento e instrucción.
g) Una herramienta de predicción.
h) Una ayuda para la experimentación.
La utilidad de modelo como ayuda para el pensamiento es evidente. Los modelos
pueden ayudarnos a organizar y clasificar conceptos confusos e inconsistencias. Por
ejemplo, la construcción de un modelo de representación de una red con el método PERT
38
(evaluación de programas y técnicas de revisión) para un trabajo de diseño de sistemas
complejos, obliga a pensar sobre qué pasos son necesarios y su consecuencia. Si es
adecuada, la construcción de modelos obliga a organizar, evaluar y experimentar la validez
de pensamientos.
Como una ayuda para la comunicación, los modelos bien pensados no tienen igual.
“Una imagen vale más que mil palabras” confirma esta función. Todos los lenguajes
verbales tienden a ser ambiguos e imprecisos, cuando se trata de pensar ideas o
descripciones complejas. Los modelos adecuadamente concebidos pueden ayudar a
eliminar esta ambigüedad y proporcionan un modo de comunicación más eficiente y
efectivo.
Los modelos han sido, y continúan teniendo un uso generalizado como ayudas para
el entretenimiento e instrucción. A menudo los modelos son ideales para entrenar a una
persona, para que aprenda nuevas habilidades y pueda afrontar varias eventualidades antes
de que ocurran. Un muñeco de tamaño natural es utilizado en ocasiones para enseñar
técnicas de primeros auxilios, modelos de vehículos espaciales se usan para entrenar
astronautas, modelos para enseñar a conducir automóviles, y simulación de negocios para
entrenar ejecutivos, son algunos ejemplos de modelos de entrenamiento.
Quizás, uno de los usos más importantes de los modelos, práctica e históricamente,
es la predicción de las características del comportamiento de la entidad modelada. No es
económicamente factible construir un jet supersónico para determinar sus características de
vuelo bajo condiciones extremas, sin embargo, su comportamiento se puede predecir
mediante la simulación Mediante simulación se verificaron las disposiciones de
emergencia del Apolo 13, antes de implantarlas; éstas les permitieron a los astronautas
regresar a salvo después de la explosión del tanque de oxigeno. La mayoría de los modelos
que se tratan en os libros de simulación son herramientas de predicción.
Finalmente, el uso de los modelos hace posible la experimentación controlada en
situaciones en que los experimentos directos serían imprácticos o prohibitivos por su costo.
2.4 CALSIFICACIÓN DE LOS MODELOS DE SIMULACIÓN
Las diferentes clasificaciones de los modelos dan una idea adicional de sus
características esenciales, porque pueden describirse de muchos modos. Los modelos
pueden clasificarse por sus dimensiones, funciones, propósitos, temas o grado de
abstracción. La base más común es la de tipos de modelos, que incluye los tipos básicos:
icónico, analógico y simbólico o matemático.
Los modelos pueden clasificarse de manera general y los modelos de simulación de
manera particular, de diversas formas. Por desgracia, ninguna es completamente
39
satisfactoria, a pesar de que cada una sirve a un propósito particular. Algunos de estos
esquemas de clasificación son los siguientes:
Estático (de corte seccional) vs. Dinámico (series de tiempo)
Determinístico vs Estocástico.
Discreto vs Continuo.
Icónico o físico vs Analógico vs Simbólico.
Podemos pensar a los modelos de simulación como un espectro continuo,
empezando con los modelos exactos o modelos reales a escala y siguiendo con los modelos
matemáticos completamente abstractos (véase la figura 2.1)
Modelos Modelos Modelos Modelos Simulación por Modelos
físicos a escala analógico administrativo computadora matemático
Exactitud Abstracción
figura 2.1 principio del espectro de modelación.
2.4.1 MODELOS ICONICOS O FÍSICOS
Un modelo icónico es una representación física de algunos objetos, ya sea en forma
idealizada o en escala distinta. Para expresarlo de otro modo, una representación es un
modelo icónico hasta el grado en que sus propiedades sean las mismas que tiene lo que
representa. Los modelos icónicos son muy adecuados para la descripción de
acontecimientos en un momento especifico del tiempo. Por ejemplo, una maqueta es una
buena imagen de una fabrica, mientras que las operaciones reales de una fabrica construid
en términos de un pequeño modelo que funcione, pueden ser demasiado costosas para
construir y modificar a fin de estudiar sus posibles mejoras. Otra característica de un
modelo icónico la constituyen sus dimensiones , dos dimensiones (fotografía, plano y
mapa), o tres dimensiones(maqueta, globo, automóvil y avión), llamados generalmente
modelos escala. Cuando un modelo sobrepasa la tercera dimensión, como ocurre en
muchos problemas de investigación de operaciones y simulación, es imposible construirlo
físicamente, y entonces pertenece a otra categoría de modelos llamados simbólicos o
matemáticos.
2.4.2 MODELOS ANALOGICOS
40
Los modelos analógicos pueden representar situaciones dinámicas y se usan más
que los icónicos, porque pueden mostrar las características del acontecimiento que se
estudia. Las curvas de demanda, las curvas de distribución de frecuencia en las estadísticas
y los diagramas de flujo, son ejemplos de modelos analógicos. A menudo un modelo
analógico es muy adecuado para representar relaciones cuantitativas entre las propiedades
de los objetos de varias clases. Al transformar las propiedades en propiedades analógicas,
con frecuencia podemos incrementar nuestra capacidad de hacer cambios. Otra ventaja de
los modelos analógico sobre los icónicos es que ordinariamente puede hacerse que los
primeros representen muchos procesos del mismo tipo, lo que se hace evidente en el flujo
de trabajos en procesos y productos terminados de una fabrica. No podría usarse
eficazmente un modelo icónico para estudiar los efectos de ciertos cambios en el control de
calidad. Un diagrama de flujo es un modelo analógico muy sencillo y eficaz en esas
condiciones.
2.4.3 MODELOS SIMBOLICOS (MATEMATICOS)
Nos interesan principalmente los modelos simbólicos que son verdaderas
representaciones de la realidad y toma la forma de cifras, símbolos y ecuaciones
matemáticas. Comienzan como modelos abstractos que formamos en nuestra mente y
luego se registran como modelos simbólico o matemático que se usa comúnmente en la
investigación en general, es la ecuación. Una ecuación es concisa y fácil de comprender.
Sus símbolos no sólo son más fáciles de manipular que las palabras, sino que se escriben
más rápidamente. Además de estos atributos, los modelos simbólicos se prestan a las
manipulaciones de las computadora, a través de lenguajes de programación de propósito
partículas o general, los cuales trataremos en un capítulo posterior.
Los modelos simbólicos los hemos descrito hasta ahora en un sentido muy amplio.
Las ecuaciones no sólo son ejemplos de modelos, sino que modelos comunes de negocios
incluyen además, declaraciones de ingresos, tablas de organización de empresas, etc.,
Otros ejemplos incluyen modelos gráficos y pictóricos. Hay que tener en cuenta que
pueden representarse problemas para los que las analogías son más eficientes que los
modelos simbólicos. Por ejemplo, un sistema puede ser tan complicado que la cantidad de
trabajo requerida para construir un modelo simbólico sea demasiado costosa si se relaciona
con ganancias posibles. A menudo es difícil asignar tan sólo un modelo a una clase, y esto
es especialmente cierto con respecto a los modelos de simulación, que son modelos
analógicos y que se describen con símbolos matemáticos.
2.5 TIPOS DE MODELOS MATEMÁTICOS
Como los modelos matemáticos son los que más interesan principalmente, los
separaremos por categorías, lo que nos dará un soporte lógico para clasificarlos. Sin que
41
esta clasificación pretenda estar completa; la podemos a disposición del lector, para que
éste tenga una mejor comprensión de las diferencias esenciales entre los modelos.
2.5.1 CUANTITATIVOS Y CUALITATIVOS
Cuando construimos un modelo matemático e insertamos símbolos para representar
constantes y variables ( en gran parte números), Llamamos a esto un modelo cuantitativo.
Se considera que una ecuación matemática es un modelo de este tipo, porque representa
una abstracción de las relaciones o condiciones entre constantes y variables. Las fórmulas,
matrices, diagramas o series de valores que se obtienen mediante procesos algebraicos son
ejemplos comunes de los modelos matemáticos.
Los modelos que se ocupan de las cualidades de los componentes se llaman
cualitativas. Hay muchos problemas en los que no pueden cuantificarse exactamente
debido a uno o más de los siguientes motivos: técnicas inadecuadas de medición, necesidad
de muchas variables, algunas variables desconocidas, relaciones especiales desconocidas,
relaciones demasiado complejas para expresarse en forma cuantitativa. Sin embargo,
mediante el empleo del análisis lógico, sistemas de clasificación, métodos de
ordenamiento, teoría de conjuntos, análisis dimensional, investigación de operaciones,
análisis de decisiones y simulación se pueden obtener ciertos valores representativos del
sistema bajo análisis.
2.5.2 ESTANDAR Y HECHOS A LA MEDIDA
Se usan modelos estándar para describir las técnicas que han llegado a asociarse con
la investigación de operaciones (I. O.). Para usar esas técnicas se insertan los valores
(números) apropiados de un problema específico de negocios en el modelo estándar para
obtener una respuesta.
Se obtiene un modelo hecho a la medida cuando se usan los conceptos básicos de
diversas disciplinas, y especialmente las matemáticas, para construir un modelo de ajuste al
problema de que se trata. Un ejemplo de este caso es el Análisis Veture [Thierauf, 1995],
utilizado en investigación de operaciones, que reúnen varios métodos estándar de la I. O..
III PLANEACIÓN DE LOS EXPERIMENTOS DE SIMULACIÓN EN
COMPUTADORAS
3.1 INTRODUCCIÓN
La simulación en computadoras es un recurso para dirigir experimentos científicos en las
empresas y sistema económico. Para planear experimentos de simulación, aplicables a los
sistemas económicos e industriales, necesariamente debemos recurrir a técnicas como la
estadística matemática, el análisis numérico, la econometría, la programación en
computadora y el diseño de experimentos.
42
3.2 METODOLOGÍA
La experiencia sugiere que la planeación de experimentos de simulación requiera de
un procedimiento que consta de las etapas siguientes:
Formulación del problema.
Recolección y procedimiento de datos tomados en realidad.
Formulación de un modelo matemático.
Estimación de los parámetros de las características operacionales a partir de los datos
reales.
Evaluación del modelo y de los parámetros estimados.
Formulación de un programa para la computadora.
Validación.
Diseño de los experimentos de simulación.
Análisis de los datos se simulación.
Aunque el orden en que se implantan esos nueve pasos permanece abierto a
discusión, la figura 3.1 los muestra bajo una ordenación basada en los resultados de
experiencias [Naylor, 1977].
Con toda seguridad, cualquier procedimiento de este tipo resulta sumamente
arbitrario en su naturaleza y la posibilidad de juzgarlo sólo existe en un plano puramente
pragmático.
(1)
FOMULACIÓN DEL PROBLEMA
(2)
RECOLECCIÓN Y PROCESAMIENTO
DE DATOS
(3)
FORMULACIÓN DEL MODELO
MATEMATICO
(4)
ESTIMACIÓN DELOS PARAMETROS
43
MODELO RECHAZADO
EVALUACIÓN DEL (5)
MODELO
MODELO
ACEPTADO (6)
FORMULACIÓN DEL
PROGRAMA PARA LA
COMPUTADORA
(7)
VERIFICACIÓN
(8)
DISEÑO DE EXPERIMENTOS Fig. 3.1 Diagrama de
flujo para la planeación
(9) de experimentos de
simulación
ANALISIS DE DATOS DE
LA SIMULACIÓN
3.2.1 FORMULACIÓN DEL PROBLEMA
Es necesario en primer lugar definir claramente los objetivos de nuestra
investigación, antes de hacer cualquier intento encaminado a planear la realización de un
experimento en simulación. Encontraremos que la exposición original del problema varía
considerablemente de su versión final, ya que la formulación del problema es un proceso
secuencial que generalmente requiere de una formulación continua y progresiva de
refinamiento de los objetivos de experimento durante sus realización
Los objetivos de la investigación, tanto en la empresa y la economía, como también
en la mayoría de las ciencias sociales, toma generalmente la forma ya sea de: (1) preguntas
que deben contestarse, (2) hipótesis que se deben probarse y (3) efectos por estimarse.
3.2.2 RECOLECCIÓN Y PROCESAMIENTO DE DATOS TOMADOS DE LA
REALIDAD.
44
Necesitaríamos colectar y procesar una cierta cantidad de datos antes de que exista la
posibilidad de definir algún problema. Para nuestros propósitos, resulta completamente
irrelevante que los requerimientos para el procesamiento de datos procedan la formulación
del problema o viceversa; si hemos de dirigir experimentos de simulación, es importante
que ambas funciones se lleven a cabo.
Existen, por o menos, cinco razones por las cuales es necesario de disponer de un
sistema eficiente para el procesamiento de datos, que permita alcanzar el éxito al realizar
los experimentos de simulación.
En primer instancia la información descriptiva y cuantitativa. En segundo, los datos
puedan sugerir hipótesis de cierta validez. Como tercer punto, los datos también pueden
sugerir y mejoras o refinamientos en los modelos matemáticos. Cuarto; es necesario que
los datos, reducidos a una forma final, se utilicen para estimar los parámetros de las
características disponibles de operación relativas a las variables endógenas, exógenas y de
estado del sistema. Finalmente, cabe considerar que sin tales datos, serían imposibles
probar la validez de un modelo para la simulación.
La recolección de datos es el proceso de capacitación de los hechos disponibles, con
los cuales pueden ser procesados posteriormente, cuando sean necesarios. El proceso de
recolección y el almacenamiento de datos ocurre simultáneamente.
3.2.3 FORMULACIÓN DE LOS MODELOS MATEMÁTICOS
La formulación de los modelos matemáticos consiste en tres pasos:
i. Especificación de los componentes
ii. Especificación de las variables y los parámetros
iii. Especificación de las relaciones funcionales.
Una de las primeras consideraciones que se toman en cuanta en la formulación de
un modelo matemático reside en saber cuántas variables se deben incluir en el modelo.
La segunda consideración importante en la formulación del modelo matemático se
refiere a la complejidad de los mismos. Por lo general, estamos interesados en al
formulación de modelos matemáticos que produzcan descripciones o predicciones,
razonablemente exactas, referentes al comportamiento de un sistema dado y reduzca a la
vez, el tiempo de computación y programación. Sin embargo, no es posible establecer con
exactitud, la interdependencia de loas características den los modelos matemáticos, ya que
tanto él numero de variables en un modelo, como su complejidad, se encuentran
45
directamente relacionadas con los tiempos de programación, cómputo y validez. Si
alteramos cualquiera de las citadas características, alteramos a su vez el resto de ellas.
Una tercera consideración en la formulación de modelo matemáticos para
simulación en computadora estriba en el área de la eficiencia de computación, es decir, la
complejidad del algiritmo1.
Entendemos por ello, la cantidad de tiempo de computo requerida para lograr algún
objetivo experimental específico.
El tiempo consumido para la programación de la computadora, constituye una
cuarta consideración al formular modelos para simulación.
3.2.4 ESTIMACIÓN DE LOS PARÁMETROS DE LAS CARACTERISTICAS
OPERACIONALES A PARTIR DE LOS DATOS REALES
Una vez que hemos recolectado los datos apropiados del sistema y formulando
varios modelos matemáticos que describen su comportamiento es necesario estimar sus
valores de los parámetros de dichos modelos y probar su significación estadística.
Ejemplo. La estimación de parámetros de los modelos económicos cae dentro del dominio
de la econométria
Entre los métodos importantes de estimación econométrica descritos por Goldber y
Johnston [Naylor, 1977], y que se comparan sobre la base de sus propiedades estadísticas y
de computación, se encuentran:
1.- Métodos de una sola ecuación.
i) Mínimos cuadrados ordinarios.
j) Mínimos cuadrados indirectos (Generalizados).
k) Ecuación única con información limitada.
l) Mínimos cuadrados de dos etapas.
2.- Métodos de ecuaciones simultáneas.
m) Máxima probabilidad con información completa.
n) Mínimos cuadrados de tres etapas.
3.2.5 EVALUACIÓN DEL MODELO Y DE LOS PARAMETROS ESTIMADOS
Es necesario hacer un juicio del valor inicial de la suficiencia de nuestro modelo,
para probarlo. Esto se logra haciendo una comparación de las mediciones iniciales
obtenidas por nuestro modelo de simulación con las obtenidas de la realidad.
46
Este paso representa sólo la primera etapa en la prueba de un modelo de simulación
previa a las corridas reales en la computadora, por lo que en este punto nuestro interés
reside en probar las suposiciones o entradas que se programarán en la computadora.
En caso de que las características operacionales tomen la forma de distribuciones de
probabilidad, será necesario aplicar pruebas de bondad de ajuste que determinen qué
también se ajusta una distribución hipotética de probabilidad a los datos del mundo real.
Deseamos también probar la importancia estadística de nuestras estimaciones de los
valores esperados, variancias y otros parámetros de estas distribuciones de probabilidad.
Estas pruebas podrían comprender:
1.- Prueba d referente a las medidas.
o) Prueba de una muestra relativa a las medidas
p) Diferencias entre medias
2.- Prueba referentes a las variancias
q) ji cuadrada
r) Prueba F
3.- Pruebas basadas sobre el conteo de datos.
s) Prueba referente a las proporciones
t) Diferencias entre K proporciones
u) Tablas de contingencia
v) Pruebas de bondad de ajuste
4.- Pruebas no paramétricas
w) Las pruebas de signo
x) Pruebas basadas en suma de rangos
y) Pruebas de la mediana
z) La prueba U (Tchebychev)
aa)Pruebas de corridas
bb)Prueba de correlación en serie
En caso de que las caracteristicas operacionales tomen la forma de los modelos
econométricos, requerimos probar la importancia estadística de cada uno de los parámetros
estimados en tales modelos, mediante el uso de las pruebas estándar t, y F. También
desearemos aplicar pruebas que nos permitiran las violaciones en las suposiciones
fundamentales de nuestros modelos econométricos; estas podrían comprender las pruebas
para:
1. Errores en las variables
2. Colinearidad múltiple
3. Heterosedasticidad
4. Autocorrelación
5. Identificación
De entre las preguntas que nos interesa formular durante esta etapa del procedimiento, se
encuentran las siguientes:
47
¿Incluimos algunas variables que no sean pertinentes, en el sentido de que
contribuyen muy poco a nuestra capacidad para predecir el comportamiento de las
variables endógenas de nuestro sistema?
¿omitimos la inclusión de una o más variables exógenas que pudieran afectar el
comportamiento de las variables endógenas en nuestro sistema?
¿Formulamos incorrectamente una o más relaciones funcionales entre las variables
endógenas y exógenas de nuestro sistema?
¿Apreciamos debidamente las estimaciones de los parámetros de las caracteristicas
operacionales de nuestro sistema?
¿Cómo se comportan los valores teóricos de las variables endógenas de nuestro sistema con
los valores históricos o reales basados en cálculos manuales? (ya que aún no formulamos
un programa para computadora).
Sólo si es posibles contestar satisfactoriamente las seis preguntas, procederemos al
paso 6: la formulación de un programa para computadora. De otro, repetiremos los pasos
del 1 al 5 hasta que sea posible responder satisfactoriamente las preguntas.
4.2.3 FORMULACIÓN DE UN PROGRAMA PARA LA COMPUTADORA.
La formualción de un programa para computadoras, cuyo propósito sea dirigir los
experimentos de simulación con nuestros modelos del sistema bajo estudio, requiere que se
considere especialmente las siguientes actividades:
1. Diagrama de flujo
2. Lenguaje de computadora
Compiladores de propósito general
Lenguajes de simulación de propósitos especiales
3. Búsqueda de errores
4. Datos de entrada y condiciones iniciales
5. Generación de datos
6. Reportes de salida
Al escribir un programa de simulación para computadora la primera etapa requiere
la formulación de un diagrama de flujo que bosqueje la secuencia lógica de los eventos que
realizará la computadora, al generar los tiempos planificados para las variables endógenas
de nuestro modelo.
Podemos escribir nuestro programa en un lenguaje de propósitos generales como
FORTRAN, BASIC, PASCAL , C++ o sus visuales o bien emplear un lenguaje de
simulación como . SIMPAC, DINAMO, PROGRAM SIMULATE, GPSS, o nuevos como
48
GPSSH, SLAM, PROMODEL, SINFACTORY, MICLROMANAGER, entre otros.
Dependerá de la aplicación, el uso del lenguaje adecuado. En un capítulo posterior se
describirán alguno de estos lenguajes y su aplicación particular.
3.2.7 VALIDACIÓN
Ciertamente, el problema de validar modelos de simulación es difícil ya que implica
un sinnúmero de complejidades de tipo práctico, teórico, estadístico e inclusive filosófico.
La validación de experimentos de simulación forma parte de un problema mucho más
general, es decir, el de la validación de cualquier clase de modelo o hipótesis. Las
preguntas básicas son: “¿Qué significa validar una hipótesis?” y “¿Cuáles criterios deberán
utilizarse para establecer la validez de una hipótesis?”.
Aún así parece que por lo general sólo dos pruebas se consideran apropiadas para
validar los modelos simulación. Primeramente, ¿Qué tan bien coinciden los valores
simulados de las variables endógenas con los datos históricos conocidos, si es que estos
están disponibles?. En segundo lugar, ¿Qué tan exactas son las predicciones del
comportamiento del sistema real hechas por el modelo de simulación, para períodos futuros
(de tiempo)?. Asociada con cada una de estas pruebas, existe una gran variedad de pruebas
estadísticas, tanto como clásicas como recientes.
4.2.4 DISEÑO DE LOS EXPERIMENTOS DE SIMULACIÓN
Una vez que estemos satisfechos con la validez de nuestro modelo para la
computadora, estaremos en posibilidad de considerar su uso para dirigir efectivamente, los
experimentos de simulación. De hecho, como ya hemos definido nuestro problema
experimental, las variables endógenas y lo factores (variables exógenas y parámetros),
deberemos interesarnos ahora por los detalles de diseño experimental.
En esta fase, es posible identificar dos metas importantes: en primer lugar,
seleccionaremos los niveles de los factores y las combinaciones de niveles, así como el
orden de experimentos; en seguida y una vez que seleccionaremos nuestras combinaciones
de factores, deberemos esforzarnos por asegurar que los resultados queden libres de
errores fortuitos.
3.2.9 ANALISIS DE LOS DATOS SIMULADOS
La etapa final en el procesamiento requiere un análisis de los datos generados por la
computadora, a partir del modelo que simular. Tal análisis consiste de tres pasos:
1.- Recolección y procesamiento de los datos simulados.
2.- Cálculo de la estadística de las pruebas.
3.- Interpretación de los resultados.
Aunque el análisis de los datos simulados es de hecho semejante al análisis de los
datos del mundo real (Véanse los pasos 2, 3 y 4 de la figura 3.1) existen algunas diferencias
49
importantes. El análisis de los datos de simulación en computadora es, según los expertos,
considerablemente más difícil que el análisis de los datos del mundo real.
IV GENERACIÓN DE NUMEROS ALEATORIOS Y PSEUDOALEATORIOS.
4.1 INTRODUCCIÓN.
En el presente capítulo presentaremos los métodos más utilizados, para generar
números aleatorios y pseudoaleatorios con computadora. Dejemos el tema de la
aplicación, para el capitulo V.
Antes de continuar, es necesario establecer la siguiente terminología. El término
variable aleatoria se emplea para nombrar una función de valor real, definida sobre un
espacio muestral asociado con los resultados de un experimento conceptual, de naturaleza
azoroza. El valor numérico resultante de un experimento, de cada una de las variables
aleatorias, se llama número aleatorio. Se utilizan letras mayúsculas para denotar las
variables aleatorias y minúsculas, para denotar valores de éstas variables aleatorias y
minúsculas, para denotar valores de éstas variables, es decir, para los números aleatorios.
Por ejemplo, F(x); la función de distribución acumulada para una variable aleatoria X,
indica la probabilidad de que X sea menor o igual al particular valor x de la función de
probabilidad de la variable aleatoria X, cuando X= x.
4.2 TECNICAS PARA GENERAR NÚMEROS ALEATORIOS.
Se han venido usando cuatro métodos alternativos para generar las sucesiones de
números aleatorios, estos son:
4.2.1 Métodos manuales
Lanzamiento de monedas
Lanzamiento de dados
Barajas
Dispositivos mecánicos
Dispositivos electrónicos
Ventajas: Son aleatorios
Desventajas: No reproducibles
4.2.2 TABLAS DE BIBLIOTECA.
Son números aleatorios que se han publicado; por ejemplo a Millon Random
Digits, de la Corporación Rand, de los cuales podemos encontrar listas de los en los libros
50
de probabilidad y tablas de matemáticas. Estos números fueron generados por alguno de
los métodos de computación analógica, los cuales mencionados a continuación.
Ventaja: Provienen de un fenómeno aleatorio y son reproducibles.
Desventaja: No se obtiene en tiempo real.
4.2.5 MÉTODOS DE COMPUTACIÓN ANALÓGICA
Los métodos de computación analógica dependen de ciertos procesos físicos
aleatorios (por ejemplo, el comportamiento de una corriente eléctrica), por lo que se
considera que conducen verdaderos números aleatorios.
Ventaja: Aleatorios.
Desventaja: No reproducible.
4.2.4 MÉTODOS DE COMPUTACIÓN DIGITAL
Se distinguen tres métodos para producir números aleatorio cuando se usa la
computación digital (computadoras), los cuales son:
4.2.4.1 PROVISIÓN EXTERNA.
Consiste en grabar en la memoria de la computadora, las tablas Randa, a fin de tratar
estos números como datos de entrada para un determinado problema.
4.2.4.2 GENERACIÓN POR MEDIO DE PROCESOS FÍSICOS
ALEATORIOS.
Consiste en usar algún aditamento especial de la computadora, para registra los
resultados de algún proceso aleatorio y ademas, reduzca estas resultados a sucesiones de
dígitos.
4.2.4.3 GENERACIÓN INTERNA POR MEDIO DE UNA RELACIÓN
DE RECURRENCIA.
Consiste en generar números pseudoaleatorios por medio de ecuaciones de
rrecurrencia, en las que necesariamente se tiene que dar un valor inicial o semilla, para
generar los siguientes valores. Vamos ha centrar nuestra atención en este último método de
computación digital, y los describiremos ampliamente.
Ventaja: Son reproducibles.
Desventaja: Son pseudoaleatorios.
4.2.4.4 CARACTERISTICAS DE LOS NÚMEROS
PSEUDOALEATORIOS a) Uniformemente distribuidos
b) Estadísticamente independientes
c) Reproducibles
d) Sin repetición dentro de una longitud determinada
51
4.3METODOS QUE UTILIZAN ECUACUACIONES DE
RECURRENCIA PARA GENERAR NUMEROS
PSEUDOALEATORIOS. Aquí describiremos los métodos de generación de números pseudoaleatorios,
usando ecuaciones de recurrencia.
4.3.1 METODO DE CUADRADOS CENTRALES.
Históricamente, el primer método aritmético para generar números
pseudoaleatorios, fue el de los cuadrados centrales, en el que cada número de la sucesión se
obtiene tomando los dígitos centrales del cuadro del número precedente. El modelo
matemático que los describe es:
n0 = semilla entera (entero positivo)
ni = dígitos centrales de n2i-1
xi = dígitos centrales de x2i-1 para i = 1, 2, 3,…
ejemplo: a) enteros
sea:
n0 = 83,
n1 = d. c. (6889) = 88
n2 = d. c. (7744) = 74
n3 = d. c. (5476) = 47
n4 = d. c. (2209) = 20
n5 = d. c. (0400) = 40
n6 = d. c. (1600) = 60
b) FRACCIONARIO(Semilla impar y primo)
n0 = 0.528
n1 = 0.278784 = 0.787
n2 = 0.619369 = 0.193
n3 = 0.037249 = 0.372
n4 = 0.138124 = 0.383
n5 = 0.146689 = 0.466
n6 = 0.217151 = 0.171
n7 = 0.029241 = 0.292
n8 = 0.085264 = 0.852
n9 = 0.725904 = 0.259
n10 = 0.067021 = 0.670
n11 = 0.4489 = 0.489
n12 = 0.239121 = 0.391
n13 = 0.152881 = 0.528 P = 13
52
n14 = 0.278784 = 0.787
METODOS DE GENERACIÓN DE NUM. PSEUDOALEATORIOS U(0,1).
-Métodos congruenciales “69”
reglas:
C debe ser un entero impar, no divisible ni por 3 ni por 5
a usualmente puede ser cualquier constante sin embargo para asegurar buenos
resultados, seleccione a de tal forma que (a) mod 8= 5 para una computadora binario a o
(a) mod 200 = 21 para una computadora decimal.
M debe ser el número entero más grande que la computadora acepte
De acuerdo con Hull y Debell, los mejores resultados par un generador
congruencial mixto en una computadora binaria son:
a = 8 * c 3
c = cualquier entero
r0 = cualquier entero impar (ni)
m =2b donde b>2 y que m sea aceptado por la computadora
4.3.2 METODO DE CONGRUENCIAS PARA GENERAR NÚMEROS
PSEUDOALEATORIOS
Fórmulas generales de congruencias.
MIXTO MULTIPLICATIVO
ni+1 = (ani +c)mod m ni+1 = (a*ni )mod m
Para i = 0, 1, 2, …,m-1, donde a, c, m son enteros positivos. A n0 se le llama
semilla inicial.
n ain c
ai
am
FHG
IKJ
LNM
OQP0
1
1mod
donde i = 0, 1, 2,…,m-1
a, c, n0 < m
h = máximo periodo
Método multiplicativo c =0 Método mixto c 0
BASE 2
h = 2b-2
; b<2 h = m = 2b ; donde b > 2
53
m= 2b
ab
2 12
a m donde a impar a ss 2 1 2;
n0 impar positivo c = impar positivo y n0 entero
positivo
(a,m) =1
ab
2 12 ;
bb
b par
bb impar2
21
2
LNMOQP
RS|
T|
valida para b 4
si b = 3 poner a = 5.
BASE 10
h = 5 * 10d-2
; d>3 h = m 10d; d 3
m = 10d a
d
10 12
a t p 200
a ss 10 1 1; t= cualquier entero positivo si d = 3, poner a = 101
p 3 8 0mod
para d 4 ad
LNM
OQP10 12
p = {3,11,13,19,21,27,29,
53,59,61,77,83,91 c= impar positivo y (c,5) = 1
etc} mod 200
n0 impar positivo y (a,5)01 n0 entero positivo
METODO MIXTO BASE 2
Genera tantos números igual al modulo para b> 2
METODO MULTIPLICATIVO BASE 10
m > h
mínimo del modulo sería 10,000
p= 3 8mod residuo 3
p< mod m
(a,5) = 1 significa que a no debe ser múltiplo de 5
METODO MIXTO BASE 10
Se genera un periodo igual al modulo
54
h m dd
10 32
a ad
10 12
a s 10 1; s= 1, 2, 3,…
caso particular
c que no sea múltiplo de 5
c= 1, 3, 7, 9, 11, 13, 117, 19, ….(m-1)
n0 = cualquier entero positivo…(m-1)
ejemplo:
h = m = 103 d = 3
a 103/2
+ 1 = 32.62
posibles de a s a
2 101 el que más se acerca a 32.62 es 101, a = 101
3 1001
4 10001
d a d a
3 32.62 3 101
4 101 4 101
5 317.22 más cercano al valor de a. 5 101
6 1001 6 1001
7 3163.27 7 1001
8 10001 8 10001
9 31623.77 9
Cuando d = 3, a = 32.62 en los valores de 5 a 9 cualquier valor que más se acerque
a 32.62 es s = 2 y a = 101
dd d par
dd impar2
21
2
RS|
T|
d= 4 a=104/2
+ 1 = 102 + 1
d= 5 a=105/2
+ 1 = 101
55
Ejemplo: Base 2 MULTIPLICATIVO
h = 27
b -2 = 7 de donde b= 7 + 2 , b =9
n = 2b-2
, b > 2.
M = 2b m = 2
9 , m = 512.
a m a impar
a 512 22 63.
a t 8 3 , t = 0, 1, 2, 3, 4, 5, …
t a
0 3
1 5
11
2 13
19
3 21
27
4 29
35
n0 = 1, 3, 5, 7, 9,… 511, impar menor que m.
(a , m) = 1 primo relativo, divisibles entre 1, máximo común divisor
(5 , 15) = 1 No son primos relativos
(8 , 9) = 1 son primos relativos porque no tienen factores primos comunes que los
puedan dividir. Ni+1 = 21ni mod 512
i =0, 1, 2, 3, 4, 5, 6, …127
127 + n0 = 128
56
h = 27 = 128.
NOTA: con estos parámetros genero 128 datos.
4.3.3 Método aditivo de congruencias
n n n mi i i k
1a fmod
con k = 1, 2, 3, 4, 5, …
n n n n semillask0 1 2
, , ,...
Se presupone k valores iniciales dados, con k un número entero positivo. Si k = 1, la
ecuación de recurrencia genera la conocida sucesión de Fibonacci. Esta sucesión se
comporta como las sucesión que se genera con el método multiplicativo de congruencias,
con el factor a 1 5 2c h .
Las propiedades estadísticas de este método tienden a
mejorarse cuando k se incremente. Además, este método genera períodos mayores que el
módulo m.
PRUEBAS DE ALEATORIEDAD
3.1 PRUEBA DE LOS PROMEDIOS
Esta prueba es conocida como uniforme o rectangular, el valor esperado y la
varianza de una variable aleatoria uniformemente distribuida están dadas por las siguientes
expresiones:
E(x) = 10 x dx = ½
Var = 10 ( x - ½)2 dx = 1/12
-
Una prueba de hipótesis de promedios puede ser planteada e la siguiente forma
57
Hipótesis nula Ho : = ½
Zx M
n0
Hipótesis alternativa H1 : ½
En seguida, su promedio aritmético es evaluada de acuerdo a la siguiente expresión:
xU U U U
Nn
1 2 3
...
U = N.A.
Se determina el valor estadístico. Si
Z Z0
2
,
entonces se acepta la hipótesis de los números pseudoaleatorios.
Ejercicio:
Paso 1: Ho : M = 1/2 con = 5%
Ho : M 1/2
0.828 0.744 0.663 0.169 0.090
0.365 0.151 0.105 0.646 0.198
0.073 0.915 0.245 0.584 0.647
0.414 0.296 0.460 0.237 0.671
0.608 0.700 0.353 0.414 0.963
X =
Zx M
n0
Z0 =
58
/2= 0 1 - /2=
CONCLUCION:
Z Z0
2
PRUEBA DE LOS PROMEDIOS
u x
U x
( ) {
( ) {
0
1
0
1
en otra parte
si 0 x 1
en otra parte
si 0 x 1
u x P X x( ) ( )
Zx M
n0
x
n1 2
1 12
59
MEYER
n 30
N > 30
U U(x)
1
1
E x x dx
E x M
( )
[ ]
z 0
1
2 2 2
1 2
1 3 1 4 1 12
5.2 PRUEBA DE FRECUENCIA
El estadístico usado en esta prueba es
xFO FE
FEdondei i
ii
n
0
2
2
1
a f
;
FOi= frecuencia observada del i-ésimo subintervalo
FEi = frecuencia esperada del i-ésimo subintervalo
N = tamaño de la muestra
n = número de subintervalos
Este estadístico se compara con x
n ,( ),1
2
la cual representa una variable aleatoria
Chi-cuadrada con n-1 grados de libertad y un nivel de significancia . Six x
n0
2
1
2 ,( ) ,
entonces se acepta la hipótesis.
Usar pruebas de bondad de ajuste x2
60
5.3 PRUEBA DE LA DISTANCIA
Los números pseudoaleatorios generados son considerados como dígitos, entonces
la prueba consiste en contar el número de dígitos que aparecen entre ocurrencias sucesivas
de un mismo dígito. Por ejemplo, 58245, ilustra un hueco de tamaño 3 entre los dos 5. La
probabilidad de cada uno de los tamaños de hueco se obtiene con la siguiente expresión:
Pi
i 01 0 9. ( . ) para i = 0,1,2,3...
Como teóricamente el valor del tamaño del hueco puede ser infinito, es conveniente
agrupar probabilidades para valores de i mayores o iguales a un determinado valor de n.
Tal sumatoria se obtiene de acuerdo con la siguiente expresión:
Pi n
m n n
m
01 0 9 0 90
. ( . ) . i = tamaño del hueco
El estadístico que se usa en estas pruebas se obtiene como :
xFO FE
FEx xi i
ii
n
n0
2
2
1
0
2 2
( )
. ,,
Si
entonces los números pasan la prueba.
i ni Pi FOi Acum FEi FOi
0 81917 0.1 3 3 13(0.1)=1.3 3
1 78981 0.9 8 11 12(0.9)=1.17 8
2 97982 0.081 1 13 13(0.081)=1.053 1
3 7753 0.729 1 13 13(0.729)=9.477 1
4 72771
5 08160
6 64041
7 72141
8 25223
9 60814
NOTA = Entre los huecos no debe de haber frecuencia de 1 por lo tanto se sube
al anterior
xFO FE
FEi i
ii
n
2
2
1
3
( )
(3-1.3)2/1.3 = 2.2231
61
(8-1.17)2 /1.17 = 39.871
(1-1.053)2 /1.053 = 0.00266
(1-9.477)2 /9.477 = 7.5825
= 496792
x
2
0 05
599
49 67 599
0
2
0
2 2
0
2
0 05 3 1 2
2
.
.
. . .
,
. ,
x
x x
x x
n
se rechaza H0
Frecuencias esperadas y observadas para los diferentes tamaños de huecos, considerando a
los números pseudoaleatorios generados como números reales.
i Pi FOi FEi
0 FO0 = FOi ()
1 (1-) FO1 = FOi ()(1-)
2 (1-)2 FO2 = FOi ()(1-)
2
. . . .
. . . .
. . . .
i (1-)i FOi = FOi ()(1-)
i
. . . .
. . . .
. . . .
>=n (1-)n FOn = FOi(1-)
n
total 1.0 FOi = FOi
0.78961 0.05230 0.10699 0.55877 0.14151
0.76086 0.12079 0.27738 0.65726 0.76269
0.80548 0.82654 0.29453 0.20852 0.42989
0.58518 0.98611 0.34488 0.34358 0.11537
62
0.89898 0.57880 0.67621 0.05010 0.00121
0.28269 0.73059 0.70119 0.18284 0.49962
0.38618 0.76910 0.68334 0.55170 0.10850
0.79982 0.45679 0.21631 0.87616 0.55742
0.58972 0.33216 0.03185 0.61168 0.09264
0.69623 0.17028 0.05475 0.91512 0.76262
0.29931 0.30831 0.83358 0.51781 0.03272
0.57410 0.26593 0.85903 0.43308 0.35286
0.24000 0.65559 0.38507 0.90829 0.94187
0.93655 0.88809 0.81772 0.36982 0.19904
0.54325 0.62400 0.09133 0.41678 0.33954
0.58244 0.85853 0.88752 0.33729 0.15506
0.23949 0.53559 0.33381 0.49383 0.75103
0.19962 0.65002 0.74579 0.79113 0.63453
0.19157 0.40644 0.08128 0.73465 0.22724
0.22287 0.07281 0.64183 0.44267 0.72102
Pi = (1-)i para i = 0,1,2,3…
P ni
m n
m
n
( ) ( )1 10
i Pi FOi FEi
0 0.4 12 40(0.4) = 6.00
1 0.24 12 40(0.4)(0.6) = 9.6
2 0.144 10 40(0.4)(0.6) = 5.76
>=3 0.216 6 40(0.6) = 8.64
total 1.00 70=40 FE = 40
xFO FE
FE
x
x
i i
ii
n
0
2
2 2
0
2 2
2 2
0
2
0
2
12 16
16
12 9 6
9 6
12 576
576
10 576
576
6 8 64
8 64
1 0 6 312111 580666
557778
557778 7 81
( ) ( ) .
.
( . )
.
( . )
.
( . )
.
. . .
.
. .
a f
pasan la prueba de la distancia.
5.4 PRUEBAS DE SERIES
63
Consiste en generar n números pseudoaleatorios de los cuales se forman parejas
aleatorias entre Ui y Ui+2 . En seguida se determina la celda a que pertenece cada pareja
ordenada como en la figura.
1
(n-1)/n
(n-2)/n
2/n
1/n
1/n 2/n (n-2)/n (n-1)/n 1
Con lo cual se determina al frecuencia observada de cada celda. La frecuencia esperada de
cada una de las celdas se obtiene al dividir el total de parejas coordenadas por el total de
celdas. Finalmente, conocida la frecuencia observada y esperada de cada celda se obtiene
el estadístico:
xn
NFO
n
N
FO FE
x x
i
i
n
i
n
ij ij
nn
0
2
2 2
1
2
11
2
0
2
1
2
1 1
2
FHG
IKJ
( )
,,
( - )
Si entonces los números pasan la prueba.
Prueba de series.
Para probar el grado de aleatoriedad entre Núm. sucesivos se forman parejas de N donde
N= números pseudoaleatorios.
(U1 ,U2), (U2 ,U3), (U3 ,U4), . . . (U8 ,U9), (U9 ,U10)
64
En seguida, se determina la celda a que pertenece cada pareja.
1 n/n
4/n
3/n
2/n
1/n
0
1/n 2/n 3/n 1 n/n
Con lo cual se determina la frecuencia esperada de cada celda se obtiene:
N= Números 100 FE = N/n
n= Particiones 5
si n = 5 se tiene una matriz de 5x5 = 25 =n
si N = 100 se obtendran 99 parejas. FE = 99/25=
nz N
x M
( ( ) )
( )
2
2 1 2
2
NOTA: Cuando la pareja de puntos cae en un vértice se
coloca a la izq. es por la línea y abajo.
Prueba de series:
0.72484 0.48999 0.50502 0.39528 0.36782 0.90234
0.71890 0.61234 0.86322 0.94134 0.99872 0.27657
0.34565 0.02387 0.67347 0.10987 0.25678 0.25593
0.82345 0.12387 0.05389 0.82474 0.59289 0.36782
0.03991 0.10461 0.93716 0.16894 0.98953 0.73231
1- = 0.95 = 1-0.95 = 0.05 /2= 0.05/2 = 0.025
n=4 elige el valor de n.
Núm. de parejas a formar N = 30-1 = 29 parejas
FE = (N-1)/ n2 = (30-1)/ 4
2 = 1.8125
Paso 1: Ho: ri independiente
H : ri dependiente.
Crear un histograma de dos dimensiones con M intervalos, clasificando cada pareja de
números consecutivos (ri, ri+1) dentro de las casillas de dicho histograma de frecuencias. El
núm. total de pares ordenados en cada casilla formara la frecuencia observada: FOi.
65
Paso 2: Calcular la frecuencia esperada en cada casilla FEi deacuerdo con FEi= num/m
de núm. es el numero total de parejas ordenadas.
Paso 3. Calcular el error C, con la ecuación siguiente:
CFE FO
FEx
n
NFO FEi i
ii
m
ij ij
i
m
( )
( )2
1
0
2
2
2
11 ó
Paso 4: Si el valor C es menor o igual al estadístico de tablas x2 con m-1 grados de
libertad y una probabilidad de rechazo , entonces aceptamos que estadísticamente los
números son independientes.
(0.72484 , 0.48999) 1
(0.48999 , 0.50502) 3 2 1 2
(0.50502 , 0.39528 ) 0.75
(0.39528 , 0.36782 )
(0.36782 , 0.90234 ) 1 1 1 3
(0.90234 , 0.71890) 0.5
(0.71890 , 0.61234) 1 3 3 1
(0.61234 , 0.86322) 0.25
(0.86322 , 0.94134) 2 2 2 2
(0.94134 , 0.99872)
(0.99872 , 0.27657) 0 0.25 0.5 0.75 1
(0.27657 , 0.34565)
(0.34565 , 0.02387)
(0.02387 , 0.67347)
(0.67347 , 0.10987)
(0.10987 , 0.25678)
(0.25678 , 0.25593)
(0.25593 , 0.82345)
(0.82345 , 0.12387)
(0.12387 , 0.05389)
(0.05389 , 0.82474)
(0.82474 , 0.59289)
(0.59289 , 0.36782)
(0.36782 , 0.03991)
(0.03991 , 0.10461)
(0.10461 , 0.93716)
(0.93716 , 0.16894)
(0.16894 , 0.98953)
66
(0.98953 , 0.73231)
c 1
181257 18125 1 5 18125 2 4 18125 3 5752 2 2
.( . ) ( . ) ( . ) .
c
( . )
.
( . )
.
( . )
.
( . )
.
( . )
.
( . )
.
( . )
.
( . )
.
( . )
.
( . )
.
( . )
.
( . )
.
( . )
.
( . )
.
(
18125 2
18125
18125 2
18125
18125 1
18125
18125 2
18125
18125 1
18125
18125 3
18125
18125 3
18125
18125 1
18125
18125 1
18125
18125 1
18125
18125 1
18125
18125 3
18125
18125 3
18125
18125 2
18125
2 2 2 2 2 2 2
2 2 2 2 2 2 2
18125 1
18125
18125 2
18125
2 2. )
.
( . )
.
5.758
X X X
M
C X
m0
2 2
0 05 15
2
2
2500
16 1 15
5758 25
, . ,.
.
Se acepta que los núm son independientes.
PRUEBAS DE CORRIDA
Una corrida se define como un conjunto de números que aparecen ordenados en
forma monotonicamente creciente o decreciente: por ejemplo 03, 23, 57, 92, 99 contienen
una sola corrida, mientras que 03, 99, 23, 92, 27 contiene (03,99), (223,92), (57) si se
utiliza el signo + para identificar que el número que aparece a la derecha de otro es mayor,
o - si es menor, se tiene que:
30, 23, 57, 92, 99 +, +, +, +, +,
mientras que
03, 99, 23, 92, 57 +, -, +, -
Esta prueba se basa en el supuesto que el numero de corridas es una variable aleatoria. Si
una secuencia tiene más de 20 números, el numero de corridas que es una variable aleatoria
distribuida normalmente con media y varianza conocida.
67
La prueba se realiza de la siguiente manera:
Paso 1.- Se formula la hipótesis Ho: La secuencia de números es aleatoria.
Paso 2.- Se selecciona una muestra de tamaño n (n>20)
Paso 3.- Se definen con los signos +, - las posibles corridas.
Paso 4.- Se define la estadística r como el numero de corridas.
Paso 5.- si n>20 y Ho es verdadera, entonces r se aproxima a una distribución normal
con media:
E r n( ) ( ) 1
32 1
V r n( ) ( ) 1
9016 29
Paso 6.- Se acepta ho, a un nivel de riesgo , si
21
2
z
r E r
Var r
( )
( )
a f
donde z(*) esta tabulada en la distribución normal.
Ejemplo: Se tiene la siguiente secuencia de números pseudoaleatorios:
10 37 08 99 12 66 31 85 63 73 32 04 68
02 99 74 10 77 32 42 76 64 19 09 80 34
45 02 05 03 13 74 09 70 36 76 82 64 74
64 34 24 23 28 64 36 35 68 90 35
si r = 35
E r n( ) ( ) ( ) 1
32 1
1
3100 1 33
68
V r n( ) (800 ) . 1
92 1
1
9029 857a f
De tablas:
Z(0.68) = 0.7517
Por lo que para el nivel de significancia por ejemplo 10%
20 68 1
2
010
20 7517 1
010
2
0 05 0 7517 0 95
Z( . )
..
.
. . .
Se afirma la Hipótesis Ho: La secuencia de números es aleatoria.
5.7 PRUEBA DE POKER
Esta prueba examina en forma individual los dígitos del número pseudoaleatorio
generado. La forma como esta prueba se realiza es tomando 5 dígitos a al vez y
clasificándolos como : Par, dos pares, tercia, póker quintilla full y todos diferentes. Las
probabilidades para cada una de las manos del póker diferentes se muestran enseguida:
Todos diferentes = 0.3024
Un par = 0.504
Dos pares = 0.108
Tercia = 0.072
Full = 0.009
Quintilla = 0.0001
Con las probabilidades anteriores y con el número de números pseudoaleatorios
generados, se puede calcular la frecuencia esperada de cada posible resultado, la cual al
compararse con la frecuencia observada, produce el estadístico:
69
0
7
2
1
7
( )FO FE
FEi i
ii Si
0
2
6
2, . Entonces los números pasan la
prueba.
i Pi FO FE
0
2
Todos diferentes 0.3024 3 29(0.3024)=8.7696 (8.7696-3)2/8.7696=3.7958
Un par 0.504
Dos pares 0.108
Tercia 0.072
Full 0.009
Quintilla 0.0001
29
1
7
i
0
2
1
7
i
55787 dos pares
33333 Quintilla
16543 Todos diferentes
17145 Un par
51575 Tercia
44343 Full
11171 Póker
Ho: Los N. A. son independientes con 10% Si
0
2
6
2, se acepta Ho.
5.8 PRUEBAS DE LAS CORRIDAS
5.8.1 Prueba de las corridas arriba y abajo del promedio
En esta versión de la prueba de las corridas, una secuencia de números
pseudoaleatorios es generada. En seguida, una secuencia binaria es obtenida, en la cual es
0 si Ui es menor a 0.5 y 1 si es mayor. Una vez obtenida la secuencia binaria, el siguiente
paso e la cantidad de veces que una misma longitud de corridas se repite (frecuencia
observada de la corrida de la longitud i). Una sucesión de i ceros (unos) enmarcada por
unos (ceros) en los extremos, representa una corrida de longitud i. El Número total
esperado de corridas y el número esperado para cada tamaño de corrida se obtienen con las
siguientes expresiones:
70
EN
FEN i
i i
1
2
3
2 2
Estas frecuencias esperadas son comparadas con las observadas a través de la distribución
Chi-cuadrada y una decisión sobre la aleatoriedad de los números pseudoaleatorios
generados es tomada.
Prueba de corridas arriba y abajo del promedio.
0.65 1
0.55 1
0.91 1
0.25 0 i F0i
0.65 1
0.02 0 0
0.41 0 1
0.31 0
0.40 0
0.08 0
0.69 1
0.46 0 Ho: La secuencia de N. A. es aleatoria con M = 0.5
0.80 1 y 5%
0.83 1
0.27 0
i FOi FEi
0
2
0 8 9 ( 9-8)2/9= 0.1111
1 7 4.25 (4.25-7)2 = 1.7794
15 i
1
2
18905.
71
EN
E corridas
FEN i
FE
o i
1
2
15 1
28
3
2
15 0 3
29
15 1 3
2
17
44 25
1 0 1
1 1 1
.
0
2
0 05 2 1
2
0 05 1
23 841
0
2
0 05 1
18905
.
. , . ,.
. ,
La secuencia de No. es aleatoria con M= 0.5 y alfa =5%. Se acepta Ho.
5.8.2 Prueba de corridas arriba y abajo.
Se genera una secuencia de números igual que en el inciso anterior y luego se
obtienen una secuencia binaria, en la cual el i-ésimo término es cero si Uii< Ui+1 y 1 al
contrario. Una vez obtenida la secuencia binaria, se sigue el mismo procedimiento descrito
anteriormente y se obtienen la frecuencia observada para cada tamaño de corrida. El
número total esperado para cada tamaño de corrida se obtiene con las siguientes
expresiones:
72
EN
FEi i N i i i
ii N
FEN
i NN
2 1
3
23 1 3 4
31
21
2 3 2
1
( ) ( )
( )!;
!
Finalmente, el estadístico Chi-cuadrada se determina de acuerdo a la
siguiente expresión:
0
2
2
1
( )FO FE
FEi i
ii
n
Donde n es el número de términos de la ecuación anterior. Es importante señalar
que el cálculo del estadístico Chi-cuadrada, la frecuencia esperada para cada tamaño de
corrida debe ser igual o mayor a 5.
Si las frecuencias esperadas para corridas de tamaño grande son menores que 5,
tales frecuencias se deben agrupar con las adyacentes de tal modo que la frecuencia
esperada de los tamaños de corrida sea al menos 5.
Si
0
2
2
2, entonces los números pasan la prueba.
pruebas de corridas arriba y abajo.
i
1 0.84 1
2 0.53 1
3 0.43 0
4 0.45 1
5 0.74 0 Ho: La sec. De No, es aleatoria con 5%
73
6 0.66 0
7 0.33 1
8 0.85 0
9 0.37 1 FE20-1= 2/20!
10 0.69 0
11 0.10 1
12 0.76 0
13 0.68 0
14 0.60 1
15 0.97 0
16 0.03 1
17 0.72 0
18 0.17 1
19 0.29 0
20 0.16 1
EN
FEi i N i i i
ii N
2 1
3
2 20 1
313666
23 1 3 4
31
2 3 2
( ).
( ) ( )
( )!;
FE
2
0 3 0 1 20 0 3 0 0 4
0 38
2 3 2( ( ) ) ( ( ) )
( )!
FE1
2 3 2
21 3 1 1 20 1 3 1 1 4
1 38 9166
( ( ) ) ( ( ) )
( )!.
i FOi FEi
0
2
0 10 8 ( 8-10)2/8= 0.1111
1 10 8. 9166 (8.9166-10)2 /8.9166=0.1316
74
10 0 6316
1
2
.i
0 05 1
2
0
2
0 05 1
2
3841
0 6316 3841
. ,
. ,
.
. .
Se acepta Ho. Los No. son aleatorios.
PRUEBA DE KOLMOGOROV- SMIRNOV
Esta prueba sirve para verificar o negar la hipótesis que un conjunto de
observaciones provienen de una distribución.
La estadística D que se utiliza en esta prueba es una medida de la diferencia
máxima observada entre la distribución empírica y la teórica supuesta. D es una variable
aleatoria.
Se utiliza esta prueba para verificar o negar que un conjunto de números
pseudoaleatorios tienen una distribución uniforme en el intervalo cerrado [0,1].
Paso 1: se formula la hipótesis nula, Ho. De que los números provienen de una distri-
bución uniforme en el intervalo cerrado [0,1].
Paso 2: Se selecciona una muestra de tamaño n de números pseudoaleatorios generados
n = 1000. Sea Fn(x), de la siguiente manera.
Paso 3: Calcule la función de distribución acumulada empírica fn(x) de la siguiente
manera.
-Ordene los valores de la secuencia, tal que
i i
1 para toda i.
-Haga Fn(0)
Fnn
ii
i( ) , , ,...
1 2 3
Paso 4: Evalue la estadística de Kolmogorov-smirnov, de a partir de
D MAX Fn x x
i i ( )
0 1 x
i
75
Paso 5 Consulte la tabla de limites de aceptación para la prueba de kolmogorov- Smirnov,
para un tamaño de muestra n y un determinado nivel de riesgo alfa, si D es menor o igual a
este numero se acepta Ho, de otra manera se rechaza.
Ejemplo: De una tabla de número aleatorios se eligen los siguientes 50 (divididos entre
100 Para que su valor oscile entre 0 y 1.
0.10 0.37 0.08 0.99 0.12 0.66 0.31 0.85 0.63 0.73 0.32
0.04 0.68 0.02 0.99 0.74 0.10 0.77 0.32 0.42 0.76 0.64
0.19 0.09 0.80 0.34 0.45 0.02 0.05 0.03 0.13 0.74 0.09
0.70 0.36 0.76 0.82 0.65 0.74 0.64 0.34 0.24 0.23 0.38
0.64 0.36 0.35 0.68 0.90 0.35
Se desea probar la hipótesis Ho: Provienen de una distribución uniforme en [0,1], a un
nivel de significancia del 90%
Paso 2. Se arregla la tabla anterior para que se cumpla la condición x x
i i
1 para toda i.
1 0.02
2 0.02
3 0.03
4 0.04
5 0.05
6 0.08
7 0.09
8 0.10
9 0.10
10 0.10
11 0.12
12 0.13
13 0.19
14 0.23
15 0.24
16 0.26
17 0.32
18 0.34
19 0.34
20 0.35
21 0.35
22 0.36
23 0.36
24 0.37
25 0.38
26 0.42
27 0.45
28 0.63
29 0.64
30 0.64
31 0.64
32 0.65
76
33 0.66
34 0.68
35 0.68
36 0.70
37 0.70
38 0.73
39 0.74
40 0.74
41 0.74
42 0.76
43 0.80
44 0.82
45 0.85
46 0.90
47 0.94
48 0.97
49 0.99
50 0.99
Paso 3 Se construye Fn(xi) para toda i siendo n = 50/100 = 0.5
Fn xn
i ni
i( ) , , , . . .
1 2 3
Fn(0.00) = 0.00
Fn(0.02) = 0.04
Fn(0.0.3) = 0.03
Fn(0.04) = 0.08
Fn(0.05) = 0.10
Fn(0.08) = 0.12
Fn(0.09) = 0.16
Fn(0.10) = 0.20
Fn(0.12) = 0.22
Fn(0.13) = 0.24
Fn(0.19) = 0.26
Fn(0.23) = 0.28
Fn(0.24) = 0.30
Fn(0.31) = 0.32
Fn(0.32) = 0.34
Fn(0.34) = 0.38
Fn(0.35) = 0.42
Fn(0.36) = 0.43
Fn(0.37) = 0.48
Fn(0.38) = 0.50
Fn(0.42) = 0.52
Fn(0.45) = 0.54
Fn(0.63) = 0.56
77
Fn(0.64) = 0.62
Fn(0.65) = 0.64
Fn(0.66) = 0.66
Fn(0.68) = 0.70
Fn(0.70) = 0.74
Fn(0.73) = 0.76
Fn(0.74) = 0.82
Fn(0.77) = 0.84
Fn(0.80) = 0.86
Fn(0.82) = 0.88
Fn(0.85) = 0.90
Fn(0.90) = 0.92
Fn(0.94) = 0.96
Fn(0.97) = 0.98
Fn(0.99) = 0.100
Paso 4: D = MAX [Fn(xi)-xi]
D = [0.00 - 0.00] = 0
[0.04 - 0.02] = 0.02
[0.06 - 0.03] = 0.03
[0.08 - 0.04] = 0.04
D = 0.12; Que ocurre para Fn(0.38)
Paso 5: Para un nivel de significancia del 90% y una muestra de 50 números se tiene de la
tabla, un valor de 0.170 como D < 0.170 se acepta Ho: Los 50 números si provienen de una
distribución uniforme en el intervalo [0,1].
UNIDAD I I I
Generación de variables aleatorias
Funciones de probabilidad
Definición: sea f(x) una función de variable real continua o discreta. F(x) es una función
de probabilidad, si satisface las condiciones siguientes:
78
1)
f x x R
f x m m R
( ) ;
( ) ; ;
0 (positiva y acotada)
m infinito
2)
f x dx
f xx D
( )
( )
z
1
1
en caso continuo
en caso discreo; D es el dominio de f(x)
Función acumulada
definición: Sea f(x) una función de probabilidad continua o discreta. Se define la función
acumulada de f(x) denotada F(x) como:
a)
a) en caso continuo
b) en caso discreto
F x f t dt
F x f t
x
t D
x
( ) ( )
( ) ( )
z
Metodo de la transformada inversa
Si f(x) es una función de probabilidad continua o discreta y F()x es su función acumulada,
entonces podemos obtener la variable aleatoria x con distribución f(x) haciendo r = F(x);
r, despues despejamos x como x= F-1
(r); ri (0,1) pseudoaleatorio uniforme, i =
0,1,2,3,4, . . . ,h-1
79
f x e
f x e dt
f x f t dt
e dt
e
x
t
x
x
t
t x e t
( )
( )
( ) ( )
zz
zz
x 0 exponencial
= 0dt +
=
0
x
-
0
0 x<0
x 0
l
m
0
0
1
Metodo de rechazos
Si f(x) es una función de variable aleatoria continua o discreta, acotada y definida para
a x b a b R ; , y finitos, entonces se puede aplicar la técnica de rechazos para
generar valores de la variable aleatoria x por los 4 pasos siguientes:
1.- Escalar f(x) multi`licándola por una constante positiva c tal que cf(x )<= 1; c= 1/m;
m f x a x b ( ) qm
2.- Obtener x a través de la realción lineal x = a + (b-a)r; r (0,1)
3.- Generar parejas de números pseudoaleatorios (ri,ri+1)[ (r1,r2) (r2,r3) (r3,r4), . . . , (rh-
2,rh-1)]
4.- Investigar si ri+1 <= cf(xi), si es así, se acepta xi si no se rechaza.
i ni ri xi = a+(b-a)ri cf(xi) ¿ri+1<= cf(xi) ?
0 n0 r0 x0 cf(x0) 0 ó 1
1 n1 r1 x1 cf(x1) 0 ó 1
2 n2 r2 x2 cf(x2) 0 ó 1
. . . . . .
. . . . . .
. . . . . .
n-1 nh-1 rh-1 xh-1 cf(xh-1) último se compara con r0
80
n nh=0 r0 ----- ------- -----
a=-1
b= 1
c=
f xx
( );
RST
0 en otra parte
-1 x 12
1 2
r F x
e r
e r
x r
x r
x
x
( )
ln( )
ln( )
donde 0 r 1
1
1
1
11
0 < r <1
0 > r >-1
1>1-r > 0
0<1-r<1
0 < R < 1
x Ri i
1
ln
Distribución de Poisson
Sea t una variable aleatoria discreta, con distribución de Poisson con media .
Pr( )!
( ) ( )
t Re
R
con
E t Var t
R
y
La función inversa se obtiene formando productos de variables leatorias uniformemente
distribuidos en [0,1], denotados ri, hasta que este producto sea menor que e, es decir, hasta
que se satisfaga la desigualdad:
81
r e ri
i
t
i
i
t
1 1
1
Al cumplirse esta desigualdad se encuentra el valor de t (la vaiable aleatoria con
distribición de Poisson) con media .
Distribución lognormal.
Sea t una variable aleatoria positiva con distribución lognormal.
Entonces:
x = log t
f x e
con
E x e
Var x e e
x M
M
M
( ) ;
( )
( ) [ ][ ]
( )
( )
F
HGIKJ
1
2
1
2
2
2 2
2
2
2
< x <
La función inversa se obtiene de :
t F r r r r en
Mn
rn
i
i
n
FHG
IKJ
FHG
IKJ
LNMM
OQPP
1
1 2 3
12 2
1 2
1( , , , . . . )
recomendandose que n>=12
Distribución Geometrica.
Sea t una variable aleatoria con función de densidad geometrica f(t)= pqt t= 0,1,2,3,....
con q = 1- p 0 <= p <= 1
La función de distribución es:
82
F t pq
con
E tq
p
Var tq
p
t F rr
q
x
x
t
( )
( )
( )
( )log
log
0
2
1La función inversa
donde r es un número aleatorio con distribución uniforme en [0,1].
Nota: Esta función t debe redondearse al entero inmediato inferior.
Distribución uniforme en el intervalo cerrado [a,b]
Sea t una variable aleatoria distribuida exponencialmente, con media 1 / ; su
función de densidad es:
f t e
entonces
t r
t( )
:
log( )
y su distribución
F(t) = 1 - e- t
11
donde r es una variable aleatoria con distribución uniforme en [0,1].
Distribución Erlang
Sea t una variable aleatoria con distribución de Erlang con media R/ y varianza
R/2, es decir, con densidad
83
f t Rt e
R
et
m
donde
E t R
Var t R
R R t
t
m
m
R
( , )( ) !
;
( )
( ) !
:
( )
( )
( )
1
1
1
2
1
1
R = 1,2,3,4, . . .
entonces su distribución es:
F(t, R) = 1 -
La función inversa es:
t F r r r rR i
i
R
1
1 2
1
1( , , . . . ) log
donde r1,r2,...rR son variables aleatorias independientes con distribución uniforme en [0,1].
Distribución Normal
Sea t una variable aleatoria con distribución normal con media M y varianza 2
su densidad es:
f x e
E x M
Var x
t M
( )
( )
( )
( )
F
HGIKJ1
2
2
22
2
Entonces si M=0 y 2=1 la función inversa es aproximadamente: igual a:
84
t F r r rr n
n
n
i
i
n
FH
IK
1
1 2
1
2
1
12
( , , . . . )e j
donde r1,r2,...rR son variables aleatorias
independientes con distribución uniforme en el intervalo [0,1].
Es recomendanle que n>=10. Si se quiere una variable aleatoria con distribución
normal con una media y varianza cualquiera, la formula anterior se convierte en:
t F r r r r Mn i
i
1
1 2
1
12
6( , , . . . ) ( )
Distribución ji-cuadrada
Sea t uan variable aleatoria con distribución ji-cuadrada con n grados de libertad y
densidad dada por;
f tn
t e
E t n
Var t n
n
n t
( )!
( )
( )
1
22
2
2
21
2
e je j e j
0 t , n = 1,2, . . .
se tiene
si n es un numero par , la función inversa es:
t F r r r r
R n
R i
i
n
1
1 2
1
2
2
2
12
( , , . . . ) log/
mientras que si n es non, la función inversa es la suma de n variables aleatorias cuadradas,
cada una de ellas con distribución normal, M=0 y =1
85
t F r r r rn i
i
n
1
1 2
2
1
( , , . . . )
donde cada ri se obtiene de :
t F r r rr n
n
n
i
i
n
FH
IK
1
1 2
1
2
1
12
( , , . . . )e j
Distribución binomial negativa (o de pascal)
Sea t una variable aleatoria con función de densidad binomial negativa
f t p q
q p
E tRq
p
Var tRq
p
t
r
q
t
R t R t
i
i
R
( ) ,
,
( )
( )
log
log
1
2
1
1
b g t = 0,1,2,3, . . .
0 p 1
con
la función inversa es:
donde r1,r2,...rR son R variables aleatorias independientes con distribución uniforme en el
intervalo [0,1].
Distribución Binomial
Sea t una variable aleatoria t con distribución binomial se genera de la suma de n varibles
(no aleatorias) xi i=1,... tal que cada vez que se obtiene una variable aleatoria ri, i=1,2,3...n
con distribución uniforme en [0,1] se realiza de la siguiente transformación:
86
x x p
x x p
i i
i i
1
1 1
si r
si r
0
i
i
Para x = 0 la función inversa es
m
t F x x x xn i
i
n
1
1 2
0
( , , . . . )
Distribución empirica
Variables aleatorias con cualquier distribución empiríca discreta o continua que
pueda aproximarse por una distribución discreta, pueden generarse para el siguiente
metodo:
Si t es una variable aleatoria r con distribución uniforme en [0,1] que cumpla con la
siguiente desigualdad. Si t=bi con probabilidad
Números Aleatorios con distribuciones diferentes a la uniforme.
Para cada variable aleatoria x con distribución cualquiera F(x), existe una variable
aleatoria r, unica, distribuida uniformente, tal que: F(x)= r.
r es la probabilidad de que una variable aleatoria con una distribución cualquiera
F(*) tenga un valor menor a x.
Cuando es posible encontrar la función inversa F-1
(r)=x, se pueden generar variables
aleatorias con distribución F(*), a partir de variables aleatorias r, distribuidas uniformente
en el intervalo cerrado [0,1].