Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes de Simulacion1
Apuntes de Simulacion1
TUXTLA GUTIERREZ
2013
MATERIA: SIMULACION
ndice general
Unidad
Temas
Subtemas
Introduccin a la
Simulacin de eventos
discretos
1.1. Introduccin
1.2. Definiciones y Aplicaciones
1.3. Estructura y caractersticas de la simulacin
de eventos discretos.
1.4. Sistemas, Modelos y Control
1.5. Mecanismos de tiempo fijo y tiempo variable
1.6. Etapas de un Proyecto de simulacin
2.1. Nmeros aleatorios: definicin, propiedades,
generadores y tablas
2.2. Propiedades de los nmeros pseudoaleatorios.
2.3. Pruebas estadsticas de aleatoriedad para los
nmeros pseudoaleatorios: de medias, de varianza, de
independencia y de bondad de ajuste.
2.4.
Obtencin
de
nmeros
pseudoaleatorios
utilizando paquetes computacionales.
2.5. Mtodo de Monte Carlo
3.1. Introduccin
3.2. Generacin de variables aleatorias discretas y
continuas utilizando paquetes computacionales como
Excel, ProModel, Arena.
Generacin de Nmeros
Aleatorios
Generacin de Variables
Aleatorias
Lenguajes de Simulacin
y Simuladores de
Eventos Discretos
Proyecto de Aplicacin
Introduccin
Esto no quiere decir que ya hemos cumplido nuestros retos. El progreso contina y con l cada
avance en el plano tecnolgico debe estar traducido en beneficio de las personas. Lo que nos
deparar el futuro no lo sabemos, pero estaremos ah para utilizarlo de la mejor manera
posible.
Este hito histrico abri las puertas a la aplicacin de la simulacin en el campo del proceso
de control industrial as como a las sinergias que generaba esta simulacin basada en la
experimentacin y tcnicas de anlisis para descubrir soluciones exactas a problemas clsicos
de la industria y la ingeniera.
A mediados de los aos 40 dos hechos sentaron las bases para la rpida evolucin del campo
de la simulacin:
La construccin de los primeros computadores de propsito general como el ENIAC.
El trabajo de Stanislaw Ulam, John Von Neumann y otros cientficos para usar el mtodo de
Montercarlo en computadores modernos y solucionar problemas de difusin de neutrones en el
diseo y desarrollo de la bomba de hidrgeno. Ulam y Von Neumann ya estuvieron presentes
en el proyecto Manhattan.
En 1960, Keith Douglas Tocher desarroll un programa de simulacin general cuya principal
tarea era la de simular el funcionamiento de una planta de produccin donde las mquinas
ciclaban por estados: Ocupado, Esperando, No disponible y Fallo; de manera que las
simulaciones en los cambios de estado de las mquinas marcarn el estado definitivo de la
produccin de la planta. Este trabajo produjo adems el primer libro sobre simulacin: The Art
of Simulation (1963).
Para aquel entonces, IBM desarroll entre 1960 y 1961 el Sistema de Simulacin de propsito
general o General Purpose Simulation System (GPSS). El GPSS se dise para realizar
simulaciones de teleprocesos involucrando por ejemplo: control de trfico urbano, gestin de
llamadas telefnicas, reservas de billetes de avin, etc. La sencillez de uso de este sistema lo
populariz como el lenguaje de simulacin ms usado de la poca.
Por otro lado, en 1963 se desarroll SIMSCRIPT, otra tecnologa alternativa al GPSS basada
en FORTRAN, ms enfocada a usuarios que no tenan por qu ser obligatoriamente expertos
informticos en RAND CORPORATION.
En 1967 se fund el WSC (Winter Simulation Conference), lugar donde desde entonces y
hasta ahora se archivan los lenguajes de simulacin y aplicaciones derivadas, siendo en la
actualidad el referente en lo que a avances en el campo de los sistemas de simulacin se
refiere.
Evento
1942-1945
1950's
1961
1961-1979
1977 J
1980's
1990's-
1.2.
Definiciones y Aplicaciones
Definiciones
Es una tcnica numrica para conducir experimentos en un computador digital, la cual
incluye ciertos tipos de relaciones lgicas y matemticas necesarias para describir la
estructura y comportamiento de un sistema complejo del mundo real sobre un periodo de
tiempo.
Son las caractersticas de las entidades, con las cuales se describen y diferencian. Por ejemplo,
son atributos de los pacientes, como la edad, el sexo, la duracin de su enfermedad, la
gravedad de sta y el cumplimiento del tratamiento.
Un atributo importante en las evaluaciones econmicas, fundamental en los estudios de costoutilidad, sera la calidad de vida. sta se puede estudiar de forma detallada incluyndola
mediante un atributo.
Todas las entidades tienen los mismos tipos de atributos, pero con diferentes valores para cada
entidad; los valores de los atributos estn, por tanto, ligados a una entidad concreta. Por
ejemplo, todos los pacientes tienen edad o presin arterial, pero cada uno posee un valor
especfico. El atributo puede asignarse como un valor especfico, una muestra de una
distribucin o el resultado de una expresin (p. ej., de una ecuacin condicional).
Sucesos: Hechos que ocurren en un instante de tiempo y que dan lugar a cambios en el estado
del sistema.
Colas: Estados pasivos de una entidad mientras espera el inicio de una actividad
Estados: Condiciones del modelo o sus entidades, de forma que se puede saber si una accin
se puede ejecutar o si se puede elegir entre varias.
Reloj de simulacin
Puesto que en este tipo de simulacin se est considerando la evolucin temporal del sistema,
cuyo estado se modifica slo en instantes discretos de tiempo a causa de la aparicin de algn
evento, ser necesario introducir un reloj de simulacin que registre el tiempo virtual
transcurrido desde la puesta en marcha del sistema, y que permita referenciar el instante
exacto en que ocurre cada uno de los eventos. Es importante no confundir el tiempo virtual
que marca el reloj de simulacin con el tiempo de computacin, el cual registra el tiempo real
transcurrido desde que la simulacin se puso en marcha.
El tiempo marcado por el reloj de simulacin hace explcito el paso del tiempo a lo largo del
modelo. Esto hace posible sealar el comienzo y el final de la simulacin, y la aparicin de
eventos clnicos en su momento exacto, sin necesidad de ciclos de duracin fija. Esto permite
una simulacin ms eficiente y realista en funcin de la aparicin de los eventos durante el
curso de la enfermedad en los pacientes.
Tambin permite la creacin de relojes secundarios que marcan tiempos importantes, como la
estancia hospitalaria, el tiempo de ausencia de efectos adversos o la supervivencia.
Puesto que los cambios en el sistema se producen slo cuando ocurre algn evento, queda
claro que el estado del sistema no sufrir ninguna variacin entre 2 eventos consecutivos. Este
hecho da sentido a una de las polticas ms habituales para controlar el reloj de simulacin: si
se sabe que el evento n se acaba de producir en el instante virtual actual , y que el evento n +
1 se producir en el instante virtual
, dado que entre ambos instantes no pasar nada de
inters, se avanzar el reloj de simulacin hasta el instante tn+1, y se asignar dicho instante
a la variable del programa que representa el reloj de simulacin. Tras avanzar el reloj hasta el
instante
, se lleva a cabo la actualizacin de las variables de estado y estadsticas del
sistema. Este proceso de avance hasta el siguiente evento y actualizacin de variables se
repite de forma indefinida hasta que se verifique alguna condicin de fin de la simulacin.
Entidades
Son los elementos dinmicos que se simulan a travs del modelo, cambian de estatus, afectan
y son afectados por otras entidades y son los protagonistas de los eventos clnicos de estudio
del modelo.
Eventos
Es todo aquello que puede ocurrir durante la simulacin en funcin del proceso que estamos
estudiando. Por ejemplo, un evento puede ser un efecto adverso, una admisin hospitalaria, el
alta del hospital, un cambio de dosis o una baja laboral. El concepto de evento va ms all de
las transiciones de los modelos de Markov, ya que la aparicin de un evento no
necesariamente implica el cambio de estado de salud del paciente (p. ej., una visita al mdico).
A pesar de que hay una secuencia temporal dada, los eventos pueden suceder de forma casi
simultnea y pueden hacerlo en cualquier secuencia lgica en relacin con la historia plausible
del proceso de estudio (p. ej., fallo en un rgano diana o fallo multiorgnico en un paciente
con sepsis). Al contrario que en los modelos de Markov, estos eventos no presentan ningn
tipo de restriccin de memoria.
Los riesgos de que los diferentes eventos ocurran pueden tomar la forma de funciones
dependientes de los datos y depender de algunos atributos y variables. Estas funciones pueden
cambiar durante la simulacin.
Variables
Las variables definen el modelo y reflejan una caracterstica del conjunto, no de entidades
especficas. Son especificaciones que se mantienen a lo largo del modelo, aunque sus valores
pueden cambiar durante el proceso de simulacin, y van a definir el entorno de la simulacin
afectndolo a lo largo de todo el proceso. Las variables de uso comn son: el horizonte
temporal (duracin de la simulacin), las tasas de descuento para los costos y los beneficios,
las tasas de incidencia, la proporcin de cada tratamiento al inicio, la tasa de admisin o la
perspectiva de uso. Slo hay una copia de cada variable que se mantiene para todo el modelo.
Recursos
Definidos en un tiempo determinado, su consumo lleva asociado el gasto de una serie de
unidades de dichos recursos en momentos de tiempo concretos. En el mbito sanitario estos
recursos se pueden dividir en personas (mdicos, enfermeras, cuidadores), bienes
(medicamentos, pruebas de laboratorio), espacios (camas hospitalarias, quirfanos) entre
otros.
Un recurso puede tener diferentes unidades de capacidad (pensemos, por ejemplo, en las
camas en una sala de emergencia o en el nmero de mdicos en una zona geogrfica
determinada).
Acumuladores estadsticos
Son variables que acumulan la informacin de lo que ha pasado sin participar en el suceso
mismo, es decir, son pasivos. Dependen de la caracterizacin de los resultados pedidos al
modelo. Al final de la simulacin, se usan para obtener el resultado final, y las medidas de
stos (cocientes costo efectividad). Algunos ejemplos de acumuladores estadsticos son la
supervivencia, los costos asociados a los pacientes o el nmero de visitas en un tiempo
determinado.
Colas
Cuando un paciente utiliza un determinado recurso, ste deja de estar disponible para el resto
de los pacientes, lo cual puede generar colas en el sistema. Esta situacin no suele tenerse en
cuenta en otro tipo de modelos, en los que los recursos parecen gozar de una capacidad infinita
(lo cual est alejado de la mxima de la escasez de recursos en funcin de las necesidades de
la poblacin, que es una caracterstica de la toma de decisiones en sanidad). Esta
conceptualizacin est vinculada a la idea del costo de oportunidad de los recursos en la
propia estructura del modelo.
Retrasos
Se pueden generar 2 tipos de retrasos: explcitos, que son los que se generan por algn tipo de
accin o proceso (p. ej., la duracin de los exmenes mdicos), e implcitos, causados por
otras acciones o condiciones en la simulacin del modelo (p. ej., colas para acceder a una
prueba diagnstica).
Cuando se escribe un programa de simulacin para MSED se puede realizar una aproximacin
del esquema temporal de funcionamiento de las entidades en el sistema. As, deber
describirse la secuencia de eventos y actividades que realizarn las entidades durante su
estancia en el sistema y cmo se modificarn. Algunos de los sistemas ms estudiados son los
problemas de colas que se aplican en determinadas situaciones, como la espera que deben
tener los pacientes entre visita y visita, si los centros donde son tratados no pueden absorber
toda su demanda (p. ej., en un centro e instante de tiempo slo puede ser tratado un paciente a
la vez).
A modo de resumen, para llevar a cabo la simulacin del sistema se deben seguir una serie de
etapas, ampliamente identificadas y discutidas en la literatura cientfica (Figura):
Clasificacin de modelos
1. Esttico. Las variables de estado no dependen del tiempo
2. Dinmico. El valor de las variables de estado es modificado en el tiempo
3. Determinista. Si el sistema no contiene ningn elemento aleatorio es un sistema
determinstico.
4. Estocstico. En este caso algn elemento del sistema tiene una conducta aleatoria. Para
valores de entradas conocidas no es posible asegurar los valores de salida.
5. Continuo. Se tiene un sistema continuo cuando las relaciones funcionales entre las variables
del sistema slo permiten que el estado evolucione en el tiempo en forma continua (basta que
una variable evolucione continuamente).Matemticamente, el estado cambia en infinitos
puntos de tiempo.
6. Discreto. Se tiene un sistema discreto cuando las relaciones funcionales del sistema slo
permiten que el estado vare en un conjunto finito (contable) de puntos temporales. Las causas
instantneas de los cambios de estados se denominan eventos.
Se puede definir el estado de un sistema con un conjunto de variables necesarias para describir
el sistema en un punto particular de tiempo, relativo a los objetivos del estudio. Los sistemas
se pueden clasificar en dos tipos, discretos y continuos. Un sistema discreto es aquel en el que
las variables de estado cambian instantneamente en puntos separados en el tiempo. Un
sistema continuo es aquel en el que las variables de estado cambian continuamente con
respecto al tiempo. En la prctica muchos sistemas no son completamente discretos o
continuos, usualmente es posible clasificarlos en base al tipo de cambios que predominen en el
mismo.
Experimentar sobre el sistema actual frente a experimentar con un modelo del sistema. Lo
primero es preferible siempre y cuando se pueda alterar el sistema con las nuevas condiciones
y no sea muy costoso. Sin embargo es muy raro que esto se pueda llevar a cabo, ya que
normalmente estos experimentos suelen ser muy costosos o muy destructivos para el sistema.
Incluso puede ocurrir que el sistema no exista pero se quiera estudiar posibles alternativas de
construccin del mismo (sistemas de fabricacin, armas nucleares, etc.). Por estas razones es
necesario construir un modelo que represente al sistema y estudiar ste para poder responder
a las cuestiones planteadas sobre el sistema.
Modelo fsico frente a modelo matemtico: Para muchos la palabra modelo, evoca imgenes
de miniaturas, cabinas separadas de los aviones para el entrenamiento de los pilotos, etc. Estos
son ejemplos de modelos fsicos (tambin conocidos como modelos icnicos). Sin embargo la
mayora de los modelos construidos para estudiar los sistemas son matemticos, los cuales
Solucin Analtica frente a Simulacin: Una vez que se ha construido un modelo matemtico,
ste debe examinarse para poder concluir el comportamiento del sistema y as responder a las
cuestiones planteadas sobre el mismo. Si el modelo es simple, es posible trabajar con estas
cantidades y relaciones y obtener una solucin analtica exacta. Sin embargo hay veces en las
que obtener una solucin analtica resulta complejo y necesita muchos recursos de
computacin. En estos casos el modelo puede ser estudiado por medio de simulacin, es decir,
se ejercita el modelo numricamente por medio de entradas para ver cmo stas afectan a las
medidas de salida o ejecucin.
Los modelos deben contener slo los aspectos esenciales del sistema real que representan.
Aquellos aspectos del sistema que no contribuyen significativamente en su comportamiento no
se deben incluir, ya que lo que haran sera obscurecer las relaciones entre las entradas y las
salidas. En qu punto se debe parar de incluir realismo en el modelo? Esto depende del
propsito para el cual el modelo se haya desarrollado.
Modelizacin: necesarios para disear el modelo que permita dar respuestas vlidas del
sistema real que represente. El diseo es una fase muy importante, ya que los errores
proporcionarn modelos falsos.
Programacin: ya que el modelo se ha de implantar con un lenguaje de programacin.
Probabilidad y Estadstica: la probabilidad es necesaria para definir y estudiar las
variables aleatorias de las entradas, y la estadstica para permitir el diseo y anlisis de
los experimentos.
Mtodos Heursticos: para permitir llegar a una solucin buena del problema
planteado.
diagrama de flujo desarrollado debera describir el procedimiento que efecta los cambios de
estado en el tiempo.
Otros dos factores inciden en la construccin del diagrama de flujo del programa:
elegir un mecanismo de avance del tiempo y el lenguaje de programacin que se seleccione.
Hay fundamentalmente dos formas de considerar el avance del tiempo en un modelo de
simulacin:
Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del
modelo se comprueba despus de transcurrido cada uno de estos incrementos constantes.
Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las
comprobaciones y modificaciones de las variables afectadas se realizan slo despus de la
ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la ocurrencia de
un evento a otro.
El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si se elige
el incremento por eventos, el reloj se inicializa a 0, y se incrementa al siguiente tiempo en que
vaya a ocurrir un suceso, en ese momento, en este momento de actualizacin del reloj se
modifican las variables que se vean afectadas por la ocurrencia del suceso. Si por el contrario
se elige un incremento de tiempo fijo, el reloj se inicia a 0 y se va actualizando cada vez que
pase el incremento de tiempo fijado. En esos instantes se observar el sistema para realizar los
cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o que por el
contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender
antes (por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir
errores de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que
sucede un suceso hasta que ste se computa (cuando el reloj se incrementa).
Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo
se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido
ningn suceso. Por el contrario si es demasiado grande se producirn muchos errores de
redondeo y la dinmica del modelo ser ineficiente.
Avance del reloj de simulacin segn los sucesos.
Avance del reloj de simulacin en incrementos fijos.
asociar una distribucin de probabilidad a una variable aleatoria, as como las pruebas que se
debe aplicar a los mismos, se analizarn ms adelante. Al finalizar la recoleccin y anlisis de
datos para todas las variables del modelo, se tendrn las condiciones necesarias para generar
una versin preliminar del problema que se est simulando.
4. Generacin del modelo preliminar. En esta etapa se integra la informacin obtenida a
partir del anlisis de los datos, los supuestos del modelo y todos los datos que se requieran
para tener un modelo lo ms cercano posible a la realidad del problema bajo estudio. En
algunos casos sobre todo cuando se trata del diseo de un nuevo proceso o esquema de
trabajo no se cuenta con informacin estadstica, por lo que debe estimarse un rango de
variacin o determinar (con ayuda del cliente) valores constantes que permitan realizar el
modelado. Si ste es el caso, el encargado de la simulacin puede, con base en su experiencia,
realizar algunas sugerencias de distribuciones de probabilidad que comnmente se asocien al
tipo de proceso que se desea incluir en el modelo. Al finalizar esta etapa el modelo est listo
para su primera prueba: su verificacin o, en otras palabras, la comparacin con la realidad.
5. Verificacin del modelo. Una vez que se han identificado las distribuciones de
probabilidad de las variables del modelo y se han implantado los supuestos acordados, es
necesario realizar un proceso de verificacin de datos para comprobar la propiedad de la
programacin del modelo, y comprobar que todos los parmetros usados en la simulacin
funcionen correctamente. Ciertos problemas, en especial aquellos que requieren muchas
operaciones de programacin o que involucran distribuciones de probabilidad difciles de
programar, pueden ocasionar que el comportamiento del sistema sea muy diferente del que se
esperaba. Por otro lado, no se debe descartar la posibilidad de que ocurran errores humanos al
alimentar el modelo con la informacin. Incluso podra darse el caso de que los supuestos
iniciales hayan cambiado una o varias veces durante el desarrollo del modelo. Por lo tanto,
debemos asegurarnos de que el modelo que se va a ejecutar est basado en los ms actuales.
Una vez que se ha completado la verificacin, el modelo est listo para su comparacin con la
realidad del problema que se est modelando. A esta etapa se le conoce tambin como
validacin del modelo.
6. Validacin del modelo. El proceso de validacin del modelo consiste en realizar una serie
de pruebas al mismo, utilizando informacin de entrada real para observar su comportamiento
y analizar sus resultados.
Si el problema bajo simulacin involucra un proceso que se desea mejorar, el modelo debe
someterse a prueba con las condiciones actuales de operacin, lo que nos dar como resultado
un comportamiento similar al que se presenta realmente en nuestro proceso. Por otro lado, si
se est diseando un nuevo proceso la validacin resulta ms complicada. Una manera de
validar el modelo en este caso, consiste en introducir algunos escenarios sugeridos por el
cliente y validar que el comportamiento sea congruente con las expectativas que se tienen de
acuerdo con la experiencia. Cualquiera que sea la situacin importante que el analista conozca
bien el modelo, de manera que pueda justificar aquellos comportamientos que sean contrarios
a las experiencias de los especialistas en el proceso que participan de su validacin.
7. Generacin del modelo final. Una vez que el modelo se ha validado, el analista est listo
para realizar la simulacin y estudiar el comportamiento del proceso. En caso de que se desee
comparar escenarios diferentes para un mismo problema, ste ser el modelo raz; en tal
situacin, el siguiente paso es la definicin de los escenarios a analizar.
8. Determinacin de los escenarios para el anlisis. Tras validar el modelo es necesario
acordar con el cliente los escenarios que se quiere analizar. Una manera muy sencilla de
determinarlos consiste en utilizar un escenario pesimista, uno optimista y uno intermedio para
la variable de respuesta ms importante. Sin embargo, es preciso tomar en cuenta que no todas
las variables se comportan, igual ante los cambios en los distintos escenarios, por lo que tal
vez sea necesario que ms de una variable de respuesta se analice bajo las perspectivas
pesimista, optimista e intermedia. El riesgo de esta situacin radica en que el analista podra
caer en un diseo de experimentos capaz de generar una gran cantidad de rplicas, lo que
redundara en un incremento considerable de costo, anlisis y tiempo de simulacin. Es por
ello que muchos paquetes de simulacin cuentan con herramientas para realizar este proceso,
eliminando la animacin y acortando los tiempos de simulacin. Estas herramientas permiten
realizar varias rplicas del mismo escenario para obtener resultados con estadsticas
importantes respecto de la toma de decisiones (por ejemplo, los intervalos de confianza).
10. Documentacin del modelo, sugerencias y conclusiones. Una vez realizado el anlisis de
los resultados, es necesario efectuar toda la documentacin del modelo.
Esta documentacin es muy importante, pues permitir el uso del modelo generado en caso de
que se requieran ajustes futuros. En ella se deben incluir los supuestos del modelo, las
distribuciones asociadas a sus variables, todos sus alcances y limitaciones y, en general, la
totalidad de las consideraciones de programacin. Tambin es importante incluir sugerencias
tanto del uso del modelo como sobre los resultados obtenidos, con el propsito de realizar un
reporte ms completo. Por ltimo, debern presentarse asimismo las conclusiones del proyecto
de simulacin, a partir de las cuales es posible obtener los reportes ejecutivos para la
presentacin final.
Dentro de las ventajas ms comunes que ofrece la simulacin podemos citar las siguientes:
a) Es muy buena herramienta para conocer el impacto de los cambios en los procesos sin
necesidad de llevarlos a cabo en la realidad.
b) Mejora el conocimiento del proceso actual al permitir que el analista vea cmo se
comporta el modelo generado bajo diferentes escenarios.
c) Puede utilizarse como medio de capacitacin para la toma de decisiones.
d) Es ms econmico realizar un estudio de simulacin que hacer muchos cambios en los
procesos reales.
e) Permite probar varios escenarios en busca de las mejores condiciones de trabajo de los
procesos que se simulan.
f) En problemas de gran complejidad, la simulacin permite generar una buena solucin.
g) En la actualidad los paquetes de software para simulacin tienden a ser ms sencillos,
lo que facilita su aplicacin.
h) Gracias a las herramientas de animacin que forman parte de muchos de esos paquetes
es posible ver cmo se comportar un proceso una vez que sea mejorado.
Definicin
Los nmeros aleatorios son aquellos que pueden ser generados a partir de fuentes de
aleatoriedad, las cuales, generalmente, son de naturaleza fsica (dados, ruletas, mecanismos
electrnicos o mecnicos), y son gobernados por las leyes del azar; stos exhiben verdadera
aleatoriedad en la realizacin de experimentos.
Por su parte, los nmeros pseudo-aleatorios son aquellas que tienen un comportamiento
similar a la naturaleza aleatoria, pero estn ceidos a un patrn, generalmente de naturaleza
matemtica, que hace que su comportamiento sea determinante.
Los nmeros aleatorios son nmeros que deben de cumplir los requisitos de espacio
equiprobable, es decir, que todo elemento tenga la misma probabilidad de ser elegido y que la
eleccin de uno no dependa de la eleccin del otro. Son generados por medio de una funcin
determinista (no aleatoria) y que aparentan ser aleatorios.
Cualquier nmero que pertenezca al rango de inters debe tener la misma probabilidad de
resultar sorteado.
La distribucin de los nmeros debe ser uniforme en todo el intervalo [0,1].
La aparicin de un nmero en la secuencia, no afecta la probabilidad de sortear otro (o el
mismo) nmero.
Los nmeros deben ser independientes dentro de toda la serie generada.
El ciclo del generador debe ser lo suficientemente grande.
La serie debe volverse a repetir.
Capaz de generar nmeros pseudo-aleatorios a altas velocidades.
Requerir una mnima cantidad de la capacidad de memoria de Computadora
Estadsticamente independientes.
Su media debe ser estadsticamente igual a 1/2.
Su varianza debe ser estadsticamente igual a 1/12.
Su periodo o ciclo de vida debe ser largo.
Deben ser generados a travs de un mtodo rpido.
Generados a travs de un mtodo que no requiera mucha capacidad de almacenamiento
de la computadora
Tablas de bibliotecas: Generados por los mtodos anteriores. Estn en tablas. Siempre
pueden reproducirse, pero es un sistema lento. Determinados problemas requieren ms
nmeros aleatorios que los publicados.
Mtodos de computacin digital: Se han sugerido tres mtodos para producir nmeros
aleatorios cuando se usan computadoras digitales; provisin externa, generacin interna,
relacin de recurrencia.
Existen en la actualidad tcnicas para generar con una computadora, variables aleatorias
uniformemente distribuidas, r (en donde r 0 y 1 r). Los nmeros generados por estas
subrutinas de computadora se denominan nmeros pseudo-aleatorios, porque se generan a
partir de una frmula totalmente determinstica mediante la computacin. Sus propiedades
estadsticas, coinciden con las de los nmeros generados a travs de un dispositivo fortuito
idealizado que selecciona nmeros de un intervalo unitario (0,1) de un modo independiente en
donde son igualmente probables todos los nmeros.
A condicin de que estos nmeros pseudo aleatorios puedan pasar el conjunto de pruebas
estadsticas (las de frecuencia, auto correlacin, producto rezagado, corridas, de distancia y as
sucesivamente) implicadas por un dispositivo fortuito idealizado, tales nmeros pseudoaleatorios se pueden tratar corno si "en realidad lo fueran" a pesar de que no lo son.
Ejemplos de aplicacin
al cuadrado; sea
deseados.
agregue ceros a la
Ejemplo 1.
Generar los primeros 5 nmeros
observar que D = 4 dgitos.
, de donde se puede
; sea
) sea
dgitos del
; observe
4. Sea
para toda
; sea
deseados.
agregue ceros a la
Ejemplo 3
Generar los primeros 5 nmeros ri a partir de la semilla Xo = 9 803 y con la constante a = 6
965. Observe que tanto la semilla como la constante tienen D = 4 dgitos.
Algoritmo lineal
Este algoritmo congruencial fue propuesto por D. H. Lehmer15' en 1951. Segn Law y Kelton,
este algoritmo ha sido el ms usado. El algoritmo congruencial lineal genera una secuencia de
nmeros enteros por medio de la siguiente ecuacin recursiva:
(
( )
Donde
es la semilla, a es la constante multiplicativa, c es una constante aditiva y m es el
mdulo; X_o >0, a>0, c>0 y m>0 deben ser nmeros enteros. La operacin "mod m" significa
multiplicar
por a, sumar c y dividir el resultado entre m para obtener el residuo
. Es
importante sealar que la ecuacin recursiva del algoritmo congruencial lineal genera una
secuencia de nmeros enteros
y que para obtener nmeros pseudo
aleatorios en el intervalo (0,1) se requiere la siguiente ecuacin
Ejemplo 4
Generar 4 nmeros entre (0<A<1) con los siguientes parmetros:
100.
. Veamos un
Ejemplo 5
Generar suficientes nmeros entre (0 y 1) con los parmetros
y
, hasta encontrar el periodo de vida mximo (N).
Como podemos ver, si se cumplen las condiciones que Banks, Carson, Nelson y Nicol
sugieren, se lograr el periodo mximo
. A continuacin se presenta el
desarrollo de la generacin de los nmeros r.
Uniformemente distribuidos.
Estadsticamente independientes.
Reproducibles.
Periodo largo.
Generados mediante un mtodo rpido.
Generados mediante un mtodo que no requiera mucha capacidad de almacenamiento
de la computadora.
Posteriormente se calculan los lmites de aceptacin inferior y superior con las ecuaciones
siguientes:
)
)
, el cual se determina
Ejemplo
.
(
(
)
)
Prueba de variancia
Consiste en verificar si los nmeros aleatorios generados tienen una variancia de 0.083, del tal
forma que la hiptesis queda expresada como:
( )
( )
Paso: 1 calcular la varianza de los nmeros aleatorios
( )
( )
(
( )
Paso: 3 Si V(x) se encuentra entre los valores de los lmites, aceptamos la hiptesis nula y los
nmeros aleatorios tienen una varianza estadsticamente igual.
Ejemplo. Realice la prueba de varianza a los siguientes 30 nmeros con nivel de confianza del
95%
0.72484
0.71890
0.34565
0.82345
0.03991
0.48999
0.61234
0.02345
0.12387
0.10461
0.50502
0.86322
0.67347
0.05389
0.93716
( )
0.39528
0.94134
0.10987
0.82474
0.16894
)
(
( )
0.36782
0.99872
0.25678
0.59289
0.98953
0.90234
0.27657
0.25593
0.36782
0.73231
)
)
Por lo tanto el valor se encuentra dentro de los limites por lo que aceptamos que la varianza de
la muestra es estadsticamente igual a
Pruebas de independencia
Las pruebas de independencia consisten en demostrar que los nmeros generados son
estadsticamente independientes entre s, esto es, que no depende uno de otro. Para esto se
propone la siguiente hiptesis:
Independiente
Dependiente
Para realizar esta prueba de hiptesis existen varios mtodos, puede seleccionarse cualquiera
de la siguiente lista:
i.
ii.
iii.
iv.
v.
vi.
vii.
Prueba de pker.
Prueba de corridas arriba y abajo.
Prueba de corridas arriba y abajo de la media.
Prueba de la longitud de las corridas.
Prueba de distancia.
Prueba de series.
Prueba de huecos.
Los procedimientos para demostrar la independencia utilizando 3 de ellas son los siguientes:
Prueba de pker
Independiente
Dependiente
Paso 1
Calcular las probabilidades esperadas para un juego de pker con 5 cartas numeradas del O al
9 con remplazo, se tienen 7 eventos o intervalos, con las siguientes probabilidades:
(
(
(
(
(
(
(
)
)
)
)
)
)
)
Paso 2
Calcular la frecuencia esperada de cada uno de los eventos (
) multiplicando la probabilidad
de cada evento por el nmero de nmeros aleatorios generados.
Paso 3
Para cada nmero aleatorio generado verificar (imaginando que es una mano de pker) si es
Pachuca, un par, dos pares, etctera, tomando los primeros cinco dgitos a la derecha del punto
decimal. Por ejemplo, 0.03408 es un par, 0.44343 es un full, 0.00321 dos pares, etctera. Con
esos resultados se generan una tabla de frecuencias de estos eventos. La frecuencia observada
de cada uno de los eventos se conoce como (FO).
Paso 4
Calcular el estadstico C con la ecuacin 3.8 con
Paso 5
Si el valor de C es menor o igual al estadstico de tablas
con 6 grados de libertad y una
probabilidad de rechazo a, entonces se acepta que los datos son estadsticamente
independientes entre s.
Ejemplo. Realice la prueba de pker a los siguientes 30 nmeros con un nivel de confianza del
95%.
Agrupando los nmeros de acuerdo con sus dgitos, como si fuera una mano de pker se
obtiene la siguiente tabla de frecuencias:
Intervalo
Pachuca
Un par
Dos pares
Una tercia
Full
Pker
Quintilla
FO
14
15
1
1
0
0
0
PE
0.3024
0.5040
0.1080
0.0720
0.0090
0.0045
0.0001
FE=n*PE)
9.072
15.120
3.240
2.160
0.270
0.135
.003
El clculo de C utilizando de nuevo la ecuacin es igual a 4.25 que comparado contra el valor
de tablas
con
grados de libertad, y con un nivel de 5%, que es igual a 12.59,
indica que los nmeros generados son estadsticamente independientes.
La prueba de Kolmogorov-Smirnov
Esta prueba compara la fdp (funcin de densidad de probabilidad)
uniforme con el fdp (funcin de densidad de probabilidad) emprico,
N observaciones.
( ), de la distribucin
( ) de una muestra de
Por definicin
( )
Conforme N crece,
nula sea verdadera.
( )
La prueba Kolmogorov-Smirnov est basada en la desviacin mxima absoluta entre
( ) sobre el rango de la variable aleatoria- Esto es, basado en la estadstica.
| ( )
( )y
( )|
, en la
( ), calcule
Paso 3: Calcule
ms pequea observacin,
]
]
)
de la tabla
Paso 5: Si
al valor crtico
, acepte la distribucin candidato como aquella que tiene un
buen ajuste a los datos observados; de otra forma rechace.
Esta prueba est basada en la desviacin absoluta mayor entre las fdp emprica y terica para
todo valor dado de Esta desviacin es comparada con los valores crticos de
tabulados
para determinar si la desviacin puede ser atribuida a los efectos aleatorios y por lo tanto sea
una distribucin candidato a ser aceptada tener un buen ajuste a los datos observados. Ms
especficamente, la prueba tiene los pasos siguientes:
Ejemplo:
En este ejemplo se usa la prueba
para examinar bajo un nivel de significancia de
si un conjunto de datos representa nmeros aleatorios (por ejemplo esta la distribucin
uniforme entre 0 y 1). Suponga que cinco datos son dados: 0.53, 0.35, 0.03, 0.94, y 0.22
Solucin. Para la distribucin Uniforme la fdp es ( )
0.03
0.22
0.35
0.53
0.94
0.20
0.40
0.60
0.80
1.00
( ))
( )
0.17
0.18
0.25
0.27
0.06
0.03
0.02
-0.05
-0.07
-0.14
1 de la
De acuerdo a los clculos
(
)
. El valor crtico de
tabla en el apndice de tablas para un tamao de 5 y un nivel de significancia de 0.05 es
. Debido a que D es menor que este valor crtico, la hiptesis de que los datos
dados pertenecen a una distribucin Uniforme es aceptada.
0.31
0.34
0.49
0.83
0.11
KS kolmorov Smirnov
0.81
0.70
0.77
0.68
0.03
0.48
0.31
0.04
0.97
0.59
0.01
0.07
0.43
0.11
0.25
0.60
0.06
0.92
0.00
0.55
(
0.00
0.01
0.03
0.04
0.06
0.07
0.11
0.11
0.15
0.18
0.25
0.25
0.26
0.31
0.33
0.34
0.34
0.43
0.48
0.49
0.55
0.59
0.60
0.68
0.70
0.77
0.81
0.83
0.92
0.97
(
0.03
0.06
0.07
0.09
0.11
0.13
0.12
0.16
0.15
0.15
0.11
0.15
0.17
0.16
0.17
0.19
0.23
0.17
0.15
0.18
0.15
0.14
0.17
0.12
0.13
0.1
0.09
0.1
0.05
0.03
0.03
0.07
0.10
0.13
0.17
0.20
0.23
0.27
0.30
0.33
0.36
0.40
0.43
0.47
0.50
0.53
0.57
0.60
0.63
0.67
0.70
0.73
0.77
0.80
0.83
0.87
0.90
0.93
0.97
1.00
)|
Comparamos el valor
(calculado) contra el valor en tablas de la distribucin KolmogorovSmirnov con
y un nivel de significancia
el cual es
, como 0.23 es menor que 0.242, entonces, no se puede rechazar la uniformidad de los
nmeros aleatorios.
0.31
0.34
0.49
0.83
0.11
INTERVALO
0.00 - 0.20
0.21 - 0.40
0.41 - 0.60
0.61 - 0.80
0.81 - 1.00
0.81
0.70
0.77
0.68
0.03
FE
6
6
6
6
6
0.48
0.31
0.04
0.97
0.59
FO
10
7
6
3
4
0.01
0.07
0.43
0.11
0.25
(
2.67
0.17
0.00
1.50
0.67
0.60
0.06
0.92
0.00
0.55
. El valor en tablas de la
Como
es menor que
es decir; 5.01 es menor que 9.49, entonces no se puede
rechazar la uniformidad de los nmeros aleatorios.
Corridas por arriba y por abajo del promedio
Procedimiento
Generar la muestra de tamao N de nmeros aleatorios.
Con base en esta muestra, obtener una nueva sucesin binaria, segn el criterio siguiente:
0.31
0.34
0.49
0.83
0.11
0.81
0.31
0.77
0.68
0.03
0.48
0.70
0.04
0.97
0.59
0.01
0.07
0.43
0.11
0.25
0.60
0.06
0.92
0.00
0.55
0
0
0
1
0
1
0
1
1
0
0
1
0
1
1
0
0
0
0
0
1
0
1
0
1
FE
8.000
3.875
1.875
FO
9
3
2
(
0.125
0.197
0.008
4
5
0.906
0.438
1
1
0.010
0.721
FE
8
7.04
FO
9
7
El valor en tablas de
nmeros aleatorios.
0.125
0.936
(
(
)|
)
0.31
0.34
0.49
0.83
0.11
0.81
0.70
0.77
0.68
0.03
0.48
0.31
0.04
0.97
0.59
0.01
0.07
0.43
0.11
0.25
0.60
0.06
0.92
0.00
0.55
0
0
0
1
1
1
0
1
0
0
1
1
0
1
1
0
1
1
1
0
1
0
1
0
Obsrvese que la ltima celda se deja en blanco, pues no hay con qu nmero comparar. (Aqu
N = 29)
Longitud de corrida i
1
2
3
4
FE
11.500
5.083
1.400
0.292
FO
11
5
2
-
0.005
i
1
>=2
FE
11.500
6.483
FO
11
7
(FE-FO)2/FE
0.020
0.001
0.257
(FE-FO)2/FE
0.020
0.004
X02 = 0.024
nLic.Vendidas Prob.
100
0.30
150
0.20
200
0.30
250
0.15
300
0.05
Prob. Acum.
0.30
0.50
0.80
0.95
1.00
Ext.Inf.Interv.
0.00
0.30
0.50
0.80
0.95
Ext.Sup.Interv.
0.30
0.50
0.80
0.95
1.00
nLic.Vendidas
100
150
200
250
300
75.00
100.00
25.00
200
1,625
3175.724685
5000
-2500
0.05
622.43
1,002.57
2,247.43
Vtas. Bajas
Vtas. Medias
Vtas. Altas
100
150
200
250
300
2,500
2,646
2,033
267
Desv. Estandar
1721.320178
3279.37797
4155.016529
4530.576624
Mx. B
2500
3750
5000
6250
7500
Mn. B
2500
-2500
-5000
-7500
0.05
0.05
0.05
0.05
0.05
Resumen de escenario
Celdas cambiantes:
nLic.Vendidas
Celdas de resultado:
B Media muestral
2,053
33.63
63.98
82.51
88.74
2,500.00
2,626.12
1,950.91
129.47
- 2,144.08
2,500.00
2,688.05
2,125.47
319.45
- 2,013.20
Aleat.
Vtas.
Dev.
Costo
Ing. Vtas
Ing. Dev.
Benef,
0.984
200
15,000
20,000
5,000
0.215
100
100
15,000
10,000
2,500.00
- 2,500
0.476
150
50
15,000
15,000
1,250.00
1,250
0.725
200
15,000
20,000
5,000
0.368
150
50
15,000
15,000
1,250.00
1,250
0.416
150
50
15,000
15,000
1,250.00
1,250
0.124
100
100
15,000
10,000
2,500.00
- 2,500
0.452
150
50
15,000
15,000
1,250.00
1,250
0.376
150
50
15,000
15,000
1,250.00
1,250
0.626
200
15,000
20,000
5,000
0.907
200
15,000
20,000
5,000
0.076
100
100
15,000
10,000
2,500.00
- 2,500
0.648
200
15,000
20,000
5,000
0.289
100
100
15,000
10,000
2,500.00
- 2,500
0.952
200
15,000
20,000
5,000
0.308
150
50
15,000
15,000
1,250.00
1,250
0.724
200
15,000
20,000
5,000
0.209
100
100
15,000
10,000
2,500.00
- 2,500
0.965
200
15,000
20,000
5,000
0.254
100
100
15,000
10,000
2,500.00
- 2,500
0.273
100
100
15,000
10,000
2,500.00
- 2,500
0.178
100
100
15,000
10,000
2,500.00
- 2,500
0.343
150
50
15,000
15,000
1,250.00
1,250
0.439
150
50
15,000
15,000
1,250.00
1,250
0.048
100
100
15,000
10,000
2,500.00
- 2,500
0.247
100
100
15,000
10,000
2,500.00
- 2,500
0.371
150
50
15,000
15,000
1,250.00
1,250
0.931
200
15,000
20,000
5,000
0.741
200
15,000
20,000
5,000
0.577
200
15,000
20,000
5,000
0.5
150
50
15,000
15,000
1,250.00
1,250
0.273
100
100
15,000
10,000
2,500.00
- 2,500
0.685
200
15,000
20,000
5,000
0.063
100
100
15,000
10,000
2,500.00
- 2,500
0.521
200
15,000
20,000
5,000
0.164
100
100
15,000
10,000
2,500.00
- 2,500
0.402
150
50
15,000
15,000
1,250.00
1,250
0.168
100
100
15,000
10,000
2,500.00
- 2,500
0.875
200
15,000
20,000
5,000
0.928
200
15,000
20,000
5,000
0.803
200
15,000
20,000
5,000
0.13
100
100
15,000
10,000
2,500.00
- 2,500
0.338
150
50
15,000
15,000
1,250.00
1,250
0.031
100
100
15,000
10,000
2,500.00
- 2,500
0.699
200
15,000
20,000
5,000
0.531
200
15,000
20,000
5,000
0.68
200
15,000
20,000
5,000
0.081
100
100
15,000
10,000
2,500.00
- 2,500
0.23
100
100
15,000
10,000
2,500.00
- 2,500
0.493
150
50
15,000
15,000
1,250.00
1,250
0.259
100
100
15,000
10,000
2,500.00
- 2,500
0.927
200
15,000
20,000
5,000
0.205
100
100
15,000
10,000
2,500.00
- 2,500
0.538
200
15,000
20,000
5,000
0.057
100
100
15,000
10,000
2,500.00
- 2,500
0.853
200
15,000
20,000
5,000
0.361
150
50
15,000
15,000
1,250.00
1,250
0.305
150
50
15,000
15,000
1,250.00
1,250
0.945
200
15,000
20,000
5,000
0.362
150
50
15,000
15,000
1,250.00
1,250
0.317
150
50
15,000
15,000
1,250.00
1,250
0.874
200
15,000
20,000
5,000
0.232
100
100
15,000
10,000
2,500.00
- 2,500
0.757
200
15,000
20,000
5,000
0.25
100
100
15,000
10,000
2,500.00
- 2,500
0.923
200
15,000
20,000
5,000
0.055
100
100
15,000
10,000
2,500.00
- 2,500
0.255
100
100
15,000
10,000
2,500.00
- 2,500
0.297
100
100
15,000
10,000
2,500.00
- 2,500
0.778
200
15,000
20,000
5,000
100
15,000
10,000
200
15,000
20,000
5,000
100
100
15,000
10,000
2,500.00
- 2,500
0.433
150
50
15,000
15,000
1,250.00
1,250
0.488
150
50
15,000
15,000
1,250.00
1,250
0.358
150
50
15,000
15,000
1,250.00
1,250
0.199
100
100
15,000
10,000
2,500.00
- 2,500
0.803
200
15,000
20,000
5,000
0.424
150
50
15,000
15,000
1,250.00
1,250
0.618
200
15,000
20,000
5,000
0.846
200
15,000
20,000
5,000
0.846
200
15,000
20,000
5,000
0.816
200
15,000
20,000
5,000
0.763
200
15,000
20,000
5,000
0.611
200
15,000
20,000
5,000
0.483
150
50
15,000
15,000
0.678
200
15,000
20,000
5,000
0.937
200
15,000
20,000
5,000
0.964
200
15,000
20,000
5,000
0.299
100
100
15,000
10,000
2,500.00
- 2,500
0.876
200
15,000
20,000
5,000
0.423
150
50
15,000
15,000
1,250.00
1,250
0.058
100
100
15,000
10,000
2,500.00
- 2,500
0.449
150
50
15,000
15,000
1,250.00
1,250
0.201
100
100
15,000
10,000
2,500.00
- 2,500
0.824
200
15,000
20,000
5,000
0.065
100
0.576
0.079
2,500.00
1,250.00
- 2,500
1,250
0.44
150
50
15,000
15,000
1,250.00
1,250
0.996
200
15,000
20,000
5,000
0.885
200
15,000
20,000
5,000
0.389
150
50
15,000
15,000
1,250.00
1,250
Beneficio esperado
3,000
2,000
1,000
-
-1,000
100
150
200
-2,000
-3,000
Licencias Vendidas
250
300
B medio
B peor
B mejor
Distribucin Uniforme
A partir de la funcin de la densidad de las variables aleatorias uniformes entre a y b.
), y
) ( )
)
Ejemplo 1:
Los datos del tiempo de servicio en la caja de un banco se comportan de forma exponencial
con media de 3 minutos/cliente. Una lista de nmeros pseudoleatorios
( )y la ecuacin
generadora exponencial xi = -3In (1 - ri) nos permite simular el comportamiento de la variable
aleatoria
Distribucin de Bernoulli
A partir de la distribucin de probabilidad de las variables aleatorias de Bernoulli con media
p(x) = px (1 p)1 x
para x=0,1
Se calculan las probabilidades para x=0 y x=1, para obtener
X
P(x)
0
1-p
1
p
0
1-p
1
p
(
(
1
1
2
2
3
2
4
1
5
3
6
0
7
3
8
1
9
3
P(x)
0.111
0.222
0.333
0.333
P(x)
0.111
0.222
0.666
1
(
(
(
(
)
)
)
0.213
0.345
0.021
0.987
0.543
Demanda diaria
1
2
0
3
2
Pero la funcin r(x)=t(x)/c, si es claramente una funcin de densidad. (Suponemos que t es tal
que c<). Debemos de poder generar (esperamos que de forma fcil y rpida) un valor de la
variable aleatoria que sigue la funcin r(x). El algoritmo general queda como sigue:
Generar x que siga la distribucin r(x)
Generar
Cada uno de los fragmentos se puede expresar como producto de una funcin de distribucin y
un peso y la funcin de distribucin global la podemos obtener como
El mtodo consiste en generar dos nmeros aleatorios, uno sirve para seleccionar un trozo y el
otro se utiliza para generar un valor de una variable que sigue la distribucin de dicho trozo. El
valor de la variable obtenida es el valor buscado.
El algoritmo general queda como sigue:
Generar
( )
Si
entonces generar
( )
Si no
Si
entonces generar
( )
3.2. Generacin de variables aleatorias discretas y continuas utilizando paquetes
Computacionales como Excel, ProModel, Arena.
Mtodos para Generar Variables aleatorias discretas y continuas utilizando programas
computacionales Excel
GENERACIN DE VARIABLES ALEATORIAS NO UNIFORMES
Si el modelo de simulacin es estocstico, la simulacin debe ser capaz de generar variables
aleatorias no uniformes de distribuciones de probabilidad tericas o empricas. Lo anterior
puede obtenerse si se cuenta con un generador de nmeros uniformes y una funcin que
transforme estos nmeros en valores de la distribucin de probabilidad deseada. A este
respecto, se han desarrollado una gran cantidad de generadores para las distribuciones ms
comunes como; la distribucin normal, exponencial, Poisson, Erlang, Binomial, Gamma, Beta,
F, t, Simulacin.
2. LENGUAJE DE PROGRAMACION.
Las primeras etapas de un estudio de simulacin se refieren a la definicin del sistema a ser
modelado y a la descripcin del sistema en trminos de relaciones lgicas 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
cursos de accin a seguir si no se tiene nada de software de simulacin, que son:
Desarrollar el software requerido, o Comprar software (lenguaje de programacin d propsito
especial). Para esta alternativa es necesario analizar y evaluar varios paquetes de simulacin
Condiciones iniciales.
La mayora de los modelos de simulacin estocstica se corren con la idea de estudiar al
sistema en una situacin de estado estable. Sin embargo, la mayor parte de estos modelos
presentan en su etapa inicial estados transigentes los cuales no son tpicos del estado estable.
Por consiguiente es necesario establecer claramente las alternativas o cursos de accin que
existen para resolver este problema. Algunos autores piensan que la forma de atacar este
problema sera a travs de:
Usar un tiempo de corrida suficientemente grande de modo que los perodos transientes sean
relativamente insignificantes con respecto a la condicin de estado estable.
Tamao de la muestra.
Uno de los factores principales a considerar en un estudio de simulacin es el tamao de la
muestra (nmero de corridas en la computadora). La seleccin de un tamao de muestra
apropiado que asegure un nivel deseado de precisin y a la vez minimice el costo de operacin
del modelo, es un problema algo difcil pero muy importante. Puesto que la informacin
proporcionada por el experimento de simulacin sera la base para decidir con respecto a la
operacin del sistema real. Esta informacin deber ser tan exacta y precisa como sea posible
o al menos el grado de imprecisin presente en la informacin proporcionada por el modelo
debe ser conocida. Por consiguiente, es necesario que un anlisis estadstico se a realizado
para determinar el tamao de la muestra requerido.
El tamao de la muestra puede obtenerse de dos maneras:
Durante la operacin del modelo basado en los resultados arrojados por el mismo. Para
la ltima alternativa se utiliza la tcnica estadstica de intervalos de confianza.
Diseo de experimentos.
El diseo de experimentos es un tpico cuya relevancia en experimentos en estudios de
simulacin ha sido reconocida, pero raramente aplicada. El diseo de experimentos en
estudios de simulacin puede ser varios tipos, dependiendo de los propsitos especficos que
se hayan planteado. Existen diferentes formas de anlisis que pueden ser utilizados. Entre los
ms comunes e importantes, se pueden mencionar los siguientes:
Simulacin implica crear un modelo que aproxima cierto aspecto de un sistema del mundo real
y que puede ser usado para generar historias artificiales del sistema, de forma tal que nos
permite predecir cierto aspecto del comportamiento del sistema.
Modelo
Un modelo es una representacin de un objeto, idea, o sistema en una forma diferente a la
entidad misma.
-Descripcin
Estos sistemas se caracterizan por mantener un estado interno global del sistema, que puede no
obstante estar fsica o lgicamente distribuido, y que cambia parcialmente debido a la
ocurrencia de un evento.
El estado del sistema solo cambia mediante la ejecucin de eventos, que se almacenan en un
contenedor, y uno o varios procesos dedicados a su ejecucin avanzan el tiempo de simulacin
a medida que se van ejecutando y eliminando los eventos pendientes para el valor de tiempo
actual.
La ejecucin de un evento puede desencadenar la generacin de nuevos eventos futuros. Cada
uno est marcado por su tiempo, por lo que el orden de generacin puede no coincidir con el
orden de ejecucin.
La simulacin de eventos discretos ha sido caracterizada por dos tendencias significantes en
aos recientes. El primero fue el uso creciente de simulacin con respecto a lo complejo de
sistemas industriales. El segundo ha sido el uso creciente de grficos de la computadora por
displays animados en movimiento. Estas tendencias han originado una nueva generacin de
software o paquetes de simulacin; sin embargo, ningn software podra utilizarse nica y
necesariamente con todos los usuarios probables.
Simulador de restaurante
Juega Gratis a estos Fabulosos juegos en el que tendrs que llevar un restaurante sirviendo las
mesas y tomando el control del restaurante.
Simulador de gimnasio
Simulador de Gimnasio Online. Entrnate con este personaje flacucho en el gimnasio para
ponerle cachas y que se vuelvan todas las mujeres locas por l.
Simulador puerto martimo
Juego al estilo Sim City en el que tendrs que crear un puerto martimo rentable con todas las
instalaciones necesarias. T eres el director del puerto.
Comprando en la ciudad
Hazte empresario. Crea negocios en tu ciudad y hazte con el poder econmico. Juego
Simulador de montar negocios en una ciudad e intentar ganar el mximo de dinero sin
arruinarte
Bodega
Cuntos montacargas necesitamos? Cul es el inventario que puede mover el centro de
distribucin? Cmo nos afectan los horarios dentro del centro de trabajo? Cmo nos afecta
el mantenimiento a los montacargas? El diseo de la operacin de la bodega, nos permitir
absorber la estacionalidad de la demanda?
Celda
Qu capacidad tenemos en piezas por hora? Cul es el tiempo de entrega? Cul es el tiempo
de ciclo? Cul es el Takt Time? Cmo nos afecta el diseo de turnos en la celda de
manufactura? Podemos meter un producto nuevo a la lnea? Cul es el impacto de los
tiempos de preparacin
Conveyors
ProModel permite representar bandas transportadoras que representen manejo de materiales a
travs de filas y bandas (conveyors).
Container
El itinerario que tenemos es satisfactorio? Podemos satisfacer la demanda adecuadamente?
Las unidades de transporte son suficientes? Cmo se comportarn los inventarios en cada
una de las estaciones de servicio? Cmo impacta al proceso el mantenimiento de las unidades
de transporte?
Container 3D
Una vez terminado el anlisis, para fines de una buena presentacin se transfiere el modelo a
3D Animator. Rpidamente se configura la animacin en 3 Dimensiones para mostrar
claramente el problema y su solucin.
Ejemplos de Conveyors
Una de las facilidades mejor aprovechadas por los usuarios de ProModel son las bandas
transportadoras, y las gras viajeras. En este modelo estn representados y nos muestran cmo
el sistema podra saturarse por la velocidad de proceso del sistema.
Demand Based
Las preocupaciones de los Directores Generales hoy da es la eficiencia y la optimizacin de
las cadenas de abasto (Supply Chain). Este modelo permite el anlisis del sistema tomando en
cuenta la variabilidad en la demanda, los recursos de la empresa y todo el proceso de
manufactura. Simplemente, no hay otra forma de hacer el anlisis y al mismo tiempo
incorporando todas las variables en el proceso.
Distribucin
Cuantas bodegas? De qu capacidad? Qu utilizacin tendremos del espacio? Cuntos
camiones? En qu horarios podemos trabajar? Toda la demanda ser satisfecha? Qu pasa
durante los cambios debido la estacionalidad de la demanda? ProModel permite representar
fcilmente el sistema y poderle hacer cambios y optimizar el sistema total.
Distribucin 2
Cuantas bodegas? De qu capacidad? Qu utilizacin tendremos del espacio? Cuntos
camiones? En qu horarios podemos trabajar? Toda la demanda ser satisfecha? Qu pasa
durante los cambios debido la estacionalidad de la demanda? ProModel permite representar
fcilmente el sistema incorporando plantas, bodegas y clientes finales y poderle hacer cambios
y optimizar el desempeo.
Fbrica
ProModel nos permite representar la realidad de una fbrica, con las entregas de materia
prima, operadores, factores de calidad, aleatoriedad en los tiempos de proceso, en la duracin
y frecuencia de los mantenimientos, de tal manera que podemos calcular la capacidad de la
planta (Capacity Planning), Takt Time, Lead Time. Muchos de los usos actualmente van hacia
la manufactura esbelta.
Ferrocarril
Con ProModel, los usuarios que tienen relacin con la industria del transporte han hecho
muchsimas aplicaciones que les han permitido ahorrar millones de dlares. Preguntas como
Cuntos contenedores? De qu tipo? Qu plan de mantenimiento se puede seguir? Cmo
afectamos los inventarios y la demanda de nuestros clientes?
Gras Viajeras
El objeto de gras de techo o viajeras de ProModel permite que rpidamente se construyan
modelos incorporando este mtodo de manejo de materiales. Cul es la utilizacin de la gra?
Qu polticas deben usarse en la asignacin de prioridades de servicio de la gra? El layout
favorece el uso de gras?
Logstica 3D
En este modelo, se presenta una aplicacin de logstica de cadena de abasto, en 3D Animator,
en el que se muestra desde que el acero es chatarra hasta que es producto terminado y llega al
cliente final. El modelo permite presentar los indicadores clave en la pantalla para
visualizacin.
Manufactura Automotriz
ProModel permite incorporar el layout de AutoCAD de la planta, para visualizar la
implementacin del proceso directamente en l y as poder comunicarlo a la audiencia. Este
modelo utiliza el SimRunner adicionalmente, para optimizar la velocidad de la banda de
transporte, as como el nmero de contenedores que se deben usar en el proceso. Se muestran
en color rojo, aquellos productos que fallan la prueba.
Panel
Este modelo ilustra un proceso de manufactura en el cual se desea conocer en dnde est el
cuello de botella, y cul es la capacidad de la lnea. Tanto el layout cmo el producto se
incorpor a la biblioteca de grficos de ProModel. Las estadsticas crticas en este modelo son
el uso de los recursos y el uso de los equipos.
Los Simpson
Este modelo cmico, est diseado para ilustrar que cualquier grfico puede ser colocado
dentro de ProModel, de tal manera que grficamente se logre el objetivo. Para ProModel,
Simulacin es Visualizar, Analizar y Optimizar.
Bibliografa
1. Azarang, M. R. y Garca Dunna, E., Simulacin y Anlisis de Modelos Estocsticos. Mc Graw Hill
(1998)
2. Banks, J. y Carson, J. S. Discrete Event System Simulation. Prentice Hall (2001)
3. Law A. y Kelton W., Simulation Modelling and Analisis, Mc Graw Hill (2000)
4. Garca Dunna Eduardo, Garca Reyes Heriberto, Crdenas Barrn Leopoldo. Simulacin y Anlisis
de Sistemas con Promodel. Pearson (2006)
5. Garca F., Sierra J., y Guzmn V., Simulacin de Sistemas para Administracin e Ingeniera.
CECSA (2005)
6. Harrell Ch., Ghosh B., y Borden Royce., Simulation Using Promodel. Mc Graw Hill (2004)
7. Kelton W David., Sadowski Randall P., Sturrock David T., Simulacin con software Arena. 4a
Edicion. Mxico. McGraw Hill