PORTAFOLIO SIMULACIÓN Daniela Del Carmen Aguilar Jiménez

INSTITUTO TECNOLGICO DE TUXTLA
GUTIRREZ
SIMULACIN
"Portafolio de Evidencias"
GRUPO S5A
DOCENTE:
JOS DEL CARMEN VZQUEZ

HERNNDEZ
NOMBRE DEL ESTUDIANTE:
Cerda Lpez jhonatan Guadalupe
Tuxtla Gutirrez, Chiapas a 21 de octubre de 2014
TABLA DE CONTENIDO
ACTIVIDADES DE APRENDIZAJE
Contenido del programa de estudio ......................................................................................................... 5

Introduccin ................................................................................................................................................. 7
CARTA PRESENTACIN .................................................................................................................................. 8
AUTORRETRATO ............................................................................................................................................ 9
DIARIO METACOGNITIVO. .................................................................................................................... 10
Realizar bsqueda en diferentes fuentes sobre la definicin de simulacin y de conceptos tales
como modelo, proceso, tipos de modelos, sistema de forma individual. ......................................... 13
Mapa conceptual sobre la metodologa de la investigacin ......................................................... 17
Construir un diagrama con las etapas de un proyecto de simulacin .................................. 18
Investigar y describir la estructura y las etapas de un estudio de simulacin ................... 19
Buscar y analizar los elementos que constituyen un simulador .................................................. 21
Investigar las ventajas y desventajas de la simulacin. ..................................................................... 23
PREGUNTAS ................................................................................................................................................. 26
PROYECTO DE SIMULACIN ........................................................................................................................ 31
RESUMEN DE CIERRE UNIDAD I ................................................................................................................... 32
REFLEXIN ................................................................................................................................................... 32
Rubrica para portafolio fsico ...................................................................................................................... 33
CONCLUSIN ............................................................................................................................................... 34
FUENTES DE INFORMACIN ........................................................................................................................ 35
Investigar en diferentes fuentes, las caractersticas de los nmeros aleatorios y los Pseudoaleatorios y
discutir en el aula......................................................................................................................................... 53
Elaborar en equipos, ejercicios de generacin de nmeros Pseudoaleatorios para construir el algoritmo y
respectivo programa de computadora. ....................................................................................................... 56
Realizar ejercicios usando las principales pruebas estadsticas de uniformidad, aleatoriedad e
independencia con las series de nmeros generados en la actividad anterior. ......................................... 57
Pruebas estadsticas para los nmeros aleatorios. ................................................................................. 57
Utilizar un software estadstico o construir los algoritmos necesarios para aplicar las pruebas a los
nmeros Pseudoaleatorios generados. ....................................................................................................... 67
Hacer ejercicios manuales aplicando el mtodo de Montecarlo ................................................................ 72
Cuestionario 2 .............................................................................................................................................. 75
RESUMEN DE CIERRE UNIDAD II ....................................................................................................... 79
Reflexin ...................................................................................................................................................... 80
Rubrica para portafolio fsico. ..................................................................................................................... 80
PROYECTO DE SIMULACIN ........................................................................................................................ 82

Planteamiento del problema ....................................................................................................................... 83
Conclusin ................................................................................................................................................... 84
Fuentes De Informacin .............................................................................................................................. 85
Realizar en equipo investigacin y exposicin, delas diferencias existentes entre variables aleatorias
discretas y continuas. .................................................................................................................................. 99
Variables aleatorias discretas ....................................................................................................................... 99
Distribucin uniforme ............................................................................................................................ 99
Distribucin multinomial .................................................................................................................... 102
Distribucin hipergeomtrica ............................................................................................................ 103
Distribucin multihipergeomtrica .................................................................................................. 104
Distribucin de poisson ...................................................................................................................... 105
Variables aleatorias continuas .................................................................................................................... 107
Distribucin normal o de Gauss ....................................................................................................... 107
Distribucin Gamma () ......................................................................................................................... 110
Distribucin exponencial ........................................................................................................................ 111
Distribucin Chi-cuadrado ............................................................................................................. 112
Distribucin T de Student ...................................................................................................................... 113
Distribucin F de Snedecor ................................................................................................................... 115
Elaboraren equipo, prcticas en donde se identifiquen variables discretas y continuas dentro de un
sistema real, presentando un reporte. ...................................................................................................... 118
Realizar un programa que genere variables aleatorias discretas utilizando un lenguaje de programacin
de alto nivel. .............................................................................................................................................. 118
Realizar un programa que genere variables aleatorias continuas utilizando un lenguaje de programacin
de alto nivel. .............................................................................................................................................. 121
Investigar el tipo de pruebas estadsticas que se requieren para probar que las variables generadas se
comportan como tales............................................................................................................................... 122
Construyendo una tabla de relacin. simulaciones de sistemas ............................................................... 122
Cuestionario 3 ............................................................................................................................................ 128
RESUMEN DE CIERRE UNIDAD III.................................................................................................... 130
Reflexin .................................................................................................................................................... 131
Rubrica para portafolio fsico. ................................................................................................................... 132
PROYECTO DE SIMULACIN ...................................................................................................................... 133
Planteamiento del problema ..................................................................................................................... 134
Conclusin ................................................................................................................................................. 135
Fuentes De Informacin ............................................................................................................................ 136
Investigar informacin acerca de las caractersticas, aplicacin y uso de los principales lenguajes de
simulacin existentes y elaborar un cuadro comparativo. ....................................................................... 153
Lenguajes de Simulacin y Simuladores. ........................................................................................... 154
TABLA COMPARATIVA DE LENGUAJES DE SIMULACIN ........................................................................... 163
Probar un simulador de acuerdo a su uso. ................................................................................................ 168
Observar sus caractersticas. ..................................................................................................................... 168
Preparar prcticas de simulacin manuales y en computadora de problemas aplicados a servicios,
sistemas productivos, de calidad, de inventarios, econmicos, entre otros. ........................................... 170
Investigar las pruebas de validacin ms utilizadas y probarlas mediante ejercicios manuales. ............. 172
Cuestionario 4 ............................................................................................................................................ 182
RESUMEN DE CIERRE UNIDAD IV ................................................................................................... 184
Reflexin .................................................................................................................................................... 185
Rubrica para portafolio fsico. ................................................................................................................... 186
PROYECTO DE SIMULACIN ...................................................................................................................... 187
Planteamiento del problema ..................................................................................................................... 188
Conclusin ................................................................................................................................................. 189
Fuentes De Informacin ............................................................................................................................ 190
Contenido del programa de estudio

UNIDAD I
TEMA: Introduccin a la Simulacin
1.1 Definiciones e importancia de la simulacin en la ingeniera

1.2 Conceptos bsicos de simulacin
1.3 Metodologa de la simulacin
1.4 Modelos y control
1.5 Estructura y etapas de estudio desimulacin
1.6 Etapas de un proyecto de simulacin
1.7 Elementos bsicos de un simulador deeventos discretos
UNIDAD II
TEMA: Nmeros pseudoaleatorios
2.1 Mtodos de generacin de nmeros Pseudoaleatorio.
2.2 Pruebas estadsticas.
2.2.1 De uniformidad. (chi cuadrada, kolmogorov-Smimov).
2.2.2 De aleatoriedad. (corridas arriba y debajo de la media y longitud de corridas).
2.2.3 De independencia. (Autocorrelacin, prueba de huecos, prueba del pquer, prueba
de Yule).
2.3 Mtodo de Monte Carlo
2.3.1 Caractersticas.
2.3.2 Aplicaciones.
2.3.3 Solucin de problemas.
UNIDAD III
TEMA: Generacin de variables aleatorias.
3.1 Conceptos bsicos
3.2 Variables aleatorias discretas
3.3 Variables aleatorias continuas
3.4 Mtodos para generar variables aleatorias
3.4.1 Mtodo de la transformada inversa.
3.4.2 Mtodo de convolucin.
3.4.3 Mtodo de composicin.
3.5Procedimientos especiales
3.6 Pruebas estadstica. (Pruebas de bondad de ajuste)
UNIDAD IV
TEMA: Lenguajes de simulacin
4.1 Lenguaje de simulacin y simuladores
4.2 Aprendizaje y uso lenguaje de simulacin o un simulador
4.3 Casos prcticos de simulacin
4.3.1 Problemas con lneas de espera.
4.3.2 Problemas con sistemas de inventario.
4.4 Validacin de un simulador
4.4.1 Pruebas paramtricas (Validacin del modelo, pruebas de hiptesis y pruebas de
estimacin).
4.4.2 Pruebas no paramtricas
UNIDAD V
TEMA: Proyecto Integrador
5.1 Anlisis, modelado y simulacin de un sistema o subsistema de servicios o productivo
de una empresa para detectar las mejoras posibles a realizar.
Introduccin
Objetivo de la simulacin
La simulacin consiste en disear y desarrollar un modelo de un sistema o proceso y
conducir experimentalmente con este modelo para entender el comportamiento del
sistema del mundo real o evaluar varias estrategias con las cuales puedan operar el
sistema.
La simulacin de procesos es una de las ms grandes herramientas de la ingeniera ya
que simplifica los procesos y los hace ms entendibles para el ser humano. Esta
simulacin es en algunos casos casi indispensable.
SIMULACIN
La simulacin consiste bsicamente en construir modelos informticos que describen la
parte esencial del comportamiento de un sistema de inters, as como en disear y
realizar experimentos con el modelo y extraer conclusiones de sus resultados para apoyar
la toma de decisiones.
En la vida real se presentan situaciones o sucesos que requieren tomar decisiones para
planificar, predecir, invertir, proyectar, etc. Una vez construido un modelo matemtico, si
este es lo suficientemente sencillo, puede ser posible trabajar con sus relaciones y
cantidades para obtener una solucin analtica exacta.
Si una solucin analtica para un modelo matemtico est disponible y es
computacionalmente eficiente, usualmente es deseable estudiar el modelo en esta forma,
en vez que por la va de la simulacin. Sin embargo, muchos sistemas son altamente
complejos, de manera que los modelos matemticos vlidos de ellos son ellos mismos
complejos, descartando cualquier posibilidad de una solucin analtica. En este caso, el
modelo debe ser estudiado por medio de simulacin. Otro caso es la combinacin de
reglas lgicas y la matemtica.
La simulacin de procesos es una de las ms grandes herramientas de la ingeniera
industrial, la cual se utiliza para representar un proceso mediante otro que lo hace mucho
ms simple yentendible. Esta simulacin es en algunos casos casi indispensable, como
nos daremos cuenta a continuacin. En otros casos no lo es tanto, pero sin este
procedimiento se hace mscomplicado.
La simulacin es la representacin de un proceso o fenmeno mediante otro ms simple,
que permite analizar sus caractersticas; Pero la simulacin no es solo eso tambin es
algo muy cotidiano, hoy en da, puede ser desde la simulacin de un examen, que le hace
la maestra a su alumno para un examen del ministerio, la produccin de textiles,
alimentos, juguetes, construccin de infraestructuras por medio de maquetas, hasta el
entrenamiento virtual de los pilotos de combate.
Las primeras referencias sobre simulacin se encuentran hacia el ao 1940, cuando Von
Neumann y Ullman trabajaron sobre la simulacin del flujo de neutrones para la
construccin de la bomba atmica en el proyecto Montecarlo. Desde entonces se

conocan las tcnicas de simulacin como procesos Montecarlo, aunque en la actualidad
se diferencian ambas cosas, siendo los segundos un tipo particular de simulacin.
Tambin se realiz un proceso de simulacin para el proyecto APOLLO dentro del plan
espacial de la N.A.S.A, acerca del movimiento dentro de la atmsfera de la luna.
Actualmente, la simulacin es una poderosa tcnica para la resolucin de problemas. Sus
orgenes estn en la teora de muestreo estadstico y anlisis de sistemas fsicos
probabilsticos complejos. El aspecto comn de ambos es el uso de nmeros y muestras
aleatorias para aproximar soluciones.
CARTA PRESENTACIN
Fortalezas, limitaciones y expectativas del estudiante con relacin a la

clase.
Este portafolio presenta mi trayectoria en el curso: SIMULACIN.

Este curso tuvo como objetivos desarrollar las destrezas de LAS
COMPETENCIAS DE APRENDIZAJE, AS COMO HABILIDADES DE
COMPRENSIN DE LECTURA.
Durante este curso de SIMULACIN pude conocer sobre analizar,
conceptualmente distintos temas que engloban al rea de la simulacin
de sistemas productivos y de servicios, reales o hipotticos, a travs de
la simulacin de eventos discretos, con el fin de conocerlos con claridad
o mejorar su funcionamiento.
Las tcnicas e informacin presentada por el PROFR. JOS DEL
CARMEN VZQUEZ HERNNDEZ, me ayudaron a mejorar en el
aprendizaje terico de los distintos conceptos y etapas que relacionan a
la simulacin y a un proyecto de simulacin.
Las reas ms difciles en el curso fueron: LA COMPRESIN DE
ALGUNOS CONCEPTOS Y EN LOS CUALES ESTUVE BUSCANDO EN
OTRAS FUENTES DE INFORMACIN E INTERPRETANDO BIEN EN LA
LECTURA DE DICHAS DEFINICIONES Y SUBTEMAS.
AUTORRETRATO
Soy una persona que trata de ser responsable en cualquier aspecto

de mi vida, trato de que mi vida sea mejor, desarrollando valores
positivos para transmitirlo a otras personas. Y sobre todo, que trata
de superarse cada da ms. Soy una persona con un buen carcter,
soy un poco tmida pero con las personas, cuando las conozco
realmente desenvuelvo una atmsfera de confianza. Me gusta mi
carrera, creo que es un gran logro ir hasta sta etapa de mi vida ya
que es bonita.
Mi nombre es DANIELA DEL CARMEN AGUILAR JIMNEZ. Soy

estudiante del programa DE LA MATERIA: SIMULACIN. Actualmente
curso el EL QUINTO SEMESTRE en el INSTITUTO TECNOLGICO DE
TUXTLA GUTIRREZ.
Soy una persona responsable, organizada y me gusta trabajar en grupo.
Mis metas son LOGRAR TERMINAR MIS ESTUDIOS Y SER MEJOR
PERSONA PARA ENFRENTAR SITUACIONES DE LA VIDA ACTUAL.
DIARIO METACOGNITIVO.
10
Expresiones relacionadas con el sentir del estudiante sobre aspectos acadmicos y

personales en su interaccin en la sala de clases, destacndose los aspectos de
dicho proceso.
Datos interesantes discutido el da 25 de Agostode 2014
Qu cosas fueron difciles este da?
Al principio el concepto de simulacin en s, pero con ejemplos y participaciones de varios
compaeros y de m fuimos aclarando y compartiendo opiniones.
Cules fueron fciles?
Los conceptos que distintos autores expresaron fueron del todo claros y analizando todos
obviamente con sus propias palabras todos los conceptos compartan algo en comn.
Qu aprend hoy?
Con respecto a las diapositivas mostradas por el profesor, todo fue completamente claro
ya que conforme iba a explicando los conceptos de lo que significa la simulacin y las
caractersticas de ella fui comprendiendo y relacionando los conceptos sobre los temas:
-Definiciones e importancia de la simulacin en la ingeniera
-Conceptos bsicos de simulacin
Temas abordados durante la clase

1.- Definiciones e importancia de la simulacin en la ingeniera
2.- Conceptos bsicos de simulacin
3.- Entre todos dimos y compartimos ideas acerca de lo que es y significa la simulacin
4.- Dio las reglas y la forma de evaluar, adems del objetivo del curso y el material.
EXAMENES ESCRITOS 50%
CUESTIONARIO CON RESPUESTA 10%
PORTAFOLIO 15%
REPORTES 5%
PROYECTO 20%
Objetivo del curso: Analizar, modelar, desarrollar y experimentar sistemas productivos y

de servicio reales, hipotticos, a travs de la simulacin de eventos discretos, con el fin
de conocerlo con claridad, o mejorar su funcionamiento, aplicando herramientas
matemticas.
APOYO DIDCTICO
-Computadora
-Proyector
-Hojas de rotafolio
-Plumones
-Software: Promodel y/o Arena
-Apuntes brindados
Bibliografa: Simulacin y anlisis de modelos estocsticos, Azarang
Simulacin y anlisis de sistemas con promodel, Garca Duna Eduardo, Pearson.
11
Datos interesantes discutido el da 27 de Agosto de 2014.

Analizar del todo bien las partes que integran a la metodologa de un consultorio mdico,
pero distinguiendo las variables y procesos que lo rodean fuimos hacindolo y
estructurndolo mediante un diagrama de flujo, el cual fue de gran ayuda para la
comprensin del sistema.
Al hacer la prctica en Excel, respecto al consultorio me ayud a comprender el entorno
de ste.
Qu aprend hoy?
A identificar las variables y procesos que describe a un sistema, conceptos sobre los
temas:
-Metodologa de la simulacin
-Modelos y control
-Estructura y etapas de estudio de simulacin
Anlisis, sntesis y evaluacin de artculos de revistas profesionales cuyo propsito es

fomentar la investigacin, enriquecer el contenido del curso y fomentar el uso del
pensamiento crtico del estudiante.
12
Realizar bsqueda en diferentes fuentes sobre la definicin de simulacin y

de conceptos tales como modelo, proceso, tipos de modelos, sistema de
forma individual.
Simulacin es una tcnica numrica para conducir experimentos en una computadora
digital. Estos experimentos comprenden ciertos tipos de relaciones matemticas y lgicas,
las cuales son necesarias para describir el comportamiento y la estructura de sistemas
complejos del mundo real a travs de largos periodos de tiempo.
THOMAS H. NAYLOR
Simulacin es el desarrollo de un modelo lgico matemtico de un sistema, de tal forma
que se tiene una imitacin de la operacin de un proceso de la vida real o de un sistema a
travs del tiempo. La simulacin involucra la generacin de una historia artificial de un
sistema, la observacin de esta historia mediante la manipulacin experimental, nos
ayuda a inferir las caractersticas operacionales de tal sistema.
JERRY BANKS
Simulacin es una tcnica numrica para realizar experimentos en una computadora
digital. Estos experimentos involucran ciertos tipos de modelos matemticos y lgicos que
describen el comportamiento de sistemas de negocios, econmicos, sociales, biolgicos,
fsicos o qumicos a travs de largos periodos de tiempo.
H. MAISEL Y G. GNUGNOLI
Simulacin es el proceso de disear y desarrollar un modelo de un sistema o proceso
real y conducir experimentos con el propsito de entender el comportamiento del sistema
o evaluar varias estrategias (dentro de lmites impuestos por un criterio o conjunto de
criterios) para la operacin del sistema.
ROBERT. SHANNON
X simula a Y s y solo s:
X e Y son sistemas formales.
Y se considera como sistema real
X se toma como una aproximacin del sistema real
Las reglas de validez en x no estn exentas de error.
C. WEST CHURCHMAN
Simulacin de un sistema (o un organismo) es la operacin de un modelo (simulador), el
cual es una representacin del sistema. Este modelo puede sujetarse a manipulaciones
que seran imposibles de realizar, demasiado costosas o imprcticas.
13
La operacin de un modelo puede estudiarse y con ello, inferirse las propiedades

concernientes al comportamiento del sistema o subsistema real.
SHUBIK
La simulacin es una tcnica que puede utilizarse para resolver una amplia gama de
modelos. Su aplicacin es tan amplia que se ha dicho: "Cuando todo falle, utilice
simulacin".
ROGER SCHROEDER
MODELO
14
Una definicin bastante generalizada de modelo, originada en mbitos

geogrficos, es "una representacin simplificada de la realidad en la que aparecen
algunas de sus propiedades" (Joly, 1988:111).
Los modelos se construyen para conocer o predecir propiedades del objeto real. Algunos
autores llegan a incluir esta expresin de finalidad en la propia definicin de modelo: un
objeto es un modelo de X para un observador 0, si 0 puede utilizar M para responder a
cuestiones que le interesan acerca de (Aracil, 1986:123); o bien, segCmRios (1995:23):
"un modelo es un objeto, concepto o conjunto de relaciones que se
utiliza para representar y estudiar de forma simple y comprensible una
porcin de la realidad emprica"
Para que los modelos puedan decirnos algo sobre el objeto que representan, es
necesario que se construyan estableciendo una relacin con la realidad que debe ser
simtrica, es decir, la relacin de correspondencia entre el objeto real y el modelo
debe ser al menos parcialmente reversible y debe permitir la traduccin de algunas
propiedades del modelo a la realidad
Un modelo es una representacin simplificada de la realidad, que se elabora para
facilitar su comprensin y estudio, que permiten ver de forma clara y sencilla las
distintas variables y las relaciones que se establecen entre ellas.
Se utilizan con frecuencia en la ciencia.
Los modelos resultan muy tiles en investigacin y su elaboracin implica varios
aspectos opuestos:
Deben presentar la realidad lo ms fielmente posible
Deben ser ms sencillos y manejables que las situaciones reales.
Para elaborar un modelo, primero hemos de establecer qu uso vamos a darle y,
segn ello, que aspectos de la realidad o variables vamos a utilizar y qu relaciones
existen entre las mismas.
Los modelos permiten observar evolucin de los sistemas y predecir su
comportamiento.
Dan una mejor comprensin de la realidad
Modelos.
1. Modelo: es la representacin de un conjunto de objetos o ideas de forma diferente a la
de la entidad misma.
2. Modelo: es una abstraccin de la realidad que captura lo esencial para investigar y
experimentar en lugar de hacerlo con el sistema real, con menor riesgo, tiempo y costo.
El modelo es una "imitacin" del sistema original. Como para poder imitar algo o a alguien
es necesario conocerlo bien, ser necesario reunir la informacin precisa respecto del
sistema original. En el modelo participan las variables y sus relaciones.
Modelizar es una metodologa de trabajo para:
1. Describir el comportamiento de los sistemas.
2. Hacer hiptesis que expliquen el comportamiento observado.
3. Predecir cmo responde el sistema cuando se producen cambios.
15
Clasificaciones generales de un Modelo

Segn el punto de vista que se tome (naturaleza del sistema o uso del modelo) surgen
diferentes clasificaciones:
1. Esttico: Representa las relaciones del sistema cuando est quieto o en equilibrio.
Ejemplo: Maquetas. Plano. El cambio de lugar de la pared del plano de la casa refleja un
nuevo estado.
El modelo no muestra las etapas intermedias ni cmo se desarrollan, slo el principio y el
final.
2. Dinmico: Refleja los cambios en el sistema a travs del tiempo y muestra la evolucin
desde el principio hasta el final. Ejemplo: crecimiento de un ser viviente, vaciamiento de
un tanque de agua, traslado de un camin de mercadera, coccin de un alimento, etc.
3. Determinstico: Un cambio en el modelo produce uno y slo un resultado. Ejemplo: Un

modelo que represente el cambio de temperatura del agua para el mate. Cuando se
calienta el agua, sea de la canilla o de la heladera, siempre va a llegar a la temperatura
de 80 a 100 grados.
4. Estocstico: Un cambio en el modelo produce resultados aleatorios. Ejemplo: Un

modelo para estudiar el comportamiento del trnsito en la zona cntrica de la ciudad en
distintos horarios.
4. Continuo: el comportamiento cambia continuamente en el tiempo, no es una cuestin

de magnitud del cambio sino de analizar si el mismo se produce en un instante de tiempo
o a lo largo de todo el tiempo de estudio. Ejemplo: la cada del agua de un tanque, el
movimiento de un vehculo, etc.
5. Discreto: los cambios en el tiempo son predominantemente discontinuos o
instantneos, es decir que las propiedades que describen su comportamiento cambian en
momentos determinados de tiempo, y entre esos instantes no sucede variacin alguna.
Ejemplo: Representacin de un sistema electrnico digital, la entrada de personas a un
negocio.
16
Mapa conceptual sobre la metodologa de la investigacin
17
Construir un diagrama con las etapas de un proyecto de simulacin
1.Modelacin
6.Fusin de
tareas
2.Tanteo-Error
5.Reformulacin
3.Asociacin por
Analoga
4.Integracin por
inclusin
18
Investigar y describir la estructura y las etapas de un estudio de

simulacin
ETAPAS DE UN PROYECTO DE SIMULACIN
1.-Modelacin. Fijado el objetivo que se persigue en la creacin de un problema,

inmediatamente se activan los componentes intelectuales bsicos: sensaciones,
percepciones, memoria, pensamiento e imaginacin. La construccin de los
diagramas de Euler para estudiar las distintas relaciones que se establecen entre
los conocimientos, es una actividad que ayuda a desarrollar la habilidad de
modelacin. Estos diagramas tambin son utilizados en la metodologa como
situacin inicial para la construccin de tareas que respondan a determinadas
caractersticas.
2.-Tanteo-error. Consiste en un proceso continuo de adecuacin y ajuste por
bsqueda y prueba de los datos y/o las incgnitas segn las condiciones del
problema, hasta encontrar las ms adecuadas. La bsqueda puede ser de tipo
inteligente o arbitrario, y en ocasiones es utilizada para modificar las condiciones y
con ella reordenar los elementos estructurales.
3. Asociacin por analoga. En esta tcnica se hace uso de la reproduccin en una
primera fase. Consiste en establecer nuevos nexos entre datos e incgnitas
siguiendo formatos y textos guardados en la memoria para obtener otras por medio
de la innovacin. Es evidente que sobre las ideas iniciales, posteriormente se
introducen modificaciones, que consisten en relacionar los datos de otra forma,
introducir nuevas condiciones o cambiar la forma de redactar las preguntas, para
obtener al final un problema derivado, que si bien no se caracteriza por su
originalidad, s constituye una nueva tarea.
4.-Integracin por inclusin. Es una tcnica muy sencilla, cuyo procedimiento es
asequible a cualesquier sujeto. Consiste en elaborarla de forma tal que las
incgnitas de los diferentes incisos mantengan una dependencia sucesiva en forma
de cadena, donde fueron caracterizados los sistemas semi-abiertos, para luego
eliminar los iniciales y solo dejar la incgnita final.
5.-Reformulacin. Consiste en reconstruir la estructura gramatical y de sistema
mediante procesos de innovacin. Se diferencia de la analoga por la profundidad
de los cambios introducidos, puesto que se parte de un ejemplo concreto que debe
ser modificado y no de recuerdos que pueden ser borrosos y a veces confusos.
6.-Fusin de tareas (o contenidos) auxiliares. Como parte de las estrategias de
integracin, la fusin de tareas docentes auxiliares constituye una de las ms
importantes. Es poco empleada, debido a la elevada complejidad que implica el
establecimiento de relaciones mltiples entre datos e incgnitas que proceden de
19
ejemplos diferentes, aunque tambin pueden ser integrados diversos contenidos

previamente seleccionados, que guarden una relacin directa o indirecta.
Adems, en su conjunto, los fundamentos tericos estudiados sobre los distintos
tipos de tareas integradoras y las tcnicas necesitan para su implementacin del
siguiente conjunto de requisitos:
1.-Partir del anlisis de los objetivos de los programas, siguiendo un enfoque
sistmico en su derivacin gradual, desde los ms generales de la enseanza hasta
la clase.
2.-Proporcionar en las tareas relaciones ricas entre los nuevos conocimientos y los
esquemas existentes, donde estn presentes todos los niveles de integracin de los
conocimientos y las habilidades, hasta llegar al nivel interdisciplinario.
3.-Desarrollar una adecuada variedad, concebida la variedad no slo en trminos de
enfoque que propicien reflexin, estimulen el debate y permitan crear motivos
cognoscitivos, sino tambin en relacin con las funciones, habilidades, niveles de
asimilacin y complejidad, entre otros
4.-Presentar la informacin tanto en trminos positivos y familiares como con
complejidad lgico lingstica, ir desde la simple descripcin del lenguaje simblico
hasta la exigencia de complicadas transformaciones, como por ejemplo negaciones
o varias premisas con diferentes enlaces lgicos, textos complejos a interpretar o
informaciones no utilizables, entre otras.
5.-Redactar las tareas de forma tal que expresen siempre ms de una funcin.
Adems de la funcin cognoscitiva, incorporar situaciones nuevas, con diferentes
niveles de complejidad, tanto de la vida diaria, la orientacin profesional o el cuidado
del medio ambiente, como de la actualidad poltico- ideolgico del pas.
6.-Establecer un adecuado equilibrio entre los problemas que sern formulado,
dejando un espacio a los problemas experimentales y cualitativos, que son
insuficientes en los textos de la enseanza media.
20
Buscar y analizar los elementos que constituyen un simulador
Un simulador es un aparato, por lo general informtico, que permite la reproduccin

de un sistema. Los simuladores reproducen sensaciones y experiencias que en la
realidad pueden llegar a suceder.
Un
simulador
pretende
reproducir
tanto
las
sensaciones
fsicas
(velocidad,aceleracin, percepcin del entorno) como el comportamiento de los
equipos de la mquina que se pretende simular. Para simular las sensaciones
fsicas se puede recurrir a complejos mecanismos hidrulicos comandados por
potentes ordenadores que mediante modelos matemticos consiguen reproducir
sensaciones de velocidad y aceleracin. Para reproducir el entorno exterior se
emplean proyecciones de bases de datos de terreno. A este entorno se le conoce
como "Entorno Sinttico". Con los siguientes elementos podemos analizar el
comportamiento de un simulador:
Evento
Un evento es un suceso que hace cambiar las variables de estado del sistema. Durante el
procesamiento de un evento el tiempo de simulacin permanece fijo. Un evento pertenece
a una entidad, o actor en el sistema, y normalmente solo cambiara atributos de esta,
dejando invariante el resto del sistema.
Proceso
Es toda secuencia de eventos ordenada temporalmente (sucesin de estados de una
entidad sobre uno o ms intervalos sucesivos).
Entidad
El sistema a simular se modela en base a entidades actores que representan en su
agregado al sistema compuesto. El estado del sistema se entiende entonces como el
agregado de los estados que lo conforman.
Actividad
Secuencia de eventos pertenecientes a una entidad que cierran un ciclo funcional. A
diferencia de un evento, que se ejecuta a tiempo de simulacin constante, una actividad
se desarrolla dentro de un intervalo de tiempo de simulacin no puntual.
Simulacin en tiempo acelerado
Se da cuando el avance del tiempo de simulacin es mayor de un segundo por cada
segundo de tiempo real.
Simulacin en tiempo real
Se da cuando el avance del tiempo de simulacin exactamente de un segundo por cada
segundo de tiempo real.
Atributos.
21
Propiedades que poseen las entidades, tambin son llamados variables. Existen varios
tipos de atributos.
1. P: Parmetros son atributos fijados durante el diseo del sistema
2. U: Variables de entradas o exgenos, fijadas por el entorno
3. D: Variables de entradas fijadas por el usuario
4. Y: Variables de salida son las variables de estado o combinacin de ellas
correspondiente a medidas del sistema
Variables
Una variable es la expresin simblica representativa de un elemento no especificado
comprendido en un conjunto.
Reloj de simulacin
Es el contador de tiempo de la simulacin, y su funcin consiste en responder preguntas
tales como cunto tiempo se ha utilizado el modelo de la simulacin, y cuanto tiempo en
total se requiere que dure esta ltima.
Visualizacin de los elementos de un simulador.

1. Vista de las dependencias entre componentes del simulador
2. Vista global del estado del simulador
3. Componentes
Atributos para el anlisis
Clculos de la simulacin
Parmetros usados
4. Informacin de un parmetro
Fuente de datos correspondiente al alcance
Detalle correspondiente al alcance
Parmetro con frmulas
5. Parmetros
6. Grupos
7. Fuentes de datos
8. Versiones
9. Escenarios
10. Permisos a los roles
11. Objetos de anlisis asociados
22
Investigar las ventajas y desventajas de la simulacin.
SIMULACIN
VENTAJAS
DESVENTAJAS
1.
Es
un
proceso
relativamente eficiente y
flexible.
2. Puede ser usada para
analizar y sintetizar una
compleja
y
extensa
situacin real, pero no
puede ser empleada para
solucionar un modelo de
anlisis
cuantitativo
convencional.
3. En algunos casos la
simulacin es el nico
mtodo
disponible.
4. Los modelos de
simulacin se estructuran
y nos resuelve en general
problemas trascendentes.
5.
Los
directivos
requieren conocer como
se avanza y que opciones
son atractivas; el directivo
con
la
ayuda
del
computador
puede
obtener varias opciones
de
decisin.
6. La simulacin no
interfiere en sistemas del
mundo
real.
7. La simulacin permite
estudiar
los
efectos
interactivos
de
los
componentes individuales
o
variables
para
determinar
las
ms
importantes.
8. La simulacin permite
1. Un buen modelo de
simulacin puede resultar
bastante
costoso;
a
menudo el proceso es
largo y complicado para
desarrollar un modelo.
2. La simulacin no
genera
soluciones
ptimas a problemas de
anlisis cuantitativos, en
tcnicas como cantidad
econmica de pedido,
programacin lineal o
PERT / CPM / LPU. Por
ensayo
y
error
se
producen
diferentes
resultados en repetidas
corridas
en
el
computador.
3. Los directivos generan
todas las condiciones y
restricciones
para
analizar las soluciones. El
modelo de simulacin no
produce respuestas por si
mismo.
4. Cada modelo de
simulacin es nico. Las
soluciones e inferencias
no
son
usualmente
transferibles
a
otros
problemas.
la
inclusin
complicaciones
mundo real.
en
del
24
25
PREGUNTAS
Cuestionario 1
1. a qu se le llama nmero(s) Pseudoaleatorios(s)?

A una sucesin determinstica de nmeros en el intervalo [0, 1] que tiene las
mismas propiedades estadsticas que una sucesin de nmeros aleatorios.
2. por qu se les llama nmeros Pseudoaleatorios?
Porque con predecibles y se pueden reproducir, dado el nmero aleatorio
generador que se use.
3. qu son los nmeros random?
Son un elemento bsico en la simulacin de la mayora de los sistemas discretos.
4. qu quiere decir ri?
Significa Nmero Random.
5. qu representa cada nmero randomri?
Es una muestra independiente de una distribucin uniforme y continua en el
intervalo (0, 1).
6. qu punto en el rango tiene posibilidad de ser elegido?
Todo punto en el rango tiene igual probabilidad de ser elegido.
7. qu se necesita para empezar a calcular los nmeros aleatorios?
Son calculados a partir de una semilla (Seed) y una frmula.
8. cuntas y cuales hiptesis debe de cumplir la secuencia de nmeros
generados?
Son 2 hiptesis y son:
Distribucin Uniforme.
Independencia (No Correlacionados).
9. cuntos y cules aspectos son importantes?
Son 3 aspectos y son:
26
Las subsecuencias tambin deben cumplir las 2 hiptesis.

Deben ser secuencias largas y sin huecos (Densas).
Algoritmos rpidos y que no ocupen mucha memoria.
10. en cuntas categoras se pueden dividir los nmeros aleatorios?
En 2 categoras principales.
11. menciona y explica cules son las 2 categoras principales en las que se
pueden dividir los nmeros aleatorios?
NMEROS ALEATORIOS ENTEROS: Es una observacin aleatoria de una
distribucin uniforme discretizada en el intervalo n, n + 1
Por lo general, n = 0 1 donde estos son valores convenientes para la mayora
de las aplicaciones.
NMERO ALEATORIOS UNIFORMES: Es una observacin aleatoria a partir de
una distribucin uniforme (Continua) en un intervalo [a, b].
12. cuntas propiedades mnimas deben satisfacer los nmeros
Pseudoaleatorios?
Son 6 propiedades mnimas las que tienen que cumplir.
13. menciona 4 propiedades mnimas que deben cumplir los nmeros
Pseudoaleatorios?
Ajustarse a una distribucin del intervalo (0, 1).
Ser estadsticamente independientes (no debe deducirse un nmero conociendo
otros ya generados).
Ser reproducibles (la misma semilla debe dar la misma sucesin).
Ciclo repetitivo muy largo.
Facilidad de obtencin.
Ocupar poca memoria.
14. cuntas y cules son las condiciones que deben satisfacer los nmeros
Pseudoaleatorios?
Son 6 condiciones y son:
27
Uniformemente distribuidos.
Estadsticamente independientes.
Reproducibles.
Sin repeticin dentro de una longitud determinada de la sucesin.
Generacin a grandes velocidades.
Requerir el mnimo de capacidad de almacenamiento.
15. cmo se encuentra el primer nmero random?
La mayora de los mtodos (Generadores) comienzan con un nmero inicial
(Semilla o Seed), al cual se le aplica un determinado procedimiento para as
obtener el primer nmero Random.
16. cmo funciona el mtodo del cuadrado medio?
Se comienza con un nmero inicial (Semilla), el cual se eleva al cuadrado,
despus de elevarlo al cuadrado se seleccionan los nmeros del centro (los
dgitos que se deseen), los cuales se pondrn despus de un punto decimal y este
ser el nmero que conformara el primer nmero Random.
PREGUNTAS PROPIAS
1.- Qu elementos se deben de tomar en cuenta para la definicin del
sistema en una simulacin?
-Anlisis preliminar
-Restricciones del sistema
-Variables que interactan en el sistema y sus interrelaciones.
-Medidas de efectividad que se van a utilizar para definir y estudiar el sistema.
-Los resultados que se espera obtener del estudio.
2.- Menciona qu relacin tienen los diagramas de Euler en la modelacin de
un proyecto de simulacin.
28
Ayuda a desarrollar la habilidad de modelacin y tambin son utilizados en la

metodologa como situacin inicial para la construccin de tareas que respondan a
determinadas caractersticas.
3.- Mencione las ventajas del mtodo de Monte Carlo?
-Es un mtodo directo y flexible
-Existe muchos programas y lenguajes destinados a simular
-Se puede influir en el tiempo del proceso
4.- Cules son las importancias de la simulacin en la ingeniera?
-Se puede estudiar el efecto de cambios internos y externos del sistema
-Utilizarse como instrumento pedaggico
-Ayuda a entender mejor los sistemas complejos
-Se puede utilizar para experimentar con nuevas situaciones
-Se puede usar para anticipar los cuellos de botella o algn otro problema
5.- Menciona las caractersticas que pueden producir frustraciones de los
sistemas complejos.
-cambio, medio, comportamiento intuitivo opuesto, tendencia al bajo rendimiento, e
interdependencia
6.- En qu consiste la metodologa de trabajo del modelo?
-En demostrar el comportamiento de los sistemas
-Hacer hiptesis que expliquen el comportamiento observado
-Predecir cmo responde el sistema cuando se producen cambios.
7.- Cul es la clasificacin general de un modelo?
-Esttico
-Dinmico
-Determinsticos
-Estocstico
-Continuos
29
-Discretos
8.- Menciona los elementos del control?
-Relacin con lo planeado
-Medicin
-Establecer medidas correctivas
-Detectar desviaciones
9.- Cules son los requisitos de un buen control?

-Correccin de fallas
-Previsin de fallas o errores futuros
10.- Menciona las etapas de un proyecto de simulacin
-Modelacin
-Tanteo-Error
-Asociacin por analoga
-Integracin por inclusin
-Reformulacin
-Fusin de tareas auxiliares.
30
PROYECTO DE SIMULACIN
NOMBRE DEL PROYECTO: PROYECTO DE SIMULACIN APLICADO A LA EMPRESA RECARMAX
GIRO DE LA EMPRESA: COMERCIAL-SERVICIO.

INTEGRANTES DEL EQUIPO:
AGUILAR JIMNEZ DANIELA DEL CARMEN
CERDA LPEZ JHONATAN GUADALUPE
HERNNDEZ LPEZ FLOYDE
31
RESUMEN DE CIERRE UNIDAD I

Se destacan las reas que se fortalecieron durante la clase, aspectos
acadmicos y personales
Las reas de fortalecimiento en sta unidad fueron la comprensin y del
desarrollo de habilidades de aprendizaje con el material brindado por el
profesor. Las clases que se presentaron nos ayudaron a entender los conceptos
bsicos de la simulacin, como lo es la metodologa, etapas y los elementos
que esto conlleva. Con las actividades que se fueron presentando a lo largo de
la unidad, nos brindaron un gran prembulo de lo que significa la simulacin en
la actualidad, ya que es de gran importancia para explicar el comportamiento de
los sistemas y cmo manejarlos, adems de tener un buen control de stos, ya
que al tener un buen control nos permite identificar errores presentes y los
errores futuros que se puedan presentar.
REFLEXIN
Las sesiones de clase de esta unidad fueron muy dinmicas en cuanto al aprendizaje, ya que con el
material proporcionado y con la lectura y compresin de los distintos conceptos presentados en el
programa de estudio de la primera unidad nos ayudaron a captar conceptos clave que ayudan a
explicar lo que es una simulacin.
32
Rubrica para portafolio fsico.

Rbrica para evaluar portafolio
Nombre del estudiante: Daniela del Carmen Aguilar Jimnez
Profesor: Jos del Carmen Vzquez Hernndez
Grupo: S5A .Semestre: 5
Criterios para evaluar un portafolio.
1.- Organizacin y clasificacin de las tareas
2.- Determinacin de objetivos
3.- Relacin de los trabajos con los objetivos
4.- Observacin de los avances en el aprendizaje
5.- Sntesis de los conocimientos
6.- Incorporacin de preguntas frecuentes (las preguntas o interrogantes que el
docente y el grupo formulan y las respuestas dadas por el grupo y fundamentadas
bibliogrficamente)
7.- Seleccin de lecturas y comentarios pertinentes.
8.-Demostracion del progreso en el aprendizaje: trabajos en bruto, esbozos,
borradores, apuntes, proceso reflexivos (aprendizajes actitudinales).
EXCELENTE
SATISFACTORIO
SATISFACTORIO CON
RECOMENDACIONES
NECESITA MEJORAR
5 PUNTOS
4 PUNTOS
2 PUNTOS
0 PUNTOS
Clasifica y archiva
todas las tareas o
trabajos
relacionados con los
contenidos y
objetivos planteados
en el bloque
curricular
Clasifica y archiva la
mayora de las tareas
o trabajos
contenidos y objetivos
planteados en el
bloque curricular
Clasifica y archiva
algunas de las tareas
o trabajos
planteados en el
bloque curricular
Las tareas o trabajos

no parecen estar
organizadas ni
clasificadas
Total de puntos alcanzados por el alumno: ___
33
CONCLUSIN
En el transcurso de la unidad analizamos que la simulacin conlleva a varios

elementos y conceptos que la rodean, y que sobre todo es de gran importancia en
la elaboracin de proyectos, en los modelos y el anlisis de los sistemas a simular,
ya que se deben de tomar a considerar las variables que enfocan a dicho sistema
para as realizar una metodologa para llevar a cabo una simulacin de algn
sistema real, ya que la simulacin nos ayuda a reducir costos y resultados
errneos para tomar las mejores decisiones posibles.
La simulacin es una herramienta de vital importancia, sobre todo para la
ingeniera ya que hace que los procesos se simplifiquen y se pueda tener un mejor
entendimiento del sistema.
34
FUENTES DE INFORMACIN
BIBLIOGRAFA:
-Apuntes de Simulacin, Vzquez Hernndez Jos del Carmen, ITTG.
-Simulacin: un enfoque prctico, Ral Coss B, Editorial Limusa.
FUENTES DE INTERNET:
http://es.slideshare.net/eadm1411/simulacion-16963701
http://uat.gustavoleon.com.mx/SSU1%20%20%20Introduccion%20y%20Concepto
s%20Basicos.pdf
35
UNIDAD I

1.5 Estructura y etapas de estudio de simulacin
1.7 Elementos bsicos de un simulador de eventos discretos
UNIDAD II
2.2.3 De independencia. (Autocorrelacin, prueba de huecos, prueba del pquer,
prueba de Yule).
2.3.2 Aplicaciones.
UNIDAD III
UNIDAD IV
36

4.4.1 Pruebas paramtricas (Validacin del modelo, pruebas de hiptesis y
pruebas de estimacin).
UNIDAD V
5.1 Anlisis, modelado y simulacin de un sistema o subsistema de servicios o
productivo
37
Introduccin
Portafolio es una nocin que deriva del francs portefeuille y que refiere a una
especie de cartera de mano empleada para el traslado de documentos, papeles y
libros. El concepto tambin puede utilizarse de modo simblico para nombrar a un
conjunto de cosas.
El portafolio puede definirse como una recopilacin de evidencias (documentos
diversos, artculos, notas, diarios, trabajos, ensayos, etc.) consideradas de inters
para ser conservadas, debido a los significados que con ellas se han construido
El portafolio es una tcnica de enseanza, aprendizaje y avalo. Este consiste de
una coleccin de los trabajos que realiza el estudiante para demostrar sus
esfuerzos, logros y progreso en un rea o tema especfico. El portafolio se ha
incorporado en la educacin procedente de otras disciplinas como la arquitectura y
bellas artes.
La funcin principal es servir como medio para que el estudiante pueda

evidenciar su ejecucin acadmica en un tema o curso.
nsita a que el estudiante reflexione sobre su actividad y progreso en clase.
Permite desarrollar destrezas de anlisis y solucin de problemas.
Fortalece las destrezas de bsqueda y localizacin de informacin
QUE ES UNA EVIDENCIA

Se entiende por evidencia el conjunto de pruebas que demuestran que se ha
cubierto satisfactoriamente un requerimiento, una norma o parmetro de
desempeo, una competencia o un resultado de aprendizaje.
Tipos de evidencias.
Evidencia de conocimiento:
Incluye el conocimiento de lo que tiene que hacerse, el cmo habra que hacerlo,
el por qu tendra que hacerse y lo que habra que hacer si las condiciones del
contexto cambiasen en el desarrollo de la actividad.
38
Evidencia de desempeo:
Refiere al comportamiento por s mismo, y consiste en descripciones sobre
variables o condiciones cuyo estado permite inferir que el comportamiento
esperado fue logrado efectivamente. Es la evidencia de desempeo relacionada
con una competencia, o bien con resultados de aprendizaje.
Evidencias profesionales:
Son muestras y comprobantes que indican que el estudiante o egresado cuente
con los conocimientos y las bases tericas adems de las habilidades prcticas
que se esperan de un profesional en el campo.
3.- Propsito del Portafolio.

Prontuario del curso:

La siguiente metodologa tiene el objetivo de desarrollar un fortalecimiento
en la enseanza aprendizaje del estudiante. Al cumplir con las reglas
estipuladas que se norman el formato de la rbrica.
Etapas para el desarrollo de un portafolio.

Fase 1. Recogida de evidencias.
Algunas de estas evidencias pueden ser: a) informaciones de diferentes tipos de
contenido (conceptual, procedimental y actitudinal o normativo); b) tareas
realizadas en clase o fuera de ella (mapas conceptuales, recortes de diario,
exmenes, informes, entrevistas, etc.); c) documentos en diferente soporte fsico
(digital, papel, audio, etc.).
Fase 2. Seleccin de evidencias.
39
En esta fase se han de elegir los mejores trabajos realizados o las partes de
aquellas actividades que muestren un buen desarrollo en el proceso de
aprendizaje para ser presentado ante el profesor o resto de compaeros.
Fase 3. Reflexin sobre las evidencias.

Esta fase constituye el punto culminante del proceso de desarrollo del portafolio.
Se espera que el estudiante reconozca los aciertos y desaciertos durante un paso
por el curso.
En este ejercicio de reflexin es determinante proponga las estrategias para
mejorar los puntos dbiles.
Fase 4. Publicacin del portafolio.
En esta fase el estudiante organizara las evidencias con sus respectivas
reflexiones de acuerdo con las especificaciones indicadas por el profesor o la gua
que utilice la institucin. Se espera que el estudiante utilice su creatividad para
organizar y presentar el portafolio.
La simulacin consiste en disear y desarrollar un modelo de un sistema o
proceso y conducir experimentalmente con este modelo para entender el
comportamiento del sistema del mundo real o evaluar varias estrategias con las
cuales puedan operar el sistema.
SIMULACIN
La simulacin consiste bsicamente en construir modelos informticos que
describen la parte esencial del comportamiento de un sistema de inters, as como
en disear y realizar experimentos con el modelo y extraer conclusiones de sus
resultados para apoyar la toma de decisiones.
En la vida real se presentan situaciones o sucesos que requieren tomar decisiones
para planificar, predecir, invertir, proyectar, etc. Una vez construido un modelo
matemtico, si este es lo suficientemente sencillo, puede ser posible trabajar con
sus relaciones y cantidades para obtener una solucin analtica exacta.
La simulacin de procesos es una de las ms grandes herramientas de la
ingeniera industrial, la cual se utiliza para representar un proceso mediante otro
40
que lo hace mucho ms simple y entendible. Esta simulacin es en algunos casos

casi indispensable, como nos daremos cuenta a continuacin. En otros casos no
lo es tanto, pero sin este procedimiento se hace ms complicado.
Las primeras referencias sobre simulacin se encuentran hacia el ao 1940,
cuando Von Neumann y Ullman trabajaron sobre la simulacin del flujo de
neutrones para la construccin de la bomba atmica en el proyecto Montecarlo.
Desde entonces se conocan las tcnicas de simulacin como procesos
Montecarlo, aunque en la actualidad se diferencian ambas cosas, siendo los
segundos un tipo particular de simulacin. Tambin se realiz un proceso de
simulacin para el proyecto APOLLO dentro del plan espacial de la N.A.S.A,
acerca del movimiento dentro de la atmsfera de la luna.
Actualmente, la simulacin es una poderosa tcnica para la resolucin de
problemas. Sus orgenes estn en la teora de muestreo estadstico y anlisis de
sistemas fsicos probabilsticos complejos. El aspecto comn de ambos es el uso
de nmeros y muestras aleatorias para aproximar soluciones.
Las aplicaciones recreativas, hoy muy extendidas y mejoradas principalmente por
los adelantos en este campo, estn especialmente diseadas para crear un
pasatiempo que logre sacar de la rutina al ser humano, y que el mejor de los
casos de otro modo seria impracticable debido a su costo. Estas consisten en
crear ambientes y decorados artificiales con sonido en algunos casos, que logran
una perfecta simulacin de cualquier tipo de contenido, creando el pasatiempo
perfecto
41
Carta De Presentacin
Carta de presentacin:
Este portafolio presenta mi trayectoria en el curso: Simulacin

Este segundo curso tuvo como objetivos desarrollar las destrezas de la
parte fundamental de los conceptos bsicos de la simulacin vistas en la
primera unidad y complementando temas para su mayor comprensin.
Durante esta segunda unidad del curso se vieron las definiciones de los
nmeros aleatorios y pseudoaleatorios.
Pero sobre todo y lo que abarco gran parte del curso fue conocer los
distintos mtodos que existen para generar nmeros pseudoaleatorios y las
distintas aplicaciones en las que se pueden usar en problemas reales.
Como herramienta principal del curso tuvimos al programa Excel que nos
sirvi para desarrollar y comprender de manera que pudiramos ahorrar
tiempo en el transcurso de los clculos que se realizaron para desarrollar
dichos mtodos.
Las explicaciones dadas en este curso me ayudaron a comprender distintos
mbitos de usos en problemas de la vida real, ya que estos conceptos y
mtodos son importantes de aprender, ya que sern de mucha ayuda
cuando se desee desarrollar una simulacin de algn sistema.
Las reas ms difciles en el curso fueron: La comprensin de algunos
mtodos en cuanto al procedimiento, pero esas dudas se fueron disipando
cuando se usaron las hojas de Excel. Adems del empleo de algunas
funciones del Excel que no saba antes.
42
Autorretrato

que es bonita.

TUXTLA GUTIRREZ.
43
Diario Metacognitivo
Datos interesantes discutido el da 8 de septiembre del 2014
El procedimiento para generar 10 numero aleatorios.

La teora acerca de los nmeros aleatorios y pseudoaleatorios, discutiendo en
clase las diferencias en cuanto al mbito de utilizacin.
Qu aprend hoy?
Lo ms importante de recalcar es formular los numeromediante una semilla y su
mtodo as como su utilizacin o aplicacin, tambin como algo de teora acerca
de los antecedentes de los nmeros aleatorios y pseudoaleatorios, la diferencia y
conceptos relacionados utilizados en esta unidad. Reconocer como y en que
aspecto utilizar los mtodos para aplicarlos en un problema.
44

Generar 10 nmeros aleatorios mediante una semilla dada por el profesor.

La metodologa que se utilizar para generar el numero aleatorio ya que solo es
seguir un conjunto de pasos entendibles.
Qu aprend hoy?
A generar nmeros aleatorios con el siguiente procedimiento:
Elegir una semilla X0, con D dgitos mayores que 3 (D>3).
Seleccionar X1, D>3.
Determinar y0 = X0*X1
Repetir este procedimiento hasta obtener los n nmeros aleatorios

indicados.
45

Entender a los mtodos tanto como el lineal, el no lineal y congruencial ya que al
principio fueron confusos.

Las operaciones que se hicieron para resolver fueron en cierta parte de manera
sencilla, sobre todo porque se tienen que revisar las operaciones y semillas que
van resultando de las operaciones.
Qu aprend hoy?
El procedimiento para generar nmeros aleatorios.

Se vieron los mtodos:
Congruencial Lineal
Congruencial No Lineal
El mtodo congruenciallineal tiene como frmula:

X i+1 = (AX^2 + C) mod m
X i+1 = AX^2i mod m
X i = X i-1 + X c-n (aditivo)
El mtodo CongruencialNo Lineal consta de las siguientes formulas:

X i+1 = (AX^2 + BX i + C) mod m
A = par
B -1 mod 4 = 1
c = impar
46
Vida o ciclo de los nmeros aleatorios

N = m/4
N = 2 ^ (g-2)
Generamos 7 nmeros pseudoaleatorios que sean entre 0 y 1 a partir de una

secuencia dada de nmeros. (Mtodo Lineal)
Calculamos 5 nmeros aleatorios utilizando el mtodo congruencial No Lineal.
47

La forma de utilizar algunas funciones de Excel.

Ver los antecedentes y la teora del mtodo Kolmorov-Smirnov y algunos
comandos de Excel.
Qu aprend hoy?
Las Pruebas Paramtricas
El mtodo Kolmorov-Smirnov
La realizacin de una tabla en Excel en donde generamos nmeros aleatorios
48

Aplicar las pruebas de medias y en parte poder aplicar el mtodo congruencial
mixto.

En general el mtodo era algo similar al anterior as que no fue tan complicado,
tambin algunas formulas de Excel que se usaron estuvieron sencillas.
Qu aprend hoy?
El resolver un ejercicio aplicando el mtodo congruencial mixto el cual deca as:

Utilizando el mtodo congruencial mixto, obtenga una muestra de nmeros
aleatorios de acuerdo a los siguientes datos.
a = 333
c = 679
m = 8000
X0 = 89
X i+1 = (a*X0 + C) mod m

X = (333*89+679) mod 8000
X = 6316
Y as se repetan los pasos hasta obtener el nmero de nmeros aleatorios
deseados.
49

Hacer memoria acerca de la materia de Probabilidad y estadstica, ya que se hizo
uso del estadstico Z, ya que aqu lo aplicamos en hojas de clculo.

En el mtodo de Pker, fue lo ms fcil en parte, ya que los estadsticos de
probabilidades ya nos dieron el profesor, as como las categoras de las
posibilidades que podran resultar.
Qu aprend hoy?
El mtodo de poker de una manera sencilla pude hacer comprensin de ello.
El ejercicio deca lo siguiente:
Determinar si la muestra de nmeros pseudoaleatorios cumple con la propiedad
de uniformidad indispensable entre (0 y 3).
Ecuaciones
co = ((2n0n1)/n) +
co =
(((2n0n1) ^2 n) / n^2(n -1))
Zco = | ((C0 - 0)/ ^2C0 |
50
En donde:
N = Numero de muestras
C0 = Corridas obtenidas
= Nivel de confianza
N0 = Numero de ceros
N1 = Numero de unos
Mtodo de Pker
Categoras
Probabilidad
TD = Todos diferentes
0.3024
1P = Exactamente un par
0.504
2P = Dos pares
0.108
T = Tercias
0.078
TP = Tercia y par
0.009
P = Pker
0.0045
Q = Quintilla
0.0001
51
Datos interesantes discutido el da 1 de Octubre del 2014

Implementar el mtodo de Yule y el mtodo de Pruebas Paramtricas mediante
las formulas en Excel.

Clculos en la libreta sobre todo y la explicacin de aplicacin de este mtodo.
Tambin las frmulas de las Pruebas Paramtricas, fueron frmulas que ya
anteriormente haba visto en las clases de Probabilidad y Estadstica.
Qu aprend hoy?
El cmo y dnde aplicar estos mtodos ya que en la clase fueron explicados
conforme se avanzaba y resolva el ejercicio en Excel.
52
Investigar en diferentes fuentes, las caractersticas de los nmeros

aleatorios y los Pseudoaleatorios y discutir en el aula.
Introduccin:
Los sistemas reales frecuentemente tienen valores de tiempo y cantidades que
varan dentro de un rango y de acuerdo a una funcin especfica de densidad,
definida por una distribucin de probabilidad. Por ejemplo, si el tiempo que se
tarda una mquina en procesar una pieza se distribuye entre 2.2 minutos y 4.5
minutos, esto se definir como una distribucin de probabilidad en el modelo de
simulacin. Durante la simulacin, cada vez que una pieza entre a esta mquina y
sea procesada, el simulador generar un nmero al azar entre 2.2 y 4.5 minutos
para simular el tiempo de procesamiento de esa pieza. Cada vez que generamos
un valor a partir de una distribucin, a ese valor se le llama variable aleatoria. Para
generar variables aleatorias, es necesario utilizar nmeros aleatorios.
Definicin:
Un nmero aleatorio es aqul que es generado a partir de la distribucin Uniforme
U(0,1).
Propiedades y generadores de nmeros aleatorios.
Su generacin se basa en el uso de mecanismos fsicos. Entre las distintas

propuestas se incluyen el recuento de partculas emitidas por una
explosin, el lanzamiento de monedas, aparatos mecnicos basadas en
ruedas de la fortuna, etc.
Tienen el inconveniente de ser generados lentamente. Adems, los
nmeros aleatorios no pueden almacenarse de forma automtica. Por tanto,
se deben buscar procedimientos algortmicos computacionales que generen
nmeros aleatorios de forma muy rpida y los puedan almacenar sin utilizar
mucha capacidad de memoria.
Una de las caractersticas ms poderosas de la simulacin es la habilidad de

imitar el comportamiento aleatorio que es caracterstico de la mayora de los
sistemas reales. Para poder imitar este comportamiento aleatorio la simulacin
necesita utilizar un generador de nmeros aleatorios, el cual es responsable de
producir un ciclo grandsimo e independiente de nmeros aleatorios.
Hay que aclarar que los nmeros U(0,1) producidos por un generador de nmeros
aleatorios (algoritmo computacional) no son aleatorios en el verdadero sentido de
la palabra, ya que el generador puede reproducir la misma secuencia de nmeros
una y otra vez, lo cual no indica un comportamiento aleatorio. Por esta razn, a los
53
nmeros U(0,1) producidos por un generador (algoritmo) se les llama

pseudoaleatorios.
Nmeros pseudoaleatorios
Introduccin:
Casi todas las aplicaciones comerciales tienen varios generadores de nmeros
pseudoaleatorios que pueden generar un conjunto muy grande de nmeros sin
mostrar correlacin entre ellos, para ello se utilizan mtodos preestablecidos que
garantizan esta demanda.
Para poder realizar una simulacin que incluya variabilidad dentro de sus eventos,
es preciso generar una serie de nmeros que sean aleatorios por s mismos, y que
su aleatoriedad se extrapole al modelo de simulacin que se est construyendo.
En la construccin del modelo los nmeros aleatorios juegan un papel relevante.
Unas de las primeras tareas que es necesario llevar a cabo consiste en analizar si
los nmeros que se utilizaran para correr o ejecutar la simulacin son realmente
aleatorios o no; por desgracia, precisar lo anterior con absoluta certidumbre resulta
muy complicado, ya que para ello se tendra que generar un nmero infinito de
valores que permitan comprobar la existencia de correlaciones entre ellos. Esta
actividad sera muy costosa y tardada, volviendo imprctico el uso de la simulacin
aun con las computadoras ms avanzadas.
Tomando en cuenta lo anterior, se puede asegurar, con altos niveles de

confiabilidad que el conjunto de nmeros que se utilizarn en la simulacin se
comportan de manera muy similar a un conjunto de nmeros totalmente aleatorios;
por ello es que se les denomina nmeros pseudoaleatorios.
Un nmero pseudoaleatorio es un nmero U(0,1) producido por un algoritmo
matemtico.
Propiedades de los nmeros pseudoaleatorios

Es deseable que los nmeros pseudoaleatorios uniformes posean las siguientes
caractersticas:
54
1.
2.
3.
4.
5.
6.
Reproducibles.
Periodo largo.
Generados mediante un mtodo rpido.
Generados mediante un mtodo que no requiera mucha capacidad de
almacenamiento de la computadora.
Generar un conjunto de nmeros pseudoaleatorios es una tarea relativamente

sencilla, para ello, el lector slo tiene que disear su propio algoritmo de
generacin. Lo que resulta difcil es disear un algoritmo que genere un conjunto
de nmeros pseudoaleatorios con periodo de vida suficientemente grande (N) y
adems pase sin problema las pruebas de uniformidad e independencia, lo cual
implica evitar problemas como stos:
o Que los nmeros del conjunto no estn uniformemente distribuidos,
es decir, que haya demasiados nmeros en un subintervalo y otro
muy pocos o ninguno.
o Que los nmeros pseudoaleatorios sean discretos en lugar de
continuos.
o Que la media del conjunto sea muy alta o muy baja, es decir, que
est por arriba o por debajo de .
o Que la varianza del conjunto sea muy alta o muy baja, es decir, que
se localice por arriba o por debajo de 1/12.
En ocasiones se presentan tambin anomalas como nmeros pseudoaleatorios
seguidos por arriba o por debajo de la media; secuencia de nmeros por arriba de
la media, seguida por una secuencia por debajo de la media, y viceversa, o varios
nmeros seguidos en forma ascendente o descendente.
Existen varios mtodos para generar nmeros pseudoaleatorios. A continuacin
se presentan los ms importantes.
55
Elaborar en equipos, ejercicios de generacin de nmeros

Pseudoaleatorios para construir el algoritmo y respectivo programa de
computadora.
Supongamos que se tiene un generador en el cual los valores de sus parmetros
son: a = 5, c = 7, X0 = 4 y m = 8.
El generador quedar de la siguiente manera:
Xn+1 = (5 Xn + 7) mod 8
En la tabla 2, se muestran los nmeros aleatorios generados por este mtodo.
Xn
(5 Xn+7)/8
Xn+1
(Residuo)
Nmeros
aleatorios
27/8
3/8 = 0.375
22/8
6/8 = 0.75
37/8
5/8 = 0.625
32/8
7/8
7/8 = 0.875
42/8
2/8 = 0.25
17/8
1/8 = 0.125
12/8
4/8 = 0.5
56
Realizar ejercicios usando las principales pruebas estadsticas de

uniformidad, aleatoriedad e independencia con las series de nmeros
generados en la actividad anterior.
Pruebas estadsticas para los nmeros aleatorios.
Puesto que en el muestreoMonte Carlo cualquier variable aleatoria no uniforme

(normal, exponencial, Poisson, etc.), es obtenida a partir de nmeros aleatorios
uniformes (0,1), el principal nfasis en las pruebas estadsticas debern ser con
respecto al generador de los nmeros aleatorios, ya que cualquier deficiencia
estadstica en la distribucin de la variable aleatoria no uniforme, se deber
exclusivamente a la utilizacin de un deficiente generador de nmeros
aleatorios. Por ello se aplicarn algunas de las muchas pruebas estadsticas
que han sido desarrolladas para probar la uniformidad y aleatoriedad o
independencia de los mismos, lo cual significa que la ocurrencia de un nmero
aleatorio no determina la ocurrencia del siguiente y as sucesivamente.
Para la uniformidad
Bondad de ajuste o Ji-cuadrada: X2

Bondad de ajuste Kolmogorov-Smirnov
Para la aleatoriedad o independencia
Corridas por arriba y por abajo del promedio

Corridas ascendentes y descendentes
PRUEBA DE BONDAD DE AJUSTE JI CUADRADA.

Procedimiento:
1. Generar la muestra de nmeros aleatorios de tamao N.
2. Subdividir el intervalo [0,1] en n subintervalos.
57
3. Para cada subintervalocontar la frecuencia observada F0 y calcular la

frecuencia esperada FE de nmeros aleatorios, la cual se obtiene dividiendo
N/n.
4. Calcular el estadstico de prueba.
5. Comparar el valor calculado X02 contra el valor tabulado de la distribucin X2,

con (n-1) grados de libertad y una significancia ?. Si X02 es menor que X2(n-1),?
entonces no se puede rechazar la uniformidad de los numerosaleatorios.
EJEMPLO . Realizar la prueba de bondad de ajustes Ji-cuadrada a la siguiente

muestra de tamao 30 de nmeros aleatorios uniformes
0.15
0.31
0.81
0.48
0.01
0.60
0.26
0.34
0.70
0.31
0.07
0.06
0.33
0.49
0.77
0.04
0.43
0.92
0.25
0.83
0.68
0.97
0.11
0.00
0.18
0.11
0.03
0.59
0.25
0.55
58
INTERVALO
FE
FO
(FE-FO)2/FE
0.00 - 0.20
10
2.67
0.21 - 0.40
0.17
0.41 - 0.60
0.00
0.61 - 0.80
1.50
0.81 - 1.00
0.67
X20=5.01
Sea alfa= 5%. Tenemos (5-1) grados de libertad, es decir V=4. El valor en tablas
de la distribucin Ji cuadrada es:
X24.5% = 9.49
Como X02 es menor que X24.5% es decir; 5.01 es menor que 9.49. entonces no se
puede rechazar la uniformidad de los nmeros aleatorios.
59
PRUEBA DE BONDAD DE AJUSTE DE KOLMOGOROV-SMIRNOV
Procedimiento
1. Generar una muestra de nmeros aleatorios uniformes de tamao N.
2. Ordenar dichos nmeros en orden ascendente.
3. Calcular la distribucin acumulada de los nmeros generados con la

siguiente
expresin
Donde i es la posicin que ocupa el nmero aleatorio Xi en el vector ordenado

obtenido en el paso 2.
4. Calcular el estado de prueba Kolmogorov-Smirnov del modo siguiente

Dn = mx | Fn (Xi) Xi | para toda Xi
5. Si Dn es menor dalfa,n, entonces no se puede rechazar la hiptesis de que los

nmeros generados provienen de una distribucin uniforme. La distribucin de
Dn ha sido tabulada como una funcin de n y alfa para cuando Fn (x) = F0 (x).
60
EJEMPLO 5. Efectuar la prueba de Kolmogorov Smirnov a la siguiente muestra

de nmeros aleatorios uniformes.
0.15
0.31
0.81
0.48
0.01
0.60
0.26
0.34
0.70
0.31
0.07
0.06
0.33
0.49
0.77
0.04
0.43
0.92
0.25
0.83
0.68
0.97
0.11
0.00
0.18
0.11
0.03
0.59
0.25
0.55
Sustituyendo los valores en las frmulas correspondientes se tiene que:

i
RNDi
F(RNDi)
RNDi- F (RNDi)
0.00
0.03
0.03
0.01
0.07
0.06
0.03
0.10
0.07
0.04
0.13
0.09
0.06
0.17
0.11
0.07
0.20
0.13
0.11
0.23
0.12
0.11
0.27
0.16
0.15
0.30
0.15
10
0.18
0.33
0.15
11
0.25
0.36
0.11
61
12
0.25
0.40
0.15
13
0.26
0.43
0.17
14
0.31
0.47
0.16
15
0.33
0.50
0.17
16
0.34
0.53
0.19
17
0.34
0.57
0.23
18
0.43
0.60
0.17
19
0.48
0.63
0.15
20
0.49
0.67
0.18
21
0.55
0.70
0.15
22
0.59
0.73
0.14
23
0.60
0.77
0.17
24
0.68
0.80
0.12
25
0.70
0.83
0.13
26
0.77
0.87
0.1
27
0.81
0.90
0.09
28
0.83
0.93
0.1
29
0.92
0.97
0.05
30
0.97
1.00
0.03
siguiendo con el paso 4

Dn = Max |RNDi F(RNDi)| = 0.23
62
Comparamos el valor Dn (calculado) contra el valor en tablas de la distribucin

Kolmogorov-Smirnov con n = 30 y un nivel de significancia alfa = 5%, el cual es
d30.5% = 0.242. como 0.23 es menor que 0.242, 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:
Si rj es menor o igual a 0.50 entonces asignarle a rj el smbolo 0.
Si rj es mayor a 0.50 entonces asignarle a rj el smbolo 1.
La frecuencia esperada para cada longitud de corrida i, es:
EJEMPLO . Dada la siguiente muestra de tamao 30 de nmeros aleatorios,

aplicar la prueba de corridas, para la independencia
0.15
0.31
0.81
0.48
0.01
0.60
0.26
0.34
0.70
0.31
0.07
0.06
0.33
0.49
0.77
0.04
0.43
0.92
0.25
0.83
0.68
0.97
0.11
0.00
63
0.18
0.11
0.03
0.59
0.25
0.55
Comparando los nmeros aleatorios segn el criterio establecido, se obtiene la

siguiente sucesin binaria. Leyendo de izquierda a derecha se agrupan los
smbolos del mismo tipo para formar las corridas.
0
En la siguiente tabla se resume la informacin necesaria para el clculo de la Jicuadrada

Longitud de
corrida i
FE
FO
(FE-FO)2/FE
8.000
0.125
3.875
0.197
1.875
0.008
0.906
0.010
0.438
0.721
Como para las longitudes de corrida i = 2, 3, 4, 5; las frecuencias observadas

son menores o igual a cinco, agrupamos estas longitudes de corridas en una
64
sola longitud de corrida ? 2.

i
FE
FO
(FE-FO)2/FE
0.125
>=2
7.04
0.936
X02 = 1.061
El valor en tablas de X21.5%= 3.84; entonces no se puede rechazar la

independencia de los nmeros aleatorio
CORRIDAS ASCENDENTES Y DESCENDENTES
Procedimiento
1. Generar la muestra de tamao N de nmeros aleatorios.
2. Construir la sucesin binaria de acuerdo al siguiente criterio:

Si rj es menor o igual a rj+1 entonces asignarle a rj el smbolo 0.
Si rj es mayor que rj+1 entonces asignarle a rj el smbolo 1.
3. Con base en la distribucin X2, efectuar la prueba, donde la frecuencia

esperada de las longitudes de corrida i se calcular con:
EJEMPLO. Aplicar la prueba de las corridas ascendentes y descendentes a la

muestra de nmeros aleatorios del ejemplo anterior. Compararemos a los
nmeros por fila, pero es indistinto hacerlo por columna.
0.15
0.26
0.33
0.31
0.34
0.49
0.81
0.70
0.77
0.48
0.31
0.04
0.01
0.07
0.43
0.60
0.06
0.92
65
0.25
0.18
0.83
0.11
0.68
0.03
0.97
0.59
0.11
0.25
0.00
0.55
ahora la sucesin binaria es

0
obsrvese que la ltima celda se deja en blanco, pues no hay con que nmero
comparar. (aqu N = 29)
Longitud de
corrida i
FE
FO
(FE-FO)2/FE
11.500
11
0.020
5.083
0.001
1.400
0.257
0.292
0.005
FE
FO
(FE-FO)2/FE
11.500
11
0.020
>=2
6.483
0.004
X02
= 0.024
como el valor calculado de 0.024 es menor que el valor en tablas de Ji-cuadrada

X21.5%= 3.84, no se puede rechazar la independencia de los nmeros aleatorios.
66
Utilizar un software estadstico o construir los algoritmos necesarios para

aplicar las pruebas a los nmeros Pseudoaleatorios generados.
67
Mtodo kolgomorov-Smirnov
METODO CONGRUENCIAL MIXTO
68
METODO DE BONDAD Y AJUSTE
METODO PRUEBA CORRIDA
69
MTODO DE POKER
METODO ESTADISTICO Z
70
METODO ANOVA
71
Hacer ejercicios manuales aplicando el mtodo de Montecarlo
72
73
74
Cuestionario 2
1. a qu se le llama nmero(s) Pseudoaleatorios(s)?
A una sucesin determinstica de nmeros en el intervalo [0, 1] que tiene las
mismas propiedades estadsticas que una sucesin de nmeros aleatorios.
2. por qu se les llama nmeros Pseudoaleatorios?

Porque con predecibles y se pueden reproducir, dado el nmero aleatorio
generador que se use.
3. qu son los nmeros random?

Son un elemento bsico en la simulacin de la mayora de los sistemas discretos.
4. qu quiere decir ri?

Significa Nmero Random.
5. qu representa cada nmero random ri?

Es una muestra independiente de una distribucin uniforme y continua en el
intervalo (0, 1).
6. qu punto en el rango tiene posibilidad de ser elegido?

Todo punto en el rango tiene igual probabilidad de ser elegido.
7. qu se necesita para empezar a calcular los nmeros aleatorios?

Son calculados a partir de una semilla (Seed) y una frmula.
75
8. cuntas y cuales hiptesis debe de cumplir la secuencia de nmeros

generados?
Son 2 hiptesis y son:
Distribucin Uniforme.
Independencia (No Correlacionados).
9. cuntos y cules aspectos son importantes?

Son 3 aspectos y son:
Las subsecuencias tambin deben cumplir las 2 hiptesis.
Deben ser secuencias largas y sin huecos (Densas).
Algoritmos rpidos y que no ocupen mucha memoria.
10. en cuntas categoras se pueden dividir los nmeros aleatorios?

En 2 categoras principales.
11. menciona y explica cules son las 2 categoras principales en las que se
pueden dividirlos nmeros aleatorios?
NMEROS ALEATORIOS ENTEROS: Es una observacin aleatoria de una

distribucin uniforme discretizada en el intervalo n, n + 1
Por lo general, n = 0 1 donde estos son valores convenientes para la

mayora de las aplicaciones.
NMERO ALEATORIOS UNIFORMES: Es una observacin aleatoria a

partir de una distribucin uniforme (Continua) en un intervalo [a, b].
76
12. cuntas propiedades

Pseudoaleatorios?
mnimas
deben
satisfacer
los
nmeros
Son 6 propiedades mnimas las que tienen que cumplir.
13. menciona 4 propiedades mnimas que deben cumplir los nmeros

Pseudoaleatorios?
Ajustarse a una distribucin del intervalo (0, 1).
Ser estadsticamente independientes (no debe deducirse un nmero

conociendo otros ya generados).
Ser reproducibles (la misma semilla debe dar la misma sucesin).
Ciclo repetitivo muy largo.
Facilidad de obtencin.
Ocupar poca memoria.
14. cuntas y cules son las condiciones que deben satisfacer los nmeros
Pseudoaleatorios?
Son 6 condiciones y son:
Reproducibles.
Sin repeticin dentro de una longitud determinada de la sucesin.
77
Generacin a grandes velocidades.
Requerir el mnimo de capacidad de almacenamiento.
15. cmo se encuentra el primer nmero random?

La mayora de los mtodos (Generadores) comienzan con un nmero inicial
(Semilla o Seed), al cual se le aplica un determinado procedimiento para as
obtener el primer nmero Random.
16. cmo funciona el mtodo del cuadrado medio?

Se comienza con un nmero inicial (Semilla), el cual se eleva al cuadrado,
despus de elevarlo al cuadrado se seleccionan los nmeros del centro (los
dgitos que se deseen), los cuales se pondrn despus de un punto decimal y este
ser el nmero que conformara el primer nmero Random.
78
RESUMEN DE CIERRE UNIDAD II

Las reas de fortalecimiento en sta unidad fueron la comprensin y del desarrollo
de habilidades de aprendizaje con el material brindado por el profesor.
Los cuales pude aprehender sobre muchos mtodos para
nmeros pseudoaleatorios y aleatorios, los cuales nos pueden
estadsticos de cualquier situacin de la vida actual, as
necesidad de simular la situacin de un negocio antes o en el
en curso.
la generacin de
ayudar para sacar
cuando tenga la
momento de estar
Adems, pude mejorar mis habilidades en cuando el manejo de las hojas de

clculo en Excel, ya que con esta herramienta podemos hacer mucho mejor y ms
rpido los clculos de los mtodos enseados en clases.
Adems, entend las aplicaciones en la vida real de los estadsticos que nos
ensearon en las clases de Probabilidad y estadstica, as como la relacin que
tiene con Investigacin de operaciones y la simulacin.
79
Reflexin
Las sesiones de clases dadas en esta unidad y explicaciones y materiales que
proporcion el profesor me ayudaron a entender distintos mtodos de generacin
de nmeros aleatorios y pseudoaleatorios, teora de los musmos y comprender las
distintas formas y mbitos de aplicacin de estos mtodos.
Los conocimientos obtenidos en la unidad me fueron de gran ayuda y me servirn
en un futuro no muy lejana para la resolucin de problemas de simulacin.

bibliogrficamente)
80

EXCELENTE
SATISFACTORIO
SATISFACTORIO CON
RECOMENDACIONES
NECESITA MEJORAR
5 PUNTOS
4 PUNTOS
2 PUNTOS
0 PUNTOS
Clasifica y archiva
todas las tareas o
trabajos
contenidos y
en el bloque
curricular
o trabajos
planteados en el
bloque curricular
Clasifica y archiva
o trabajos
planteados en el
bloque curricular

no parecen estar
organizadas ni
clasificadas
81

82
Planteamiento del problema

En la empresa RECARMAX se ofrecen servicios de venta y recargas
consumibles de tinta y tner, adems de poner a la venta artculos de
cmputo, se observa que existe una mayor demanda del servicio de
recarga, de las opciones de servicio de recarga se observa que existe
una mayor demanda de recargas de consumibles con tner.
Cuando el inventario no es el suficiente para abastecer la demanda de
recargas de tner el servicio de este tipo se suspende hasta tener
recurso para ejecutar el servicio, por lo que genera prdidas
monetarias y de fidelidad del cliente. Pero al mismo se presentan
casos en los que el recurso abunda y la demanda es casi nula, por lo
que la empresa requiere saber cunto inventario debe tener para
abastecer la demanda del servicio sin generar costos innecesarios.
Por lo que se desea tener un control sobre el inventario, ya que se
desea que el trabajo pueda ser independiente del inventario de
manera que la entrega o culminacin del servicio sea el suficiente. Se
requiere que el inventario pueda ajustarse a la demanda del servicio,
para evitar costos de mantenimiento de mismo inventario y al tambin
se ofrezcan menor costo por unidades al realizar pedidos grandes.
Debido a esto es necesario implementar un control del inventario
basado en la Teora de inventarios.
Se desea con el proyecto de simulacin apoyar a la administracin de
inventarios de la empresa RECARMAX, para incrementar su utilidad.
83
Conclusin
En esta segunda unidad pudimos comprender muchas cosas, en particular

entender los antecedentes de los nmeros pseudoaleatorios y aleatorios, as como
su historia e importancia de ellos, tambin su aplicacin en la vida real.
Uno de los mtodos de generacin de nmeros pseudoaleatorios tenemos el
Mtodos de Cuadrados Medios, el Mtodo de Producto medio, que este mtodo
es un poco similar al anterior pero se debe comenzar con dos semillas cada una
con k dgitos, el nmero resultante se toma como las cifras centrales del producto
de los dos nmeros anteriores, tambin tenemos el Mtodo del producto medio
modificado.
Tambin tenemos los mtodos congruenciales, en estos encontramos el Mtodo
Congruencial Aditivo, Mtodo Congruencial Multiplicativo y el Mtodo
Congruencial Mixto o Lineal.
Tambin podemos encontrar la Simulacin o mtodos de Monte Carlo, en este se

simula un proceso natural en forma computacional. Estas aplicaciones se realizan
en muy variados campos con el fin de emular distintos comportamientos: fsica
(por ejemplo, para simular colisiones entre partculas), ingeniera (diseo de obras
hidrulicas, puentes, etc.), inversiones de capital, redes, servicios a clientes, call
centers, etc. La simulacin a travs de la computadora es una herramienta
poderosa para comprender la naturaleza de sistemas complejos.
84
Fuentes De Informacin
BIBLIOGRAFA:
Apuntes de Simulacin, Vzquez Hernndez Jos del Carmen, ITTG.
Simulacin: un enfoque prctico, Ral Coss B, Editorial Limusa.
Garca Dunna E.; Graca Reyes, H. y Crdenas Barrn, L. E. 2006.

Simulacin y Anlisis de Sistemas con ProModel, Mxico, D. F.: Pearson
Educacin.
http://www.eyeintheskygroup.com/Azar-Ciencia/Tragamonedas-Maquinasde-Casino/Algoritmos-para-Generar-N%FAmeros-PseudoaleatoriosRandomizer-RNG.htm
http://simulacion-itstb.blogspot.mx/p/unidad-dos-numeros-aleatorios-y.html
http://www.landersimulation.com/formacion-con-simulacion/el-mundo-enmovimiento/historia-de-la-simulacion/
http://www.itvillahermosa.edu.mx/docs/oferta/ingsistemas/temario2010/5se
mestre/O%20ISIC-2010-224%20Simulacion.pdf
85
UNIDAD I

UNIDAD II
prueba de Yule).
2.3.2 Aplicaciones.
UNIDAD III
UNIDAD IV
86

UNIDAD V
productivo
87
Introduccin
conjunto de cosas.
bellas artes.


88





89

por el curso.
SIMULACIN
90

perfecto
91

Este tercer curso tuvo como objetivos desarrollar las destrezas de la parte
fundamental de los conceptos bsicos de la simulacin vistas en la primera
unidad y complementando temas para su mayor comprensin.
Durante esta tercera unidad del curso se vieron ejercicios implementando

nmeros aleatorios y pseudoaleatorios.
Pero sobre todo y lo que abarco gran parte del curso fue conocer los
distintos mtodos que existen para generar nmeros pseudoaleatorios y las
distintas aplicaciones en las que se pueden usar en problemas reales.
Como herramienta principal del curso tuvimos al programa Excel que nos
sirvi para desarrollar y comprender de manera que pudiramos ahorrar
tiempo en el transcurso de los clculos que se realizaron para desarrollar
dichos mtodos.
Las reas ms difciles en el curso fueron: La comprensin de algunos
mtodos en cuanto al procedimiento, pero esas dudas se fueron disipando
cuando se usaron las hojas de Excel. Adems del empleo de algunas
funciones del Excel que no saba antes.
92
Autorretrato

que es bonita.

TUXTLA GUTIRREZ.
93
Datos interesantes discutidos el da 20 de octubre del 2014.
Cosas difciles que recuerde no hubieron, todo fue claro.
La aplicacin de frmulas para la obtencin de una campana de gauss ya que es
realmente fcil y entendible.
Qu aprend hoy?
Obtener una campana de gauss en base a las probabilidades.
Temas abordados durante la clase:
1. El profesor nos explic el concepto de variable aleatoria.
2. En una hoja de Excel en base a 5 desviaciones estndar obtuvimos las
probabilidades para obtener una campana de gauss.
3. Despus en otra hoja de clculo, obtuvimos las probabilidades de las
diferentes combinaciones al tirar dos dados.
94

Un poco la metodologa de empleo de la transformada inversa.
Ver la forma de aplicacin de la distribucin uniforme y la exponencial en un
mismo problema.
Qu aprend hoy?
Aprend a aplicar la distribucin uniforma y exponencial a problemas de la vida
real.
1. Empezamos con la terminacin del ejercicio de las probabilidades de las
combinaciones de tirar dos dados y graficamos esos resultados.
2. En una hoja de Excel en base a un ejercicio de temperaturas aplicamos el
mtodo de la transformada inversa, especficamente con la distribucin
uniforme y exponencial.
95

La distribucin triangular.
La distribucin emprica.
Qu aprend hoy?
A aplicar la distribucin emprica y triangular a situaciones reales.
1. Empezamos con la deduccin de la frmula de la distribucin emprica y la
aplicamos para ver su comportamiento en una hoja de Excel.
2. En una hoja de Excel en base a un ejercicio de como subir carga de la
mejor manera posible y no sobrepasar el peso mximo del camin
aplicamos el mtodo de la transformada inversa, especficamente con la
distribucin triangular.
96

la distribucin exponencial.
La distribucin exponencial.
Qu aprend hoy?
Aplicar la distribucin exponencial.
1. Empezamos con la deduccin de la frmula de la distribucin exponencial y
realizamos un ejercicio en Excel para generar 100 variables aleatorias con
dicha distribucin.
2. En una hoja de Excel aplicamos la distribucin exponencial para el
promedio de tiempo en un servidor de un banco.
97

Mtodo de convolucin.
El mtodo de aceptacin y rechazo.
Qu aprend hoy?
Aprend el mtodo de aceptacin y rechazo y el mtodo de convolucin.
1. Empezamos con la aplicacin del mtodo de aceptacin y rechazo en una
hoja de clculo de Excel.
2. Despus por equipos realizamos el mtodo de convolucin a un problema
de la vida real.
98
Realizar en equipo investigacin y exposicin, delas diferencias

existentes entre variables aleatorias discretas y continuas.
Variables aleatorias discretas

Distribucin uniforme
La distribucin uniforme es la que corresponde a una variable que toma
todos sus valores, x1, x2... ,xk, con igual probabilidad; el espacio muestral debe ser
finito.
Si la variable tiene k posibles valores, su funcin de probabilidad sera:
donde k es el parmetro de la distribucin (un parmetro es un valor que sirve

para determinar la funcin de probabilidad o densidad de una variable aleatoria)
La media y la varianza de la variable uniforme se calculan por las
expresiones:
El histograma de la funcin toma el aspecto de un rectngulo, por ello, a la

distribucin uniforme se le suele llamar distribucin rectangular.
99
Distribucin binomial
La distribucin binomial es tpica de las variables que proceden de un
experimento que cumple las siguientes condiciones:
1) El experimento est compuesto de n pruebas iguales, siendo n un nmero
natural fijo.
2) Cada prueba resulta en un suceso que cumple las propiedades de la
variable binmica o de Bernouilli, es decir, slo existen dos posibles
resultados, mutuamente excluyentes, que se denominan generalmente
como xito y fracaso.
3) La probabilidad del xito (o del fracaso) es constante en todas las
pruebas. P(xito) = p ; P(fracaso) = 1 - p = q
4) Las pruebas son estadsticamente independientes,
En estas condiciones, la variable aleatoria X que cuenta el nmero de
xitos en las n pruebas se llama variable binomial. Evidentemente, el espacio
muestral estar compuesto por los nmeros enteros del 0 al n. Se suele decir que
una variable binmica cuenta objetos de un tipo determinado en un muestreo de n
elementos con reemplazamiento.
La funcin de probabilidad de la variable binomial se representa como
b(x,n,p) siendo n el nmero de pruebas y p la probabilidad del xito. n y p son los
parmetros de la distribucin.
100
La manera ms fcil de calcular de valor de nmeros combinatorios,

como los incluidos en la expresin anterior, es utilizando el tringulo de
Tartaglia
La media y la varianza de la variable binomial se calculan como:

Media = = n p
Varianza = 2 = n p q
Grficamente el aspecto de la distribucin depende de que sea o no
simtrica Por ejemplo, el caso en que n = 4:
101
Distribucin multinomial
La distribucin multinomial es esencialmente igual a la binomial con la nica
diferencia de que cada prueba tiene ms de dos posibles resultados mutuamente
excluyentes.
Si tenemos K resultados posibles (Ei , i = 1, ... , K) con probabilidades fijas
(pi , i = 1, ... , K), la variable que expresa el nmero de resultados de cada tipo
obtenidos en n pruebas independientes tiene distribucin multinomial.
La probabilidad de obtener x1 resultados E1, x2 resultados E2, etc. se

representa como:
Los parmetros de la distribucin son p1,..., pK y n.
102
Distribucin hipergeomtrica
Una variable tiene distribucin hipergeomtrica si procede de un
experimento que cumple las siguientes condiciones:
1) Se toma una muestra de tamao n, sin reemplazamiento, de un conjunto
finito de N objetos.
2) K de los N objetos se pueden clasificar como xitos y N - K como
fracasos.
X cuenta el nmero de xitos obtenidos en la muestra. El espacio muestral
es el conjunto de los nmeros enteros de 0 a n, de 0 a K si K < n.
En este caso, la probabilidad del xito en pruebas sucesivas no es
constante pues depende del resultado de las pruebas anteriores. Por tanto, las
pruebas no son independientes entre s.
La funcin de probabilidad de la variable hipergeomtrica es:
Los parmetros de la distribucin son n, N y K.

Los valores de la media y la varianza se calculan segn las ecuaciones:
Si n es pequeo, con relacin a N (n << N), la probabilidad de un xito

variar muy poco de una prueba a otra, as pues, la variable, en este caso, es
esencialmente binomial; en esta situacin, N suele ser muy grande y los nmeros
combinatorios se vuelven prcticamente inmanejables, as pues, la probabilidades
se calculan ms cmodamente aproximando por las ecuaciones de una binomial
con p = K / N.
103
La media de la variable aproximada ( = n p = n (K / N)) es la misma que la

de la variable antes de la aproximacin; sin embargo, la varianza de la variable
binomial es ligeramente superior a la de la hipergeomtrica.
el factor por el que difieren ser siempre menor que 1 y tan prximo a 1 como cierto
sea que n << N.
El aspecto de la distribucin es bastante similar al de la binomial. Como
ejemplo, mostramos los casos anlogos a los de las binomiales del apartado
anterior (p inicial = 0,25 y n = 4)
Distribucin multihipergeomtrica
Este variable se define igual que la hipergeomtrica con la nica diferencia
de que se supone que el conjunto de objetos sobre el que se muestrea se divide
en R grupos de A1, A2,..., AR objetos y la variable describe el nmero de objetos de
cada tipo que se han obtenido (x1, x2,..., xR)
Esta situacin es anloga a la planteada en el caso de la distribucin

multinomial. La funcin de probabilidad es:
104
Distribucin de poisson
Una variable de tipo poisson cuenta xitos (es decir, objetos de un tipo
determinado) que ocurren en una regin del espacio o del tiempo.
El experimento que la genera debe cumplir las siguientes condiciones:
1. El nmero de xitos que ocurren en cada regin del tiempo o del

espacio es independiente de lo que ocurra en cualquier otro tiempo
o espacio disjunto del anterior.
2. La probabilidad de un xito en un tiempo o espacio pequeo es
proporcional al tamao de este y no depende de lo que ocurra fuera
de l.
3. La probabilidad de encontrar uno o ms xitos en una regin del
tiempo o del espacio tiende a cero a medida que se reducen las
dimensiones de la regin en estudio.
Como consecuencia de estas condiciones, las variables Poisson tpicas
son variables en las que se cuentan sucesos raros.
La funcin de probabilidad de una variable Poisson es:
El parmetro de la distribucin es que es igual a la media y a la varianza

de la variable.
Esta caracterstica puede servirnos para identificar a una variable Poisson

en casos en que se presenten serias dificultades para verificar los postulados de
definicin.
105
La distribucin de Poisson se puede considerar como el lmite al que tiende

la distribucin binomial cuando n tiende a
y p tiende a 0, siendo np constante (y
menor que 7); en esta situacin sera difcil calcular probabilidades en una variable
binomial y, por tanto, se utiliza una aproximacin a travs de una variable Poisson
con media l = n p.
La varianza de la variable aproximada es ligeramente superior a la de la
variable binomial.
Las variables Poisson cumplen la propiedad de que la suma de variables

Poisson independientes es otra Poisson con media igual a la suma las medias.
El aspecto de la distribucin depende muchsimo de la magnitud de la
media. Como ejemplo, mostramos tres casos con = 0,5 (arriba a la izquierda),
= 1,5 (arriba a la derecha) y = 5 (abajo) Obsrvese que la asimetra de la
distribucin disminuye al crecer y que, en paralelo, la grfica empieza a tener un
aspecto acampanado.
106
Variables aleatorias continuas

Distribucin normal o de Gauss
La distribucin normal fue definida por De Moivre en 1733 y es la
distribucin de mayor importancia en el campo de la estadstica.
Una variable es normal cuando se ajusta a la ley de los grandes nmeros,
es decir, cuando sus valores son el resultado de medir reiteradamente una
magnitud sobre la que influyen infinitas causas de efecto infinitesimal.
Las variables normales tienen una funcin de densidad con forma de
campana a la que se llama campana de Gauss.
Su funcin de densidad es la siguiente:
Los parmetros de la distribucin son la media y la desviacin tpica, y ,

respectivamente. Como consecuencia, en una variable normal, media y desviacin
tpica no deben estar correlacionadas en ningn caso (como desgraciadamente
107
ocurre en la inmensa mayora de las variables aleatorias reales que se asemejan a

la normal.
La curva normal cumple las siguientes propiedades:
1) El mximo de la curva coincide con la media.
2) Es perfectamente simtrica respecto a la media (g1 = 0).
3) La curva tiene dos puntos de inflexin situados a una desviacin tpica de la
media. Es convexa entre ambos puntos de inflexin y cncava en ambas
colas.
4) Sus colas son asintticas al eje X.
108
Para calcular probabilidades en intervalos de valores de la variable, habra

que integrar la funcin de densidad entre los extremos del intervalo. por desgracia
(o por suerte), la funcin de densidad normal no tiene primitiva, es decir, no se
puede integrar. Por ello la nica solucin es referirse a tablas de la funcin de
distribucin de la variable (calculadas por integracin numrica) Estas tablas
tendran que ser de triple entrada (, , valor) y el asunto tendra una complejidad
enorme.
Afortunadamente, cualquier que sea la variable normal, X, se puede
establecer una correspondencia de sus valores con los de otra variable con
distribucin normal, media 0 y varianza 1, a la que se llama variable normal
tipificada o Z. La equivalencia entre ambas variables se obtiene mediante la
ecuacin:
La funcin de distribucin de la variable normal tipificada est tabulada y,

simplemente, consultando en las tablas se pueden calcular probabilidades en
cualquier intervalo que nos interese.
De forma anloga a lo pasaba con las variables Poisson, la suma de
variables normales independientes es otra normal.
109
Histograma de una normal

idealizada
Histograma de una muestra de una

variable normal
Distribucin Gamma ()
La distribucin gamma se define a partir de la funcin gamma, cuya
ecuacin es:
La funcin de densidad de la distribucin gamma es:
110
y son los parmetros de la distribucin.

La media y la varianza de la variable gamma son:
Distribucin exponencial
Es un caso particular de la distribucin gamma cuando = 1. Su funcin
de densidad es:
111
Su parmetro es .
La media y la varianza de la distribucin exponencial son:
Distribucin Chi-cuadrado
Es otro caso particular de la distribucin gamma para el caso = 2 y = n
/ 2, siendo n un nmero natural.
Su funcin de densidad es:
El parmetro de la distribucin es y su media y su varianza son,

respectivamente:
Otra forma de definir la distribucin es la siguiente: Supongamos que

tenemos n variables aleatorias normales independientes, X1,..., Xn, con media i y
varianza
(i = 1 ... n), la variable definida como
112
tiene distribucin con n grados de libertad y se le denomina n.
Variables chi-cuadrado con valores de
progresivamente
mayores son cada vez menos asimtricas.
Distribucin T de Student
Supongamos dos variables aleatorias independientes, una normal
tipificada, Z , y otra con distribucin con grados de libertad, la variable
definida segn la ecuacin:
tiene distribucin t con grados de libertad.

La funcin de densidad de la distribucin t es:
113
El parmetro de la distribucin t es , su nmero de grados de libertad.

Esta distribucin es simtrica respecto al eje Y y sus colas se aproximan
asintticamente al eje X. Es similar a la distribucin Z salvo que es platicrtica y,
por tanto, ms aplanada.
Cuando n tiende a infinito, t tiende asintticamente a Z y se pueden
considerar prcticamente iguales para valores de n mayores o iguales que 30..
Variables T con valores de progresivamente mayores

son cada vez menos platicrticas
114
Comparacin entre la variable T y la normal tipificado.
Distribucin F de Snedecor
Sean U y V dos variables aleatorias independientes con
distribucin con 1 y 2 grados de libertad, respectivamente. La variable definida
segn la ecuacin:
tiene distribucin F con 1, 2 grados de libertad.

La funcin de densidad de la distribucin F es:
115
Los parmetros de la variable F son sus grados de libertad 1 y 2.

Las distribuciones F tienen una propiedad que se utiliza en la construccin
de tablas que es la siguiente:
Llamemos f1,2 al valor de una distribucin F con 1 y 2 grados de
libertad que cumple la condicin, P(F > f1,2) = ; llamemos f1,2 al valor de
una distribucin F con1 y 2 grados de libertad que cumple la condicin, P(F
> f1,2) = 1- . Ambos valores estn relacionados de modo que uno es el
inverso del otro.
Variables F con distintos valores de
1,
116
La manera lgica de organizar datos es crear categoras y luego asignar las

observaciones a una categora. Pero nuestra capacidad de categorizar est
limitada por la naturaleza de las variables que usamos. Adems, no todas las
variables se pueden categorizar con la misma facilidad. En trminos estadsticos,
las variables que interesa medir pueden ser (a) discretas o (b) continuas.
Las variables discretas son aquellas cuyas observaciones se agrupan
inherentemente o naturalmente en categoras, porque dichas variable por su
naturaleza slo pueden tomar ciertos valores muy especficos. El gnero de un
sujeto es un buen ejemplo de una variable discreta: los seres humanos pueden ser
mujeres u hombres, se ajustan a una u otra categora y no hay continuidad ni
puntos intermedios entre ellas. Los pases o regiones del mundo tambin son
buenos ejemplos de variables discretas. Otro ejemplo son las calificaciones o
educacin de los maestros. Podemos crear las siguientes categoras para
describir esta ltima variable: (a) educacin primaria completa, (b) educacin
secundaria completa, (c) educacin superior incompleta, (d) educacin superior
completa y (e) educacin de postgrado.
Sin embargo, existe otra clase de variables, conocidas como variables
continuas, que no son tan fciles de categorizar como las variables discretas. A
diferencia de las variables discretas, las variables continuas, como su nombre lo
indica, slo se pueden agrupar en forma arbitraria en categoras, porque por su
naturaleza pueden tomar cualquier valor a lo largo de un continuo (o de una escala
numrica continua). La estatura de los habitantes de un pas es un ejemplo de
variable continua, as como el ingreso de las familias en dicho pas. Un buen
ejemplo en el rea de la educacin son las calificaciones de pruebas, que slo se
pueden agrupar arbitrariamente creando intervalos artificiales, como por ejemplo
1-20, 21-40, etc. Note que los intervalos tambin podran ser 1-10, 11-20, 21-30,
etc, o cualquier otro intervalo que se prefiera, ya que la variable no se ajusta
naturalmente a categoras predeterminadas como en el caso de las variables
discretas.
La distincin entre variables discretas y continuas es de gran aplicabilidad en la
estadstica. Pero su importancia slo queda clara despus de comprender el
concepto estadstico fundamental de distribucin o distribucin de frecuencias.
(Los estadsticos por lo general usan la primera versin, la ms corta, para
referirse a la distribucin de frecuencias.)
117
Elaboraren equipo, prcticas en donde se identifiquen variables discretas

y continuas dentro de un sistema real, presentando un reporte.
Sistema real: Cola de espera de un antro Baruva
Variables aleatorias:
Personas Discreto
Tiempo Continuo
Establecimiento Discreto
Realizar un programa que genere variables aleatorias discretas

utilizando un lenguaje de programacin de alto nivel.
Este programa est realizado en el lenguaje de programacin java, donde se simula la accin del
lanzamiento de un dado para generar variables aleatorias discretas.
Se tiene una clase llamada SimulacionDado
Ejecutamos el mtodo main de dicha clase:
118
Al ejecutar el mtodo main o principal nos muestra una ventana para poder generar las variables
aleatorias discretas:
En el primer lanzamiento obtenemos un 5
En un segundo lanzamiento obtenemos un 2
As podemos ir generando ms variables
119
CODIGO JAVA
importjava.awt.*;
importjavax.swing.*;
importjava.util.Random;
importjava.awt.event.*;
public class SimulacionDado extends JFrame

{
publicJButtontirar;
publicJButtonresultado;
publicSimulacionDado()
{
JPanel panel = new JPanel();
setContentPane(panel);
panel.setLayout(new BorderLayout());
tirar = new JButton("Tirar dado");
resultado = new JButton("");
tirar.addActionListener(new ActionListener()
{
public void actionPerformed(ActionEvent e)
{
Random numero = new Random();
resultado.setText(""+(int) (numero.nextDouble() * 6 + 1));
}
});
panel.add(tirar, BorderLayout.NORTH);
panel.add(resultado, BorderLayout.CENTER);
setSize(250,100);
setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);
setVisible(true);
}
public static void main(String[] args) throws Exception
{
SimulacionDado dado;
dado = new SimulacionDado();
}
}
120
Realizar un programa que genere variables aleatorias continuas

utilizando un lenguaje de programacin de alto nivel.
Como se sabe las variables aleatorias continuas son aquellos nmeros que con punto decimal, en
el siguiente programa generamos 5 variables discretas.
Ejecutamos el mtodo main o principal del programa
El programa nos genera las siguientes variables.
121
CDIGO DEL PROGRAMA

importjava.util.Random;
public class Programa {
public static void main(String arg[ ]) {
Random rnd = new Random();
for (inti=0;i<=5;i++)
{
System.out.println(rnd.nextDouble());
}
}
}
Investigar el tipo de pruebas estadsticas que se requieren para probar

que las variables generadas se comportan como tales.
Construyendo una tabla de relacin. simulaciones de sistemas
122
ACTIVIDADES REALIZADAS EN EXCEL
123
124
125
126
127
Cuestionario 3
1.- Cules son las tcnicas utilizadas para la generacin de variables aleatorias?
Mtodo de la transformada inversa

Mtodo de aceptacin-rechazo
Mtodo de composicin
Mtodo de convolucin
2.- Aqusele llama variable aleatoria?

A toda aplicacin que asocia a cada elemento del espacio muestral () de un
experimento, un nmero real. :
3.- Qu es una variable aleatoria discreta?

Una variable aleatoria discreta es aquella que slo puede tomar valores enteros
4.- Aqu se le llama variable aleatoria continua?

Una variable aleatoria discreta es aquella que slo puede tomar valores enteros
5.- Existen diferentes tipos de mtodos para generar variables aleatorias, pero
tambin existen casos especiales para generar estas los cuales son?
La Distribucin De Poisson
La Distribucin Binomial
La Distribucin Erlang
6.-Qu es el mtodo de aceptacin y rechazo?
128
Es una funcin acotada y x tiene una rango finito. El mtodo consiste en normalizar el
rango de f mediante un factor de escala, luego definir a x como una funcin lineal.
7.-Es el mtodo de distribucin de probabilidad que se expresa una mezcla o
composicin de varias distribuciones?
Mtodo de composicin
8.- Es la distribucin de estadstica de probabilidad en las cuales es posible
emplear emplear sus propiedades para obtener expresiones matemticas para la
generacin de variables:
Procedimientos especiales
9.- Dnde se utiliza el mtodo de la transformada inversa?

Se utiliza para simular variables aleatorias continuas
10.-Cules el otro mtodo que genera valores de variables aleatorias no
uniforme?
Es el mtodo de composicin
11.- cuales son los pasos de la aplicacin de mtodo de composicin:
Dividir la distribucin de probabilidad original en sub-reas

Definir una distribucin de probabilidad para cada sub-rea
Expresa la distribucin de probabilidad original
Obtener la distribucin acumuladas de las reas.
Generar dos nmeros aleatorios.
Seleccionar las distribucin de probabilidad
Utilizar el nmero aleatorio para simular por mtodo de la transformada
inversa.
12.-Qu es la distribucin Erlang?

Es una distribucin de probabilidad continua con una amplia aplicabilidad debido
principalmente a su relacin con la exponencial y la distribucin gamma
129
RESUMEN DE CIERRE UNIDAD III

Los cuales pude aprehender sobre muchos mtodos para
nmeros pseudoaleatorios y aleatorios, los cuales nos pueden
estadsticos de cualquier situacin de la vida actual, as
necesidad de simular la situacin de un negocio antes o en el
en curso.
la generacin de
ayudar para sacar
cuando tenga la
momento de estar
Adems, pude mejorar mis habilidades en cuando el manejo de las hojas de

clculo en Excel, ya que con esta herramienta podemos hacer mucho mejor y ms
rpido los clculos de los mtodos enseados en clases.
Adems, entend las aplicaciones en la vida real de los estadsticos que nos
ensearon en las clases de Probabilidad y estadstica, as como la relacin que
tiene con Investigacin de operaciones y la simulacin.
130
Reflexin
proporcion el profesor me ayudaron a entender distintos mtodos de variables
aleatorias continuas y discretas, teora de los mismos y comprender las distintas
formas y mbitos de aplicacin de estos mtodos. Sobre todo los ejercicios
realizados en Excel.
Los conocimientos obtenidos en la unidad me fueron de gran ayuda y me servirn
en un futuro no muy lejana para la resolucin de problemas de simulacin.
131

bibliogrficamente)
EXCELENTE
SATISFACTORIO
SATISFACTORIO CON
RECOMENDACIONES
NECESITA MEJORAR
5 PUNTOS
4 PUNTOS
2 PUNTOS
0 PUNTOS
Clasifica y archiva
todas las tareas o
trabajos
contenidos y
en el bloque
curricular
o trabajos
planteados en el
bloque curricular
Clasifica y archiva
o trabajos
planteados en el
bloque curricular

no parecen estar
organizadas ni
clasificadas
132

133

134
Conclusin
En esta tercera unidad pude aprender y comprender distintos mtodos y

distribuciones para generacin de variables continuas sobre todo, lo explicado por
el profesor fue claro y me sirvi de mucho a la hora de realizar ejercicios en Excel.
La simulacin es una herramienta muy importante en cualquiera de los mbitos as
como la ingeniera tanto como en las empresas directamente.
135
BIBLIOGRAFA:

Educacin.
http://www.itvillahermosa.edu.mx/docs/oferta/ingsistemas/temario2010/5semestre/O%20I
SIC-2010-224%20Simulacion.pdf
http://www.cca.org.mx/cca/cursos/estadistica/html/m7/var_discretas_continuas.htm
http://pendientedemigracion.ucm.es/info/genetica/Estadistica/estadistica_basica%201.htm
136
UNIDAD I

UNIDAD II
prueba de Yule).
2.3.2 Aplicaciones.
UNIDAD III
UNIDAD IV
137

UNIDAD V
productivo
138
Introduccin
conjunto de cosas.
bellas artes.


139





140

por el curso.
SIMULACIN
141

perfecto
142

Este cuarto curso tuvo como objetivos desarrollar las habilidades para
comprender situaciones de la vida real implementadas en la herramienta
Promodel.
Durante esta cuarta unidad del curso se vieron las principales funciones
que nos puede ofrecer el programa promodel.
Es una gran herramienta mediante una combinacin ideal de facilidad de
uso, flexibilidad y potencia, permite disear y analizar sistemas de
produccin y servicios de todo tipo y tamao y modelar prcticamente toda
situacin, en forma casi real, mediante sus capacidades grficas y de
animacin.
Las reas ms difciles en el curso fueron: Al establecer un proceso o
llegadas en el modelo ya que a veces no corra el programa.
143
Autorretrato

que es bonita.

TUXTLA GUTIRREZ.
144
Datos interesantes discutidos el da 4 de noviembre del 2014.
Ya que fue la primera simulacin me costaron poner los arrivals y procesos, pero
con instrucciones del profesor fue ms entendible las herramientas del programa..
El colocar las locaciones.
Qu aprend hoy?
Obtener una simulacin en el programa promodel de un proceso de entrada a un
cine.
Proceso de un proyecto de simulacin en promodel:
1. Locations
2. Entities
3. Arrivals
4. Processing
145
EJERCICIO REALIZADO EN PROMODEL
146

Poner el modo de los procesos ya que fueron muchos.
Agregar locaciones y entidades, as como las reglas que dependen de como
deseemos que se establezca la espera o el movimiento de algunos recursos.
Qu aprend hoy?
A realizar una simulacin de la vida real como lo es un negocio de productos y
servicios computacionales.
Comprensin y aprendizaje del Processing en un proyecto de simulacin

Sintaxis a utilizar para programar un proceso.
147
148

Ninguna en realidad.
Fue relativamente fcil la comprensin del ejercicio.
Qu aprend hoy?
El mismo ejercicio de manera ms calmada ya que agregu algunas cosas en la
simulacin.
149
150
Datos interesantes discutidos el da 1 de diciembre del 2014.

Seguir implementando funciones de clases pasadas, as como trazar las
rutas.
Locaciones y entidades
Qu aprend hoy?
A simular una produccin de laptops mediante control y embalaje para su posterior
distribucin.
Implementar una simulacin de empaque, revisin sellado embalaje y distribucin
de equipos de computo.
151
152
Investigar informacin acerca de las caractersticas, aplicacin y uso de

los principales lenguajes de simulacin existentes y elaborar un cuadro
comparativo.
LENGUAJES
El desarrollo de los lenguajes de Simulacin comenz a finales de los aos cincuenta; inicialmente los
lenguajes que se usaron en fueron los de propsito general, los cuales tenan las siguientes ventajas:
La situacin a analizar se puede modelar en forma ms o menos sencilla para el programador por el
conocimiento del lenguaje.
El proceso se puede describir con tanta precisin como le sea posible en el lenguaje conocido.
Se pueden realizar todas las depuraciones posibles.
Cualquier lenguaje de programacin puede ser empleado para trabajar en Simulacin, pero los lenguajes
especialmente diseados presentan las siguientes propiedades:
Acaban la tarea de programacin.

Generan una gua conceptual.
Colaboran en la definicin de entidades en el sistema.
Manejan la flexibilidad en los cambios.
Ayudan a analizar y a determinar la relacin y el nmero de entidades en el sistema.
Emshoff y Sisson consideran que la Simulacin Discreta requiere de ciertas funciones comunes que
diferencian un lenguaje de Simulacin de uno de propsito general, entre las cuales se encuentran las
siguientes:
Generar nmeros aleatorios.

Generar variables aleatorias.
Variar el tiempo hasta la ocurrencia del siguiente evento.
Registrar datos para salida.
Realizar anlisis estadstico sobre datos registrados.
Construir salidas en formatos determinados.
Detectar inconsistencias y errores.
Los lenguajes precursores en Simulacin fueron los de propsito general, entre ellos por mencionar solo
algunos tenemos: FORTRAN, ALGOL, COBOL, RPG, BASIC, PASCAL, MODULA, PL/1, etc. Los principales
lenguajes utilizados en Simulacin son:
Simulacin de cambio continuo y de cambio discreto en computadoras hbridas H01; Simulacin de
incremento continuo con orientacin a ecuaciones directas con nfasis en ecuaciones diferenciales DSL/90,
MIMIC, BHSL, DIHYSYS y S/360 CSMP; Simulacin de incremento continuo con simuladores orientados a
bloques con nfasis en ecuaciones diferenciales MIDAS, PACTOLUS, SCADS, MADBLOC, COBLOC y 1130
CSMP; Simulacin de incremento continuo con simuladores orientados a bloques con nfasis en ecuaciones
de diferencias DYNAMO, DYSMAP 2; Simulacin de incremento discreto con orientacin a actividades CSL,
CLP, GSP, GERT, FORSIM, ESP, MONTECODE y MILITRAN; Simulacin de incremento discreto con
orientacin a eventos SIMSCRIPT, GASP, SIMCOM, SIMULATE y SIMPAC; Simulacin de incremento
discreto con orientacin a procesos SIMULA, OPS, SLAM y SOL; Simulacin de incremento discreto con
orientacin a flujo de transacciones GPSS y BOSS.
153
PAQUETES
Los paquetes son una versin depurada de los diferentes lenguajes de propsito general y presentan algunas
ventajas sobre los lenguajes de programacin generales:
Reduccin de la tarea de programacin.

Definicin exacta del sistema.
Flexibilizacin mayor para cambios.
Diferenciacin mejor de las entidades que conforman el sistema.
Relacin estrecha entre las entidades del sistema.
Los paquetes de mayor utilizacin en Simulacin son:
EXCEL, STELLA, SIMAN, RISK, STORM, LINDO, CRYSTAL BALL, QSB, MOR/DS, OR/MS, BEER GAME,
GREENPACE, SIMULACION, TAYLOR II, CAPRE, SIMNET II, PROMODEL, ITHINK, URBAN DYNAMICS y
POWERSIM.En Simulacin Gerencial podemos citar: FISH BANK, FINANACAT, BUGA-BUGA y MARKOPS,
TREE PLAN entre otros.
Lenguajes de Simulacin y Simuladores.

El desarrollo de los lenguajes de simulacin comenz a finales de los aos cincuenta; inicialmente los
lenguajes que se usaron en l fueron los de propsito general, los cuales tenan las siguientes ventajas:
La situacin a analizar se puede modelar en forma ms o menos sencilla para el programador por el
conocimiento del lenguaje.
El proceso se puede describir con tanta precisin como le sea posible en el lenguaje conocido.
Se pueden realizar todas las depuraciones posibles.

Cualquier lenguaje de programacin puede ser empleado para trabajar en simulacin, pero los lenguajes
especialmente diseados presentan las siguientes propiedades:
Acaban la tarea de programacin.

Generan una gua conceptual.
Colaboran en la definicin de entidades en el sistema.
Manejan la flexibilidad en los cambios.
Ayudan a analizar y a determinar la relacin y el nmero de entidades en el sistema.
Emshoff y Sisson consideran que la simulacin discreta requiere de ciertas funciones comunes que
diferencian un lenguaje de simulacin de uno de propsito general, entre las cuales se encuentran las
siguientes:
Generar nmeros aleatorios.

Generar variables aleatorias.
Variar el tiempo hasta la ocurrencia del siguiente evento.
Registrar datos para salida.
Realizar anlisis estadsticos sobre datos registrados.
Construir salidas en formatos determinados.
Detectar inconsistencias y errores.
154
Los lenguajes precursores en simulacin fueron los de propsito general, entre ellos por mencionar solo
algunos tenemos: FORTRAN, ALGOL, COBOL, RPG, BASIC, PASCAL, MODULA, PL/1, etc. Los principales
lenguajes utilizados en simulacin son:
Simulacin de cambio contino y de cambio discreto en computadoras hbridas H01; Simulacin de
incremento contino con orientacin a ecuaciones directas con nfasis en ecuaciones diferenciales DSL/90.
MIMIC, BHSL, DIHYSYS Y S/360 CSMP; Simulacin de incremento continuo con simuladores orientados a
bloques con nfasis en ecuaciones diferenciales MIDAS, PACTOLUS, SCADS, MADBLOC, COBLOC Y 1130
CSMP; Simulacin de incremento continuo con simuladores orientados a bloques con nfasis en ecuaciones
de diferencias DYNAMO, DYSMAP 2; Simulacin de incremento discreto con orientacin a actividades CSL,
CLP, GSP, GERT; Simulacin de incremento discreto con orientacin a eventos SIMSCRIPT, orientacin a
procesos SIMULA, OPS, SLAM Y SOL; Simulacin de incremento discreto con orientacin a flujo de
transacciones GPSS Y BOSS.
Paquetes.
Los paquetes son una versin depurada de los diferentes lenguajes de propsitos general y presentan
algunas ventajas sobre los lenguajes de programacin generales:
Reduccin de la tarea de programacin.

Definicin exacta del sistema.
Flexibilizacin mayor para cambios.
Diferenciacin mejor de las entidades que conforman el sistema.
Relacin estrecha entre las entidades del sistema.
Los paquetes de mayor utilizacin en Simulacin son:

EXCEL, STELLA, SIMAN, RISK, STORM, LINDO, CRYSTAL, BALL, QSB, MORD/DS, OR/MS, BEER GAME,
GREENPACE, SIMULACION, TAYLOR II, CAPRE, SIMNET II, PROMODEL. En simulacin gerencial
podemos citar: FISH BANK, FINANACAT, BUGA-BUGA entre otros.
Aprendizaje y uso de un simulador.
Desde el punto de vista pedaggico, el uso de simulaciones permiten crear un marco para la exploracin y la
prctica ayudando a los estudiantes a probarse en un mbito sin riesgos.
Analizar situaciones desde diferentes perspectivas y aprender de los errores sin penalizarlos.
Incluir un importante componente ldico y son propuestas fuertemente motivadoras.
Aplicar e integrar conocimientos aprendidos con anterioridad.
A los estudiantes asumir distintas responsabilidades y toman decisiones durante la simulacin.
Utilizar los beneficios del feedback inmediato para mantener al estudiante conectado y motivado.
Promodel es un simulador con animacin para computadoras personales. Permite simular cualquier tipo de
sistemas de manufactura, logstica, manejo de materiales,etc. Puedes simular bandas de transporte, gras
viajeras, ensamble, corte, talleres, logstica, etc.
Promodel es un paquete de simulacin que no requiere programacin, aunque s lo permite. Corre en equipos
486 en adelante y utiliza la plataforma Windows. Tiene la combinacin perfecta entre facilidad de uso y
flexibilidad para aplicaciones complejas.
155
Puedes simular Justo a Tiempo, Teora de Restricciones, Sistemas de Empujar, Jalar, Logstica, etc.
Prcticamente, cualquier sistema pueden ser modelado.
Una vez hecho el modelo, ste puede ser optimizado para encontrar los valores ptimos de los parmetros
claves del modelo. Algunos ejemplos incluyen determinar la mejor combinacin de factores para maximizar
produccin minimizando costo, minimizar el nmero de camiones sin penzliar el servicio, etc.
El mdulo de optimizacin nos ayuda a encontrar rpidamente la solucin ptima, en lugar de solamente
hacer prueba y error. Promodel cuenta con 2 optimizadores disponibles y permite de esta manera explotar los
modelos de forma rpida y confiable.
Beneficios Clave
nico software de simulacin con Optimizacin plenamente integrada

Creacin de modelos rpida, sencilla y flexible.
Modelos optimizables.
Elementos de Logstica, Manejo de Materiales, y Operaciones includas. (Bandas de transporte,
Gras Viajeras, Operadores).
Entrenamiento en Espaol.
Resultados probados.
Importacin del Layout de Autocad, y cualquier herramienta de CAD / CAE / Diseo, as como de
fotografas digitales.
Soporte Tcnico 24 horas al da, 365 das del Ao.
Integracin a Excel, Lotus, Visual Basic y herramientas de Microsoft.
Genera en automtico las grficas en 3 dimensiones para visualizacin en el espacio tridimensional.
Requerimientos de Hardware
Mnimos
Al menos procesador Intel 486.

32 Megabytes de RAM (8 de memoria extendida).
25 Megabytes de Espacion libre en Disco Duro.
Monitor VGA Monitor (640 x 480).
Unidad de CD ROM.
Ratn (Mouse).
Recomendados
Procesador Pentium 200 MMX o superior.

32 Megabytes en RAM.
65 Megabytes de Espacio libre en Disco Duro.
Monitor SVGA (1024 x 786 x 16 millones de colores).
Unidad de CD ROM.
Tarjeta de Sonido.
Acceso a internet.
Ratn (Mouse).
Ejemplos de Simulaciones
156
Te invitamos a conocer ejemplos de Simulaciones llevadas a cabo con Promodel.
Avin
Este modelo muestra cmo se pueden incorporar fcilmente fotografas digitales a Promodel. El modelo ilustra
el clculo de la utilizacin de los operarios, permitiendo variar el nmero de operarios.
BodegaCuntos 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?
CeldaQu 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?
ConveyorsProModel 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 calcula la capacidad de la planta (Capacity Planning), Takt Time,
Lead Time. Muchos de los usos actualmente van hacia la manufactura esbelta.
Fbrica 3D Una vez terminado el modelo de ProModel, la herramienta nos permite transportarlo rpidamente
a 3D Animator, para efectos de presentacin, visualizacin y sensibilizacin del auditorio. Es posible introducir
la idea a proveedores, clientes y dueos del proceso fcilmente.
157
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.
Modelos de inventarios
Las empresas mantienen inventarios de materias primas y de productos terminados. Los inventarios de
materias primas sirven como entradas al proceso de produccin y los inventarios de productos terminados
sirven para satisfacer la demanda de los clientes. Puesto que estos inventarios representan frecuentemente
una considerable inversin, las decisiones con respecto a las cantidades de inventarios son importantes. Los
modelos de inventario y la descripcin matemtica de los sistemas de inventario constituyen una base para
estas decisiones.
Mantener un inventario (existencia de bienes) para su venta o uso futuro es una prctica comn en el mundo
de los negocios. Las empresas de venta al menudeo, los mayoristas, los fabricantes y an los bancos de
sangre por lo general almacenan bienes o artculos. Cmo decide una instalacin de este tipo sobre su
poltica de inventarios, es decir, cundo y cmo se reabastece?. En una empresa pequea, el administrador
puede llevar un recuento de su inventario y tomar estas decisiones. Sin embargo, como esto puede no ser
factible incluso en empresas chicas, muchas compaas han ahorrado grandes sumas de dinero al aplicar la
administracin cientfica del inventario. En particular, ellos
Formulan un modelo matemtico que describe el comportamiento del sistema de inventarios.
Derivan una poltica ptima de inventarios con respecto a este modelo.
158
Con frecuencia, utilizan una computadora para mantener un registro de los niveles de inventario y sealar
cundo conviene reabastecer.
Modelo de inventarios sin Dficit
Este modelo tiene como bases el mantener un inventario sin falta de productos para desarrollar las
actividades de cualquier empresa.
Este es un modelo de inventarios que se encuentra basado en las siguientes suposiciones:
La demanda se efecta a tasa constante.
El reemplazo es instantneo (la tasa se reemplazo es infinita).
Todos los coeficientes de costos son constantes.
En este modelo no se permite la falta de productos para la venta, es decir, una empresa que maneje este
modelo de inventario no se puede quedar sin mercancas para la venta.
En la siguiente figura se ilustra esquemticamente este modelo.
Smbolos
Q = Cantidad optima a pedir

Im = Inventario Mximo
t = Periodo entre pedidos
T = Periodo de Planeacin
En este modelo se representan iguales el inventario mximo y la cantidad econmica pedida.
Cabe mencionar que esto no siempre es verdadero.

El costo total para un periodo en este modelo est conformado por tres componentes de costo:
Costo unitario del producto (C1)

Costo de ordenar una compra (C2)
Costo de mantener un producto en almacn (C3)
El costo para un periodo estar conformado de la siguiente manera:
Costo por periodo = [Costo unitario por periodo] + [Costo de ordenar un pedido] + [Costo de
mantener el inventario en un periodo]
El costo total para el periodo de planeacin estar conformado de la manera siguiente:
Costo total = Costo por periodo x Numero de pedidos a realizar.
Modelo de inventarios con Dficit
El modelo de compra que permite dficit tiene como base las siguientes suposiciones:
159
La demanda se efecta a tasa constante.

El reemplazo es instantneo (la tasa se reemplazo es infinita).
Todos los coeficientes de costos son constantes.
Este modelo tiene costos normales (costo unitario del producto, costo de ordenar una compra, costo de
mantener en inventario) pero adems tiene un costo adicional, el costo por unidad de faltante. En este modelo
es posible diferir un pedido, de manera que una vez recibida la cantidad pedida desaparece el dficit, esto se
representa claramente en el siguiente esquema.
Q = Cantidad optima a pedir

S = Cantidad de unidades agotadas
Im = Inventario Mximo
t = Periodo entre pedidos
T = Periodo de Planeacin
t1 = Tiempo en donde se cuenta con inventario
t2 = Tiempo en donde se cuentan con unidades agotadas.
Por consiguiente, en este modelo, los costos de dficit son ocasionados por agotamiento de existencias
durante el periodo de tiempo y no por la perdida de ventas.
En este modelo se incluyen los costos de dficit para determinar el costo para un periodo.
Costo por periodo = [Costo unitario por periodo] + [Costo de ordenar un pedido] + [Costo de mantener el
inventario en un periodo] + [costo de dficit por periodo].
Modelos de lneas de espera.

La teora de colas es el estudio matemtico del comportamiento de lneas de espera. Esta se presenta,
cuando los clientes llegan a un lugar demandando un servicio a un servidor, el cual tiene una cierta
capacidad de atencin. Si el servidor no est disponible inmediatamente y el cliente decide esperar, entonces
se forma la lnea de espera.
Una cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen
sistemas de lnea de espera particulares o sistemas de colas. Los modelos sirven para encontrar un buen
compromiso entre costes del sistema y los tiempos promedio de la lnea de espera para un sistema dado.
Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como modelo, pueden
representar cualquier sistema en donde los trabajos o clientes llegan buscando un servicio de algn tipo y
salen despus de que dicho servicio haya sido atendido. Podemos modelar los sistemas de este tipo tanto
como colas sencillas o como un sistema de colas interconectadas formando una red de colas. En la siguiente
figura podemos ver un ejemplo de modelo de colas sencillo. Este modelo puede usarse para representar una
situacin tpica en la cual los clientes llegan, esperan si los servidores estn ocupados, son servidos por un
servidor disponible y se marchan cuando se obtiene el servicio requerido.
El problema es determinar qu capacidad o tasa de servicio proporciona el balance correcto. Esto no es
sencillo, ya que un cliente no llega a un horario fijo, es decir, no se sabe con exactitud en que momento
llegarn los clientes. Tambin el tiempo de servicio no tiene un horario fijo.
Los problemas de colas se presentan permanentemente en la vida diaria: un estudio en EEUU concluy que,
por trmino medio, un ciudadano medio pasa cinco aos de su vida esperando en distintas colas, y de ellos
casi seis meses parado en los semforos.
160
Origen:
El origen de la Teora de Colas est en el esfuerzo de Agner Kraup Erlang (Dinamarca, 1878 1929) en 1909
para analizar la congestin de trfico telefnico con el objetivo de cumplir la demanda incierta de servicios en
el sistema telefnico de Copenhague. Sus investigaciones acabaron en una nueva teora denominada teora
de colas o de lneas de espera. Esta teora es ahora una herramienta de valor en negocios debido a que un
gran nmero de problemas pueden caracterizarse, como problemas de congestin llegada-salida.
Modelo de formacin de colas.
En los problemas de formacin de cola, a menudo se habla de clientes, tales como personas que esperan la
desocupacin de lneas telefnicas, la espera de mquinas para ser reparadas y los aviones que esperan
aterrizar y estaciones de servicios, tales como mesas en un restaurante, operarios en un taller de reparacin,
pistas en un aeropuerto, etc. Los problemas de formacin de colas a menudo contienen una velocidad
variable de llegada de clientes que requieren cierto tipo de servicio, y una velocidad variable de prestacin del
servicio en la estacin de servicio.
Cuando se habla de lneas de espera, se refieren a las creadas por clientes o por las estaciones de servicio.
Los clientes pueden esperar en cola simplemente por que los medios existentes son inadecuados para
satisfacer la demanda de servicio; en este caso, la cola tiende a ser explosiva, es decir, a ser cada vez mas
larga a medida que transcurre el tiempo. Las estaciones de servicio pueden estar esperando por que los
medios existentes son excesivos en relacin con la demanda de los clientes; en este caso, las estaciones de
servicio podran permanecer ociosas la mayor parte del tiempo. Los clientes puede que esperen
temporalmente, aunque las instalaciones de servicio sean adecuadas, por que los clientes llegados
anteriormente estn siendo atendidos. Las estaciones de servicio pueden encontrar temporal cuando, aunque
las instalaciones sean adecuadas a largo plazo, haya una escasez ocasional de demanda debido a un hecho
temporal. Estos dos ltimos casos tipifican una situacin equilibrada que tiende constantemente hacia el
equilibrio, o una situacin estable.
En la teora de la formacin de colas, generalmente se llama sistema a un grupo de unidades fsicas,
integradas de tal modo que pueden operar al unsono con una serie de operaciones organizadas. La teora de
la formacin de colas busca una solucin al problema de la espera prediciendo primero el comportamiento del
sistema. Pero una solucin al problema de la espera consiste en no solo en minimizar el tiempo que los
clientes pasan en el sistema, sino tambin en minimizar los costos totales de aquellos que solicitan el servicio
y de quienes lo prestan.
La teora de colas incluye el estudio matemtico de las colas o lneas de espera y provee un gran nmero de
modelos matemticos para describirlas.
Se debe lograr un balance econmico entre el costo del servicio y el costo asociado a la espera por ese
servicio
La teora de colas en s no resuelve este problema, slo proporciona informacin para la toma de decisiones
Objetivos de la Teora de Colas
Los objetivos de la teora de colas consisten en:
Identificar el nivel ptimo de capacidad del sistema que minimiza el coste global del mismo.
Evaluar el impacto que las posibles alternativas de modificacin de la capacidad del sistema tendran
en el coste total del mismo.
Establecer un balance equilibrado (ptimo) entre las consideraciones cuantitativas de costes y las
cualitativas de servicio.
Hay que prestar atencin al tiempo de permanencia en el sistema o en la cola: la paciencia de los
clientes depende del tipo de servicio especfico considerado y eso puede hacer que un cliente
abandone el sistema. Elementos existentes en un modelo de colas
161
Fuente de entrada o poblacin potencial: Es un conjunto de individuos (no necesariamente seres vivos) que
pueden llegar a solicitar el servicio en cuestin. Podemos considerarla finita o infinita. Aunque el caso de
infinitud no es realista, s permite (por extrao que parezca) resolver de forma ms sencilla muchas
situaciones en las que, en realidad, la poblacin es finita pero muy grande. Dicha suposicin de infinitud no
resulta restrictiva cuando, an siendo finita la poblacin potencial, su nmero de elementos es tan grande que
el nmero de individuos que ya estn solicitando el citado servicio prcticamente no afecta a la frecuencia con
la que la poblacin potencial genera nuevas peticiones de servicio.
Cliente: Es todo individuo de la poblacin potencial que solicita servicio. Suponiendo que los tiempos de
llegada de clientes consecutivos son 0<t1<t2<, ser importante conocer el patrn de probabilidad segn el
cual la fuente de entrada genera clientes. Lo ms habitual es tomar como referencia los tiempos entre las
llegadas de dos clientes consecutivos: consecutivos: clientes consecutivos: T{k} = tk tk-1, fijando su
distribucin de probabilidad.
Normalmente, cuando la poblacin potencial es infinita se supone que la distribucin de probabilidad de los Tk
(que ser la llamada distribucin de los tiempos entre llegadas) no depende del nmero de clientes que estn
en espera de completar su servicio, mientras que en el caso de que la fuente de entrada sea finita, la
distribucin de los Tk variar segn el nmero de clientes en proceso de ser atendidos.
Capacidad de la cola: Es el mximo nmero de clientes que pueden estar haciendo cola (antes de comenzar a
ser servidos). De nuevo, puede suponerse finita o infinita. Lo ms sencillo, a efectos de simplicidad en los
clculos, es suponerla infinita. Aunque es obvio que en la mayor parte de los casos reales la capacidad de la
cola es finita, no es una gran restriccin el suponerla infinita si es extremadamente improbable que no puedan
entrar clientes a la cola por haberse llegado a ese nmero lmite en la misma.
Disciplina de la cola: Es el modo en el que los clientes son seleccionados para ser servidos. Las disciplinas
ms habituales son:
La disciplina FIFO (first in first out), tambin llamada FCFS (first come first served): segn la cual se atiende
primero al cliente que antes haya llegado.
La disciplina LIFO (last in first out), tambin conocida como LCFS (last come first served) o pila: que consiste
en atender primero al cliente que ha llegado el ltimo.
La RSS (random selection of service), o SIRO (service in random order), que selecciona a los clientes de
forma aleatoria.
Mecanismo de servicio: Es el procedimiento por el cual se da servicio a los clientes que lo solicitan. Para
determinar totalmente el mecanismo de servicio debemos conocer el nmero de servidores de dicho
mecanismo (si dicho nmero fuese aleatorio, la distribucin de probabilidad del mismo) y la distribucin de
probabilidad del tiempo que le lleva a cada servidor dar un servicio. En caso de que los servidores tengan
distinta destreza para dar el servicio, se debe especificar la distribucin del tiempo de servicio para cada uno.
La cola, propiamente dicha, es el conjunto de clientes que hacen espera, es decir los clientes que ya han
solicitado el servicio pero que an no han pasado al mecanismo de servicio.
El sistema de la cola: es el conjunto formado por la cola y el mecanismo de servicio, junto con la disciplina de
la cola, que es lo que nos indica el criterio de qu cliente de la cola elegir para pasar al mecanismo de
servicio. Estos elementos pueden verse ms claramente en la siguiente figura:
Un modelo de sistema de colas debe especificar la distribucin de probabilidad de los tiempos de servicio para
cada servidor.
162
La distribucin ms usada para los tiempos de servicio es la exponencial, aunque es comn encontrar la
distribucin degenerada o determinstica.
TABLA COMPARATIVA DE LENGUAJES DE SIMULACIN
163
La siguiente tabla enumera los principales lenguajes de simulacin y algunas de sus

caractersticas.
164
165
166
167
Probar un simulador de acuerdo a su uso. Observar sus caractersticas.

CARACTERISTICAS
*ProModel es un paquete de simulacin que no requiere programacin, aunque s
lo permite. Corre en equipos 486 en adelante y utiliza la plataforma Windows.
Tiene la combinacin perfecta entre facilidad de uso y flexibilidad para
aplicaciones complejas.
*Puedes simular Justo a Tiempo, Teora de Restricciones, Sistemas de Empujar,
Jalar, Logstica, etc. Prcticamente, cualquier sistema pueden ser modelado.
*Una vez hecho el modelo, ste puede ser optimizado para encontrar los valores
ptimos de los parmetros claves del modelo. Algunos ejemplos incluyen
determinar la mejor combinacin de factores para maximizar produccin
minimizando costo, minimizar el nmero de camiones sin penzliar el servicio, etc.
APLICACIONES
Avin
Este modelo muestra cmo se pueden incorporar fcilmente fotografas digitales a
ProModel. El modelo ilustra el clculo de la utilizacin de los operarios,
permitiendo variar el nmero de operarios.
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?
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 calcula la capacidad de la planta (Capacity Planning), Takt Time, Lead
Time. Muchos de los usos actualmente van hacia la manufactura esbelta.
168
VENTAJAS
nico software de simulacin con Optimizacin plenamente integrada.

Creacin de modelos rpida, sencilla y flexible.
Modelos optimizables.
Entrenamiento en Espaol.
Resultados probados.
Integracin a Excel, Lotus, Visual Basic y herramientas de Microsoft.
Genera en automtico las grficas en 3 dimensiones para visualizacin en el
espacio tridimensional.
DESVENTAJAS
La simulacin es imprecisa, y no se puede medir el grado de su imprecisin.

Los resultados de simulacin son numricos; por tanto, surge el peligro de atribuir
a los nmeros un grado mayor de validez y precisin.
Los modelos de simulacin en una computadora son costosos y requieren mucho
tiempo para desarrollarse y validarse.
Se requiere gran cantidad de corridas computacionales para encontrara
soluciones ,lo cual representa altos costos.
La solucin de un modelo de simulacin puede dar al anlisis un falso sentido de
seguridad.
Requiere largos periodos de desarrollo
169
Preparar prcticas de simulacin manuales y en computadora de

problemas aplicados a servicios, sistemas productivos, de calidad, de
inventarios, econmicos, entre otros.
Fabriaca de galletas
En esta simulacion se lleva acavo la elaboracion de galletas de chocolate
Empresa de ensamble de auto

En esta simulacin se muestran los procesos por el cual le precede a la fabricacin de un auto
170
Fabrica de pan
171
Investigar las pruebas de validacin ms utilizadas y probarlas mediante

ejercicios manuales.
VALIDACIN DE UN SIMULADOR
El modelo de simulacin como cualquier otro modelo es una representacin del
mundo real. Esta es una representacin es una simplificacin del sistema real que
contiene elementos significativos que reducen su complejidad. Esta simplificacin
y abstraccin de procesos surge de la incertidumbre de validar un modelo.
La primera validacin de modelo fue estudiada por Charles F. Hermann que
considera tres perspectivas:
Proposito de la construccin.
Criterios utilizados.
Personal que interviene en la construccin.
La validacin se da en un determinado grado dependiendo de la perspectiva, las

cuales no deben ser apartadas de su propsito validando as los criterios
razonables. Existen un punto importante que influye en la validacin:
I.
Personal seleccionado para la construccin y operacin.
Los criterios de validacin comprenden:

I.
II.
III.
IV.
V.
Validacin interna.
Validacin superficial.
Validacin variable-parmetro.
Validacin de eventos.
Validacin de hiptesis.
Para que un simulador se considere fidedigno se dice que es necesario validar el

modelo y sus resultados. La validacin toma un papel importante dentro de la
toma de decisiones en el momento de confiar en los resultados arrojados por el
simulador. Un simulador presenta tres tipos de variables:
I.
II.
III.
Entrada: Alimentan el modelo, son de carcter predeterminado y

proporcionadas independientemente.
Proceso: Relacionadas con la realizacin de los procesos y describen el
estado del sistema en cualquier instante.
Salida: Son aquellas arrojadas por el modelo las cuales representan los
resultados finales de la simulacin.
172
La validacin de resultados se usa para comparar los datos del sistema con los
resultados del modelo.
Opciones de verificacin de simulador dada mediante una serie de pruebas
objetivas y subjetivas, la meta que persigue la validacin de un simulador es
minimizar la incertidumbre de los errores dentro del modelo computacional y
aumentar la confianza en la capacidad cuantitativa predictiva.
El objetivo de la creacin de modelos de simulacin es que estos sean validos y
crebles para poder utilizarlos, el programa debe realizar lo propuesto.
Como tcnicas o mtodos para la validacin de un modelo de simulacin se
mencionan las siguientes:
Es importante hacer una experimentacin, si es factible. En el caso de un

sistema real se pueden medir algunas de las variables de respuesta para
comparar con los resultados del modelo de simulacin, por ejemplo, el
tiempo de espera en cola de los clientes en una caja en un banco.
La dificultad o facilidad de validacin depende de la disponibilidad de datos
en el tiempo y en el espacio. No siempre es posible medir variables de
respuesta como en el caso mencionado en el punto anterior.
El modelo de un sistema complejo es una aproximacin al mundo real: a
mayor detalle, mayor aproximacin. Sin embargo en algunas ocasiones los
errores aumentan segn el grado de detalles del sistema modelado, como
puede ser el de un modelo de demanda de transporte en una gran ciudad.
En la medida que se plantee un modelo complejo, los errores en las
predicciones pueden ser mayores en relacin a un modelo simple.
Un modelo vlido para un propsito no lo es para otro.
Se debe hacer la documentacin de las hiptesis del modelo.
EJEMPLO PRACTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y
queremos ver que sucede con el promedio de la demanda en varias iteraciones:
Utilizando la distribucin acumulada(F(x) es la probabilidad que la variable
aleatoria tome valores menores o iguales a x) podemos determinar cual es el valor
obtenido de unidades cuando se genera un nmero aleatorio a partir de una
distribucin continua uniforme. Este mtodo de generacin de variable aleatoria se
llama Transformacin Inversa.
173
Generando los valores aleatorios vamos a ver como se obtiene el valor de la

demanda para cada da, interesndonos en este caso como es el orden de
aparicin de los valores. Se busca el nmero aleatorio generado en la tabla de
probabilidades acumuladas, unavez encontrado( si no es el valor exacto, ste
debe se menor que el de la fila seleccionada pero mayor que el de la fila anterior),
de esa fila tomada como solucin se toma el valor de las unidades (Cuando
trabajamos en Excel debemos tomar el lmite inferior del intervalo para busca en
las acumuladas, para poder emplear la funcin BUSCARV(), para 42 sera 0, para
43 0,100001 y as sucesivamente). Ejemplo: Supongamos que el nmero aleatorio
generado sea 0,52, a qu valor de unidades corresponde? Nos fijamos en la
columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente
mayor es 0,70 y corresponde a 48 unidades. Se puede apreciar mejor en el
grfico, trazando una recta desde el eje de la frecuencia hasta que intersecta con
la lnea de la funcin acumulada, luego se baja a la coordenada de unidades y se
obtiene el valor correspondiente; en este caso 48.
Cuando trabajamos con variables discretas la funcin acumulada tiene un intervalo
o salto para cada variable( para casos prcticos hay que definir los intervalos y
luego con una funcin de bsqueda hallar el valor). Para funciones continuas se
puede hallar la inversa de la funcin acumulada. De esta forma logramos a partir
de la distribucin de densidad calcular los valores de
la variable aleatoria dada.
En la siguiente tabla, vemos como a medida que aumenta el numero de

simulaciones, el valor simulado se acerca al valor original de la media y desviacin
estndar, adems de la disminucin del error tpico.
PROBLEMAS CON LINEA DE ESPERA

Simulacin de una lnea de espera con una fila y un servidor
Un sistema de colas estara definido cuando tengamos la siguiente informacion

acerca de este:
Distribucion de probabilidad de los tiempos de servicio
Distribucion de probabilidad de los tiempos entre llegadas
Numero de servidores
Numero de filas
Conexiones entre servidores y filas
Disciplinas y restricciones de los servidores y filas (en caso de que existan)
Para este primer ejemplo se utilizara el modelo de lineas de espera que se
muestra en la figura siguiente. Como se puede apreciar, es un modelo bastante
simple donde la disciplina de atencin es FIFO (primero en llegar, primero en
salir).
174
Tanto el tiempo de servicio como el tiempo entre llegadas siguen una distribucion
exponencial aunque con parametros diferentes, para el caso del tiempo entre
llegadas tenemos =15 y para el tiempo de servicio tenemos =10.
Aplicando el metodo de la transformada inversa a la distribucion exponencial
(consultar Dyner etc. al, 2008), tenemos que:
Donde corresponde a una observacin de una variable exponecial, _ es un
numero aleatorio entre cero y uno y es la media de la distribucion. Para la
implementacion del sistema descrito en Excel, abra una nueva hoja de calculo y
configurela como se muestra en la figura.
En la celda B8 escriba la formula =ALEATORIO() y arrastre hasta la celda B23.
Repita este procedimiento para la columna G. En el paso anterior, se definio los
numeros aleatorios a partir de los cuales se generaran las observaciones de
variables aleatorias de la simulacion.
Ahora, en la celda C8 escribe la formula =-LN(1-B8)/$B$4, y arrastre hasta la
celda C23.
Como se puede apreciar, esta es la formula descrita anteriormente para obtener
observaciones de una variable exponencial. En este caso, se estan generando
observaciones para la variable aleatoria de tiempos entre llegadas.
En la celda D8 escribe la formula =C8, lo anterior significa que como es la primera
llegada al sistema, su tiempo de llegada (en el instante de tiempo en el que llego
al sistema), sera igual a su tiempo entre llegadas. Sin embargo, para la celda D9
la formula correspondiente es =C9+D8, ahora arrastre la formula de D9 hasta D23;
esta formula significa que despues de que llega el primer cliente, el instante de
tiempo en el que cualquier otro cliente llega al sistema sera el instante de tiempo
en el que entro el penltimocliente sumado el tiempo entre llegadas
del ltimo cliente, es decir, si el penultimo cliente entro al sistema en el instante
t=4, y el tiempo entre llegadas del ultimo cliente es dt=2, entonces este ultimo
cliente entrara realmente al sistema en t=6.
La formula correspondiente a la celda E8 es =D8, esto significa que, al ser primer
cliente, el instante en el que llega al sistema sera el mismo instante en el que
comienza el servicio; mas adelante se presenta las formulas correspondientes al
resto de clientes del sistema en esta columna. Ahora en la celda F8 escriba la
formula =E8-D8 y arrastrela hasta la celda F23, esto corresponde al tiempo de
espera del cliente antes de comenzar a ser atendido, note que D8 nunca sera
mayor que E8 ya que el valor minimo que puede tomar el tiempo de comienzo del
servicio es el tiempo de llegada, es decir, cuando un cliente llega al sistema y no
tiene que hacer fila.
En la celda H8 escribe la formula =-LN(1-G7)/$B$5, y arrastrela hasta la celda
H23, esta formula indica cuanto tiempo tardara el servidor atendiendo al cliente
actual. Ahora en la celda I8 escriba la formula =E8+H8, esta formula indica el
instante de tiempo en el que servidor termina de atender al cliente actual y
corresponde a la suma entre el instante que comienza el servicio y la cantidad de
tiempo que este toma.
175
Retomemos ahora la columna E, notese que esta solo esta definida en su posicion
E8, esto porque primero se requeria definir otros valores antes de poder
determinar el instante en el que empieza realmente el servicio. En un sistema
como el aqui presentado se pueden tener dos casos para el tiempo de comienzo
del servicio, en primer lugar puede que el servidor se encuentre desocupado, en
este caso el tiempo de comienzo del servicio sera igual al tiempo de llegada al
sistema y no habra tiempo de espera. Sin embargo, si el servidor se encuentra
ocupado, el tiempo de comienzo del servicio sera igual al maximo entre el instante
en que el servidor termine de atender al cliente actual y el tiempo de llegada al
sistema; por si el tiempo de fin del servicio del cliente actual es igual a tfs=12 pero
el tiempo de llegada del prximo cliente es tll=14, el tiempo de comienzo del
servicio del proximo cliente sera t=14 y el servidor tendra un ocio dt=2; por otro
lado, si tfs=13 para el cliente actual y el proximo cliente tiene un tll=10, el servidor
no tendra ocio y el proximo cliente debera esperar un intervalo de tiempo dt=3. De
lo anterior se concluye que la formula para la celda E9 debe ser=MAX(D9;I8),
ahora arrastre esta formula hasta la celda E23.
Hasta este punto se tiene una simulacion de un sistema de lineas de espera con
una fila y un servidor, si se desea generar nuevas observaciones presione la tecla
F9; como tarea al lector se deja el calculo de:
Tiempo promedio en el sistema
Tiempo promedio de espera (sin incluir ceros)
Tiempo promedio de espera (incluyendo ceros)
Tiempo promedio de servicio
Tiempo promedio de ocio
Adicionalmente se plantea al lector elaborar, una simulacion en Excel que
represente el sistema que se muestra en la figura siguiente, donde p es la
probabilidad de que un cliente se dirija a S1 o a S2. Tanto el tiempo entre llegadas
como los tiempos de servicio, se distribuyen exponencial con los parametros que
se muestran a continuacion.
Tiempo entre llegadas: =8
Tiempo de servicio S1: =13
Tiempo de servicio S2: =18
Probabilidad p: 0.63
VALIDACIN DE UN SIMULADOR
PRUEBAS PARAMETRICAS (VALIDACIN DEL MODELO, PRUEBAS DE
HIPOTESIS Y PRUEBAS DE ESTIMACIN)
Validacin del modelo

Etapas en el desarrollo de un simulador.
Recordemos que las etapas nombradas para desarrollar un simulador son:
1) Identificacin del problema
2) Delimitacin del sistema
176
3) Formulacin del modelo

4) Preparacin de datos
5) Construccin del modelo
6) Validacin
7) Diseo de experimentos
8) Ejecucin de experimentos
9) Interpretacin (Inferencia)
10) Documentacin
IV) Etapa IV: Preparacin de datos, o bien obtencin de datos.
Consiste en la identificacin y captacin de los datos que requiere el modelo, de
acuerdo a la formulacin que se haya hecho en las etapas anteriores del diseo.
Los datos son para:
Las relaciones funcionales, ya sea para determinar la forma de stas,
completar su forma o expresin, o para precisar algn parmetro que en ella se
tenga.
Las variables estocsticas, que de ellas se deber determinar su funcin de
distribucin de probabilidades, tanto para variables continuas como discretas.
Las relaciones funcionales podran ser, rectas obtenidas por regresin lineal o
ajuste de curvas.
En las relaciones funcionales se debe fijar todos los parmetros que tenga; a
menos que se haya dejado como una variable de entrada al simulador.
Los datos a usar pueden ser:
Datos empricos
Datos obtenidos con distribucin tericas.

El usar datos empricos es en general ms conveniente, pero puede implicar que
el modelo quede influido por factores que se dieron en el tiempo de gestacin de
ellos y no vuelvan a repetirse.
V. Construccin del modelo
Es llevar el modelo que se tiene del simulador a un lenguaje de programacin
disponible en el computador a usar o en las configuraciones disponibles, y que
debe conocer su programacin. Luego que se tiene el programa fuente del
modelo, escrito en el lenguaje elegido, probarlo y depurarlo desde el punto de
vista computacional, hasta obtener una versin satisfactoria.
VI. Validacin
Es esta etapa se trata de establecer, y si es posible aumentar, el nivel aceptable
de confiabilidad de las inferencias efectuadas sobre el sistema real.
La validacin tiene el concepto de grado, no es un resultado dicotmico, no es un
si o no, no es vlido o invlido, no es correcto o incorrecto.
Fuentes de error
En la formulacin del modelo:
Que se excluya variables relevantes, o un atributo (esto es ms dramtico).
Que se incluya variables irrelevantes (es menos dramtico).
Mala eleccin de una funcin de distribucin de probabilidad para una

variable.
Mal establecimiento de alguna relacin funcional o de los parmetros del

modelo.
177
En los datos usados
Toma de datos con margen de error relativo importante.
Tcnica de muestreo mal aplicada. Ejemplo: Tomar todos los datos de un

sector no representativo.
Datos mal digitados o mal almacenados.

El analista hace un acto de confianza en el equipo que tena los datos.
En la construccin
Errores en los programas (de lgica, mal uso del lenguaje).
El tiempo real se simula mal.
Uso de una imagen no adecuada del mundo real. (Usar matrices de punto
para territorios, lagos, bosque, cardumen, conglomerados; en lugar del espacio R2
por ej.)
La validacin consiste en 2 etapas:
1.
Validacin de los modelos de procesos simples; esto es validar
la estructura interna del modelo.
Se valida la salida de los procesos simples y en ello se hace uso de tcnicas de
estadstica. Las relaciones funcionales tambin deben validarse. Puede hacerse
cuando se establece el modelo o en la toma de datos .No debe tomarse relaciones
funcionales desconocidas, o que no tengan ya un grado de validez aceptable.
Siempre ser posible validar las componentes o subsistemas porque se habrn
construido de manera modular para formar el modelo. En esta etapa se observar
el comportamiento del modelo en cada uno de esos procesos simples para
asegurarse que cada componente o subsistema esta bien simulado.
Validar el modelo de simulacin en su entorno, esto es validar los datos de salida.
Puede ser que la validez de la estructura sea buena, pero el resultado

combinado de los procesos simples sea casi mala.
Confrontar los resultados de la simulacin con las experiencias pasadas y

con teoras existentes al respecto:
No tomar posturas como: los resultados no me parecen correctos, pero si el

modelo lo dice yo lo acepto.
Si los resultados son absurdos, no tiene sentido continuar; cualquier otro

anlisis no convencer a los usuarios. Ningn modelo se ha aceptado si los
resultados van contra la teora.
Para modelos de importancia, de envergadura deber consultarse la

opinin de expertos.
Anlisis de sensibilidad
En las 2 etapas de la validacin (de estructura y de los datos de salida) se debe
hacer anlisis de sensibilidad.
Para ello, se vara los valores de 1 o 2 variables de entrada y se observa la
respuesta del modelo. Es de cuidado cuando el modelo es muy sensible a una
pequea variacin de una variable, y en general el modelo no es bueno cuando
ello ocurre.
Efectuar anlisis de sensibilidad de las variables dependientes ante cambios de
las variables independientes.
178
Con un simulador se puede realizar muchos anlisis de sensibilidad por el

grado de control sobre las variables de entrada (Mtodo Turing ). Luego consultar
a expertos, si es posible.
Anlisis de la capacidad de replicar los datos que se uso en su

construccin. Esta rplica no es tan importante ya que si replica los datos usados
no significa que el modelo sea bueno; y, si ni siquiera replica los datos usados es
porque el modelo de simulacin obtenido, es malo.
Anlisis de la capacidad de predecir usando datos crticos no incluidos en

los datos, o usar datos histricos o datos que se obtienen del sistema real o de
otro simulador ya probado.
Se espera que estas salidas no sean absurdas comparadas con la experiencia y la
teora. Se consulta la opinin de expertos en esta confrontacin del modelo con la
realidad presente.
Ej. Simular la evolucin de una poblacin de chinchillas dndole poblacin mxima
altsima, y datos de poblacin existentes. Consulta a expertos en chinchillas.
El modelo debe correrse muchas veces antes de llegar a tener una

probabilidad de distribucin de la respuesta de un variable de salida.
VII Diseo de experimentos
Aqu se usan las reglas y los procedimientos que la estadstica considera para el
diseo de experimentos en general y que se aplica a disear experimentos a
efectuar con el simulador.
El diseo se har orientado principalmente a los objetos que tiene el estudio o el
programa en que se inserta la construccin del simulador, o los objetivos de los
usuarios que utilizarn el simulador, y para lo cual ste fue diseado.
Se puede distinguir una etapa estratgica donde se decide el diseo de
experimentos a usar por ser el ms adecuado, y la etapa tctica donde se decide
el cmo se llevara a la prctica los experimentos del diseo a aplicar. Se ve aqu
la distribucin de recursos, el uso del tiempo y del personal.
VIII Ejecucin de los experimentos
Corresponde a la etapa operacional del diseo de experimentos.
IX Interpretacin
Se hacen las inferencias sobre el sistema real de los datos generados por el
simulador.
X. Documentacin
Se debe indicar por escrito puntos tales como: los objetivos, las componentes y
subsistemas, variables de entrada y de salida, relaciones funcionales, el modelo
formulado, la funcin de desempeo, y lo pertinente hasta aqu (Diseo lgico del
simulador).
Se debe documentar el programa computacional, los mdulos o las subrutinas, las
inter-relaciones entre mdulos y la conclusiones de la etapa de validacin (Diseo
fsico del simulador).
Confeccionar un manual de procedimiento para el uso del simulador. Este
resultar ms breve cuanto ms amigable sea el ingreso y manejo del simulador.
Deber contener alcances que faciliten la inferencia al sistema real.
XII. Explotacin
179
Es dejar el simulador con los manuales y documentacin a disposicin del o los

usuarios.
Pruebas de hiptesis
Una
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en
parmetro poblacional. Despus de recolectar una muestra aleatoria, se compara
la estadstica muestral, as como la media (x), con el parmetro hipottico, se
compara con una supuesta media poblacional. Despus se acepta o se rechaza
el valor hipottico, segn proceda. Se rechaza el valor hipottico slo si el
resultado muestral resulta muy poco probable cuando la hiptesis es cierta.
Etapas Para La Prueba De Hiptesis.
Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0)
es el valor hipottico del parmetro que se compra con el resultado muestral
resulta muy poco probable cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de
significancia del 5%, entonces se rechaza la hiptesis nula solamente si el
resultado muestral es tan diferente del valor hipottico que una diferencia de esa
magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad de 1.05 o
menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la
estadstica muestral (el estimador no segado del parmetro que se prueba) o una
versin transformada de esa estadstica muestral. Por ejemplo, para probar el
valor hipottico de una media poblacional, se toma la media de una muestra
aleatoria de esa distribucin normal, entonces es comn que se transforme la
media en un valor z el cual, a su vez, sirve como estadstica de prueba.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba.
Habiendo especificado la hiptesis nula, el nivel de significancia y la estadstica de
prueba que se van a utilizar, se produce a establecer el o los valores crticos de
estadstica de prueba. Puede haber uno o ms de esos valores, dependiendo de si
se va a realizar una prueba de uno o dos extremos.
Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al
probar un valor hipottico de la media poblacional, se toma una muestra aleatoria
y se determina el valor de la media muestral. Si el valor crtico que se establece es
un valor de z, entonces se transforma la media muestral en un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica
muestral con el valor (o valores) crticos de la estadstica de prueba. Despus se
acepta o se rechaza la hiptesis nula. Si se rechaza sta, se acepta la alternativa;
a su vez, esta decisin tendr efecto sobre otras decisiones de los
administradores operativos, como por ejemplo, mantener o no un estndar
de desempeo o cul de dos estrategias de mercadotecnia utilizar.
La distribucin apropiada de la prueba estadstica se divide en dos regiones: una
regin de rechazo y una de no rechazo. Si la prueba estadstica cae en esta ltima
180
regin no se puede rechazar la hiptesis nula y se llega a la conclusin de que

el proceso funciona correctamente.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor
crtico en la distribucin estadstica que divide la regin del rechazo (en la cual la
hiptesis nula no se puede rechazar) de la regin de rechazo. A hora bien el valor
crtico depende del tamao de la regin de rechazo.
PASOS DE LA PRUEBA DE HIPTESIS
1. Expresar la hiptesis nula
2. Expresar la hiptesis alternativa
3. Especificar el nivel de significancia
4. Determinar el tamao de la muestra
5. Establecer los valores crticos que establecen las regiones de rechazo de las
de no rechazo.
6. Determinar la prueba estadstica.
7. Coleccionar los datos y calcular el valor de la muestra de la prueba estadstica
apropiada.
8. Determinar si la prueba estadstica ha sido en la zona de rechazo a una de no
rechazo.
9. Determinar
la
decisin
estadstica.
10 Expresar la decisin estadstica en trminos del problema.
Errores de tipo I y de tipo II.
Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se ha
cometido un error de tipo I. Por otra parte, si aceptamos una hiptesis que debiera
ser rechazada, diremos que se cometi un error de tipo II. En ambos casos, se ha
producido un juicio errneo.
Para que las reglas de decisin (o no contraste de hiptesis) sean buenos, deben
disearse de modo que minimicen los errores de la decisin; y no es una
cuestin sencilla, porque para cualquier tamao de la muestra, un intento de
disminuir un tipo de error suele ir acompaado de un crecimiento del otro tipo. En
la prctica, un tipo de error puede ser ms grave que el otro, y debe alcanzarse un
compromiso que disminuya el error ms grave.
La nica forma de disminuir ambos a la vez es aumentar el tamao de la muestra
que no siempre es posible.
181
Cuestionario 4
1.- Menciona algunos lenguajes de propsito general
ASSEMBLER
FORTRAN
ALGOL o PL/I.
VISUAL BASIC
C++
2.- Menciona los lenguajes especficos para simulacin
GPSS
GASP
SIMSCRIPT
SLAM
3.- Cul es el propsito de los lenguajes de simulacin
Facilitan enormemente el desarrollo y ejecucin de simulaciones de sistemas complejos del

mundo real
4.- Menciona las caractersticas de los lenguajes de simulacin
Proporcionan automticamente las caractersticas necesarias para la programacin de un

modelo de simulacin.
Proporcionan un marco de trabajo natural para el uso de modelos de simulacin.
Los modelos de simulacin son mucho ms fcilmente modificables.
Proporcionan muchos de ellos una asignacin dinmica de memoria durante la
ejecucin.
Facilitan una mejor deteccin de los errores.
Son muy conocidos y en uso actualmente
Aprendizaje lleva cierto tiempo
Simuladores de alto nivel
Muy fciles de usar por su interface grfica
Restringidos a las reas de manufactura y comunicaciones
Flexibilidad restringida puede afectar la validez del modelo
182
5.- Cuales son las formas ms comunes de validar un modelo de simulacin?
La opinin de expertos sobre los resultados de la simulacin.

La exactitud con que se predicen datos histricos.
La exactitud en la prediccin del futuro.
La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar al
sistema real.
6.- Qu son las pruebas estadsticas no paramtricas?
Aquellas que no presuponen una distribucin de probabilidad para los datos, por ello se
conocen tambin como de distribucin libre (distribucin free).
7.- En que se basan las pruebas paramtricas?
Se basan en que se supone una forma determinada de la distribucin de valores,

generalmente la distribucin normal, en la poblacin de la que se obtiene la muestra
experimental.
8.- Para qu sirven los inventarios de materias primas?
Sirven como entradas al proceso de produccin y los inventarios de productos terminados

sirven para satisfacer la demanda de los clientes.
9.- En que se fundamenta algoritmo de Simulacin Monte Carlo Crudo o Puro?
Est fundamentado en la generacin de nmeros aleatorios por el mtodo de Transformacin

Inversa, el cual se basa en las distribuciones acumuladas de frecuencias.
10.- Cuales son los pasos a seguir del algoritmo de simulacin Monte Carlo Crudo
o Puro?
Determinar las V.A. y sus distribuciones acumuladas (F)

Generar un nmero aleatorio uniforme U (0,1).
Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las
clases que tengamos.
Calcular media, desviacin estndar error y realizar el histograma.
Analizar resultados para distintos tamaos de muestra
183
RESUMEN DE CIERRE UNIDAD IV

Puede aprender cosas acerca de cmo modelar un proyecto de simulacin por
medio de la herramienta de software Promodel, que me result muy interesante y
especialmente atractivo ya que con las animaciones dadas al ponerle run al
programa se activan las funciones proporcionadas al programar cada locacin,
entidad, proceso, arrivals, o path networks.
Adems, entend las aplicaciones que proporciona este programa al simular
situaciones de la vida real.
184
Reflexin
proporcion el profesor me ayudaron a entender la realizacin de simulaciones de
situaciones de la vida real. Los conocimientos obtenidos en la unidad me fueron
de gran ayuda y me servirn en un futuro no muy lejano para la resolucin de
problemas de simulacin. Adems, el aprendizaje en este software fue de gran
ayuda, y aunque existen ms simuladores, este es el inicio del aprendizaje a esta
materia.
185

bibliogrficamente)
EXCELENTE
SATISFACTORIO
SATISFACTORIO CON
RECOMENDACIONES
NECESITA MEJORAR
5 PUNTOS
4 PUNTOS
2 PUNTOS
0 PUNTOS
Clasifica y archiva
todas las tareas o
trabajos
contenidos y
en el bloque
curricular
o trabajos
planteados en el
bloque curricular
Clasifica y archiva
o trabajos
planteados en el
bloque curricular

no parecen estar
organizadas ni
clasificadas
186

187

188
Conclusin
La simulacin es el tipo de software educativo capaz de aprovechar todas las
potencialidades de la computadora en el proceso de enseanza aprendizaje. Entre
sus ventajas se encuentra que estimula la motivacin, la eficiencia y la
transferencia del aprendizaje a situaciones reales. Permite la experimentacin en
un ambiente controlado y sin riesgos, y es ideal para desarrollar estrategias
centradas en el estudiante. A pesar de sus muchas ventajas con respecto a otros
tipos de software educativo, es importante no perder de vista que la simulacin
tambin tiene ciertas limitaciones, principalmente porque no puede reproducir el
mundo real en toda su complejidad, y porque su diseo y programacin son ms
complicados.
La simulacin es una herramienta muy importante en cualquiera de los mbitos as
como la ingeniera tanto como en las empresas directamente.
189
BIBLIOGRAFA:

Educacin.
http://www.itvillahermosa.edu.mx/docs/oferta/ingsistemas/temario2010/5se
mestre/O%20ISIC-2010-224%20Simulacion.pdf
http://www.cca.org.mx/cca/cursos/estadistica/html/m7/var_discretas_continu
as.htm
http://pendientedemigracion.ucm.es/info/genetica/Estadistica/estadistica_ba
sica%201.htm
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060015/Lecciones/
Capitulo%20VI/lenguages.htm
http://simulacionlenin.wordpress.com/unidad-iv/
190

PORTAFOLIO SIMULACIÓN Daniela Del Carmen Aguilar Jiménez

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PORTAFOLIO SIMULACIÓN Daniela Del Carmen Aguilar Jiménez

Cargado por

Copyright:

Formatos disponibles

INSTITUTO TECNOLGICO DE TUXTLA

JOS DEL CARMEN VZQUEZ

Tuxtla Gutirrez, Chiapas a 21 de octubre de 2014

Contenido del programa de estudio ......................................................................................................... 5

PROYECTO DE SIMULACIN ........................................................................................................................ 82

Contenido del programa de estudio

1.1 Definiciones e importancia de la simulacin en la ingeniera

construccin de la bomba atmica en el proyecto Montecarlo. Desde entonces se

Fortalezas, limitaciones y expectativas del estudiante con relacin a la

Este portafolio presenta mi trayectoria en el curso: SIMULACIN.

Soy una persona que trata de ser responsable en cualquier aspecto

Mi nombre es DANIELA DEL CARMEN AGUILAR JIMNEZ. Soy

Expresiones relacionadas con el sentir del estudiante sobre aspectos acadmicos y

Temas abordados durante la clase

Objetivo del curso: Analizar, modelar, desarrollar y experimentar sistemas productivos y

Datos interesantes discutido el da 27 de Agosto de 2014.

Anlisis, sntesis y evaluacin de artculos de revistas profesionales cuyo propsito es

Realizar bsqueda en diferentes fuentes sobre la definicin de simulacin y

La operacin de un modelo puede estudiarse y con ello, inferirse las propiedades

Una definicin bastante generalizada de modelo, originada en mbitos

Clasificaciones generales de un Modelo

3. Determinstico: Un cambio en el modelo produce uno y slo un resultado. Ejemplo: Un

4. Estocstico: Un cambio en el modelo produce resultados aleatorios. Ejemplo: Un

4. Continuo: el comportamiento cambia continuamente en el tiempo, no es una cuestin

Mapa conceptual sobre la metodologa de la investigacin

Construir un diagrama con las etapas de un proyecto de simulacin

Investigar y describir la estructura y las etapas de un estudio de

ETAPAS DE UN PROYECTO DE SIMULACIN

1.-Modelacin. Fijado el objetivo que se persigue en la creacin de un problema,

ejemplos diferentes, aunque tambin pueden ser integrados diversos contenidos

Buscar y analizar los elementos que constituyen un simulador

Un simulador es un aparato, por lo general informtico, que permite la reproduccin

Visualizacin de los elementos de un simulador.

Investigar las ventajas y desventajas de la simulacin.

1. a qu se le llama nmero(s) Pseudoaleatorios(s)?

Las subsecuencias tambin deben cumplir las 2 hiptesis.

Ayuda a desarrollar la habilidad de modelacin y tambin son utilizados en la

9.- Cules son los requisitos de un buen control?

NOMBRE DEL PROYECTO: PROYECTO DE SIMULACIN APLICADO A LA EMPRESA RECARMAX

GIRO DE LA EMPRESA: COMERCIAL-SERVICIO.

RESUMEN DE CIERRE UNIDAD I

Rubrica para portafolio fsico.

Las tareas o trabajos

Total de puntos alcanzados por el alumno: ___

En el transcurso de la unidad analizamos que la simulacin conlleva a varios

Contenido del programa de estudio

1.1 Definiciones e importancia de la simulacin en la ingeniera

4.2 Aprendizaje y uso lenguaje de simulacin o un simulador

La funcin principal es servir como medio para que el estudiante pueda

nsita a que el estudiante reflexione sobre su actividad y progreso en clase.

Permite desarrollar destrezas de anlisis y solucin de problemas.

Fortalece las destrezas de bsqueda y localizacin de informacin

QUE ES UNA EVIDENCIA

3.- Propsito del Portafolio.

Prontuario del curso:

Etapas para el desarrollo de un portafolio.

Fase 2. Seleccin de evidencias.

Fase 3. Reflexin sobre las evidencias.

que lo hace mucho ms simple y entendible. Esta simulacin es en algunos casos

Este portafolio presenta mi trayectoria en el curso: Simulacin

Soy una persona que trata de ser responsable en cualquier aspecto

Mi nombre es DANIELA DEL CARMEN AGUILAR JIMNEZ. Soy

Cules fueron fciles?

Datos interesantes discutido el da 9 de septiembre del 2014