INSTITUTO TECNOLOGICO DE TUXTLA GUTIERREZ

2013
MATERIA: SIMULACION
JOSE DEL C. VAZQUEZ HDEZ INGENIERIA INDUSTRIAL 21/02/2013

ndice general Unidad

1
Temas
Introduccin a la Simulacin de eventos discretos
Subtemas
1.1. Introduccin 1.2. Definiciones y Aplicaciones 1.3. Estructura y caractersticas
de la simulacin de eventos discretos. 1.4. Sistemas, Modelos y Control 1.5. Meca
nismos de tiempo fijo y tiempo variable 1.6. Etapas de un Proyecto de simulacin 2
.1. Nmeros aleatorios: definicin, propiedades, generadores y tablas 2.2. Propiedad
es de los nmeros pseudoaleatorios. 2.3. Pruebas estadsticas de aleatoriedad para l
os nmeros pseudoaleatorios: de medias, de varianza, de independencia y de bondad
de ajuste. 2.4. Obtencin de nmeros pseudoaleatorios utilizando paquetes computacio
nales. 2.5. Mtodo de Monte Carlo 3.1. Introduccin 3.2. Generacin de variables aleat
orias discretas y continuas utilizando paquetes computacionales como Excel, ProM
odel, Arena. 4.1. Antecedentes de los lenguajes de simulacin y simuladores 4.2. A
prendizaje y uso de un Simulador como: ProModel, Arena, entre otros. 4.3. Caract
ersticas del software 4.4. Construccin de modelos 4.5. Consideraciones econmicas en
la simulacin. 4.6. Realizar prcticas utilizando el simulador para procesos produc
tivos, de transporte, lneas de espera, calidad, inventarios, entre otros. 4.7. In
terpretacin de los resultados obtenidos y generacin de propuestas de mejora para e
l modelo analizado. 5.1. Elaboracin de un proyecto final 5.2. Anlisis, modelado, s
imulacin e interpretacin de resultados para sistemas reales de empresas de manufac
tura o de servicios, a fin de detectar las mejoras posibles a realizar y propone
r acciones que mejoren su desempeo, considerando aspectos econmicos
2
Generacin de Nmeros Aleatorios
3
Generacin de Variables Aleatorias
4
Lenguajes de Simulacin y Simuladores de Eventos Discretos
5
Proyecto de Aplicacin

Unidad I. Introduccin a la Simulacin de eventos discretos 1.1. Introduccin

En aos recientes, el advenimiento de nuevos y mejores desarrollos en el rea de la
computacin ha trado consigo innovaciones igualmente importantes en los terrenos de
la toma de decisiones y el diseo de procesos y productos. En este sentido, una d
e las tcnicas de mayor impacto es la simulacin. Hoy en da, el analista tiene a su d
isposicin una gran cantidad de software de simulacin que le permite tomar decision
es en temas muy diversos. Por ejemplo, determinar la mejor localizacin de una nue
va planta, disear un nuevo sistema de trabajo o efectuar el anlisis productivo de
un proceso ya existente pero que requiere mejoras. Sin duda, la facilidad que ot
orga a la resolucin de stas y muchas otras problemticas, ha hecho de la simulacin un
a herramienta cuyo uso y desarrollo se han visto significativamente alentados. C
ada vez resulta ms sencillo encontrar paquetes de software con gran capacidad de
anlisis, as como mejores animaciones y caractersticas para generacin de reportes. En
general, dichos paquetes ya sea orientado a procesos, a servicios o de ndole gene
ral nos proveen de una enorme diversidad de herramientas estadsticas que permiten
un manejo ms eficiente de la informacin relevante bajo anlisis, y una mejor present
acin e interpretacin de la misma. El concepto de simulacin engloba soluciones para
muchos propsitos diferentes. Por ejemplo, podramos decir que el modelo de un avin a
escala que se introduce a una cmara por donde se hace pasar un flujo de aire, pu
ede simular los efectos que experimentar un avin real cuando se vea sometido a tur
bulencia. Por otro lado, algunos paquetes permiten hacer la representacin de un p
roceso de fresado o torneado: una vez que el usuario establezca ciertas condicio
nes iniciales, podr ver cmo se llevara a cabo el proceso real, lo que le permitira r
evisarlo sin necesidad de desperdiciar material ni poner en riesgo la maquinaria
. Entre los distintos tipos de procesos de simulacin que podemos utilizar, en est
e libro nos ocuparemos del que se basa en el uso de ecuaciones matemticas y estads
ticas, conocido como simulacin de eventos discretos. Este proceso consiste en rel
acionar los diferentes eventos que pueden cambiar el estado de un sistema bajo e
studio por medio de distribuciones de probabilidad y condiciones lgicas del probl
ema que se est analizando. Por ejemplo, un proceso de inspeccin donde sabemos esta
dsticamente que 0.2% de los productos tiene algn tipo de defecto puede simularse c
on facilidad mediante una simple hoja de clculo, considerando estadsticas de recha
zos y productos conformes, y asignando una distribucin de probabilidad con 0.2% d
e oportunidad de defecto para cada intento de inspeccin. En el presente captulo ab
ordaremos las definiciones bsicas de los conceptos de la simulacin de eventos disc
retos. En los siguientes se presentarn algunos otros elementos relevantes, como l
os nmeros pseudoaleatorios y las pruebas estadsticas necesarias para comprobar est
a aleatoriedad, la generacin de variables aleatorias y la caracterizacin de alguna
s

distribuciones de probabilidad de uso comn en la simulacin, lo cual nos permitir re

alizar una simulacin sencilla con ayuda de una hoja de clculo. Por ltimo, describir
emos la utilizacin de un software comercial: Promodel, una versin limitada del cua
l se incluye en este curso. La simulacin consiste bsicamente en construir modelos
informticos que describen la parte esencial del comportamiento de un sistema de i
nters, as como en disear y realizar experimentos con el modelo y extraer conclusion
es de sus resultados para apoyar la toma de decisiones. Tpicamente, se utiliza en
el anlisis de sistemas tan complejos que no es posible su tratamiento analtico o
mediante mtodos de anlisis numricos. Sus orgenes estn en los trabajos de Student para
aproximar la distribucin que lleva su nombre, y los mtodos que Von Neumann y Ulam
introdujeron para resolver ecuaciones integrales. Desde entonces, la Simulacin h
a crecido como una metodologa de experimentacin fundamental en campos tan diversos
como la Economa, la estadstica, la Informtica o la Fsica, y con enormes aplicacione
s industriales y comerciales, como los simuladores de vuelo, los juegos de simul
acin, o la prediccin burstil o meteorolgica. La crisis del petrleo de los aos setenta
oblig a la industria en general a enfocar sus esfuerzos en ser enrgicamente ms efic
ientes, inicindose as una etapa de desarrollo tecnolgico encaminado a mejorar los p
rocesos existentes y a disear otros nuevos ms eficientes. Este fue el caldo de cul
tivo necesario para motivar el desarroll en simulacin de procesos. El comienzo fue
lento y se dio en forma conceptual, experimental y acadmica en algunas compaas y u
niversidades en Estados Unidos, Canad y Europa. Para 1975 se haba generalizado el
desarrollo de simuladores con algunas aplicaciones industriales reducidas. En 19
80 empezaron a surgir compaas elaboradoras de software, que desarrollaban paquetes
de simulacin para su comercializacin, pero tenan la desventaja de que la entrada y
salida de la informacin eran muy rgidas y se presentaban en forma de listados de
difcil interpretacin. A finales de los aos 80s se inici el desarrollo de paquetes de
simulacin interactivos y su comercializacin marc el comienzo de un uso ms intensivo
y generalizado en la industria y las universidades. Entre 1991 y 1995 se inicia
la comercializacin de paquetes de simulacin dinmica y de integracin de energa. En los
ltimos aos, la simulacin de procesos en estado estacionario ha llegado a ser una h
erramienta de apoyo para el diseo de procesos industriales y adems su uso se est ex
tendiendo en las instituciones de formacin de ingenieros industriales. La simulac
in de procesos est jugando un papel muy importante en la industria de procesos, co
mo una herramienta adecuada y oportuna para el diseo, caracterizacin, optimizacin y
monitoreo del funcionamiento de procesos industriales.

Aun cuando en sus inicios la simulacin de procesos estuvo enfocada principalmente

a la industria petroqumica y de refinacin del petrleo, su aplicacin se ha ido exten
diendo a otras industrias tales como la de combustibles sintticos, pulpa y papel,
cemento, metales, minerales, alimentos, etc., en donde se involucra la fase slid
a. La simulacin de procesos industriales ha involucrado ambos comportamientos de
procesos estacionarios y dinmicos. Historia de la simulacin El galopante desarroll
o tecnolgico de las ltimas dcadas hace que los trminos que hasta hace poco tiempo er
an exclusivos de las novelas de ficcin formen parte de nuestro da a da. Con la capa
cidad de clculo de los ordenadores ms rpida, y tcnicas visuales perfeccionadas, surg
en nuevas ideas sobre desarrollos de herramientas de entrenamiento basadas en te
cnologas innovadoras. El empleo de la simulacin se presenta como uno de los mtodos
ms efectivos a la hora de trasmitir los conocimientos y anlisis en determinadas ma
terias, pero por su elevado coste solamente es alcanzable para las grandes empre
sas, o entidades con importante financiacin pblica. Gracias a los avances tecnolgic
os la simulacin ha evolucionado enormemente, permitiendo alcanzar excelentes cota
s de fiabilidad. Las capacidades de clculo actuales permiten ejecutar una serie d
e Modelos Matemticos que conjuntamente con las tcnicas visuales reflejan fielmente
la realidad en toda su complejidad. El reto que nos depara el presente es una a
plicacin masiva de la simulacin con formacin a un amplio sector de la sociedad. Ofr
ecer las bondades de esta tcnica hasta ahora accesibles a un pequeo porcentaje de
la poblacin es uno de los principales objetivos de Lander. Y lo estamos logrando,
los productos como Sistema Lander Multipropsito y Lander Simbio suponen un autnti
co punto de inflexin y acercamiento de esta tcnica de formacin a un mayor nmero de p
ersonas. Con ellos un amplio sector de la sociedad es capaz de adquirir un simul
ador, mejorar la calidad y el contenido de la formacin.
Esto no quiere decir que ya hemos cumplido nuestros retos. El progreso contina y
con l cada avance en el plano tecnolgico debe estar traducido en beneficio de las
personas. Lo que nos deparar el futuro no lo sabemos, pero estaremos ah para utili
zarlo de la mejor manera posible. Este hito histrico abri las puertas a la aplicac
in de la simulacin en el campo del proceso de control industrial as como a las sine
rgias que generaba esta simulacin basada en la experimentacin y tcnicas de anlisis p
ara descubrir soluciones exactas a problemas clsicos de la industria y la ingenie
ra.

A mediados de los aos 40 dos hechos sentaron las bases para la rpida evolucin del c
ampo de la simulacin: La construccin de los primeros computadores de propsito gener
al como el ENIAC. El trabajo de Stanislaw Ulam, John Von Neumann y otros cientfic
os para usar el mtodo de Montercarlo en computadores modernos y solucionar proble
mas de difusin de neutrones en el diseo y desarrollo de la bomba de hidrgeno. Ulam
y Von Neumann ya estuvieron presentes en el proyecto Manhattan. En 1960, Keith D
ouglas Tocher desarroll un programa de simulacin general cuya principal tarea era
la de simular el funcionamiento de una planta de produccin donde las mquinas cicla
ban por estados: Ocupado, Esperando, No disponible y Fallo; de manera que las si
mulaciones en los cambios de estado de las mquinas marcarn el estado definitivo de
la produccin de la planta. Este trabajo produjo adems el primer libro sobre simul
acin: The Art of Simulation (1963).
Para aquel entonces, IBM desarroll entre 1960 y 1961 el Sistema de Simulacin de pr
opsito general o General Purpose Simulation System (GPSS). El GPSS se dise para rea
lizar simulaciones de teleprocesos involucrando por ejemplo: control de trfico ur
bano, gestin de llamadas telefnicas, reservas de billetes de avin, etc. La sencille
z de uso de este sistema lo populariz como el lenguaje de simulacin ms usado de la p
oca.
Por otro lado, en 1963 se desarroll SIMSCRIPT, otra tecnologa alternativa al GPSS
basada en FORTRAN, ms enfocada a usuarios que no tenan por qu ser obligatoriamente
expertos informticos en RAND CORPORATION.
Complementariamente a los desarrollos llevados a cabo por RAND e IBM, el Royal N
orwegian Computing Center inici en 1961 el desarrollo del programa SIMULA con ayu
da de Univac. El resultado fue SIMULA I, probablemente el lenguaje de programacin
ms importante de toda la historia.
En 1967 se fund el WSC (Winter Simulation Conference), lugar donde desde entonces
y hasta ahora se archivan los lenguajes de simulacin y aplicaciones derivadas, s
iendo en la actualidad el referente en lo que a avances en el campo de los siste
mas de simulacin se refiere.

Periodo de expansin 1970-1981 Durante

ramientas de modelado y de anlisis de
obtenidos en la generacin de datos y
e datos, la simulacin llega a su fase
iples campos

este periodo se desarrollaron avanzadas her

resultados. Gracias tambin a los desarrollos
a las tcnicas de optimizacin y representacin d
de expansin donde comienza a aplicarse en mlt

Anteriormente, los datos de salida obtenidos de una simulacin por computadora se

presentaban en una tabla o matriz, de manera que se mostraba el efecto que los ml
tiples cambios en los parmetros tenan sobre los datos. El empleo del formato de ma
triz se deba al uso tradicional que se haca de la matriz en los modelos matemticos.
Sin embargo, los psiclogos advirtieron que los seres humanos perciban mejor los c
ambios en el desarrollo de las situaciones si miraban grficos o incluso imgenes en
movimiento animaciones generadas a partir de dichos datos, como las que se ejec
utan en las animaciones de imgenes generadas por computadora. Tabla 1.1. Cronologa
de la simulacin Ao
1942-1945 1950 s 1961 1961-1979 1977 J 1980 s 1990 sEvento
J. V. Neumann S. Ulman desarrollan el mtodo de Montecarlo Estudios de capacidad d
e las lneas telefnicas G. Gordon disea el lenguaje de simulacin GPSS Impulso de los
ordenadores por transistores, Conferencias sobre Aplicacin de la simulacin Henriks
en mostr el pseudocdigo para la implementacin de modelos de simulacin de eventos dis
cretos Nuevos lenguajes donde integran resultados de simulacin, animacin SIMAN IV
y CINEMA IV. Surgen metodologas independientes del lenguaje de simulacin Nuevos si
stemas donde el proceso de simulacin est totalmente integrado, acercamiento de la
simulacin a la empresa privada
1.2.
Definiciones y Aplicaciones Definiciones Es una tcnica numrica para conducir experi
mentos en un computador digital, la cual incluye ciertos tipos de relaciones lgic
as y matemticas necesarias para describir la estructura y comportamiento de un si
stema complejo del mundo real sobre un periodo de tiempo.

Tambin se considera a la simulacin como un proceso para describir la esencia de la

realidad, el cual incluye la construccin, experimentacin y manipulacin de un model
o complejo en un computador. Conjunto de relaciones lgicas, matemticas y probabilsim
as que integran el comportamiento de un sistema bajo estudio cuando se presenta
un evento determinado (Garca Dunna Eduardo. Garca reyes Heriberto y Crdenas Barrn Leo
poldo Eduardo). Simulacin es una tcnica numrica para conducir experimentos en una c
omputadora digital, estos experimentos comprenden ciertos tipos de relaciones ma
temticas 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 ti
empo (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 d
e la vida real o de un sistema a travs del tiempo. La simulacin involucra la gener
acin de una historia artificial de un sistema, la observacin de esta historia medi
ante la manipulacin experimental, nos ayuda a inferir las caractersticas operacion
ales de tal sistema (JERRY BANKS). Simulacin es una tcnica numrica para realizar ex
perimentos en una computadora digital, estos experimentos involucran ciertos tip
os de modelos matemticos y lgicos que describen el comportamiento de sistemas de n
egocios, 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 desarroll
ar 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). Aplicaciones generales Sistemas de computacin: redes d
e ordenadores, componentes, programacin, bases de datos, fiabilidad. Fabricacin: m
anejo de materiales, lneas de montaje, equipos de almacenamiento, control de inve
ntario, mantenimiento, distribucin en planta, diseo de mquinas Negocios: anlisis de
existencias, poltica de precios, estrategias de marketing, estudios de adquisicin,
anlisis de flujo de caja, prediccin, alternativas del transporte, planificacin de
mano de obra.

Gobierno: armamento y su uso, tcticas militares, prediccin de la poblacin, uso del

suelo, prevencin de incendios, servicios de polica, justicia criminal, diseo de vas
de comunicacin, servicios sanitarios. Ecologa y medio ambiente: contaminacin y puri
ficacin del agua, control de residuos, contaminacin del aire, control de plagas, p
rediccin del tiempo, anlisis de sismos y tormentas, exploracin y explotacin de miner
ales, sistemas de energa solar, explotacin de cultivos. Sociedad y comportamiento:
estudios de alimentacin de la poblacin, polticas educativas, estructuras organizat
ivas, anlisis de sistemas sociales, sistemas de asistencia social, administracin u
niversitaria. Biociencias: rendimiento en el deporte, control de epidemias, cicl
os de vida biolgicos, estudios biomdicos 1.3. Estructura y caractersticas de la sim
ulacin de eventos discretos Sistema: La definicin bsica de sistema nos dice que se
trata de un conjunto de elementos que se interrelacionan para funcionar como un
todo; desde el punto de vista de la simulacin, tales elementos deben tener una fr
ontera clara. Por ejemplo, podemos hablar del sistema de atencin de clientes en u
n banco, del sistema de inventarios de una empresa o del sistema de atencin en la
sala de emergencia de un hospital.
Atributos: Un atributo es una caracterstica de una entidad. Por ejemplo, si la en
tidad es un motor, los atributos seran su color, peso, tamao o cilindraje. Los atr
ibutos son muy tiles para diferenciar entidades sin necesidad de generar una enti
dad nueva, y pueden adjudicarse al momento de la creacin de la entidad, o asignar
se y/o cambiarse durante el proceso.
Son las caractersticas de las entidades, con las cuales se describen y diferencia
n. Por ejemplo, son atributos de los pacientes, como la edad, el sexo, la duracin
de su enfermedad, la gravedad de sta y el cumplimiento del tratamiento.
Un atributo importante en las evaluaciones econmicas, fundamental en los estudios
de costoutilidad, sera la calidad de vida. sta se puede estudiar de forma detalla
da incluyndola mediante un atributo.
Todas las entidades tienen los mismos tipos de atributos, pero con diferentes va
lores para cada entidad; los valores de los atributos estn, por tanto, ligados a
una entidad concreta. Por

ejemplo, todos los pacientes tienen edad o presin arterial, pero cada uno posee un va
lor especfico. El atributo puede asignarse como un valor especfico, una muestra de
una distribucin o el resultado de una expresin (p. ej., de una ecuacin condicional
).
Existen varios tipos de atributos Tipos de Atributos

P: Parmetros son atributos fijados durante el diseo del sistema U: Variables de en

tradas o exgenos, fijadas por el entorno D: Variables de entradas fijadas por el
usuario Y: Variables de salida son las variables de estado o combinacin de ellas
correspondiente a medidas del sistema
Sucesos: Hechos que ocurren en un instante de tiempo y que dan lugar a cambios e
n el estado del sistema.
Colas: Estados pasivos de una entidad mientras espera el inicio de una actividad
Estados: Condiciones del modelo o sus entidades, de forma que se puede saber si
una accin se puede ejecutar o si se puede elegir entre varias.
Reloj de simulacin Puesto que en este tipo de simulacin se est considerando la evol
ucin temporal del sistema, cuyo estado se modifica slo en instantes discretos de t
iempo a causa de la aparicin de algn evento, ser necesario introducir un reloj de si
mulacin que registre el tiempo virtual transcurrido desde la puesta en marcha del
sistema, y que permita referenciar el instante exacto en que ocurre cada uno de
los eventos. Es importante no confundir el tiempo virtual

que marca el reloj de simulacin con el tiempo de computacin, el cual registra el t

iempo real transcurrido desde que la simulacin se puso en marcha.
El tiempo marcado por el reloj de simulacin hace explcito el paso del tiempo a lo
largo del modelo. Esto hace posible sealar el comienzo y el final de la simulacin,
y la aparicin de eventos clnicos en su momento exacto, sin necesidad de ciclos de
duracin fija. Esto permite una simulacin ms eficiente y realista en funcin de la ap
aricin de los eventos durante el curso de la enfermedad en los pacientes.
Tambin permite la creacin de relojes secundarios que marcan tiempos importantes, c
omo la estancia hospitalaria, el tiempo de ausencia de efectos adversos o la sup
ervivencia.
Puesto que los cambios en el sistema se producen slo cuando ocurre algn evento, qu
eda claro que el estado del sistema no sufrir ninguna variacin entre 2 eventos con
secutivos. Este hecho da sentido a una de las polticas ms habituales para controla
r el reloj de simulacin: si se sabe que el evento n se acaba de producir en el in
stante virtual actual , y que el evento n + 1 se producir en el instante virtual
, dado que entre ambos instantes no pasar nada de inters, se avanzar el reloj de simu
lacin hasta el instante tn+1, y se asignar dicho instante a la variable del progra
ma que representa el reloj de simulacin. Tras avanzar el reloj hasta el instante
, se lleva a cabo la actualizacin de las variables de estado y estadsticas del sis
tema. Este proceso de avance hasta el siguiente evento y actualizacin de variables
se repite de forma indefinida hasta que se verifique alguna condicin de fin de la
simulacin.
Entidades Son los elementos dinmicos que se simulan a travs del modelo, cambian de
estatus, afectan y son afectados por otras entidades y son los protagonistas de
los eventos clnicos de estudio del modelo.
Normalmente, en la simulacin de una enfermedad se representan pacientes, pero pue
den representarse tambin distintos componentes, como enfermeras, familiares o mdic
os. Estas entidades suponen una diferencia importante respecto a los rboles de de
cisin o a los modelos de Markov, en los cuales se especifican los resultados clnic
os, estados o transiciones de los pacientes, pero stos en s no son caracterizados
como elementos explcitos del modelo, tal como ocurre en los MSED.

Eventos Es todo aquello que puede ocurrir durante la simulacin en funcin del proce
so que estamos estudiando. Por ejemplo, un evento puede ser un efecto adverso, u
na admisin hospitalaria, el alta del hospital, un cambio de dosis o una baja labo
ral. El concepto de evento va ms all de las transiciones de los modelos de Markov,
ya que la aparicin de un evento no necesariamente implica el cambio de estado de
salud del paciente (p. ej., una visita al mdico). A pesar de que hay una secuenc
ia temporal dada, los eventos pueden suceder de forma casi simultnea y pueden hac
erlo en cualquier secuencia lgica en relacin con la historia plausible del proceso
de estudio (p. ej., fallo en un rgano diana o fallo multiorgnico en un paciente c
on sepsis). Al contrario que en los modelos de Markov, estos eventos no presenta
n ningn tipo de restriccin de memoria.
Los riesgos de que los diferentes eventos ocurran pueden tomar la forma de funci
ones dependientes de los datos y depender de algunos atributos y variables. Esta
s funciones pueden cambiar durante la simulacin.
Variables Las variables definen el modelo y reflejan una caracterstica del conjun
to, no de entidades especficas. Son especificaciones que se mantienen a lo largo
del modelo, aunque sus valores pueden cambiar durante el proceso de simulacin, y
van a definir el entorno de la simulacin afectndolo a lo largo de todo el proceso.
Las variables de uso comn son: el horizonte temporal (duracin de la simulacin), la
s tasas de descuento para los costos y los beneficios, las tasas de incidencia,
la proporcin de cada tratamiento al inicio, la tasa de admisin o la perspectiva de
uso. Slo hay una copia de cada variable que se mantiene para todo el modelo.
Recursos Definidos en un tiempo determinado, su consumo lleva asociado el gasto
de una serie de unidades de dichos recursos en momentos de tiempo concretos. En
el mbito sanitario estos recursos se pueden dividir en personas (mdicos, enfermera
s, cuidadores), bienes (medicamentos, pruebas de laboratorio), espacios (camas h
ospitalarias, quirfanos) entre otros.
Algunos recursos pueden consumirse de manera simultnea en un momento dado, pero l
o ms frecuente es que las entidades tengan que competir por estos recursos, que a
dems tienen un costo unitario de uso.

Un recurso puede tener diferentes unidades de capacidad (pensemos, por ejemplo,

en las camas en una sala de emergencia o en el nmero de mdicos en una zona geogrfic
a determinada).
Acumuladores estadsticos Son variables que acumulan la informacin de lo que ha pas
ado sin participar en el suceso mismo, es decir, son pasivos. Dependen de la car
acterizacin de los resultados pedidos al modelo. Al final de la simulacin, se usan
para obtener el resultado final, y las medidas de stos (cocientes costo efectivi
dad). Algunos ejemplos de acumuladores estadsticos son la supervivencia, los cost
os asociados a los pacientes o el nmero de visitas en un tiempo determinado.
Colas Cuando un paciente utiliza un determinado recurso, ste deja de estar dispon
ible para el resto de los pacientes, lo cual puede generar colas en el sistema.
Esta situacin no suele tenerse en cuenta en otro tipo de modelos, en los que los
recursos parecen gozar de una capacidad infinita (lo cual est alejado de la mxima
de la escasez de recursos en funcin de las necesidades de la poblacin, que es una
caracterstica de la toma de decisiones en sanidad). Esta conceptualizacin est vincu
lada a la idea del costo de oportunidad de los recursos en la propia estructura
del modelo.
Retrasos Se pueden generar 2 tipos de retrasos: explcitos, que son los que se gen
eran por algn tipo de accin o proceso (p. ej., la duracin de los exmenes mdicos), e i
mplcitos, causados por otras acciones o condiciones en la simulacin del modelo (p.
ej., colas para acceder a una prueba diagnstica).
Cuando se escribe un programa de simulacin para MSED se puede realizar una aproxi
macin del esquema temporal de funcionamiento de las entidades en el sistema. As, d
eber describirse la secuencia de eventos y actividades que realizarn las entidades
durante su estancia en el sistema y cmo se modificarn. Algunos de los sistemas ms
estudiados son los problemas de colas que se aplican en determinadas situaciones
, como la espera que deben tener los pacientes entre visita y visita, si los cen
tros donde son tratados no pueden absorber toda su demanda (p. ej., en un centro
e instante de tiempo slo puede ser tratado un paciente a la vez).

A modo de resumen, para llevar a cabo la simulacin del sistema se deben seguir un
a serie de etapas, ampliamente identificadas y discutidas en la literatura cientf
ica (Figura):
Clasificacin de modelos 1. Esttico. Las variables de estado no dependen del tiempo
2. Dinmico. El valor de las variables de estado es modificado en el tiempo 3. De
terminista. Si el sistema no contiene ningn elemento aleatorio es un sistema dete
rminstico. 4. Estocstico. En este caso algn elemento del sistema tiene una conducta
aleatoria. Para valores de entradas conocidas no es posible asegurar los valore
s de salida. 5. Continuo. Se tiene un sistema continuo cuando las relaciones fun
cionales entre las variables del sistema slo permiten que el estado evolucione en
el tiempo en forma continua (basta que una variable evolucione continuamente).M
atemticamente, el estado cambia en infinitos puntos de tiempo.

6. Discreto. Se tiene un sistema discreto cuando las relaciones funcionales del

sistema slo permiten que el estado vare en un conjunto finito (contable) de puntos
temporales. Las causas instantneas de los cambios de estados se denominan evento
s.
1.4. Sistemas, Modelos y Control Un Sistema se define como una coleccin de entida
des (por ejemplo, personas, mquinas, etc.) que actan e interactan juntas para logra
r un fin comn. En la prctica, qu se entiende por sistema?, depende de los objetivos
del estudio particular que se pretenda hacer. El conjunto de entidades que compo
nen el sistema para un estudio puede ser slo un conjunto de todas las entidades u
tilizadas para otro estudio.
Se puede definir el estado de un sistema con un conjunto de variables necesarias
para describir el sistema en un punto particular de tiempo, relativo a los obje
tivos del estudio. Los sistemas se pueden clasificar en dos tipos, discretos y c
ontinuos. Un sistema discreto es aquel en el que las variables de estado cambian
instantneamente en puntos separados en el tiempo. Un sistema continuo es aquel e
n el que las variables de estado cambian continuamente con respecto al tiempo. E
n la prctica muchos sistemas no son completamente discretos o continuos, usualmen
te es posible clasificarlos en base al tipo de cambios que predominen en el mism
o.
En algunos momentos en la vida de un sistema es necesario estudiar el mismo para
entender las relaciones entre sus componentes o predecir su comportamiento bajo
nuevas condiciones que se consideran. Existen diferentes formas de estudiar un
sistema (Figura 1.1):
Experimentar sobre el sistema actual frente a experimentar con un modelo del sis
tema. Lo primero es preferible siempre y cuando se pueda alterar el sistema con
las nuevas condiciones y no sea muy costoso. Sin embargo es muy raro que esto se
pueda llevar a cabo, ya que normalmente estos experimentos suelen ser muy costo
sos o muy destructivos para el sistema. Incluso puede ocurrir que el sistema no
exista pero se quiera estudiar posibles alternativas de construccin del mismo (si
stemas de fabricacin, armas nucleares, etc.). Por estas razones es necesario cons
truir un modelo que represente al sistema y estudiar ste para poder responder a l
as cuestiones planteadas sobre el sistema.
Modelo fsico frente a modelo matemtico: Para muchos la palabra modelo, evoca imgene
s de miniaturas, cabinas separadas de los aviones para el entrenamiento de los p
ilotos, etc. Estos son ejemplos de modelos fsicos (tambin conocidos como modelos i
cnicos). Sin embargo la mayora de los modelos construidos para estudiar los sistem
as son matemticos, los cuales

representan un sistema en trminos de relaciones cuantitativas y lgicas que pueden

ser cambiadas para ver cmo el modelo reacciona y ver as como debera comportarse el
sistema, si el modelo es vlido.
Solucin Analtica frente a Simulacin: Una vez que se ha construido un modelo matemtic
o, ste debe examinarse para poder concluir el comportamiento del sistema y as resp
onder a las cuestiones planteadas sobre el mismo. Si el modelo es simple, es pos
ible trabajar con estas cantidades y relaciones y obtener una solucin analtica exa
cta. Sin embargo hay veces en las que obtener una solucin analtica resulta complej
o y necesita muchos recursos de computacin. En estos casos el modelo puede ser es
tudiado por medio de simulacin, es decir, se ejercita el modelo numricamente por m
edio de entradas para ver cmo stas afectan a las medidas de salida o ejecucin.
Los modelos deben contener slo los aspectos esenciales del sistema real que repre
sentan. Aquellos aspectos del sistema que no contribuyen significativamente en s
u comportamiento no se deben incluir, ya que lo que haran sera obscurecer las rela
ciones entre las entradas y las salidas. En qu punto se debe parar de incluir real
ismo en el modelo? Esto depende del propsito para el cual el modelo se haya desar
rollado.

Caractersticas que deben presentar los modelos:

Deben ser fciles de entender y man
ejar. Deben ser simples y de costo no excesivo. Deben ser una buena aproximacin d
el sistema real, que controle el mayor nmero posible de aspectos del mismo y que s
tos contribuyan de forma significativa al sistema (hay relaciones en el sistema
que no son significativas y pueden obviarse en el modelo).
El diseo y control de modelos de modelos obliga a tener conocimientos de cuatro re
as de conocimiento distintas:
Modelizacin: necesarios para disear el modelo que pe
rmita dar respuestas vlidas del sistema real que represente. El diseo es una fase
muy importante, ya que los errores proporcionarn modelos falsos. Programacin: ya q
ue el modelo se ha de implantar con un lenguaje de programacin. Probabilidad y Es
tadstica: la probabilidad es necesaria para definir y estudiar las variables alea
torias de las entradas, y la estadstica para permitir el diseo y anlisis de los exp
erimentos. Mtodos Heursticos: para permitir llegar a una solucin buena del problema
planteado.

Control: Es el elemento de verificacin de datos del sistema, mediante el cual, au

tomticamente vuelve a traer los datos necesarios relacionados con la rutina de pr
ocedimiento que se controla. Un Sistema de Control est definido como un conjunto
de componentes que pueden regular su propia conducta o la de otro sistema con el
fin de lograr un funcionamiento predeterminado, de modo que reduzcan las probab
ilidades de fallos y se obtengan los resultados buscados. La finalidad de un sis
tema de control es conseguir, mediante la manipulacin de las variables de control
, un dominio sobre las variables de salida, de modo que estas alcancen unos valo
res prefijados (consigna). 1.5. Mecanismos de tiempo fijo y tiempo variable Part
e de la construccin de modelos es el mecanismo de avance de tiempo. Este depender
de la aproximacin elegida para describir el comportamiento del sistema. Si se eli
gi la aproximacin de flujo fsico, este diagrama de flujo podra refinarse para conver
tirse en el diagrama de flujo del programa. Si se sigui la aproximacin de cambio d
e estado, el

diagrama de flujo desarrollado debera describir el procedimiento que efecta los ca

mbios de estado en el tiempo. Otros dos factores inciden en la construccin del di
agrama de flujo del programa: elegir un mecanismo de avance del tiempo y el leng
uaje de programacin que se seleccione. Hay fundamentalmente dos formas de conside
rar el avance del tiempo en un modelo de simulacin: Incrementos fijos de tiempo:
se considera un intervalo fijo de tiempo y el estado del modelo se comprueba des
pus de transcurrido cada uno de estos incrementos constantes. Incrementos por los
eventos (N.E.T.A., Next Event Time Advance): las comprobaciones y modificacione
s de las variables afectadas se realizan slo despus de la ocurrencia de un evento.
Aqu el incremento de tiempo es variable, va desde la ocurrencia de un evento a o
tro. El avance del tiempo de simulacin depende de cul de las aproximaciones se eli
ja. Si se elige el incremento por eventos, el reloj se inicializa a 0, y se incr
ementa al siguiente tiempo en que vaya a ocurrir un suceso, en ese momento, en e
ste momento de actualizacin del reloj se modifican las variables que se vean afec
tadas por la ocurrencia del suceso. Si por el contrario se elige un incremento d
e tiempo fijo, el reloj se inicia a 0 y se va actualizando cada vez que pase el
incremento de tiempo fijado. En esos instantes se observar el sistema para realiz
ar los cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o
que por el contrario que hayan ocurrido ms de un suceso con lo cual se tendr que d
ecidir cul atender antes (por ejemplo dando prioridad a los sucesos). En esta apr
oximacin pueden ocurrir errores de redondeo, que hacen referencia a la diferencia d
e tiempo que pasa desde que sucede un suceso hasta que ste se computa (cuando el
reloj se incrementa). Hay que tener cuidado en la eleccin del incremento de tiemp
o. Si ste es demasiado pequeo se realizar trabajo intil, ya que se comprobarn cambios
cuando en realidad no ha ocurrido ningn suceso. Por el contrario si es demasiado
grande se producirn muchos errores de redondeo y la dinmica del modelo ser inefici
ente. Avance del reloj de simulacin segn los sucesos. Avance del reloj de simulacin
en incrementos fijos.

1.6. Etapas de un Proyecto de simulacin 1. Definicin del sistema bajo estudio. En

esta etapa es necesario conocer el sistema a modelar. Para ello se requiere sabe
r qu origina el estudio de simulacin y establecer los supuestos del modelo: es con
veniente definir con claridad las variables de decisin del modelo, determinar las
interacciones entre stas y establecer con precisin los alcances y limitaciones qu
e aquel podra llegar a tener. Antes de concluir este paso es recomendable contar
con la informacin suficiente para lograr establecer un modelo conceptual del sist
ema bajo estudio, incluyendo sus fronteras y todos los elementos que lo componen
, adems de las interacciones entre stos, flujos de productos, personas y recursos,
as como las variables de mayor inters para el problema. 2. Generacin del modelo de
simulacin base. Una vez que se ha definido el sistema en trminos de un modelo con
ceptual, la siguiente etapa del estudio consiste en la generacin de un modelo de
simulacin base. No es preciso que este modelo sea demasiado detallado, pues se re
quiere mucha ms informacin estadstica sobre el comportamiento de las variables de d
ecisin del sistema. La generacin de este modelo es el primer reto para el programa
dor de la simulacin, toda vez que debe traducir a un lenguaje de simulacin la info
rmacin que se obtuvo en la etapa de definicin del sistema, incluyendo las interrel
aciones de todos los posibles subsistemas que existan en el problema a modelar.
En caso de que se requiera una animacin, ste tambin es un buen momento para definir
qu grfico puede representar mejor el sistema que se modela. Igual que ocurre en o
tras ramas de la investigacin de operaciones, la simulacin exige ciencia y arte en
la generacin de sus modelos. El realizador de un estudio de simulacin es, en este
sentido, como un artista que debe usar toda su creatividad para realizar un bue
n modelo que refleje la realidad del problema que se est analizando. Conforme se
avanza en el modelo base se pueden ir incluyendo las variables aleatorias del si
stema, con sus respectivas distribuciones de probabilidad asociadas. 3. Recolecc
in y anlisis de datos. De manera paralela a la generacin del modelo base, es posibl
e comenzar la recopilacin de la informacin estadstica de las variables aleatorias d
el modelo. En esta etapa se debe determinar qu informacin es til para la determinac
in de las distribuciones de probabilidad asociadas a cada una de las variables al
eatorias innecesarias para la simulacin. Aunque en algunos casos se logra contar
con datos estadsticos, suele suceder que el formato de almacenamiento o de genera
cin de reportes no es el apropiado para facilitar el estudio. Por ello es muy imp
ortante dedicar el tiempo suficiente a esta actividad. De no contar con la infor
macin necesaria o en caso de desconfiar de la que se tiene disponible, ser necesar
io realizar un estudio estadstico del comportamiento de la variable que se desea
identificar, para posteriormente incluirla en el modelo. El anlisis de los datos
necesarios para

asociar una distribucin de probabilidad a una variable aleatoria, as como las prue
bas que se debe aplicar a los mismos, se analizarn ms adelante. Al finalizar la re
coleccin y anlisis de datos para todas las variables del modelo, se tendrn las cond
iciones necesarias para generar una versin preliminar del problema que se est simu
lando. 4. Generacin del modelo preliminar. En esta etapa se integra la informacin
obtenida a partir del anlisis de los datos, los supuestos del modelo y todos los
datos que se requieran para tener un modelo lo ms cercano posible a la realidad d
el problema bajo estudio. En algunos casos sobre todo cuando se trata del diseo de
un nuevo proceso o esquema de trabajo no se cuenta con informacin estadstica, por
lo que debe estimarse un rango de variacin o determinar (con ayuda del cliente) v
alores constantes que permitan realizar el modelado. Si ste es el caso, el encarg
ado de la simulacin puede, con base en su experiencia, realizar algunas sugerenci
as de distribuciones de probabilidad que comnmente se asocien al tipo de proceso
que se desea incluir en el modelo. Al finalizar esta etapa el modelo est listo pa
ra su primera prueba: su verificacin o, en otras palabras, la comparacin con la re
alidad. 5. Verificacin del modelo. Una vez que se han identificado las distribuci
ones de probabilidad de las variables del modelo y se han implantado los supuest
os acordados, es necesario realizar un proceso de verificacin de datos para compr
obar la propiedad de la programacin del modelo, y comprobar que todos los parmetro
s usados en la simulacin funcionen correctamente. Ciertos problemas, en especial
aquellos que requieren muchas operaciones de programacin o que involucran distrib
uciones de probabilidad difciles de programar, pueden ocasionar que el comportami
ento del sistema sea muy diferente del que se esperaba. Por otro lado, no se deb
e descartar la posibilidad de que ocurran errores humanos al alimentar el modelo
con la informacin. Incluso podra darse el caso de que los supuestos iniciales hay
an cambiado una o varias veces durante el desarrollo del modelo. Por lo tanto, d
ebemos asegurarnos de que el modelo que se va a ejecutar est basado en los ms actu
ales. Una vez que se ha completado la verificacin, el modelo est listo para su com
paracin con la realidad del problema que se est modelando. A esta etapa se le cono
ce tambin como validacin del modelo. 6. Validacin del modelo. El proceso de validac
in del modelo consiste en realizar una serie de pruebas al mismo, utilizando info
rmacin de entrada real para observar su comportamiento y analizar sus resultados.
Si el problema bajo simulacin involucra un proceso que se desea mejorar, el mode
lo debe someterse a prueba con las condiciones actuales de operacin, lo que nos d
ar como resultado un comportamiento similar al que se presenta realmente en nuest
ro proceso. Por otro lado, si se est diseando un nuevo proceso la validacin resulta
ms complicada. Una manera de validar el modelo en este caso, consiste en introdu
cir algunos escenarios sugeridos por el

cliente y validar que el comportamiento sea congruente con las expectativas que
se tienen de acuerdo con la experiencia. Cualquiera que sea la situacin important
e que el analista conozca bien el modelo, de manera que pueda justificar aquello
s comportamientos que sean contrarios a las experiencias de los especialistas en
el proceso que participan de su validacin. 7. Generacin del modelo final. Una vez
que el modelo se ha validado, el analista est listo para realizar la simulacin y
estudiar el comportamiento del proceso. En caso de que se desee comparar escenar
ios diferentes para un mismo problema, ste ser el modelo raz; en tal situacin, el si
guiente paso es la definicin de los escenarios a analizar. 8. Determinacin de los
escenarios para el anlisis. Tras validar el modelo es necesario acordar con el cl
iente los escenarios que se quiere analizar. Una manera muy sencilla de determin
arlos consiste en utilizar un escenario pesimista, uno optimista y uno intermedi
o para la variable de respuesta ms importante. Sin embargo, es preciso tomar en c
uenta que no todas las variables se comportan, igual ante los cambios en los dis
tintos escenarios, por lo que tal vez sea necesario que ms de una variable de res
puesta se analice bajo las perspectivas pesimista, optimista e intermedia. El ri
esgo de esta situacin radica en que el analista podra caer en un diseo de experimen
tos capaz de generar una gran cantidad de rplicas, lo que redundara en un incremen
to considerable de costo, anlisis y tiempo de simulacin. Es por ello que muchos pa
quetes de simulacin cuentan con herramientas para realizar este proceso, eliminan
do la animacin y acortando los tiempos de simulacin. Estas herramientas permiten r
ealizar varias rplicas del mismo escenario para obtener resultados con estadsticas
importantes respecto de la toma de decisiones (por ejemplo, los intervalos de c
onfianza).
Por su parte, el analista tambin puede contribuir a la seleccin de escenarios, sug
iriendo aquellos que considere ms importantes; al hacerlo dar pie a que se reduzca
el nmero de combinaciones posibles. 9. Anlisis de sensibilidad. Una vez que se ob
tienen los resultados de los escenarios es importante realizar pruebas estadstica
s que permitan comparar los escenarios con los mejores resultados finales. Si do
s de ellos tienen resultados similares ser necesario comparar sus intervalos de c
onfianza respecto de la variable de respuesta final. Si no hay interseccin de int
ervalos podremos decir con certeza estadstica que los resultados no son iguales;
sin embargo, si los intervalos se traslapan ser imposible determinar, estadsticame
nte hablando, que una solucin es mejor que otra. Si se desea obtener un escenario
"ganador" en estos casos, ser necesario realizar ms rplicas de cada modelo y/o inc
rementar el tiempo de simulacin de cada corrida. Con ello se busca acortar los in
tervalos de confianza de las soluciones finales y, por consiguiente, incrementar
la probabilidad de diferenciar las soluciones.

10. Documentacin del modelo, sugerencias y conclusiones. Una vez realizado el anli
sis de los resultados, es necesario efectuar toda la documentacin del modelo.
Esta documentacin es muy importante, pues permitir el uso del modelo generado en c
aso de que se requieran ajustes futuros. En ella se deben incluir los supuestos
del modelo, las distribuciones asociadas a sus variables, todos sus alcances y l
imitaciones y, en general, la totalidad de las consideraciones de programacin. Ta
mbin es importante incluir sugerencias tanto del uso del modelo como sobre los re
sultados obtenidos, con el propsito de realizar un reporte ms completo. Por ltimo,
debern presentarse asimismo las conclusiones del proyecto de simulacin, a partir d
e las cuales es posible obtener los reportes ejecutivos para la presentacin final
.
Ventajas e inconvenientes de la simulacin de eventos discretos Como hemos visto h
asta ahora, la simulacin es una de las diversas herramientas con las que cuenta e
l analista para tomar decisiones y mejorar sus procesos. Sin embargo, es necesar
io destacar que, como todas las dems opciones de que disponemos, la simulacin de e
ventos discretos presenta ventajas y desventajas que, es preciso tomar en cuenta
al determinar si es apta para resolver un problema determinado.
Dentro de las ventajas ms comunes que ofrece la simulacin podemos citar las siguie
ntes: a) Es muy buena herramienta para conocer el impacto de los cambios en los
procesos sin necesidad de llevarlos a cabo en la realidad. b) Mejora el conocimi
ento del proceso actual al permitir que el analista vea cmo se comporta el modelo
generado bajo diferentes escenarios. c) Puede utilizarse como medio de capacita
cin para la toma de decisiones. d) Es ms econmico realizar un estudio de simulacin q
ue hacer muchos cambios en los procesos reales. e) Permite probar varios escenar
ios en busca de las mejores condiciones de trabajo de los procesos que se simula
n. f) En problemas de gran complejidad, la simulacin permite generar una buena so
lucin. g) En la actualidad los paquetes de software para simulacin tienden a ser ms
sencillos, lo que facilita su aplicacin. h) Gracias a las herramientas de animac
in que forman parte de muchos de esos paquetes es posible ver cmo se comportar un p
roceso una vez que sea mejorado.

Entre las desventajas que pueden llegar a presentar la simulacin estn: a) Aunque m
uchos paquetes de software permiten obtener el mejor escenario a partir de una c
ombinacin de variaciones posibles, la simulacin no es una herramienta de optimizac
in. b) La simulacin puede ser costosa cuando se quiere emplearla en problemas rela
tivamente sencillos de resolver, en lugar de utilizar soluciones analticas que se
han desarrollado de manera especfica para ese tipo de casos. c) Se requiere bast
ante tiempo generalmente meses para realizar un buen estudio de simulacin; por desg
racia, no todos los analistas tienen la disposicin (o la oportunidad) de esperar
ese tiempo para obtener una respuesta. d) Es preciso que el analista domine el u
so del paquete de simulacin y que tenga slidos conocimientos de estadstica para int
erpretar los resultados.

Unidad II. Generacin de Nmeros Aleatorios En este captulo se discuten las tcnicas de
transformacin inversa, el mtodo de convolucin y ms brevemente la tcnica de aceptacinrechazo. Otra tcnica el mtodo de composicin, es discutida por Fisherman [1978] y La
w y Kelton [1991]. Todas las tcnicas en este captulo consideran que se conoce como
fuente la uniformidad U(0,1) de los nmeros aleatorios R1,R2,...., donde cada Ri
tiene una funcin de densidad de probabilidad (FDP). ( ) [
Y la funcin de densidad acumulada de probabilidad (FDA) ( ) {
2.1. Nmeros aleatorios: definicin, propiedades, generadores y tablas Historia En e
l siglo XVII, un noble francs, Antoine Gombauld (1607-1684), puso en tela de juic
io el fundamento matemtico del xito y fracaso en las mesas de juego. Formul esta pr
egunta al matemtico francs Balies Pascal (1623-1662): Cules son las posibilidades de
que me salgan dos seises por lo menos una vez en veinticuatro lanzamientos de u
n par de dados?, Pascal resolvi el problema, pues la teora de la probabilidad empe
zaban a interesarle tanto como a Gombauld. Ambos compartieron sus ideas con el f
amoso matemtico Pierre de Fermat (16011665), y las cartas escritas por los tres c
onstituyen la primera revista acadmica dedicada a la probabilidad. Algunos de los
problemas que ellos resolvieron haban permanecido si solucin durante unos 300 aos.
Sin embargo, ciertas probabilidades numricas para ciertas combinaciones de dados
ya haban sido calculadas por Giordamo Cardano (1501-1576) y por Galileo Galileo
(1564-1642).
Ms tarde, Jacob Bernoulli (1654-1705), Abraham de Moivre (1667-1754), el reverend
o Thomas Bayes (1702-1761) y Joseph Lagrange (1736-1813) inventaron formulas y tc
nicas de probabilidad. En el siglo XIX, Pierre Simn, marqus de Laplace (1749-1827)
, unifico esas primeras ideas y formul la primera teora general de la probabilidad
, la cual fue aplicada inicialmente con buenos resultados a los juegos de azar;
con el tiempo tambin se aplic en la bsqueda de soluciones analticas a problemas de n
aturaleza no determinstica. La teora de la probabilidad ha sido constantemente des
arrollada desde el siglo XVII y ampliamente aplicada en diversos campos de estud
io. Hoy es una herramienta importante en la mayora de las reas

de ingeniera, ciencias y administracin, y se constituye en la base para el estudio

de las leyes de azar.
Definicin Los nmeros aleatorios son aquellos que pueden ser generados a partir de
fuentes de aleatoriedad, las cuales, generalmente, son de naturaleza fsica (dados
, ruletas, mecanismos electrnicos o mecnicos), y son gobernados por las leyes del
azar; stos exhiben verdadera aleatoriedad en la realizacin de experimentos. Por su
parte, los nmeros pseudo-aleatorios son aquellas que tienen un comportamiento si
milar a la naturaleza aleatoria, pero estn ceidos a un patrn, generalmente de natur
aleza matemtica, que hace que su comportamiento sea determinante.
Los nmeros aleatorios son nmeros que deben de cumplir los requisitos de espacio eq
uiprobable, es decir, que todo elemento tenga la misma probabilidad de ser elegi
do y que la eleccin de uno no dependa de la eleccin del otro. Son generados por me
dio de una funcin determinista (no aleatoria) y que aparentan ser aleatorios.
Propiedades de los nmeros aleatorios 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 1
4. Cualquier nmero que pertenezca al rango de inters debe tener la misma probabili
dad de resultar sorteado. La distribucin de los nmeros debe ser uniforme en todo e
l intervalo [0,1]. La aparicin de un nmero en la secuencia, no afecta la probabili
dad de sortear otro (o el mismo) nmero. Los nmeros deben ser independientes dentro
de toda la serie generada. El ciclo del generador debe ser lo suficientemente g
rande. La serie debe volverse a repetir. Capaz de generar nmeros pseudo-aleatorio
s a altas velocidades. Requerir una mnima cantidad de la capacidad de memoria de
Computadora Estadsticamente independientes. Su media debe ser estadsticamente igua
l a 1/2. Su varianza debe ser estadsticamente igual a 1/12. Su periodo o ciclo de
vida debe ser largo. Deben ser generados a travs de un mtodo rpido. Generados a tr
avs de un mtodo que no requiera mucha capacidad de almacenamiento de la computador
a

Generadores de nmeros aleatorios Los mtodos para generar nmeros aleatorios involucr
an algn proceso fsico cuasi-aleatorio, que genera sucesiones de nmeros aleatorios d
e determinada longitud. El requisito general para las sucesiones es la independe
ncia estadstica. Para esto, existen varios mtodos:
Mtodos manuales: Dispositivos mecnicos o electrnicos, lanzamientos de monedas o dad
os, empleo de barajas, ruletas. Son menos prcticos pero simples, lentos, atractiv
os, pedaggico. Pero no pueden reproducirse.
Tablas de bibliotecas: Generados por los mtodos anteriores. Estn en tablas. Siempr
e pueden reproducirse, pero es un sistema lento. Determinados problemas requiere
n ms nmeros aleatorios que los publicados.
Mtodos de computacin analgica: Dependen de procesos fsicos aleatorios, por ejemplo:
el ruido trmico de un circuito con semiconductores, que convertido en un nmero bin
ario, representa un valor numrico aleatorio. Se considera que conducen a verdader
os nmeros aleatorios.
Mtodos de computacin digital: Se han sugerido tres mtodos para producir nmeros aleat
orios cuando se usan computadoras digitales; provisin externa, generacin interna,
relacin de recurrencia.
En los modelos estocsticos existirn una o ms variable aleatorias interactuando. Est
as variables siguen distribuciones de probabilidad tericas o empricas, diferentes
a la distribucin uniforme (0-1). Para generar nmeros que sigan el comportamiento d
e stas variables, se pueden utilizar algunos mtodos como los siguientes: 1. Mtodo d
e la transformada inversa 2. Mtodo de rechazo 3. Mtodo de composicin, y 4. Procedim
ientos especiales
Existen en la actualidad tcnicas para generar con una computadora, variables alea
torias uniformemente distribuidas, r (en donde r 0 y 1 r). Los nmeros generados p
or estas subrutinas de computadora se denominan nmeros pseudo-aleatorios, porque
se generan a partir de una frmula totalmente determinstica mediante la computacin.
Sus propiedades

estadsticas, coinciden con las de los nmeros generados a travs de un dispositivo fo

rtuito idealizado que selecciona nmeros de un intervalo unitario (0,1) de un modo
independiente en donde son igualmente probables todos los nmeros. A condicin de q
ue estos nmeros pseudo aleatorios puedan pasar el conjunto de pruebas estadsticas
(las de frecuencia, auto correlacin, producto rezagado, corridas, de distancia y
as sucesivamente) implicadas por un dispositivo fortuito idealizado, tales nmeros
pseudoaleatorios se pueden tratar corno si "en realidad lo fueran" a pesar de qu
e no lo son.

Ejemplos de aplicacin
Simulacin: La reproduccin de fenmenos naturales neces
aleatorios. En Fsica los ejemplos clsicos: Fsica Estadstica, Fsica de Partculas Muest
reo: Muchas veces es poco prctico examinar todos los casos posibles. Un muestreo
aleatorio puede revelar un comportamiento tpico. Anlisis Numrico: Tcnicas numricas ne
cesitan nmeros aleatorios Programacin de ordenadores: Tests de efectividad de algo
ritmos Toma de decisiones: Se rumorea que algunos ejecutivos tiran monedas al ai
re para tomar decisiones. Esttica: Un toque de aleatoriedad puede resultar agrada
ble Juegos: De aqu proviene el propio mtodo para generacin de nmeros aleatorios
Generacin de nmeros pseudo-aleatorios Para realizar una simulacin se requieren nmero
s aleatorios en el intervalo (0,1), a los cuales se har referencia como es decir,
una secuencia que contiene n nmeros, todos ellos diferentes; n recibe el nombre
de periodo o ciclo de vida del generador que cre la secuencia . Los constituyen l
a parte medular de la simulacin de procesos estocsticos, y generalmente se usan pa
ra generar el comportamiento de variables aleatorias, tanto continuas como discr
etas. Debido a que no es posible generar nmeros realmente aleatorios, consideramo
s los como nmeros pseudo aleatorios, generados por medio de algoritmos determinsti
cos que requieren parmetros de arranque. Para simular el comportamiento de una o
ms variables aleatorias es necesario contar con un conjunto suficientemente grand
e de que permita, por ejemplo, que la secuencia tenga al menos un periodo de vid
a de . De acuerdo con L Ecuyer una secuencia de con periodo de vida de es relati
vamente pequea; de hecho, incluso una secuencia de que contenga un ciclo de vida
de se considera pequea. En la

actualidad contamos ya con generadores y procesadores capaces de construir una s

ecuencia de con periodo de vida de . Algoritmo de cuadrados medios Este algoritm
o no congruencial fue propuesto en la dcada de los cuarenta del siglo XX por Von
Neumann y Metrpolism. Requiere un nmero entero detonador (llamado semilla) con D dg
itos, el cual es elevado al cuadrado para seleccionar del resultado los D dgitos
del centro; el primer nmero r se determina simplemente anteponiendo el "0."a esos
dgitos. Para obtener el segundo se sigue el mismo procedimiento, slo que ahora se
elevan al cuadrado los D dgitos del centro que se seleccionaron para obtener el p
rimer Este mtodo se repite hasta obtener n nmeros A continuacin se presentan con ms
detalle los pasos para generar nmeros con el algoritmo de cuadrados medios. 1. Se
leccionar una semilla (Xo) con D dgitos (D > 3). 2. Sea Xo = resultado de elevar
dgitos del centro. 3. Sea Y. = resultado de elevar =0.D dgitos del centro para tod
a al cuadrado; sea X, = los D dgitos del centro, y sea
al cuadrado; sea
= los D dgitos del centro, y sea
4. Repetir el paso 3 hasta obtener los n nmeros
deseados. agregue ceros a la
Nota: Si no es posible obtener los D dgitos del centro del nmero izquierda del nmer
o . Ejemplo 1. Generar los primeros 5 nmeros observar que D = 4 dgitos. a partir d
e una semilla
, de donde se puede

El algoritmo de cuadrados medios generalmente es incapaz de generar una secuenci

a de t con periodo de vida n grande. Adems, en ocasiones slo es capaz de generar un
nmero, por ejemplo, si ;, entonces ; y se dice que el algoritmo se degenera con
la semilla de
Algoritmo de productos medios
La mecnica de generacin de nmeros pseudo aleatorios de este algoritmo no congruenci
al es similar a la del algoritmo de cuadrados medios. La diferencia entre ambos
radica en que el algoritmo de productos medios requiere dos semillas, ambas con
D dgitos; adems, en lugar de elevarlas al cuadrado, las semillas se multiplican y
del producto se seleccionan los D dgitos del centro, los cuales formarn el primer
nmero pseudo aleatorio = 0.D dgitos. Despus se elimina una semilla, y la otra se mu
ltiplica por el primer nmero de D dgitos, para luego seleccionar del producto los
D dgitos que conformarn un segundo nmero ri. Entonces se elimina la segunda semilla
y se multiplican el primer nmero de D dgitos por el segundo nmero de D dgitos; del
producto se obtiene el tercer nmero . Siempre se ir eliminando el nmero ms antiguo,
y el procedimiento se repetir hasta generar n nmeros pseudo aleatorios. A continuacin
se presentan con ms detalle los pasos del mtodo para generar nmeros con el algorit
mo de producto medios. 1. Seleccionar una semilla (Xo) con D dgitos (D > 3). 2. S
eleccionar una semilla (X}) con D dgitos (D > 3). 3. Sea 4. Sea ( centro para tod
a ; sea = los D dgitos del centro, y sea = los D dgitos del centro, y sea dgitos de
l centro. dgitos del
) sea
5. Repetir el paso 4 hasta obtener los n nmeros r deseados. Nota: Si no es posible
obtener los D dgitos del centro del nmero /^agregue ceros a la izquierda del nmero
Ejemplo 2. Generar los primeros 5 nmeros a partir de las semillas que ambas semi
llas tienen D = 4 dgitos. y ; observe

Algoritmo de multiplicador constante Este algoritmo no congruencial es similar a

l algoritmo de productos medios. Los siguientes son los pasos necesarios para ge
nerar nmeros pseudo aleatorios con el algoritmo de multiplicador constante. 1. Se
leccionar una semilla (Xo) con D dgitos (D > 3). 2. Seleccionar una constante (a)
con D dgitos (D > 3). 3. Sea 4. Sea para toda ; sea X, = los D dgitos del centro,
y sea ; sea = los D dgitos del centro, y sea dgitos del centro. dgitos del centro
5. Repetir el paso 4 hasta obtener los n nmeros
deseados. agregue ceros a la
Nota: Si no es posible obtener los D dgitos del centro del nmero izquierda del nmer
o Ejemplo 3
Generar los primeros 5 nmeros ri a partir de la semilla Xo = 9 803 y con la const
ante a = 6 965. Observe que tanto la semilla como la constante tienen D = 4 dgito
s.

Algoritmo lineal Este algoritmo congruencial fue propuesto por D. H. Lehmer15 e

n 1951. Segn Law y Kelton, este algoritmo ha sido el ms usado. El algoritmo congru
encial lineal genera una secuencia de nmeros enteros por medio de la siguiente ec
uacin recursiva: ( ) ( )
Donde es la semilla, a es la constante multiplicativa, c es una constante aditiv
a y m es el mdulo; X_o >0, a>0, c>0 y m>0 deben ser nmeros enteros. La operacin "mo
d m" significa multiplicar por a, sumar c y dividir el resultado entre m para ob
tener el residuo . Es importante sealar que la ecuacin recursiva del algoritmo con
gruencial lineal genera una secuencia de nmeros enteros y que para obtener nmeros
pseudo aleatorios en el intervalo (0,1) se requiere la siguiente ecuacin
Ejemplo 4 Generar 4 nmeros entre (0<A<1) con los siguientes parmetros: 100. = 37,
a= 19, c=33 y m =
En el ejemplo anterior se colocaron de manera arbitraria cada uno de los parmetro
s requeridos^, a, c, m. Sin embargo, para que el algoritmo sea capaz de lograr e
l mximo periodo de vida n, es preciso que dichos parmetros cumplan ciertas condici
ones. Banks, Carson, Nelson y Nicol sugieren lo siguiente.

Bajo estas condiciones se obtiene un periodo de vida mximo ejemplo ms, tomando en
cuenta lo anterior. Ejemplo 5
. Veamos un
Generar suficientes nmeros entre (0 y 1) con los parmetros y , hasta encontrar el
periodo de vida mximo (N). Como podemos ver, si se cumplen las condiciones que Ba
nks, Carson, Nelson y Nicol sugieren, se lograr el periodo mximo . A continuacin se
presenta el desarrollo de la generacin de los nmeros r.

2.2. Propiedades de los nmeros atorios Las propiedades de los nmeros aleatorios, s
on las que se muestran a continuacin:
Los nmeros deben estar uniformemente di
uidos es decir, los nmeros aleatorios pueden estar entre 0 y 1, y en algn momento
sern 0 o 1. La media establecida por los nmeros aleatorios debe ser de 0.5. = 0.5.
La probabilidad de salir un nmero de forma aleatoria es: , debe estar entre 0 y 1
. La desviacin estndar de los nmeros aleatorios debe ser de aproximadamente 0.29, e
s decir Son estadsticamente independientes. Sin repeticin dentro de una longitud d
eterminada de la sucesin. Los nmeros aleatorios debe ser reproducibles, es decir,
la misma semilla utilizada para generar los nmeros aleatorios debe dar la misma s
ucesin.

Prueba de pker utilizado como mtodo de independencia estadstica en nmeros aleatorios

. La varianza de los nmeros aleatorios debe ser de 1/12. Es impredecible conocer
qu valor va a tener cada nmero aleatorio y cul va a ser su secuencia

Propiedades de los nmeros pseudoaleatorios Es deseable que los nmeros pseudoaleato

rios uniformes posean las siguientes caractersticas:
Uniformemente distribuidos.
Estadsticamente independientes. Reproducibles. Periodo largo. Generados mediante
un mtodo rpido. Generados mediante un mtodo que no requiera mucha capacidad de alma
cenamiento de la computadora.
2.3. Pruebas estadsticas de aleatoriedad para los nmeros pseudoaleatorios: de medi
as, de varianza, de independencia y de bondad de ajuste. Existen algunos mtodos d
isponibles para verificar varios aspectos de la calidad de los nmeros pseudoaleat
orios. Si no existiera un generador particular de nmeros aleatorios disponible, s
e le recomienda al analista usar estos mtodos cuando se realice una simulacin. Una
de las propiedades que deben cumplir los nmeros del conjunto , es que el valor e
sperado sea igual a 0.5. La prueba que busca determinar lo anterior es la llamad
a prueba de medias, en la cual se plantean las siguientes hiptesis:
La prueba de medias consiste en determinar el promedio de los n nmeros que contiene
el conjunto , mediante la ecuacin siguiente:
Posteriormente se calculan los lmites de aceptacin inferior y superior con las ecu
aciones siguientes:


( (

) )
Si el valor de r se encuentra entre los lmites de aceptacin, concluimos que no se
puede rechazar que el conjunto tiene un valor esperado de 0.5 con un nivel de ac
eptacin de . En caso contrario se rechaza que el conjunto ri tiene un valor esper
ado de 0.5. Para el clculo de los lmites de aceptacin se utiliza el estadstico por m
edio de la tabla de distribucin normal estndar. Ejemplo
.
, el cual se determina

( (

) )
( (

) )

Prueba de variancia Consiste en verificar si los nmeros aleatorios generados tien

en una variancia de 0.083, del tal forma que la hiptesis queda expresada como: (
) ( ) Paso: 1 calcular la varianza de los nmeros aleatorios

( ) Paso: 2 calcular los lmites de aceptacin

(
)
(
( )
) )
( (
) )
( )
(
Paso: 3 Si V(x) se encuentra entre los valores de los lmites, aceptamos la hiptesi
s nula y los nmeros aleatorios tienen una varianza estadsticamente igual.
Ejemplo. Realice la prueba de varianza a los siguientes
nfianza del 95%
0.72484 0.71890 0.34565 0.82345 0.03991 0.48999 0.61234
0.50502 0.86322 0.67347 0.05389 0.93716 0.39528 0.94134
0.36782 0.99872 0.25678 0.59289 0.98953 0.90234 0.27657

30 nmeros con nivel de co

0.02345 0.12387 0.10461
0.10987 0.82474 0.16894
0.25593 0.36782 0.73231

(
( )
) ) ( ) ) ( ) ( ) ) ( )
( (
( )
(
Por lo tanto el valor se encuentra dentro de los limites por lo que aceptamos qu
e la varianza de la muestra es estadsticamente igual a Pruebas de independencia L
as pruebas de independencia consisten en demostrar que los nmeros generados son e
stadsticamente independientes entre s, esto es, que no depende uno de otro. Para e
sto se propone la siguiente hiptesis: Independiente Dependiente

Para realizar esta prueba de hiptesis existen varios mtodos, puede seleccionarse c
ualquiera de la siguiente lista: i. ii. iii. iv. v. vi. vii. Prueba de pker. Prue
ba de corridas arriba y abajo. Prueba de corridas arriba y abajo de la media. Pr
ueba de la longitud de las corridas. Prueba de distancia. Prueba de series. Prue
ba de huecos.
Los procedimientos para demostrar la independencia utilizando 3 de ellas son los
siguientes: Prueba de pker Independiente Dependiente Paso 1 Calcular las probabi
lidades esperadas para un juego de pker con 5 cartas numeradas del O al 9 con rem
plazo, se tienen 7 eventos o intervalos, con las siguientes probabilidades:
( ( ( ( ( ) ) ) ) ) ) )
Paso 2 Calcular la frecuencia esperada de cada uno de los eventos ( ) multiplica
ndo la probabilidad de cada evento por el nmero de nmeros aleatorios generados.
Paso 3 Para cada nmero aleatorio generado verificar (imaginando que es una mano d
e pker) si es Pachuca, un par, dos pares, etctera, tomando los primeros cinco dgito
s a la derecha del punto decimal. Por ejemplo, 0.03408 es un par, 0.44343 es un
full, 0.00321 dos pares, etctera. Con

( (

esos resultados se generan una tabla de frecuencias de estos eventos. La frecuen

cia observada de cada uno de los eventos se conoce como (FO). Paso 4 Calcular el
estadstico C con la ecuacin 3.8 con .
Paso 5 Si el valor de C es menor o igual al estadstico de tablas con 6 grados de
libertad y una probabilidad de rechazo a, entonces se acepta que los datos son e
stadsticamente independientes entre s.
Ejemplo. Realice la prueba de pker a los siguientes 30 nmeros con un nivel de conf
ianza del 95%.
Agrupando los nmeros de acuerdo con sus dgitos, como si fuera una mano de pker se o
btiene la siguiente tabla de frecuencias:
Intervalo Pachuca Un par Dos pares Una tercia Full Pker Quintilla FO 14 15 1 1 0
0 0 PE 0.3024 0.5040 0.1080 0.0720 0.0090 0.0045 0.0001 FE=n*PE) 9.072 15.120 3.
240 2.160 0.270 0.135 .003
El clculo de C utilizando de nuevo la ecuacin es igual a 4.25 que comparado contra
el valor de tablas con grados de libertad, y con un nivel de 5%, que es igual a
12.59, indica que los nmeros generados son estadsticamente independientes. ( )

La prueba de Kolmogorov-Smirnov Esta prueba compara la fdp (funcin de densidad de

probabilidad) uniforme con el fdp (funcin de densidad de probabilidad) emprico, N
observaciones. Por definicin ( ) Conforme N crece, nula sea verdadera. ( ) deber
tener una mejor aproximacin de ( ) dado que la hiptesis ( ), de la distribucin ( )
de una muestra de
( ) La prueba Kolmogorov-Smirnov est basada en la desviacin mxima absoluta entre (
) sobre el rango de la variable aleatoria- Esto es, basado en la estadstica. | (
) ( )| ( )y
La distribucin de la muestra D es conocida y es tabulada como una funcin de N en l
a tabla Kolmogorov-Smirnov. Para probar contra una fdp uniforme, el procedimient
o sigue los pasos siguientes: Paso 1: Ordene los datos en forma ascendente. Sea
tal que Paso 2: Usando la fdp terica [ [ , en la ms pequea observacin,
( ), calcule ] ]
Paso 3: Calcule
(
) de la tabla para un nivel de significancia y un tamao
Paso 4: Encuentre el valor crtico de muestra N.
Paso 5: Si al valor crtico , acepte la distribucin candidato como aquella que tien
e un buen ajuste a los datos observados; de otra forma rechace.

Esta prueba est basada en la desviacin absoluta mayor entre las fdp emprica y terica
para todo valor dado de Esta desviacin es comparada con los valores crticos de ta
bulados para determinar si la desviacin puede ser atribuida a los efectos aleator
ios y por lo tanto sea una distribucin candidato a ser aceptada tener un buen aju
ste a los datos observados. Ms especficamente, la prueba tiene los pasos siguiente
s:
Ejemplo: En este ejemplo se usa la prueba para examinar bajo un nivel de signifi
cancia de si un conjunto de datos representa nmeros aleatorios (por ejemplo esta
la distribucin uniforme entre 0 y 1). Suponga que cinco datos son dados: 0.53, 0.
35, 0.03, 0.94, y 0.22 Solucin. Para la distribucin Uniforme la fdp es ( ) Para es
te caso particular . Por lo tanto ( ) en forma ascendente y se realizan los clcul
os relativos. La tabla siguiente resume los clculos realizados:
( ) 1 2 3 4 5 0.03 0.22 0.35 0.53 0.94 0.20 0.40 0.60 0.80 1.00 ( ( )) 0.17 0.18
0.25 0.27 0.06 ( ) ( 0.03 0.02 -0.05 -0.07 -0.14 )
(
)
. Ahora se ordenan los valores
1 de la De acuerdo a los clculos ( ) . El valor crtico de tabla en el apndice de ta
blas para un tamao de 5 y un nivel de significancia de 0.05 es . Debido a que D e
s menor que este valor crtico, la hiptesis de que los datos dados pertenecen a una
distribucin Uniforme es aceptada.
EJEMPLO 5. Efectuar la prueba de Kolmogorov Smirnov a la siguiente muestra de nme
ros aleatorios uniformes.
0.15 0.26 0.33 0.25 0.18 0.31 0.34 0.49 0.83 0.11 0.81 0.70 0.77 0.68 0.03 0.48
0.31 0.04 0.97 0.59 0.01 0.07 0.43 0.11 0.25 0.60 0.06 0.92 0.00 0.55
1
KS kolmorov Smirnov

Sustituyendo los valores en las frmulas correspondientes se tiene que:

i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
30 ( 0.00 0.01 0.03 0.04 0.06 0.07 0.11 0.11 0.15 0.18 0.25 0.25 0.26 0.31 0.33
0.34 0.34 0.43 0.48 0.49 0.55 0.59 0.60 0.68 0.70 0.77 0.81 0.83 0.92 0.97 0.03
0.07 0.10 0.13 0.17 0.20 0.23 0.27 0.30 0.33 0.36 0.40 0.43 0.47 0.50 0.53 0.57
0.60 0.63 0.67 0.70 0.73 0.77 0.80 0.83 0.87 0.90 0.93 0.97 1.00 ) ( 0.03 0.06 0
.07 0.09 0.11 0.13 0.12 0.16 0.15 0.15 0.11 0.15 0.17 0.16 0.17 0.19 0.23 0.17 0
.15 0.18 0.15 0.14 0.17 0.12 0.13 0.1 0.09 0.1 0.05 0.03 )
Siguiendo con el paso 4 | ( )|
Comparamos el valor (calculado) contra el valor en tablas de la distribucin Kolmo
gorovSmirnov con y un nivel de significancia el cual es , como 0.23 es menor que
0.242, entonces, no se puede rechazar la uniformidad de los nmeros aleatorios.

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 sub-intervalos
. 3. Para cada sub-intervalo contar la frecuencia observada y calcular la frecue
ncia esperada FE de nmeros aleatorios, la cual se obtiene dividiendo N/n. 4. Calc
ular el estadstico de prueba. ( )

5. Comparar el valor calculado contra el valor tabulado de la distribucin con ( )

grados de libertad y una significancia ?. Si es menor que entonces no se puede
rechazar la uniformidad de los nmeros aleatorios. EJEMPLO 4. Realizar la prueba d
e bondad de ajuste Ji-cuadrada a la siguiente muestra de tamao 30 de nmeros aleato
rios uniformes.
0.15 0.26 0.33 0.25 0.18 0.31 0.34 0.49 0.83 0.11 0.81 0.70 0.77 0.68 0.03 0.48
0.31 0.04 0.97 0.59 0.01 0.07 0.43 0.11 0.25 0.60 0.06 0.92 0.00 0.55
INTERVALO 0.00 - 0.20 0.21 - 0.40 0.41 - 0.60 0.61 - 0.80 0.81 - 1.00
FE 6 6 6 6 6
FO 10 7 6 3 4
( 2.67 0.17 0.00 1.50 0.67
)
Sea = 5%. Tenemos ( distribucin Ji cuadrada es:
) grados de libertad, es decir
. El valor en tablas de la

Como es menor que es decir; 5.01 es menor que 9.49, entonces no se puede rechaza
r la uniformidad de los nmeros aleatorios. Corridas por arriba y por abajo del pr
omedio Procedimiento Generar la muestra de tamao N de nmeros aleatorios. Con base
en esta muestra, obtener una nueva sucesin binaria, segn el criterio siguiente:
es menor o igual a 0.50 entonces asignarle a el smbolo 0. Si es mayor a 0.50 ent
onces asignarle a: el smbolo 1. La frecuencia esperada para cada longitud de corr
ida i, es:
( )
EJEMPLO 6. Dada la siguiente muestra de tamao 30 de nmeros aleatorios, aplicar la
prueba de corridas, para la independencia
0.15 0.26 0.33 0.25 0.18 0.31 0.34 0.49 0.83 0.11 0.81 0.31 0.77 0.68 0.03 0.48
0.70 0.04 0.97 0.59 0.01 0.07 0.43 0.11 0.25 0.60 0.06 0.92 0.00 0.55
Comparando los nmeros aleatorios segn el criterio establecido, se obtiene la sigui
ente sucesin binaria. Leyendo de izquierda a derecha se agrupan los smbolos del mi
smo tipo para formar las corridas.
0 0 0 0 0 0 0 0 1 0 1 0 1 1 0 0 1 0 1 1 0 0 0 0 0 1 0 1 0 1
En la siguiente tabla se resume la informacin necesaria para el clculo de la Ji-cu
adrada.
Longitud de corrida i 1 2 3 FE 8.000 3.875 1.875 FO 9 3 2 ( 0.125 0.197 0.008 )

Si

4 5
0.906 0.438
1 1
0.010 0.721
Como para las longitudes de corrida ; las frecuencias observadas son menores o i
gual a cinco, agrupamos estas longitudes de corridas en una sola longitud de cor
rida? 2. i 1 >=2 FE 8 7.04 FO 9 7 ( 0.125 0.936 )
El valor en tablas de nmeros aleatorios.
; entonces no se puede rechazar la independencia de los
Corridas ascendentes y descendentes Procedimiento 1. 2.
Generar la muestra de ta
mao N de nmeros aleatorios. Construir la sucesin binaria de acuerdo al siguiente cr
iterio: Si es menor o igual a rj+1 entonces asignarle a el smbolo Si es mayor que
entonces asignarle al el smbolo .
Con base en la distribucin efectuar la prueba, donde la frecuencia esperada de la
s longitudes de corrida se calcular con: |( ) ( ( ) )|
EJEMPLO 7. Aplicar la prueba de las corridas ascendentes y descendentes a la mue
stra de nmeros aleatorios del ejemplo anterior. Compararemos a los nmeros por fila
, pero es indistinto hacerlo por columna.
0.15 0.26 0.33 0.25 0.18 0.31 0.34 0.49 0.83 0.11 0.81 0.70 0.77 0.68 0.03 0.48
0.31 0.04 0.97 0.59 0.01 0.07 0.43 0.11 0.25 0.60 0.06 0.92 0.00 0.55

Ahora la sucesin binaria es

0 0 0 0 1 0 0 0 1 1 1 0 1 0 0 1 1 0 1 1 0 1 1 1 0 1 0 1 0
Obsrvese que la ltima celda se deja en blanco, pues no hay con qu nmero comparar. (A
qu N = 29) Longitud de corrida i 1 2 3 4 5 FE 11.500 5.083 1.400 0.292 0.005 FO 1
1 5 2 (FE-FO)2/FE 0.020 0.001 0.257
i 1 >=2
FE 11.500 6.483
FO 11 7
(FE-FO)2/FE 0.020 0.004 X02 = 0.024
Como el valor calculado de 0.024 es menor que el valor en tablas de Ji-cuadrada
, no se puede rechazar la independencia de los nmeros aleatorios.
2.4. Obtencin de nmeros pseudoaleatorios utilizando paquetes computacionales. Los
lenguajes precursores en Simulacin fueron los de propsito general, entre ellos por
mencionar solo algunos tenemos: FORTRAN, ALGOL, COBOL, RPG, BASIC, PASCAL, MODU
LA, PL/1, etc. Los principales lenguajes utilizados en Simulacin son:
Simulacin de cambio continuo y de cambio discreto en computadoras hbridas H01; Sim
ulacin de incremento continuo con orientacin a ecuaciones directas con nfasis en ec
uaciones 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 d
e 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 transaccion
es GPSS y BOS. Los paquetes de mayor utilizacin en Simulacin son: EXCEL, STELLA, S
IMAN, RISK, STORM, LINDO, CRYSTAL BALL, QSB, MOR/DS, OR/MS, BEER GAME, GREENPACE
, SIMULACION, TAYLOR II, CAPRE, SIMNET II, PROMODEL, ITHINK, URBAN DYNAMICS y PO
WERSIM. En Simulacin Gerencial podemos citar: FISH BANK, FINANACAT, BUGA-BUGA y M
ARKOPS, TREE PLAN entre otros.
2.5. Mtodo de Monte Carlo El mtodo Montecarlo es un mtodo numrico que permite resolv
er problemas fsicos y matemticos mediante la simulacin de variables aleatorias. Lo
vamos a considerar aqu desde un punto de vista didctico para resolver un problema
del que conocemos tanto su solucin analtica como numrica. El mtodo Montecarlo fue ba
utizado as por su clara analoga con los juegos de ruleta de los casinos, el ms clebr
e de los cuales es el de Montecarlo, casino cuya construccin fue propuesta en 185
6 por el prncipe Carlos III de Mnaco, siendo inaugurado en 1861. La importancia ac
tual del mtodo Montecarlo se basa en la existencia de problemas que tienen difcil
solucin por mtodos exclusivamente analticos o numricos, pero que dependen de factore
s aleatorios o se pueden asociar a un modelo probabilstica artificial (resolucin d
e integrales de muchas variables, minimizacin de funciones, etc.). Gracias al ava
nce en diseo de los ordenadores, clculos Montecarlo que en otro tiempo hubieran si
do inconcebibles, hoy en da se presentan como asequibles para la resolucin de cier
tos problemas. En estos mtodos el error , donde N es el nmero de pruebas y, por ta
nto, ganar una cifra decimal en la precisin implica aumentar N en 100 veces. La b
ase es la generacin de nmeros aleatorios de los que nos serviremos para calcular p
robabilidades. Conseguir un buen generador de estos nmeros as como un conjunto est
adstico adecuado sobre el que trabajar son las primeras dificultades con la nos v
amos a encontrar a la hora de utilizar este mtodo. En el caso que presentamos hem
os hecho uso de la funcin random(x) incluida en la clase Math que la mquina virtua
l Java trae por defecto como generador. Las pruebas realizadas, algunas de las

cuales se propondrn como ejercicio, verifican su calidad a la hora de calcular nme

ros aleatorios sin tendencia aparente a la repeticin ordenada. El mtodo de Monteca
rlo permite resolver problemas matemticos mediante la simulacin de variables aleat
orias. John Von Neumann, en los aos 40 y con los primeros ordenadores, aplica la
simulacin para resolver problemas complejos que no podan ser resueltos de forma an
altica. Montecarlo y su casino estn relacionados con la simulacin. La ruleta, juego
estrella de los casinos, es uno de los aparatos mecnicos ms sencillos que nos per
miten obtener nmeros aleatorios para simular variables aleatorias. Ejemplo
Una cadena de distribucin de material informtico ha de decidir cuantas licencias d
e un nuevo sistema operativo ha de comprar para maximizar su beneficio. Dispone
de informacin histrica que le informa sobre la probabilidad de vender cierto nmero
de copias. El costo de adquisicin de cada licencia es de 75 , el precio de venta d
e 100 . Cuando salga a la venta el nuevo S.O. el almacn podr devolver al fabricante
las copias no vendidas obteniendo un ingreso de 25 por cada licencia devuelta.
n
Lic.Vendidas Prob. 100 0.30 150 0.20 200 0.30 250 0.15 300 0.05
Prob. Acum. 0.30 0.50 0.80 0.95 1.00
Ext.Inf.Interv. 0.00 0.30 0.50 0.80 0.95
Ext.Sup.Interv. 0.30 0.50 0.80 0.95 1.00
n
Lic.Vendidas 100 150 200 250 300
Costo de cada licencia Precio de venta unitario Ingresos por devolucin Cantidad L
ic. a comprar B
Media muestral Desv. Estandar Mx. B
Mn. B
Nivel significacin (alpha) A
mplitud intervalos confianza
75.00 100.00 25.00 200 1,625 3175.724685 5000 -2500 0.05 622.43

IC para la madia a nivel (1-alpha)%

1,002.57 2,247.43
Resumen de escenario Celdas cambiantes: n
Lic.Vendidas Celdas de resultado: B
Media
muestral Desv. Estandar Mx. B
Mn. B
Nivel significacin (alpha) Amplitud intervalor c
onfianza IC para la madia a nivel (1alpha)%
Vtas. Bajas
Vtas. Medio Bajas
Vtas. Medias
Vtas. Medio Altas
Vtas. Altas
100 2,500 0 2500 2500 0.05 - 2,500.00 2,500.00
150 2,646 1721.320178 3750 0 0.05 33.63 2,626.12 2,688.05
200 2,033 3279.37797 5000 -2500 0.05 63.98 1,950.91 2,125.47
250 267 4155.016529 6250 -5000 0.05 82.51 129.47 319.45
300 2,053
4530.576624 7500 -7500 0.05 88.74 - 2,144.08 - 2,013.20
Aleat. 0.984 0.215 0.476 0.725 0.368 0.416 0.124 0.452 0.376 0.626 0.907 0.076 0
.648 0.289 0.952 0.308 0.724 0.209 0.965 0.254 0.273 0.178 0.343 0.439 0.048
Vtas. 200 100 150 200 150 150 100 150 150 200 200 100 200 100 200 150 200 100 20
0 100 100 100 150 150 100
Dev. 0 100 50 0 50 50 100 50 50 0 0 100 0 100 0 50 0 100 0 100 100 100 50 50 100

Costo 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000
00 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000
15,000 15,000 15,000

Ing. Vtas 20,000 10,000 15,000 20,000 15,000 15,000 10,000 15,000 15,000 20
20,000 10,000 20,000 10,000 20,000 15,000 20,000 10,000 20,000 10,000 10,
000 15,000 15,000 10,000 -

Ing. Dev. 2,500.00 1,250.00 - 1,250.00 1,250.00 2,500.00 1,250.00 1,250.00 ,500.00 - 2,500.00 - 1,250.00 - 2,500.00 - 2,500.00 2,500.00 2,500.00 1
,250.00 2,500.00

Benef, 5,000 - 2,500 1,250 5,000 1,250 1,250 - 2,500 1,250 1,250 5,000 5,
,500 5,000 - 2,500 5,000 1,250 5,000 - 2,500 5,000 - 2,500 - 2,500 - 2,50
1,250 - 2,500

0.247 0.371 0.931 0.741 0.577 0.5 0.273 0.685 0.063 0.521 0.164 0.402 0.168 0.87
5 0.928 0.803 0.13 0.338 0.031 0.699 0.531 0.68 0.081 0.23 0.493 0.259 0.927 0.2
05 0.538 0.057 0.853 0.361 0.305 0.945 0.362 0.317 0.874 0.232 0.757 0.25 0.923
0.055 0.255 0.297 0.778
100 150 200 200 200 150 100 200 100 200 100 150 100 200 200 200 100 150 100 200
200 200 100 100 150 100 200 100 200 100 200 150 150 200 150 150 200 100 200 100
200 100 100 100 200
100 50 0 0 0 50 100 0 100 0 100 50 100 0 0 0 100 50 100 0 0 0 100 100 50 100 0 1
00 0 100 0 50 50 0 50 50 0 100 0 100 0 100 100 100 0

15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,
000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000
15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000
,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,00

10,000 15,000 20,000 20,000 20,000 15,000 10,000 20,000 10,000 20,000 10,
000 10,000 20,000 20,000 20,000 10,000 15,000 10,000 20,000 20,000 20,000
10,000 15,000 10,000 20,000 10,000 20,000 10,000 20,000 15,000 15,000
,000 15,000 20,000 10,000 20,000 10,000 20,000 10,000 10,000 10,000 20,00

2,500.00 1,250.00 - - - 1,250.00 2,500.00 - 2,500.00 - 2,500.00 1,250.0

0 - - - 2,500.00 1,250.00 2,500.00 - - - 2,500.00 2,500.00 1,250.00
,500.00 - 2,500.00 - 1,250.00 1,250.00 - 1,250.00 1,250.00 - 2,500.00 - 2,500.00 2,500.00 2,500.00 -
- 2,500
- 2,500
0 1,250
5,000 -

1,250 5,000 5,000 5,000 1,250 - 2,500 5,000 - 2,500 5,000 - 2,500
5,000 5,000 5,000 - 2,500 1,250 - 2,500 5,000 5,000 5,000 - 2,500
- 2,500 5,000 - 2,500 5,000 - 2,500 5,000 1,250 1,250 5,000 1,2
2,500 5,000 - 2,500 5,000 - 2,500 - 2,500 - 2,500 5,000

0.065 0.576 0.079 0.433 0.488 0.358 0.199 0.803 0.424 0.618 0.846 0.846 0.816 0.
763 0.611 0.483 0.678 0.937 0.964 0.299 0.876 0.423 0.058 0.449 0.201 0.824 0.44
0.996 0.885 0.389
100 200 100 150 150 150 100 200 150 200 200 200 200 200 200 150 200 200 200 100
200 150 100 150 100 200 150 200 200 150
100 0 100 50 50 50 100 0 50 0 0 0 0 0 0 50 0 0 0 100 0 50 100 50 100 0 50 0 0 50

15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,
000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000
15,000 15,000 15,000 15,000 15,000 15,000 15,000

10,000 20,000 10,000 15,000 15,000 15,000 10,000 20,000 15,000 20,000 20,
000 20,000 20,000 20,000 15,000 20,000 20,000 20,000 10,000 20,000 15,000
15,000 10,000 20,000 15,000 20,000 20,000 15,000

2,500.00 - 2,500.00 1,250.00 1,250.00 1,250.00 2,500.00 - 1,250.00 - -

,250.00 - - - 2,500.00 - 1,250.00 2,500.00 1,250.00 2,500.00 - 1,250.00
0.00

- 2,500 5,000 - 2,500 1,250 1,250 1,250 - 2,500 5,000 1,250 5,000 5,000
000 5,000 5,000 1,250 5,000 5,000 5,000 - 2,500 5,000 1,250 - 2,500 1,2
0 5,000 1,250 5,000 5,000 1,250
3,000 2,000 1,000 - -1,000 -2,000 -3,000 Licencias Vendidas 100 150 200 250
Beneficio esperado
300
B
medio B
peor B
mejor

Unidad III. Generacin de Variables Aleatorias 3.1. Introduccin Una vez obtenida to
da la informacin, es decir, los datos de entrada del sistema real, es necesario c
onvertirlos en informacin o datos de entrada del modelo de simulacin. Es posible d
istinguir dos tipos de informacin:
Informacin determinstica. Esta informacin entra d
irectamente al modelo con su valor correspondiente en el sistema real. Informacin
probabilstica. Es necesario crear modelos de simulacin que imiten el comportamien
to de esas variables. De esta forma, al crear un modelo de simulacin debemos ser
capaces de crear ese comportamiento y modelarlo. Los nmeros aleatorios uniformes
(0-1) son la base en los modelos de simulacin donde hay variables estocsticas, ya
que dichos nmeros son la herramienta para generar eventos de tipo probabilstico. L
a generacin de cualquier variable aleatoria se va a basar en la generacin previa d
e una distribucin uniforme (0,1). Y las transformaciones de dichos nmeros generado
s en valores de otras distribuciones. La mayora de las tcnicas utilizadas para la
generacin se pueden agrupar en: Mtodo de la transformada inversa
Mtodo de aceptacin
rechazo
Mtodo de composicin
Mtodo de convolucin MTODO DE LA TRANSFORMADA INVERSA INT
ODUCCIN Existen varios mtodos que nos permiten generar variables aleatorias. Lo no
rmal es que existan varias opciones para generar una misma variable aleatoria. L
a eleccin del mtodo adecuado se puede basar en una serie de factores como:

Exactitud. Se prefiere un mtodo exacto frente a mtodos aproximados, como solucione

s numricas. Velocidad. Uno de los datos que se toma en consideracin es el em tiempo
de generacin de la variable. Espacio. Necesidades de memoria del mtodo utilizado.
En general, los mtodos no consumen mucha memoria. Simplicidad.

La mayora de las tcnicas utilizadas para la generacin se pueden agrupar en:

Mtodo de la transformada inversa Mtodo de aceptacin-rechazo Mtodo de composicin Mtodo
de convolucin
GENERACIN DE VARIABLES ALEATORIAS La variabilidad de eventos y actividades se pre
sentan a travs de funciones de densidad para fenmenos continuos, y mediante distri
buciones de probabilidad para fenmenos de tipo discreto. La simulacin de estos eve
ntos o actividades se realiza con la ayuda de la generacin de variables aleatoria
s.
MTODO DE LA TRANSFORMADA INVERSA El mtodo de la transformada inversa puede utiliza
rse para simular variables aleatorias continuas, lo cual se logra mediante la fu
ncin acumulada f(x) y la generacin de nmeros pseudoaleatorios ( ).
El mtodo consiste en:

Definir la funcin de Densidad f(x) que representa la variable a modelar. Calcular

la funcin acumulada f(x). Despejar la variable aleatoria x y obtener la funcin ac
umulada inversa f(x)-1. Generar las variables aleatorias x, sustituyendo valores
con nmeros pdeudoaleatorios ( ). en la funcin acumulada inversa.
El mtodo de la transformada inversa tambin puede emplearse para simular variables
aleatorias de tipo discreto, como en las distribuciones de Poisson, de Bernoulli
, binomial, geomtrica, discreta general, etc. La generacin se lleva a cabo a travs
de la probabilidad acumulada P(x) y la generacin de nmeros pseudoaleatorios ( ).

Metodologa para generar variables aleatorias continuas.

Metodologa para generar variables aleatorias discretas.
Distribucin Uniforme A partir de la funcin de la densidad de las variables aleator
ias uniformes entre a y b.

Se obtiene la funcin acumulada

Igualando la funcin acumulada F(x) con el nmero pseudoaleatorio despejando x se ob

tiene:
(
), y
( (
) ( ) )
Ejemplo 1: Los datos del tiempo de servicio en la caja de un banco se comportan
de forma exponencial con media de 3 minutos/cliente. Una lista de nmeros pseudole
atorios ( )y la ecuacin generadora exponencial xi = -3In (1 - ri) nos permite sim
ular el comportamiento de la variable aleatoria
Distribucin de Bernoulli A partir de la distribucin de probabilidad de las variabl
es aleatorias de Bernoulli con media p(x) = px (1 p)1 x para x=0,1 Se calculan l
as probabilidades para x=0 y x=1, para obtener
X P(x) 0 1-p 1 p
Acumulando los valores de p(x) se obtiene:
X P(x) 0 1-p 1 p
Generando nmeros pseudoaleatorios
{
(
( (
)se aplica la regla:
) )

La tabla siguiente muestra la demanda diaria de cepillos dentales en un supermer

cado.
Da Demanda 1 1 2 2 3 2 4 1 5 3 6 0 7 3 8 1 9 3
Simular el comportamiento de la demanda mediante el mtodo de la transformada inve
rsa. A partir de la informacin histrica se calculan las probabilidades puntuales y
las acumuladas para
X 0 1 2 3 P(x) 0.111 0.222 0.333 0.333 P(x) 0.111 0.222 0.666 1
La regla para generar esta variable aleatoria estara dada por:
{ ( ( ( ( ) ) )
Con la lista de nmeros pseudoaleatorios ( )y la regla anterior es posibles simula
r la demanda diaria de cepillos dentales, tal como se muestra
Dia 1 2 3 4 5 0.213 0.345 0.021 0.987 0.543 Demanda diaria 1 2 0 3 2
Ejemplo. La distribucin exponencial Supongamos que tiene una distribucin exponenci
al de media beta. La funcin densidad de probabilidad es:
La funcin de distribucin (acumulativa) es:

Mtodo de aceptacin rechazo Este mtodo es ms probabilstico que el anterior. Los mtodos
de inversin, composicin y convolucin son mtodos de generacin directos, en el sentido
en que tratan directamente con la funcin de distribucin. El mtodo de aceptacin-recha
zo es menos directo en su aproximacin. Se va aplicar este mtodo en el caso de que
la variable aleatoria sea continua, el caso discreto es anlogo y est tratado en Pr
ob. En este caso tenemos la funcin de densidad f(x) de la variable y necesitamos
una funcin t(x) que la acote, es decir t(x)f(x) "x. Hay que notar que t(x) no es,
en general, una funcin de densidad
Pero la funcin r(x)=t(x)/c, si es claramente una funcin de densidad. (Suponemos qu
e t es tal que c<). Debemos de poder generar (esperamos que de forma fcil y rpida)
un valor de la variable aleatoria que sigue la funcin r(x). El algoritmo general
queda como sigue: Generar x que siga la distribucin r(x) Generar ( ) independient
e de x entonces devolver x si no volver a repetir el algoritmo
El algoritmo contina repitindose hasta que se genera un valor que es aceptado. Par
a hacer que se rechacen el menor nmero de puntos posibles la funcin t(x) debe ser
la mnima funcin que acote a f(x). Mtodo de composicin Este mtodo va a poder ser aplic
ado cuando la funcin de densidad es fcil de siendo n el nmero de trozos en los que
se ha dividido la funcin.
Cada uno de los fragmentos se puede expresar como producto de una funcin de distr
ibucin y un peso y la funcin de distribucin global la podemos obtener como

El mtodo consiste en generar dos nmeros aleatorios, uno sirve para seleccionar un
trozo y el otro se utiliza para generar un valor de una variable que sigue la di
stribucin de dicho trozo. El valor de la variable obtenida es el valor buscado. E
l algoritmo general queda como sigue: Generar ( ) Si entonces generar ( ) Si no
Si entonces generar ( ) 3.2. Generacin de variables aleatorias discretas y contin
uas utilizando paquetes Computacionales como Excel, ProModel, Arena. Mtodos para
Generar Variables aleatorias discretas y continuas utilizando programas computac
ionales Excel GENERACIN DE VARIABLES ALEATORIAS NO UNIFORMES Si el modelo de simu
lacin es estocstico, la simulacin debe ser capaz de generar variables aleatorias no
uniformes de distribuciones de probabilidad tericas o empricas. Lo anterior puede
obtenerse si se cuenta con un generador de nmeros uniformes y una funcin que tran
sforme estos nmeros en valores de la distribucin de probabilidad deseada. A este r
especto, se han desarrollado una gran cantidad de generadores para las distribuc
iones ms comunes como; la distribucin normal, exponencial, Poisson, Erlang, Binomi
al, Gamma, Beta, F, t, Simulacin. 2. LENGUAJE DE PROGRAMACION. Las primeras etapa
s de un estudio de simulacin se refieren a la definicin del sistema a ser modelado
y a la descripcin del sistema en trminos de relaciones lgicas de sus variables y d
iagramas de flujo. Sin embargo, llega el momento de describir el modelo en un le
nguaje que sea aceptado por la computadora que va utilizar (PC compatible). En e
sta etapa se tienen dos cursos de accin a seguir si no se tiene nada de software
de simulacin, que son: Desarrollar el software requerido, o Comprar software (len
guaje de programacin d propsito especial). Para esta alternativa es necesario anal
izar y evaluar varios paquetes de simulacin

(GPSS, GPSSH, PROMODEL SIMFACTORY, SLAM, MICROMANAGER, etc.) antes de tomar la d

ecisin final.
Condiciones iniciales. La mayora de los modelos de simulacin estocstica se corren c
on la idea de estudiar al sistema en una situacin de estado estable. Sin embargo,
la mayor parte de estos modelos presentan en su etapa inicial estados transigen
tes los cuales no son tpicos del estado estable. Por consiguiente es necesario es
tablecer claramente las alternativas o cursos de accin que existen para resolver
este problema. Algunos autores piensan que la forma de atacar este problema sera
a travs de: Usar un tiempo de corrida suficientemente grande de modo que los perod
os transientes sean relativamente insignificantes con respecto a la condicin de e
stado estable. Excluir una parte apropiada de la parte inicial de la corrida. Ut
ilizar simulacin regenerativa.
Basado en la experiencia, de las tres alternativas presentadas, la que presenta
menos desventajas es el uso de simulacin regenerativa. Las otras alternativas pre
sentan las desventajas de ser prohibitivamente excesivas en costo.
Tamao de la muestra. Uno de los factores principales a considerar en un estudio d
e simulacin es el tamao de la muestra (nmero de corridas en la computadora). La sel
eccin de un tamao de muestra apropiado que asegure un nivel deseado de precisin y a
la vez minimice el costo de operacin del modelo, es un problema algo difcil pero
muy importante. Puesto que la informacin proporcionada por el experimento de simu
lacin sera la base para decidir con respecto a la operacin del sistema real. Esta i
nformacin deber ser tan exacta y precisa como sea posible o al menos el grado de i
mprecisin presente en la informacin proporcionada por el modelo debe ser conocida.
Por consiguiente, es necesario que un anlisis estadstico se a realizado para dete
rminar el tamao de la muestra requerido. El tamao de la muestra puede obtenerse de
dos maneras: Previa e independientemente de la operacin del modelo, o
Durante la operacin del modelo basado en los resultados arrojados por el mismo. P
ara la ltima alternativa se utiliza la tcnica estadstica de intervalos de confianza
.

Diseo de experimentos. El diseo de experimentos es un tpico cuya relevancia en expe

rimentos en estudios de simulacin ha sido reconocida, pero raramente aplicada. El
diseo de experimentos en estudios de simulacin puede ser varios tipos, dependiend
o de los propsitos especficos que se hayan planteado. Existen diferentes formas de
anlisis que pueden ser utilizados. Entre los ms comunes e importantes, se pueden
mencionar los siguientes: Comparacin de las medias y varianzas de las alternativa
s analizadas.
Determinacin de la importancia y el efecto de diferentes variables en los resulta
dos de la simulacin. Bsqueda de los valores ptimos de un conjunto de variables.
Para realizar el primer tipo de anlisis, al cual se le denomina comnmente diseo de
experimentos de un factor simple, es necesario tomar muy en cuenta el tamao de la
muestra, las condiciones iniciales y la presencia o ausencia de autocorrelacin.
Para el segundo tipo de anlisis, existe una gran cantidad de literatura, puesto q
ue la gran mayora de los libros de texto de diseo de experimentos, explican o trat
an el tema de anlisis de varianza y tcnicas de regresin como medios para evaluar la
importancia y el efecto de varias variables en los resultados de operacin de un
sistema. Para el tercer tipo de anlisis, generalmente se requiere utilizar algori
tmos heursticos de bsqueda como por ejemplo el algoritmo de Hookes y Jeeves.
Ventajas y desventajas en el uso de la simulacin Aunque la tcnica de simulacin gene
ralmente se ve como un mtodo de ltimo recurso, recientemente avances en las metodo
logas de simulacin y la gran disponibilidad de software que actualmente existe en
el mercado, han hecho posible que la tcnica de simulacin sea una de las herramient
as ms ampliamente usadas en el anlisis de sistemas. Adems de las razones antes menc
ionadas, Tomas H. Naylor (1977), ha sugerido que un estudio de simulacin es muy r
ecomendable porque presenta las siguientes ventajas: a) A travs de la tcnica de si
mulacin, se puede estudiar el efecto de cambios internos y externos del sistema,
al hacer alteraciones en el modelo del sistema y observando los efectos de estas
alteraciones en el comportamiento del sistema. b) Una observacin detallada del s
istema que se est simulando puede conducir a un mejor entendimiento del sistema y
por consiguiente a sugerir estrategias que mejoren la operacin y eficiencia del
sistema. c) La tcnica de simulacin puede ser utilizada como un instrumento pedaggic
o, para estudiantes al ensearles los conocimientos bsicos en el anlisis terico, el a
nlisis estadstico, y en la toma de decisiones.

d) La simulacin de sistemas complejos puede producir un valioso y profundo conoci

miento acerca de cules variables son ms importantes que otras en el sistema y cmo e
llas obran entre s. e) La tcnica de simulacin puede utilizarse para experimentar co
n nuevas situaciones, sobre las cuales se tiene poca o nula informacin. A travs de
esta experimentacin se puede anticipar mejor a los posibles resultados no previs
tos. f) La tcnica de la simulacin de sistemas complejos puede producir un valioso
y profundo conocimiento acerca de cules variables son ms importantes que otras en
el sistema y cmo ellas obran entre s. g) Se puede utilizar tambin para entrenamient
o de personal. En algunas ocasiones se puede tener una buena representacin de un
sistema (como por ejemplo los juegos de negocios), y entonces a travs de l es posi
ble entrenar y dar experiencia a cierto tipo de personal. h) La simulacin de sist
emas complejos puede producir un valioso y profundo conocimiento acerca de cules
variables son ms importantes que otras en el sistema y cmo ellas entre s. i) Cuando
nuevos elementos son introducidos en un sistema, la simulacin puede utilizarse p
ara anticipar cuellos de botella o algn otro problema que puede surgir en el comp
ortamiento del sistema. A diferencia de las ventajas mencionadas, la tcnica de si
mulacin presenta el problema de requerir equipo de cmputo y recursos humanos, en o
casiones costosas. Adems, generalmente se requiere bastante tiempo para que un mo
delo de simulacin sea desarrollado y perfeccionado. Finalmente, es posible que la
alta administracin de una organizacin no entienda esta tcnica y esto crea dificult
ad en vender la idea.

Unidad IV. Lenguajes de Simulacin y Simuladores de Eventos Discretos 4.1. Anteced

entes de los lenguajes de simulacin y simuladores La historia y la evolucin de la
simulacin por ordenador han ido paralelas a la evolucin de la Informtica. Sus orgene
s los encontramos en la segunda Guerra Mundial cuando dos matemticos, J. VNeumann
y S. Ulam, tenan el reto de resolver un problema complejo relacionado con el com
portamiento de los neutrones. Los experimentos basados en prueba y error eran mu
y caros y el problema era demasiado complicado para abordarlo mediante tcnicas an
alticas. La aproximacin que cogieron se basa en la utilizacin de nmeros aleatorios y
distribuciones de probabilidad. El mtodo desarrollado fue llamado "mtodo de Monte
carlo" por el paralelismo entre la generacin de nmeros aleatorios y el juego de la
ruleta.
Simulacin implica crear un modelo que aproxima cierto aspecto de un sistema del m
undo real y que puede ser usado para generar historias artificiales del sistema,
de forma tal que nos permite predecir cierto aspecto del comportamiento del sis
tema.
En particular, usaremos computadores para imitar comportamientos del sistema eva
luando numricamente un modelo del mismo. Estas evaluaciones numricas son las que n
os permiten generar las historias artificiales que no son ms que experimentos.
Modelo Un modelo es una representacin de un objeto, idea, o sistema en una forma
diferente a la entidad misma.
En nuestro caso el modelo es un conjunto de relaciones matemticas o lgicas derivad
as de supuestos sobre el comportamiento del sistema.
La simulacin por eventos discretos es una tcnica informtica de modelado dinmico de s
istemas. Frente a su homloga, la simulacin de tiempo continuo, esta se caracteriza
por un control en la variable del tiempo que permite avanzar a ste a intervalos
variables, en funcin de la planificacin de ocurrencia de tales eventos a un tiempo
futuro. Un requisito para aplicar esta tcnica es que las variables que definen e
l sistema no cambien su comportamiento durante el intervalo simulado.

-Descripcin Estos sistemas se caracterizan por mantener un estado interno global

del sistema, que puede no obstante estar fsica o lgicamente distribuido, y que cam
bia parcialmente debido a la ocurrencia de un evento. El estado del sistema solo
cambia mediante la ejecucin de eventos, que se almacenan en un contenedor, y uno
o varios procesos dedicados a su ejecucin avanzan el tiempo de simulacin a medida
que se van ejecutando y eliminando los eventos pendientes para el valor de tiem
po actual. La ejecucin de un evento puede desencadenar la generacin de nuevos even
tos futuros. Cada uno est marcado por su tiempo, por lo que el orden de generacin
puede no coincidir con el orden de ejecucin. La simulacin de eventos discretos ha
sido caracterizada por dos tendencias significantes en aos recientes. El primero
fue el uso creciente de simulacin con respecto a lo complejo de sistemas industri
ales. El segundo ha sido el uso creciente de grficos de la computadora por displa
ys animados en movimiento. Estas tendencias han originado una nueva generacin de
software o paquetes de simulacin; sin embargo, ningn software podra utilizarse nica
y necesariamente con todos los usuarios probables.
Simulador de restaurante Juega Gratis a estos Fabulosos juegos en el que tendrs q
ue llevar un restaurante sirviendo las mesas y tomando el control del restaurant
e.
Simulador de gimnasio Simulador de Gimnasio Online. Entrnate con este personaje f
lacucho en el gimnasio para ponerle cachas y que se vuelvan todas las mujeres lo
cas por l. Simulador puerto martimo Juego al estilo Sim City en el que tendrs que c
rear un puerto martimo rentable con todas las instalaciones necesarias. T eres el
director del puerto.

Comprando en la ciudad Hazte empresario. Crea negocios en tu ciudad y hazte con

el poder econmico. Juego Simulador de montar negocios en una ciudad e intentar ga
nar el mximo de dinero sin arruinarte
Simulador tienda de ropa Debers llevar una tienda de ropa y atender en todo lo qu
e te pidan tus clientes. Sers capaz de llevar a lo ms alto tu negocio?
Simulador Mac Donald en espaol Hacer dinero con una gran empresa no es fcil, contr
ola todo el proceso hasta que la hamburguesa llega al cliente. Volar como una pa
loma Eres una paloma en la ciudad y estas en busca de patatas fritas para alimen
tarte y despus cagar sobre los policas de la ciudad. Fantstico simulador de vuelo.
Lo mejor es que puedes jugar a 1 o 2 jugadores. Mezclador musical Estupendo Jueg
o Mezclador Musical. Crea tu propia msica sin conocimientos musicales. Puedes com
binar distintos ritmos hasta conseguir el tuyo propio. Ejemplos de Simulaciones
Te invitamos a conocer ejemplos de Simulaciones llevadas a cabo con ProModel. Av
in Este modelo muestra cmo se pueden incorporar fcilmente fotografas digitales a Pro
Model. 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 centr
o 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, no
s permitir absorber la estacionalidad de la demanda?
Celda Qu capacidad tenemos en piezas por hora? Cul es el tiempo de entrega? Cul es el
tiempo de ciclo? Cul es el Takt Time? Cmo nos afecta el diseo de turnos en la celda
de manufactura? Podemos meter un producto nuevo a la lnea? Cul es el impacto de los
tiempos de preparacin
Conveyors ProModel permite representar bandas transportadoras que representen ma
nejo de materiales a travs de filas y bandas (conveyors).
Container El itinerario que tenemos es satisfactorio? Podemos satisfacer la demand
a adecuadamente? Las unidades de transporte son suficientes? Cmo se comportarn los i
nventarios en cada una de las estaciones de servicio? Cmo impacta al proceso el ma
ntenimiento 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 Dimen
siones 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 d
e proceso del sistema.
Demand Based Las preocupaciones de los Directores Generales hoy da es la eficienc
ia 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 recur
sos de la empresa y todo el proceso de manufactura. Simplemente, no hay otra for
ma de hacer el anlisis y al mismo tiempo incorporando todas las variables en el p
roceso.

Distribucin Cuantas bodegas? De qu capacidad? Qu utilizacin tendremos del espacio? Cu

camiones? En qu horarios podemos trabajar? Toda la demanda ser satisfecha? Qu pasa du
rante los cambios debido la estacionalidad de la demanda? ProModel permite repre
sentar fcilmente el sistema y poderle hacer cambios y optimizar el sistema total.

Distribucin 2 Cuantas bodegas? De qu capacidad? Qu utilizacin tendremos del espacio?

os camiones? En qu horarios podemos trabajar? Toda la demanda ser satisfecha? Qu pasa
durante los cambios debido la estacionalidad de la demanda? ProModel permite rep
resentar 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 entrega
s de materia prima, operadores, factores de calidad, aleatoriedad en los tiempos
de proceso, en la duracin y frecuencia de los mantenimientos, de tal manera que
podemos calcular la capacidad de la

planta (Capacity Planning), Takt Time, Lead Time. Muchos de los usos actualmente
van hacia la manufactura esbelta.

Ferrocarril Con ProModel, los usuarios que tienen relacin con la industria del tr
ansporte 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 rpidame
nte se construyan modelos incorporando este mtodo de manejo de materiales. Cul es l
a utilizacin de la gra? Qu polticas deben usarse en la asignacin de prioridades de ser
vicio de la gra? El layout favorece el uso de gras?
Logstica 3D En este modelo, se presenta una aplicacin de logstica de cadena de abas
to, en 3D Animator, en el que se muestra desde que el acero es chatarra hasta qu
e es producto terminado y llega al cliente final. El modelo permite presentar lo
s indicadores clave en la pantalla para visualizacin.
Manufactura Automotriz ProModel permite incorporar el layout de AutoCAD de la pl
anta, para visualizar la implementacin del proceso directamente en l y as poder com
unicarlo a la audiencia. Este modelo utiliza el SimRunner adicionalmente, para o
ptimizar 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 q
ue 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 objeti
vo. Para ProModel, Simulacin es Visualizar, Analizar y Optimizar.
4.2. Aprendizaje y uso de un Simulador como: ProModel, Arena, entre otros. ProMo
del es un simulador con animacin para computadoras personales. Permite simular cu
alquier tipo de sistemas de manufactura, logstica, manejo de materiales, etc. Pue
des simular bandas de transporte, gras viajeras, ensamble, corte, talleres, logsti
ca, 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. Tie
ne la combinacin perfecta entre facilidad de uso y flexibilidad para aplicaciones
complejas. Puedes simular Justo a Tiempo, Teora de Restricciones, Sistemas de Em
pujar, Jalar, Logstica, etc. Prcticamente, cualquier sistema puede ser modelado. U
na vez hecho el modelo, ste puede ser optimizado para encontrar los valores ptimos
de los parmetros claves del modelo. Algunos ejemplos incluyen determinar la mejo
r combinacin de factores para maximizar produccin minimizando costo, minimizar el
nmero de camiones sin penalizar el servicio, etc. El mdulo de optimizacin nos ayuda
a encontrar rpidamente la solucin ptima, en lugar de solamente hacer prueba y erro
r. ProModel cuenta con 2 optimizadores disponibles y permite de esta manera expl
otar los modelos de forma rpida y confiable. 4.3. Caractersticas del software Rpido
aprendizaje con interfaces muy amigables. Fcil manejo y anlisis de los datos a tr
avs de la exportacin de los resultados en formato Microsoft Excel. Agregue el detal
le necesario incorporando mquinas, operadores, gras horquillas, gras puente, correa
s transportadoras, asignacin de turnos de trabajo, tiempos muertos, etc. Capture
la variabilidad y aleatoriedad de su proceso utilizando ms de 20 tipos de distrib
uciones de probabilidad estadstica, o importe directamente sus propios datos. Dis
tribuya fcilmente, a travs del correo electrnico, los modelos desarrollados por ust
ed a otras divisiones o departamentos.

4.4. Construccin de modelos Qu son los modelos? Aquellos que manejan y controlan si
stemas de hombres y equipos se enfrentan al problema constante de mejorar (por e
jemplo, optimizar) el rendimiento del sistema. El problema puede ser reducir el
costo de operacin y a la vez mantener un nivel aceptable de servicio, utilidades
de las operaciones actuales, proporcionar un mayor nivel de servicio sin aumenta
r los costos, mantener un funcionamiento rentable cumpliendo a la vez con las re
glamentaciones gubernamentales establecidas, o "mejorar" un aspecto de la calida
d del producto sin reducir la calidad de otros aspectos. Para identificar la mej
ora del funcionamiento del sistema, se debe construir una representacin sinttica o
modelo del sistema fsico, que puede utilizarse para describir el efecto de una v
ariedad de soluciones propuestas. Pasos para la construccin de un modelo 1. 2. 3.
4. 5. 6. Definicin del problema de inters y recoleccin de los datos relevantes For
mulacin de un modelo que represente el problema Solucin del modelo Prueba del mode
lo Preparacin para la aplicacin del modelo Puesta en marcha
4.5. Consideraciones econmicas en la simulacin. 4.6. Realizar prcticas utilizando e
l simulador para procesos productivos, de transporte, lneas de espera, calidad, i
nventarios, entre otros. 4.7. Interpretacin de los resultados obtenidos y generac
in de propuestas de mejora para el modelo analizado. Unidad V. Proyecto de Aplica
cin 5.1. Elaboracin de un proyecto final 5.2. Anlisis, modelado, simulacin e interpr
etacin de resultados para sistemas reales de empresas de manufactura o de servici
os, a fin de detectar las mejoras posibles a realizar y proponer acciones que me
joren su desempeo, considerando aspectos econmicos.

Bibliografa
1. Azarang, M. R. y Garca Dunna, E., Simulacin y Anlisis de Modelos Estocsticos. Mc
Graw Hill (1998) 2. Banks, J. y Carson, J. S. Discrete Event System Simulation.
Prentice Hall (2001) 3. Law A. y Kelton W., Simulation Modelling and Analisis, M
c Graw Hill (2000) 4. Garca Dunna Eduardo, Garca Reyes Heriberto, Crdenas Barrn Leop
oldo. Simulacin y Anlisis de Sistemas con Promodel. Pearson (2006) 5. Garca F., Sie
rra J., y Guzmn V., Simulacin de Sistemas para Administracin e Ingeniera. CECSA (200
5) 6. Harrell Ch., Ghosh B., y Borden Royce., Simulation Using Promodel. Mc Graw
Hill (2004) 7. Kelton W David., Sadowski Randall P., Sturrock David T., Simulac
in con software Arena. 4a Edicion. Mxico. McGraw Hill