Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2013
MATERIA: SIMULACION
JOSE DEL C. VAZQUEZ HDEZ INGENIERIA INDUSTRIAL 21/02/2013
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.
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
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.
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.
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
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
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
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.
( (
) )
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
( (
) )
( (
) )
(
)
(
( )
) )
( (
) )
( )
(
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
(
( )
) ) ( ) ) ( ) ( ) ) ( )
( (
( )
(
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
( (
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
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
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
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 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:
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
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.
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