Está en la página 1de 37

Separata del Curso

Facultad Ingeniera Industrial

S I M U L A C I N

DEFINICIN DE SIMULACIN
Viene a ser la reproduccin artificial de un sistema en sus relaciones de entrada y salida (a
travs de variables aleatorias), implementadas en un programa de una PC.
Esta tcnica numrica permite realizar experimentos de una PC. de programas matemticos
y lgicos que describen el comportamiento de un sistema (manufactura, negocios, casos
sociales, etc.) a travs de grandes perodos de tiempo.

Pasos para implementar un proceso de simulacin


1.

Formulacin del problema.

2.

Recoleccin y procesamiento de la informacin

3.

Formulacin del modelo matemtico

4.

Estimacin de los parmetros.

5.

Evaluacin del modelo y parmetros estimados

6.

construccin de un programa de computadora

7.

Validacin del programa desarrollado.

8.

Diseo de experimentos de simulacin.

9.

Anlisis de resultados y validacin de la informacin.

Nota: Simulacin viene de simular y simular es imitar el comportamiento de


algo en el escenario dado.

Jaime Guerra Saavedra

Separata del Curso

Facultad Ingeniera Industrial

Diagrama de Flujo de los Pasos de un Proceso de Simulacin


FORMULACIN DEL
PROBLEMA

RECOLECCIN Y
PROCESAMIENTO
DE DATOS

FORMULACIN DEL
PROBLEMA MATEM.

ESTIMACIN DE
LOS PARMETROS

EVALUACIN
DEL MODELO

FORMULACIN DEL
PROGRAMA

VERIFICACIN

DISEO DE
EXPERIMENTOS

ANLISIS DE DATOS
DE LA SIMULACIN

Jaime Guerra Saavedra

Separata del Curso

1.

Facultad Ingeniera Industrial

FORMULACIN DEL PROBLEMA

El estudio de la simulacin de computadoras tiene que comenzar con la formulacin de un


problema o con una declaracin explcita de los objetivos del experimento; pues sera poco
beneficioso realizar experimentos que emplean tcnicas de simulacin por la simulacin
misma. En primer definir claramente los objetivos de nuestra investigacin, antes de realizar
cualquier experimento de simulacin. Con toda seguridad encontraremos que la exposicin
original del problema es un proceso secuencial que generalmente requiere de una
reformulacin continua y progresiva y una refinacin de los objetivos del experimento
durante su realizacin. Los objetivos de la investigacin, tanto de la empresa como de la
economa, como tambin de la mayora de las ciencias sociales, toma generalmente la forma
ya sea de: (1) preguntas que deben contestarse, (2) hiptesis que deben probarse y (3) efectos
por estimarse.

2.

RECOLECCIN Y PROCESAMIENTO DE DATOS TOMADOS DE LA

REALIDAD
El lector quiz argir legtimamente, que una discusin sobre los requisitos para procesar
los datos en experimentos de simulacin, tendra que preceder a nuestros comentarios sobre
la formulacin del problema, por ser simplemente posible formular un problema o un
conjunto de objetivos para un experimento, sin tener acceso adecuado a la informacin
(cuantitativa o de otra clase) acerca del sistema que se investiga.
Aunque nuestra intencin no es enfrascarnos en una amplia discusin sobre el procesamiento
de datos, intentaremos bosquejar algunos de los problemas ms importantes que se
encuentran al recolectar y reducir los datos a una forma ms apropiada, para ser utilizados en
los experimentos de simulacin. Existen, por lo menos, cinco razones es necesario disponer
de un sistema eficiente para el procesamiento de datos, que permitan alcanzar el xito al
realizar los experimentos de simulacin.

Jaime Guerra Saavedra

Separata del Curso

Facultad Ingeniera Industrial

En primera instancia, como ya lo hemos dicho, la informacin descriptiva y cuantitativa


(datos) referente al sistema que se va investigar, constituye un requisito previo a la
formulacin del problema. En segundo lugar, los datos que hayan sido reducidos a una
forma significativa pueden sugerir hiptesis de cierta validez, las cuales se usarn en la
formulacin de los modelos matemticos que describen el comportamiento de un sistema
dado. Como tercer punto, los datos tambin pueden sugerir mejoras o refinamientos en los
modelos matemticos que existen en el sistema por simularse. En cuarto lugar, es necesario
que los datos, reducidos a una forma final, se utilicen para estimar los parmetros de las
caractersticas de operaciones relativas a las variables endgenas, exgenas y de estado del
sistema. Finalmente, cabe considerar que sin tales datos, sera imposible probar la validez de
un modelo para la simulacin.
La recoleccin de datos es un proceso de captacin de los hechos disponibles, con lo cual
estos pueden ser procesados posteriormente, cuando sea necesario. En realidad, el proceso
de recoleccin y el de almacenamiento de datos ocurren simultneamente, pues el primero
implica que los datos sean o hayan sido almacenados. La manera en la cual los datos se
almacenan durante la primera etapa de procesamiento, no constituye, por lo general, la forma
ms eficiente que se debe emplear en las etapas posteriores; por esta razn, la conversin de
los datos de una forma a otra tiene una funcin crucial en la determinacin de eficiencia del
procesamiento. Por ejemplo, es posible que cierta informacin sea almacenada ms
eficientemente, en forma de documentos manuscritos.
Una vez que los datos han sido recolectados, almacenados, convertidos a una forma eficaz y
transmitidos al lugar de procesamiento final, resulta posible entonces, comenzar con las
operaciones de manipulacin de datos y la preparacin de estos para su salida final. Las
etapas de manipulacin requieren la realizacin de operaciones como las de clasificar,
cotejar, intercalar, recuperar informacin y otras, como las operaciones aritmticas y lgicas.
Estas operaciones se realizan con la computadora o sin ella, y depende de la cantidad de
datos por manipular y la utilizacin que finalmente tengan.

Jaime Guerra Saavedra

Separata del Curso

3.

Facultad Ingeniera Industrial

FORMULACIN DE LOS MODELOS MATEMTICOS

Consiste en tres pasos:


1.

Especificacin de los componentes

2.

Especificacin de las variables y los parmetros.

3.

Especificacin de las relaciones funcionales.

En la formulacin de los modelos matemticos de sistemas econmicos e industriales parece


presentarse una dificultad, ya que la construccin de modelos es un artes y no una ciencia.
Aunque los instrumentos empleados por un constructor de tales modelos difieren de los
utilizados por el escultor, el o el tallador de madera, esto no lo excluye de la citada
catalogacin. Al utilizar an las tcnicas como la econometra, la estadstica matemtica, la
teora de probabilidad, el lgebra matricial, las ecuaciones de diferencias y la programacin
matemtica, la tarea de construir un modelo matemtico para un sistema en particular, es
todava anloga al trabajo de un artista.
Una de las primeras consideraciones que se toman en cuenta en la formulacin de un modelo
matemtico reside en saber cuantas variables se deben incluir en el modelo. Encontraremos
muy poca dificultad en lo referente a las variables endgenas o de salida de nuestro modelo,
debido por lo general, a que estas variables se determinan al comenzar el experimento,
cuando formulamos los objetivos de estudio. Obviamente habr un lmite superior en el
nmero de las variables endgenas posibles de investigar en un solo experimento de
simulacin, ya que el tamao de la computadora disponible para el investigador, impondr
necesariamente ciertas limitaciones relativas a este aspecto.
La segunda consideracin importante en la formulacin de los modelos matemticos se
refiere a la complejidad de los mismos. Por un lado, es posible argir que los sistemas
econmicos son en realidad complicados y que los modelos matemticos que pretenden
describir su comportamiento tambin tendrn que ser complicados. En cierto grado, estas
afirmaciones resultan verdaderas, pero por otro lado, no quisiramos llegar al extremo de
construir modelos tan complejos, independientemente de lo que sean, y requieran un tiempo
razonable de computacin. Por lo general, estamos interesados en la formulacin de modelos

Jaime Guerra Saavedra

Separata del Curso

Facultad Ingeniera Industrial

matemticos que produzcan descripciones o predicciones, razonablemente exactas,


referentes al comportamiento de un sistema dado y reduzca a la vez, al tiempo de
computacin y programacin.
Una tercera consideracin en la formulacin de modelos matemticos para la simulacin en
computadora estriba en el rea de la eficiencia de computacin.
Entendemos por ello, la cantidad de tiempo de cmputo requerida para lograr algn objetivo
experimental especfico. Como regla general, estamos comnmente interesados en uno de
los objetivos siguientes relacionados con la eficiencia de los experimentos de simulacin: En
el primer caso, es posible que deseemos reducir el tiempo de cmputo requerido para
generar los valores de nuestras variables endgenas sobre un perodo especfico, sean seis
meses o nueve aos, o quizs necesitemos hacerlo con el tiempo de cmputo que requiere
para simular el comportamiento de la economa de un estado en un perodo de diez aos.
El tiempo consumido en la programacin de la computadora, constituye una cuarta
consideracin al formular los modelos matemticos para simulacin. El tiempo requerido
para escribir un programa que genere los tiempos planificados para las variables endgenas
de un conjunto en particular de modelos matemticos depende en parte del nmero de
variables utilizadas en los modelos y de su complejidad. Si algunas de las variables
utilizadas en los modelos son estocsticas por naturaleza entonces, tanto el tiempo de
programacin como el de computacin deben, por supuesto, equilibrarse con los aspectos de
validez y velocidad de clculo.
La quinta rea de inters en la construccin de modelos es la validez o la cantidad de
realismo incorporado en ellos. Es decir, el modelo describe adecuadamente al sistema de
inters?; proporciona predicciones razonablemente buenas cerca, del comportamiento del
sistema, en perodos futuros? A menos que la respuesta a una o ambas de estas preguntas sea
afirmativa. Entonces el valor de nuestros modelos se reducir considerablemente y nuestro
experimento de simulacin se convertir solo en un ejercicio de lgica deductiva.
La sexta y ltima consideracin, al formular modelos para simulacin en computadora,
consiste en su compatibilidad con el tipo de experimentos que van a realizar con ellos. Ya
que nuestro objetivo principal al formular un modelo matemtico, es el permitirnos dirigir

Jaime Guerra Saavedra

Separata del Curso

Facultad Ingeniera Industrial

experimentos de simulacin, deber pensarse en que forma particular se tomarn las


caractersticas del diseo de los experimentos que deban incorporarse en nuestros modelos.
En los prrafos anteriores intentamos bosquejar que los que pensamos es un conjunto de
propiedades deseables para los modelos matemticos, o por lo menos, un conjunto de
factores que el constructor del modelo considere til tomar en cuenta. Desafortunadamente
estas propiedades representan metas muy idealizadas que rara vez se cumplen al tratar con
problemas del mundo real.
Han surgido dos tipos bsicos de diseo para formular modelos matemticos que sern
utilizados para simulacin en computadora. Los diseos generalizados y los modulares o de
bloques. Los modelos primeros presenten un intento para describir el comportamiento de un
sistema completo, tal como una empresa o la economa de una nacin. No obstante que este
ataque se ha utilizado ampliamente en la microeconoma, macroeconoma y econometra, no
puede en general esperar un xito abrumador ya sea en la descripcin o en la prediccin del
comportamiento futuro de los sistemas econmicos.

4.

ESTIMACIN DE LOS PARMETROS DE LAS CARACTERSTICAS

OPERACIONALES A PARTIR DE LOS DATOS REALES


Una vez que hemos recolectado los datos apropiados del sistema y formulado varios
modelos matemticos que describen su comportamiento, es necesario estimar los valores de
los parmetros de dichos modelos y probar su significacin estadstica. La estimacin de
parmetros de los modelos econmicos cae dentro del dominio de la econometra.
Antes de intentar la estimacin de los parmetros de las caractersticas operacionales de un
sistema econmico, debemos tener un conocimiento amplio, cuando menos de las tcnicas
ordinarias de estimacin por mnimos cuadrados y de los procedimientos clsicos de pruebas
estadsticas. Sin embargo, si pretendemos manejar adecuadamente problemas tan difciles
como el de los errores en las variables, variables rezagadas, colinealidad mltiple,
heterosedasticidad, autocorrelacin, identificacin y ecuaciones simultneas es necesario
entonces poseer mucho ms que un conocimiento puramente elemental sobre la mitologa de
la econometra.

Jaime Guerra Saavedra

Separata del Curso

Facultad Ingeniera Industrial

Entre los mtodos importantes de estimacin economtrica descritos por Goldberger y


Johnston y que se comparan sobre la base de sus propiedades estadsticas y de computacin
se encuentran:
1.

Mtodo de una sola ecuacin

a.

Mnimos cuadrados ordinarios.

b.

Mnimos cuadrados indirectos.

c.

Ecuacin nica con informacin limitada.

d.

Mnimos cuadrados de dos etapas.

2.

Mtodos de ecuaciones simultneas

a.

Mxima probabilidad con informacin completa.

b.

Mnimos cuadrados de tres etapas.

Jaime Guerra Saavedra

Separata del Curso

5.

Facultad Ingeniera Industrial

EVALUACIN DE MODELOS Y DE LOS PARMETROS ESTIMADOS

Es necesario hacer un juicio inicial de la suficiencia de nuestro modelo una vez que
formulamos un conjunto de modelos matemticos que describen el comportamiento de
nuestro sistema econmico y estimamos los parmetros de sus caractersticas operacionales
sobre la base de las observaciones tomadas del mundo real; es decir debemos probar el
modelo. Es claro que seran pocos los beneficiados que se obtendran con la utilizacin de un
modelo inadecuado para realizar experimentos de simulacin en computadora, ya que
estaramos solamente simulando nuestra propia ignorancia.
Este paso representa solo la primera etapa de la prueba de un modelo de simulacin previa a
las corridas en la computadora por lo que en este punto nuestro inters reside en probar las
suposiciones o entradas que se programarn en la computadora.
En el caso de que las caractersticas operacionales toman la forma de distribucin de
probabilidad, ser necesario aplicar pruebas de bondad de ajuste que determinan qu tan bien
se ajusta una distribucin hipottica de probabilidad a los datos del mundo real de los cuales
se ha derivado. Deseamos tambin la importancia estadstica de nuestras estimaciones de los
valores esperados, variancias y otros parmetros de estas distribuciones de probabilidad.
Estas pruebas podran comprender.
1.

2.

3.

Pruebas referentes a las medias


a.

Pruebas de una muestra relativas a las medias.

b.

Diferencias entre medias

Pruebas referentes a las variancias.


a.

Pruebas de las Ji cuadrada

b.

Pruebas F

Pruebas basadas sobre el conteo de datos


a.

Pruebas referentes a las proporciones.

b.

Diferencias entre k proporciones.

c.

Tablas de contingencia

d.

Pruebas de bondad de ajuste.

Jaime Guerra Saavedra

Separata del Curso

4.

6.

Facultad Ingeniera Industrial

Pruebas no paramtricas
a.

La prueba del signo

b.

Pruebas basadas en sumas de rango.

c.

La prueba de la mediana.

d.

La Prueba U

e.

Pruebas de corridas

f.

Pruebas de correlacin en serie.

FORMULACIN DE UN PROGRAMA PARA LA COMPUTADORA

La formulacin de un programa para computadora, cuyo propsito sea dirigir los


experimentos de simulacin con nuestros modelos del sistema bajo estudio requiere que se
considere especialmente las siguientes actividades:
1.

Diagrama de flujo.

2.

Lenguaje de la Computadora
a.

Copuladotes de propsitos generales

b.

Lenguaje de simulacin de propsitos especiales

3.

Bsqueda de errores

4.

Datos de entradas y condiciones iniciales.

5.

Generacin de datos.

6.

Reportes de salida

Al escribir un programa de simulacin para computadora, la primera etapa requiere la


formulacin de una etapa de diagrama de flujo de bosqueje la secuencia lgica de los
eventos que realizar la computadora, al generar los tiempos planificados para las variables
endgenas de nuestro modelo.
En cuanto terminemos un diagrama de flujo con la lgica de un experimento dado, debemos
considerar entonces el problema de escribir el cdigo para computadora, que utilizaremos en
las corridas de nuestros experimentos, para lo cual dispondremos generalmente de dos
alternativas: Ya sea escribir nuestro programa en un lenguaje de propsitos generales como

Jaime Guerra Saavedra

10

Separata del Curso

Facultad Ingeniera Industrial

el FROTRAN, ALGOL, COBOL, o PL/I o bien emplear uno de los lenguajes de simulacin
de propsitos especiales como el GPSS, SIMSCRIPT, GASP, SIMPAC, DYNAMO o
PROGRAM SIMULATE, ARENA.

7.

VALIDACION

Ciertamente, el problema de validar modelos de simulacin es difcil, ya que implica un


sinnmero de complejidades de tipo prctico, terico, estadstico e inclusive filosfico. La
validacin de experimentos de simulacin forma parte de un problema mucho ms general
es decir el de la validacin de cualquier clase de modelo o hiptesis. Las preguntas bsicas
son: Qu significa validar una hiptesis y cules criterios debern utilizarse para
establecer la validez de una hiptesis.

8.

DISEO DE LOS EXPERIMENTOS DE SIMULACIN

Una vez que estemos satisfechos con la validez de nuestro modelo para la computadora,
estaremos en posibilidad de considerar su uso para dirigir efectivamente, los experimentos
de simulacin. De hecho como ya hemos definido nuestro problema experimental las
variables endgenas y los factores deberemos interesarnos por los detalles del diseo
experimental.
En esta fase es posible identificar dos metas importantes: en primer lugar seleccionaremos
los niveles de los factores y las combinaciones de niveles, as como el orden de los
experimentos. En seguida y una vez que seleccionemos nuestras combinaciones de factores,
debemos de esforzarnos pro asegurar que los resultados queden libres de errores fortuitos.

9.

ANLISIS DE LOS DATOS SIMULADOS

La etapa final en el procedimiento requiere un anlisis de los datos generados por la


computadora, a partir del modelo que simula. Tal anlisis consiste en tres pasos:
1.

Recoleccin y procesamiento de los datos simulados.

2.

Clculo de la estadstica de las pruebas.

Jaime Guerra Saavedra

11

Separata del Curso

3.

Facultad Ingeniera Industrial

Interpretacin de los resultados.

An cuando el anlisis de los datos simulados es de hecho semejante al anlisis de los datos
del mundo real. Existen algunas diferencias importantes.

Jaime Guerra Saavedra

12

Separata del Curso

Facultad Ingeniera Industrial

NUMEROS ALEATORIOS (RANDOM NUMBERS)


Los nmeros aleatorios son nmeros que estn en el siguiente rango:
0 R 1; donde R: Random Number = Numero Aleatorio

Formas de obtener Ns. As.:


1.

Por provisin externa:


Viene a ser la obtencin de Ns. As. impresos o almacenados en tablas aleatorias o en
unidades de memoria (disco, disco duro, etc.)

2.

Generacin interna a travs de un proceso fsico, que es el uso de un dispositivo


especial acompaado de una PC, capaz de registrar los resultados de un proceso
aleatorios, reducindolo adems estos resultados a sucesiones de Ns. As.

3.

Generacin interna a travs de una relacin de recurrencia obtencin de


sucesiones de nmeros a travs de frmulas determinsticas preestablecidas.

Caractersticas de los Ns. As.


1.

Ser estadsticamente independientes.

2.

Estar uniformemente distribuidos.

3.

Tener perodos largos.

4.

Ser reproducibles.

5.

Ser generadores a travs de un mtodo rpido.

6.

Ocupar poca capacidad de memoria en almacenamiento.

Observacin:
a.

Los Ns.As. llamados tambin, nmeros rectangulares, proviene de una distribucin


uniforme estndar.
.

X U n ifo rm e (0,1)
f ( x ) 1,

f(x)
1

0 x 1

Jaime Guerra Saavedra

x
13

Separata del Curso

b.

Facultad Ingeniera Industrial

Distribucin Uniforme (llamado tambin distribucin rectangular)


f(x)
X Uniforme( a, b)
f ( x)

1
ba

1
, axb
ba

Funcin de Probabilidad Acumulada:


0
x a
F ( x)
b a
1

xa

F(x)
1

; a xb
;

xb

Tambin:
2

E(X) = (a+b)/2; Var (x) = (b-a) /12

MTODOS CONGRUENCIALES PARA GENERAR Ns.As.


Son formas determinadas pre-establecidas que generan sucesiones de Ns.As. En la
actualidad estos mtodos forman parte de los programas biblioteca de algunos programas de
aplicacin y/o lenguaje de programacin.
Estos mtodos son:
-

Mtodos congruencial mixto.

Mtodos congruencial multiplicativo

Mtodos congruencial aditivo.

Mtodos del cuadrado central.

Jaime Guerra Saavedra

14

Separata del Curso

Facultad Ingeniera Industrial

MTODO CONGRUENCIAL MIXTO.

X n+1 = (a.Xn + c) Mod m

con

n = 0, 1, .., m-1

Donde:
Xo = Semilla (Xo > 0)

(Xo , siempre es dato)

a = multiplicador (a>0)
c = constante aditivo (c>0)
m= mdulo (m> Xo, m>a, m>c)
Ejemplo. Sea el siguiente generador congruencial:
Xn+1 = (5n + 7) mod 8; Xo= 4, genere los Ns As y determine su perodo.
Solucin:
n

Xn

(5Xn+7)/ 8

X n+1

NsAs

X0=4

3 + 3/8

3/8

X1=3

2 + 6/8

6/8

X2=6

4 + 5/8

5/8

X3=5

4 + 0/8

0/8

7/8

7/8

6 + 2/8

2/8

2 + 1/8

1/8

1 + 4/8

4/8

3 + 3/8

3/8

2 + 6/8

6/8

Periodo = 8

Nota: Para determinar el periodo de ejemplo dado use MS Excel.


Observacin: otra forma de respuesta al generador del M.C. Mixto.

Jaime Guerra Saavedra

15

Separata del Curso

Facultad Ingeniera Industrial

an 1
X n 1 a n X 0 c
mod .m
a 1

MTODO CONGRUENCIAL MULTIPLICATIVO

X n+1 = (a.Xn ) Mod m

con

n = 0, 1, .., m-1

Donde:
Xo = Semilla (Xo > 0)

(Xo , siempre es dato)

a = multiplicador (a>0)
m= mdulo (m> Xo, m>a, m>c)
Ejemplo: Sea X n+1 = 3Xn mod 100, Xo= 17. Halle los Ns.As y su perodo.
n

Xn

3Xn/100

Xn+1

NsAs

17

51/100

51

0.51

51

1+53/100

53

0.53

53

1+59/100

59

0.59

59

1+77/100

77

0.77

19

39

17

0.17

20

17

51

0.51

51/100

Periodo = 20

Nota: Para determinar el periodo de ejemplo dado use MS Excel.

Jaime Guerra Saavedra

16

Separata del Curso

Facultad Ingeniera Industrial

Reglas para seleccionar los parmetros a, Xo, m


Las reglas dependern de los siguientes criterios: Sistema Decimal y/o Sistema Binario
1.

Sistema Decimal

i.

Seleccin de Xo: puede ser cualquier nmero entero no divisible por 3 5 y debe ser
relativamente primo a m.

ii.

Seleccin de a: se obtiene de la siguiente expresin:


a = 200t + p
Donde:
t = cualquier entero t Z+
p = adopta los valores de:
p = 3, 11, 13, 19, 21, 27, 29, 37, 53, 59, 61, 67, 69, 77.

2 nmeros son primos relativos cuando su MCD = 1

iii.

Seleccin de m

Si m= 10d y d > 5 el perodo est dado por: P = 5 x 10d-2

Si m= 10d y d < 5 el perodo estar dado por:


Perodo = MCM = {(p1d1), (p2d2), (pndn)}
Donde:
(2) = 1

(4) = 2

(2d) = 2d-2 si d > 3


(pd) = pd-1 (p-1) si d > 2
Ejemplo: Dado Xn+1 = 3. Xn mod. 100; Xo=17 determine su perodo
m = 100 = 102 m = 10d, d = 2 d < 5
entonces: Perodo = mcm { (22), (52)}
(22)= 52-1 (5-1) = 20
Periodo = mcm {2, 20}; entonces : Perodo: P = 20 Ns As

Jaime Guerra Saavedra

17

Separata del Curso

2.

Facultad Ingeniera Industrial

SISTEMA BINARIO.
Se deben tomar en cuenta los siguientes criterios.

i.

Seleccin de Xo: puede ser cualquier nmero entero no divisible por 3 5 y debe ser
relativamente primo a m.
(idem sist. decimal seleccin de Xo).

ii.

Seleccin de a: se obtiene de la siguiente. Expresin.


A = 8t + 3,

iii.

Z+

Seleccin de m. estar dado por:


Si m = 2d Periodo = m/4 Periodo = 2d-2 , d>2

Ejemplo: Sea X n+1 = 5Xn mod 64 . halle su perodo.


M = 64 = 26 P = 64/4= 16.
26-2 = 16
Periodo = 16 Ns As

Generacin de Nmeros Aleatorios en sus cifras decimales.


Sea la siguiente formula:
Yn + 1, i= x n+1 mod pi x i < d
Donde:
Y n+1, i = ltimos i dgitos del N A, X n+1
i = ltimos i dgitos que se estn considerando i= 1, 2, , d-1
Si i= 1 se determina el ltimo dgito del NA y su perodo.
Si i= 2 se determina los ltimos 2 dgitos del NA y su perodo.

Jaime Guerra Saavedra

18

Separata del Curso

Facultad Ingeniera Industrial

PRUEBAS ESTADSTICAS PARA NS AS


Muchas veces los Ns As generados por cualquier mtodo congruencial no necesariamente
tienen un comportamiento aleatorio (es decir, no provienen de una distribucin uniforme
estndar) X Uniforme (0,1); por lo que deben ser sometidos a pruebas estadsticas que
comprueben su aleatoriedad; para que en el uso de un proceso de simulacin no arrojen
soluciones extraas.
Entre estas pruebas tenemos:

I.

i)

La prueba de los promedios.

ii)

La prueba de las frecuencias (chi-cuadrado)

iii)

La prueba de Kolmogorov - Smirnov

iv)

La prueba de la distancia

v)

La prueba de las corridas

vi)

La prueba de poker

vii)

La prueba de series

LA PRUEBA DE LOS PROMEDIOS


Sean x1, x2, xn, los Ns As de tamao n, entonces:

Hiptesis Nula Ho : = Los Ns proviene de X ~ Uniforme (0,1).

Hiptesis alternativa: H1 = los Ns no provienen de X ~ Uniforme(0,1)

Estadstico (estadgrafo de prueba)


n

(X ) n
Z0
Var ( X )
Z0

i 1

( X 0.5) n
1/12

Jaime Guerra Saavedra

19

Separata del Curso

Facultad Ingeniera Industrial

Prueba de hiptesis:
Si Z 0 Z 2 No se rechaza Ho.
Los Nmeros son Aleatorios

Regin de
aceptacin

Observacion:
1.

Teorema del lmite central.

( X ) n
Z
Var ( x)

~ N (0,1)

Regin de
rechazo

-1
-r

1
r

PRUEBA DE LAS FRECUENCIAS (CHI CUADRADO)


Sean x1, x2, xn, una muestra de nmeros aleatorios de tamao n , entonces:

Estadstico (Estadgrafo de Prueba)


XO

( FOi FEi )2
=
FEi
i 1
n

i = 1, 2, , n.

Donde:
FOi = Frecuencia observada en el i-simo intervalo
Fei = Frecuencia esperada en el i-simo intervalo
Fei = N/n, donde.

N = tamao de la muestra
n = n de intervalos

Jaime Guerra Saavedra

20

Separata del Curso

Facultad Ingeniera Industrial

Grficamente:
FEi

FEi=N/n

N/n

N/n

N/n

N/n

FOi

FO1

FO2

FO3

FOn-1

FOn

1/n

2/n

3/n n-2/n

n-1/n

Determinando el n de intervalos (n) a traves de la regla de Stutgers


N

N=
1+3.33 log (N )

Prueba de hiptesis:
Si Xo2 < X2 ( , n-1) => No se Rechaza Ho.
Los Nmeros son Aleatorios.

Donde:
= nivel de confianza
n = nmero de grados de libertad

Ejemplo.- Sean los siguientes: 20 Ns.As.


1) 0.01

2) 0.99

3) 0.33

4) 0.45

5) 0.77

6) 0.39

7) 0.53

8) 0.68

9) 0.09

10) 0.18

11) 0.24

12) 0.86

13) 0.21

14) 0.43

15) 0.69

16) 0.02

17) 0.16

18) 0.81

19) 0.47

20) 0.94

Compruebe su aleatoriedad a travs de la prueba de frecuencias.


n=
FEi =

N =

20 = 4.47 5 intervalos.

N 20

4
n
5

Jaime Guerra Saavedra

21

Separata del Curso

[
0

Facultad Ingeniera Industrial

>[
0.2

>[
0.4

>[
0.6

>[
0.8

]
1

( 5 4 )2 ( 4 4 )2 ( 4 4 )2 ( 3 4 )2 ( 4 4 )2
X o=
4
2

X2o =

1 0 0 1 0
0.5
4

2
Luego X 0 = 0,5 < 6,3 = x2 (0, 95, 3)

Si se comprueba que es menor no se rechaza Ho Los Ns son As.

Jaime Guerra Saavedra

22

Separata del Curso

Facultad Ingeniera Industrial

GENERACIN DE VARIABLES ALEATORIAS NO UNIFORMES


En todo proceso de simulacin concurren una o ms variables aleatorias que van a describir
las actividades y funciones de ciertas reas de una organizacin.
Para construir o simular estas V.A. es necesario generar una sucesin de nmeros aleatorios
que van a permitir reconstruir varios mtodos para generar nmeros aleatorios.

Generacin de nmeros aleatorios no uniformes


En todo proceso de simulacin por lo general ms de una variable aleatoria para describir el
comportamiento o proceso de una situacin dada. En ese sentido es necesario la
implementacin de tcnicas y procedimientos para simular las funciones de distribucin de
probabilidad que describen las variables aleatorias. Entre estos mtodos tenemos:

1.

1.

Mtodo de transformacin inversa.

2.

Mtodo de rechazo

3.

Mtodo de composicin.

4.

Mtodo de procedimiento especiales

Mtodo de la Transformada Inversa


- Se trabaja con la funcin de distribucin acumulada: F(x)
- Por ser: 0 < F(x) < 1 y 0 < R < 1
R= F (x) x = F-1 (R)

Jaime Guerra Saavedra

23

Separata del Curso

Facultad Ingeniera Industrial

Grficamente:
F(x)
R

X=F-1(R)

(X)

Ejemplo: Para los siguientes casos simule las funciones de probabilidad por el mtodo de la
inversa.
a)

X ~ Uniforme (a, b)

b)

X ~ Exponencial ()

c)

X ~ Erlang ()

d)

X ~ Bernoulli (p,q)

e)

X ~ Poisson ()

f)

X ~ Geomtrica (

g)

X ~ Normal (,2)

h)

X ~ Binomial (n:p,q)

i)

X ~ Gamma ( )

j)

X ~ Alfa ( )

Jaime Guerra Saavedra

24

Separata del Curso

Facultad Ingeniera Industrial

Solucin :
a)

X ~ Uniforme(a, b)
f(x) =

1
ba

,a<x<b

Hallando F(x):
x
1
1
xa
dt
(t a
ba
ba
a ba

F ( x) f (t )dt
a

xa
F ( x)
; a xb
ba

R = F(x) R =

xa
ba

x = a + (b-a) R
Sol.:
b)

X ~ Exponencial ()
f(x) = e- x, x > 0
Hallando F(x):
x

f(x)
x

x
x
x
F(X)= f ( t )dt = e dt e 0 1 e

F(x) = 1 e x , x > 0

Luego: R = F(x) R = 1 - e x
e x = 1 R

F(x)
1

Ln e x = Ln (1-R)
x =

1
Ln (R)

Jaime Guerra Saavedra

; R [0, 1]
x

25

Separata del Curso

c)

Facultad Ingeniera Industrial

X ~ Distribucin emprica
(Una funcin es emprica cuando dicha funcin no es conocida)
f ( x)

Sea:

1 x2

si 0 x 1
si 1 x 2

Solucin:
Hallando la funcin acumulada de esta distribucin
Para 0 x 1
x

F ( x) tdt
0

x2
2

Para 1 x 2
x

1 x1
1 t
x
F ( x) dt + =
2 12
2 2 1 2

Hallando la inversa de la funcin:

x 2R
2R

si 0 x 1 2
si 1 2 x 1

F(x)
1

R2
12

R1
x1

x2

Pasos para simular una V.A. por el mtodo de la inversa:


1.

Hallar y probar f(x) es fin de probabilidad


i)

f(x) 0, x

ii)

f ( x)dx 1
D

2.

Hallar F(x)

3.

R = F(x) x = F-1 (R)

Jaime Guerra Saavedra

26

Separata del Curso

Facultad Ingeniera Industrial

NOTA: Ecuacin de una recta:

P 2=(x2;y 2)

Y2

Y3

P 1=(x2;y 2)
X1

PENDIENTE : m = tg =

y 2 y1
x 2 x1

Ecuacin Vectorial de la Recta :

X2

,
P1 + t P2 , t

(x, y) = (x1 + y1) + t(x2 x1 ; y2 y1)


Ecuacin parametrica de la Recta :
x = x1 + t (x2 x1)
y = y1 + t (y2 y1)

t=

x x1
x 2 x1

,t=

y y1
y 2 y1

x x1
y y1
y y
=
y y1 = 2 1 (x x1)
y 2 y1 x 2 x1
x 2 x1

y y1 = m (x x1)

Jaime Guerra Saavedra

27

Separata del Curso

Facultad Ingeniera Industrial

Ejemplo: Simula la siguiente funcin:

f2

f1

Solucin
f 1.....a x b
f ( x)
f 2.....b x c

Donde:
f1 =

H
( x a ); a < x < b
ba

f2 = -

H
( x c ); b < x < c
cb

i) Probando si f es fun. Prob.


a

H
f
f
b 1 + b 2 = 1 a b a ( x a )dx +
H=

H
b c b ( x c )dx = 1

2
f es fn de prob.
ca

Por reas: A = 1 =

( c a )H
=>
2

H=

2
ca

ii) Hallando F(x)


Para a < x < b

Jaime Guerra Saavedra

28

Separata del Curso


x

F1 = f1( t )dt
a

Facultad Ingeniera Industrial


x

H
H ( t a )2
(t-a)dt
=
a b a
ba
2

ax =

H
(x-a)2
2( b a )

Para b < x < c


b

F2 =

f1 f 2 f1 =
a

H
(x-a)dx +
ba

= 1-

H
(x-c) 2
cb

iii) Como : R=F(x) x = F-1( R )


R1 =

H
( x a )2
2( b a )

R2 =1 -

x=a+

H
( x a )2
2( b a )

x=a+

2( b a )
.R1 ;
H

0< R1 <

( b a )H
2

2( b a )
H( b a )
H( b a )
< R2 < 1
.( 1 R 2 ; 1 H
2
2

Observacin: la funcin de probabilidad de la distribucin normal


X ~ N ( , r2)
f(X) =

1 / 2
1
.l
2 r

Jaime Guerra Saavedra

; - < x < , r>0, - < <

29

Separata del Curso

2.

Facultad Ingeniera Industrial

MTODO DE RECHAZO

Es otro mtodo para simular variables aleatorias que describan la fin de probabilidad no
uniforme en un intervalo con dominio finito (a < x < b). (Se aplica cuando no se puede hallar
F-1).
El mtodo implica resolver los siguientes pasos:
1.

Generar un par de NsAs: R1 y R2

2.

R1 est representado a travs de:


x = a + (b-a). R1

3.

Evaluar la funcin de probabilidad en x = a + (b-a) R1

4.

Verificar si la siguiente desigualdad se cumple:


R2 < f [a+(b-a) R1] / M
Donde:
M = cota superior de la funcin.
Grficamente:

F(x)
M

Ejemplo: Simule la siguiente funcin emprica.

f ( x)

02x

si 0 x 1
caso contrario

Jaime Guerra Saavedra

30

Separata del Curso

F(x)
2

Solucin:
1.

Se generan R1 y R2

2.

Calcular x= R1

3.

Es R2 < R1 es un valor simulado


R2 < f

Facultad Ingeniera Industrial

( R1 ) 2( R1 )
=
= R1
2
2
0.5

Jaime Guerra Saavedra

31

Separata del Curso

Facultad Ingeniera Industrial

MTODO DE MONTECARLO(Transformada inversa para las V. discretas)


El M. de Montecarlo se aplica para los casos donde las Vs. As son discretas.
Este mtodo se caracteriza por dividir en N subintervalos el intervalo [0, 1], donde c/
subintervalo presenta la parte de la inversa de la funcin discreta.
Ejemplo. Simule X ~ Poisson ()
Solucin:
Para = 5 p( x)

e 5 .5x
;
x!

x 0,1, 2, 3,...

Tabla de p(x)
P[X x]

p(x)

e-5 = 0.0067

0,0067

5e-5 = 0.0330

0,0397

p(x) = funcin de probabilidad

12,5e-5 = 0.0842

0,1239

P[X x] = fn. de distribucin

0,2639

acumulada

-5

(25/6)e = 0.1400

0,17547

0,17547

Se simula la acumulada

..

f(x) F (x) = R

Luego: Sea R = P (x) <--> x = P-1 (R)


R

Si 0,0000 R1 <0.0067

X=0

Si 0,0067 R2 <0.0397

X=1

Si 0,0397 R3 <0.1239

X=2

Si 0,1239 R4 <0.2639

X=3

Si 0,2639 R5 <0.4393

X=4

Si 0,4393 R6 <..

X=5

Jaime Guerra Saavedra

32

Separata del Curso

R1

Facultad Ingeniera Industrial

R2

0.0000 0.0067

R3
0.0397

R4
0.1239

0.2639

Mtodo de procedimientos Especiales


Existen algunas distribuciones como la distribucin erlang, distribucin normal, etc., cuya
simulacin a travs del mtodo de la inversa sera demasiado complicada. Para estos casos
se utilizan algunas de sus propiedades para facilitar y agilizar el proceso de simulacin de
estas distribuciones.
Ejemplo. Simule la distribucin: XNormal (,2)
Solucin:


1
f ( x)
e 2
2
1

x 2

; - x

Para Simular la variable, es necesario hacer uso del teorema del lmite central; el cual dice
que la suma de n variables aleatorias independientes se aproxima a una distribucin normal a
media que n se aproxime al infinito (n muy grande). Sean X1, X2, , Xn la secuencia de
variables aleatorias independientes con E(Xi) =i y Var(Xi) = i2 . Sea Y= a1 X1+ a2X2,
,+an Xn
Entonces se cumple:
n

Y ai X i
i 1

Tiene una distribucin normal a medida que n se aproxime al infinito.

ai 2 2
i 1

Si las variables que se estn sumando son uniformemente distribuidas (Xi Uniforme (0,1)),
entonces:
n

R n2
i 1

Se sabe tambin que: Z

12

Entonces la simulacin de la variable aleatoria X estar dada por:

X Ri 6
i 1

Jaime Guerra Saavedra

33

Separata del Curso

Facultad Ingeniera Industrial

Ejercicio: Simule la distribucin erlang.

La funcin de probabilidad de erlang esta dada por:

f ( x)

( n ) n n nx
x e
; x>0
( n 1)!

Jaime Guerra Saavedra

34

Separata del Curso

Facultad Ingeniera Industrial

Casos:

La empresa fabricante de tinas Trbol S.A. tiene asignado un camin especial para
transporte de tinas terminadas. Dicho camin transporta diariamente 5 tinas. El peso de las
tinas sigue la distribucin triangular (como se indica en la figura); Si la capacidad del
camin es de una tonelada.

190

210

230

a) Cul es la probabilidad que el peso de las tinas exceda la capacidad del camin?
b) Suponga si el peso del camin es excedido, una tina es enviada a travs de otra compaa
a un costo de $200 por tina. Y el costo de un nuevo camin es de $60000 (si se trabaja 5
das a la semana y 52 semanas al ao). Cul de las dos alternativas es ms rentable?
Solucin

H = 1/20

f1

190

1
(x 190) ; 190 x 210

f (x) 400
-1

(x 230) ; 210 x 230


400

f2

210

230

a) Es f funcin de probabilidad?
Para H=1/ 20, f (x) es funcin de probabilidad.
b) Hallando F(x):
Para 190 x 210
x

F1

400 (t 190)dt

190

1
( x 190) 2
800

Para 210 x 230

Jaime Guerra Saavedra

35

Separata del Curso

F2 1

Facultad Ingeniera Industrial

1
( x 230) 2
800

1
2
; 190 x 210
800 ( x 190)
F ( x)
1
1
( x 230) 2 ; 210 x 230
800

c) R = F(x) x = F-1(R)

R1

1
(x 190)2
800

R2 1

190 800.R1
;
x
230 800.(1 R2 ) ;

1
(x 230)2
800

0 R1 0.5
0.5 R2 1

Tabla de Simulacin:
Numero
de

Tina

Corrida
1

Numero
Aleatorio (R)

Peso

Peso

Se

simulado de

Acumulado

excedi de

la Tina

simulado

1 TN?

0.31751

206

206

0.88491

220

426

0.30934

206

632

0.22888

204

836

0.78212

217

1053

0.70014

215

215

0.37239

207

422

0.18637

202

624

0.05327

197

821

0.95096

224

1045

Jaime Guerra Saavedra

SI

SI

36

Separata del Curso

Facultad Ingeniera Industrial

10

SI

Supongamos que de las 10 corridas, 8 veces sali que SI SE EXCEDI el Peso de las tinas a
la capacidad del camin (1TN)

a)

Rpta. P (Peso total de las tinas > 1TN) = 8 /10 = 0.8

Es decir Existe una

probabilidad de un 80% de probabilidad que el peso de las tinas exceda la capacidad del
camin.
b)

Utilizando el costo esperado de enviar la tina a travs de otra compaa sera:

Costo (

$200 0.8 5 dias 52 semanas


)(
)(
)(
) $41600
tina da semana
1ao

Por lo tanto es ms rentable, alquilar un

camin.

Jaime Guerra Saavedra

37