Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad Politécnica
Departamento de Ciencias Básicas
SIMULACIÓN
página
1. INTRODUCCIÓN 3
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Simulación 5
2.1. Introducción a la simulación . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Definición de Simulación . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3. Ventajas e inconvenientes del uso de la simulación . . . . . . . . . . . 17
2.4. Los números aleatorios como métodos para incluir la incertidumbre en
los modelos de simulación . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.1. Generación de números aleatorios . . . . . . . . . . . . . . . . 20
2.4.2. Método de los cuadrados medios . . . . . . . . . . . . . . . . . 21
2.4.3. Métodos congruenciales . . . . . . . . . . . . . . . . . . . . . . 22
2.4.4. Pruebas Estadı́sticas para los números Pseudo aleatorios . . . 23
2.5. ejemplos sencillos de simulación . . . . . . . . . . . . . . . . . . . . . 26
2.6. Etapas para realizar un modelo de simulación . . . . . . . . . . . . . 28
2.7. Observaciones de variables aleatorias . . . . . . . . . . . . . . . . . . 31
2.7.1. Generación de Variables aleatorias contı́nua . . . . . . . . . . 31
2.7.2. Generación de variables aleatorias discretas . . . . . . . . . . . 32
2.8. Evolución del tiempo en la Simulación . . . . . . . . . . . . . . . . . 34
2.8.1. Incrementos fijos de tiempo . . . . . . . . . . . . . . . . . . . 34
2.8.2. Incrementos variables de tiempo . . . . . . . . . . . . . . . . . 35
2.9. Las técnicas de simulación en los fenómenos de espera; en los modelos 36
2.10. Constitución de modelos - Ejercicios . . . . . . . . . . . . . . . . . . 36
5. Modelos Económicos 39
5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6. Conclusión 40
REFERENCIAS BIBLIOGRÁFICAS 41
Capı́tulo 1
INTRODUCCIÓN
1.1. Introducción
La planeación e implementación de proyectos complejos en los negocios, indus-
trias y gobierno requieren de grandes inversiones, razón por la que es indispensable
realizar estudios preliminares para asegurar su conveniencia de acuerdo a su eficiencia
y ejecución económica para proyectos de cualquier tamaño. Una técnica para ejecutar
estudios piloto, con resultados rápidos y a un costo relativamente bajo, está basado
en la modelación y se conoce como simulación. El proceso de elaboración del modelo
involucra un grado de abstracción y no necesariamente es una réplica de la realidad;
consiste en una descripción que puede ser fı́sica, verbal o abstracta en forma, junto
con las reglas de operación. Más aún debido a que el modelo es dinámico, su respuesta
a diferentes entradas puede ser usada para estudiar el comportamiento del sistema
del cual fue desarrollado.
parte de los que vamos a ver en el curso, están relacionadas con la administración de
empresas, la economı́a y la investigación de operaciones, las técnicas descritas y la
teorı́a que las sustenta son de naturaleza general y es posible aplicarlas a experimentos
de simulación en campos muy diversos.
Simulación
Ejemplos 2.2.1
Sistema de manufactura
Sistema de Servicio
Sistema económico
Sistema financiero
etc.
Observación: 2.2.1
Los sistemas pueden ser representados por modelos, y
Definición 2.2.5
”La simulación es una técnica numérica para realizar experimentos en un com-
putador digital, los cuales requieren ciertos tipos de modelos lógicos y matemáticos,
que describen el comportamiento de un negocio o sistema económico (o algún
componente de ellos) en periodo de tiempo real”.
”La simulación por computador también puede definirse como un método para
predecir las caracterı́sticas dinámicas de una organización y ası́ mejorar las
bases para el proceso de la toma de decisiones”.
Observación: 2.2.2
La simulación es una ayuda formal para la toma de decisiones, la cual es adapt-
able a las complejidades y cambios de los negocios modernos y que puede desar-
rollarse y comunicarse eficientemente.
Tipos de Modelos
Las diferentes clasificaciones de los modelos dan una idea adicional de sus carac-
terı́sticas esenciales, porque pueden describirse de muchos modos. Los modelos pueden
clasificarse por sus dimensiones, funciones, propósitos, temas o grados de abstracción.
La base más común es la de tipos de modelos, que incluye los tipos básicos: icónico,
analógico y simbólico (matemático).
1. Modelos icónicos
2. Modelos analógicos
Nos interesan principalmente los modelos simbólicos que son verdaderas repre-
sentaciones de la realidad y toman la forma de cifras, sı́mbolos y matemáticas.
Comienzan como modelos abstractos que formamos en nuestra mente y que
luego se registran como modelos simbólicos. Un tipo de modelo simbólico o
matemático que se usa comúnmente en la investigación de operaciones es una
ecuación. Una ecuación es concisa, precisa y fácil de comprender. Sus sı́mbolos
no sólo son mucho más fáciles de manipular que las palabras, sino que se es-
criben más rápidamente. Además de éstos atributos, los modelos simbólicos se
prestan a las manipulaciones de las computadoras.
Como los modelos matemáticos son los que nos interesan principalmente, los
separaremos por categorı́as, lo que nos dará una base lógica para clasificar los
modelos básicos que se usan en la bibliografı́a de la investigación de operaciones.
a) Cuantitativos y cualitativos
1. Componentes del sistema: son los procesos, subprocesos, subsistemas. Ellas de-
limitan el sistema.
2. Variables:
3. Parámetros: Pueden ser variables exógenas, y en este caso deben ser estimadas
para la operación de un modelo especı́fico.
Ejemplos 2.2.2
1. Modelo de simulación estocástica - dinámica
Componentes
• Proceso de llegada
• Proceso de servicio
Variables
• Llegada: tiempo promedio entre llegadas: V. exógena
• Servicio: Tiempo promedio del servicio: V. exógena.
• TSIM: Tiempo de simulación: V. exógena.
2.2. DEFINICIÓN DE SIMULACIÓN 13
Componentes
• Proceso de llegada
• Proceso de servicio
Variables
• Variables Exógenas
◦ ATi = el intervalo de tiempo entre la llegada de i−ésima orden y
la (i − 1)−ésima orden, donde i = 1, 2, . . . , m.
◦ STij = el tiempo de procesamiento para la i−ésima orden en el
j−ésimo proceso, de donde i = 1, 2, . . . , m. y j = 1, 2, . . . , n.
• Variables de estado
◦ W Tij = el tiempo que la i−ésima orden espera para entrar al
j−ésimo proceso, de donde i = 1, 2, . . . , m. y j = 1, 2, . . . , n.
◦ IDTij = el tiempo que el proceso j−ésimo permanece ocioso mien-
tras espera la llegada de la i−ésima orden , en donde i = 1, 2, . . . , m.
y j = 1, 2, . . . , n.
2.2. DEFINICIÓN DE SIMULACIÓN 14
◦ W Tij = DIFj
◦ IDTij = −DIFj
Construcción de modelos
Una vez que se han escogido los elementos importantes, puede ser conveniente
combinarlos o dividirlos. Por ejemplo, los costos de recepción se combinan con las
compras de materias primas y con el costo de los fletes. Cuando se ha terminado
con cada elemento, es necesario determinar si es fijo o variable (controlable o no
controlable). Después de esa descomposición, el siguiente paso consiste en asignar un
sı́mbolo a cada elemento, en donde por lo menos un sı́mbolo represente la medida
de eficacia o ineficacia. Podemos construir una sola ecuación o una serie de ellas
expresar la eficacia del proceso o sistema. La(s) fórmula(s) resultante(s) es(son) un
modelo simbólico o matemático de los elementos que se estudian, lo que nos permite
valorar los resultados variando ciertos elementos dentro de las restricciones. Muchas
veces el modelo matemático final es bastante refinado.
Ejemplos 2.2.3
Antes de los primeros vuelos espaciales tripulados, realizados por los EE.UU
y la URSS, la NASA no poseı́a información de los efectos que tales vue-
los tendrı́an sobre los seres humanos, pues nadie lo habı́a experimentados
antes;
2.2. DEFINICIÓN DE SIMULACIÓN 16
Ejemplo 2.2.1
Ejemplos 2.2.4
Cuando un problema que por su complejidad no puede ser resueltos mediante las
fórmulas existentes, queda la alternativa de simular el problema. Se han simulado
puertos, aeropuertos, carreteras, grandes avenidas, la economı́a de un paı́s, empresas,
etc.
2.3. VENTAJAS E INCONVENIENTES DEL USO DE LA SIMULACIÓN 17
Desventajas de la simulación
La corrida del programa de simulación una vez construido puede necesitar una
gran cantidad de tiempo de computador.
2.3. VENTAJAS E INCONVENIENTES DEL USO DE LA SIMULACIÓN 18
Fallar en la selección del más simple y económico de los modelos para el fin
establecido.
La simulación es una técnica que puede ser aplicada a una gran cantidad de áreas,
debido a que los avances tecnológicos y la disponibilidad de software que existen
actualmente, hacen de ella una herramienta muy útil. Los siguientes son algunos
ejemplos de las aplicaciones de la simulación en algunas áreas de estudio:
Sistema de colas.
Sistema de inventarios
Proyecto de inversión.
Sistemas económicos
Estados financieros.
Problemas industriales.
Problemas económicos
Sistemas biomédicos
Sistemas de Logı́stica
Los métodos manuales y mecánicos son aquellos como loterı́as, baloteros, cartas,
naipes, etc. Estos métodos son utilizados aún en rifas o en casinos; pero han sido casi
completamente desplazados por los adelantos en la computación.
Los métodos digitales (ideados por Von Newman) más usados para la generación
de números aleatorios son los de los cuadrados centrales y los congruenciales.
En donde, los ni son residuos modulo M . Como cada uno de los ni es uno de los
enteros 0, 1, 2, . . . , M − 1. Los candidatos a números seudo-aleatorios, ri , se obtienen
de:
ni
ri =
M
Los números ri asi generados se encuentran en el intervalo (0, 1), pero poseen una
ley de formación, lo cual contradice que tengan un caracter aleatorio. Sin embar-
go, dependiendo de la forma de la relación congruencial arriba expresada y de sus
parámetros, se pueden obtener series de números de comportamiento aleatorio en
un sentido estadı́stico. Por lo anterior, a las observaciones logradas a través de estos
métodos se les conocen por números seudo-aleatorios.
Dentro de los metodos congruenciales los de utilizacion mas frecuente son los
multiplicativos, los aditivos y los mixtos.
ni = a ∗ ni−1 (mod.M )
Los aditivos tienen la forma:
ni = (a ∗ ni−1 + b)(mod.M )
Ejemplo 2.4.2
Sea ni = (a × ni−1 + b)modulo100, n0 = 7, a = 13, b = 5, entonces
I. Prueba de Medias
Una de las propiedades que deben cumplir los números generados, es que el valor
esperado sea igual a 0,5, en caso de una Uniforme (0, 1). La prueba que busca
determinar lo anterior es la llamada prueba de medias, en la cual se plantean
las siguientes hipótesis:
H0 : µri = 0, 5
H1 : µri 6= 0, 5
2.4. LOS NÚMEROS ALEATORIOS COMO MÉTODOS PARA INCLUIR LA
INCERTIDUMBRE EN LOS MODELOS DE SIMULACIÓN 24
Posteriormente, se calcula los lı́mites inferior y superior con las ecuaciones sigu-
ientes:
1 √1
LIri = 2
−Z ×α
2 12n
1 √1
LSri = 2
+ Z α2 × 12n
Otra de las propiedades que debe satisfacer el conjunto ri , es que sus números
1
tengan una varianza de . La prueba que busca determinar lo anterior es la
12
prueba de varianza, que establece las siguientes hipótesis:
1
H0 : σr2i =
12
2 1
H 1 : σr i =
6
12
χ2α/2,n−1
LSV (r) = 12(n−1)
χ21−α/2,n−1
LIV (r) = 12(n−1)
H0 : ri U (0, 1)
H1 : ri nosonunif ormes
Pm (Ei −Oi )2
χ20 = i=1 Ei
Recuerde que las dos propiedades más importantes que deben satisfacer los
números de un conjunto ri son uniformidad e independencia. Las pruebas de
independencia tratan de corroborar si los números en el intervalo (0, 1) son es-
tadı́sticamente independientes entre sı́, esto es, que no depende uno de otro,
en otras palabras, si parecen pseudo-aleatorios. Hay varios métodos, entre los
cuales están: La prueba de Poker , La prueba de corridas arriba y abajo, La
prueba de corridas arriba debajo de la media, La prueba de la longitud de las
corridas, La prueba de series. Para probar la independencia de los números de
2.5. EJEMPLOS SENCILLOS DE SIMULACIÓN 26
7 1
6 2
5 3
Considere una tienda de alquiler de videos, que compra las cintas de estreno a
$ 25.000 la unidad, las alquila a sus clientes a $ 5.000, y al fin de mes, revende
las cintas a otras tiendas de barrio a $ 5.000 la copia. La tienda ha estimado
que la demanda diaria por cintas de estreno tiene la siguiente distribución de
probabilidad:
Número de copias 0 1 2 3 4
Probabilidad 0,15 0,25 0,45 0,10 0,05
Suponga que las cintas duran en alquiler un dı́a, y que todos los clientes de-
vuelven las copias al siguiente dı́a. Cuántas copias de las cintas de estreno debe
ordenar la tienda cada mes?
Una represa se utiliza para generar energı́a eléctrica y para el control del flujo
de aguas. La capacidad de la represa es 4 unidades. La función de probabilidad
de la cantidad de agua que fluye a la represa en el mes es la siguiente:
2.6. ETAPAS PARA REALIZAR UN MODELO DE SIMULACIÓN 28
Cantidad 0 1 2 3
1 1 1 1
Probabilidad
6 3 3 6
2. Modelado del sistema: se trata de crear el diseño del sistema que permita su sim-
ulación por ordenador. El modelo deberá reflejar convenientemente la estructura
interna del sistema y sus caracterı́sticas, de modo que los resultados que se deriv-
en sean extrapolables al sistema real. Por ejemplo, resultará fundamental modelar
los fenómenos aleatorios del sistema mediante distribuciones estadı́sticas, como la
interrupción del tratamiento, la hospitalización por urgencias u otro evento. Para
llevar esto a cabo, serı́a interesante disponer de una serie histórica de observaciones
sobre el comportamiento de dichos fenómenos aleatorios, como los resultados de
un ensayo clı́nico, un metaanálisis o un registro de pacientes.
2.6. ETAPAS PARA REALIZAR UN MODELO DE SIMULACIÓN 29
6. Diseño de la simulación y pruebas piloto. Una vez aceptado el modelo como válido,
el siguiente paso es diseñar las caracterı́sticas del experimento o experimentos de
simulación que se van a llevar a cabo, es decir, responder a preguntas como cuál
será el número de iteraciones, las variables de entrada empleadas, la conveniencia
de usar técnicas de reducción de la varianza. Suele ser de gran utilidad la realización
de pruebas piloto (simulaciones cortas) que proporcionen orientaciones sobre cómo
conviene afrontar el estudio y calcular el número de réplicas necesarias.
Inicio
Formulación y Objetivos
Modelado
Implementación en Ordenador
No
¿Programa verificado?
Si
No
¿Modelo Validado?
Si
Diseño y Pruebas Piloto
Ejecución Simulación
Análisis Resultados
Documentación
Fin
Ejemplo 2.7.1
M = máx fX (x), a ≤ x ≤ b
fX (x)
De esta manera podemos definir g(x) = M
; y por lo tanto, 0 ≤ g(x) ≤ 1
Ejemplos 2.7.1
Se desea generar números al azar que sigan la siguiente distribución de proba-
bilidad.
2x si 0 ≤ x ≤ 1
a) f (x) =
0 ∀ otro caso
( 2x
si 0 ≤ x ≤ 3
b) f (x) = 9
0 ∀ otro caso
2
3x si 0 ≤ x ≤ 1
c) f (x) =
0 ∀ otro caso
Ejemplo 2.7.2
A partir de un generador de números aleatorios uniformes entre 0 y 1
se obtuvieron los valores 0.7814 y 0.5643. A partir de ellos simular una
variable aleatoria con distribución Bernoulli con p=0.25
2.7. OBSERVACIONES DE VARIABLES ALEATORIAS 33
Suponga que tenemos un método eficiente para simular una variable aleato-
ria con función de masa de probabilidad {qj , j ≥ 0}. Podemos emplearlo co-
mo la base para simular a partir de la distribución que tiene función de masa
{pj , j ≥ 0} primero simulando una variable Y aleatoria con función de masa
{qj } y luego aceptar este valor simulado con una probabilidad proporcional a
pY
qY
.
Ejemplo 2.7.3
Simular el valor de una variable aleatoria X que toma uno de los valores 1, 2, . . . , 10
con probabilidades respectivas 0, 11, 0, 12, 0, 09, 0, 08, 0, 12, 0, 10, 0, 09, 0, 09,
0, 10, 0, 10. Considerar q como la densidad uniforme discreta en 1, 2, . . . , 10.
Además elegir {qj }, elegir c como
pj
c = máx
qj
Ejercicios 2.7.1
1. Desarrolle un algoritmo para generar observaciones de una variable aleatoria
con la siguiente función de densidad:
3
2
(x − 1)2 si 0 ≤ x ≤ 2
f (x) =
0 ∀ otro caso
2.8. EVOLUCIÓN DEL TIEMPO EN LA SIMULACIÓN 34
i 1 2 3 4 5
pi 0,19 0,20 0,18 0,22 0,21
Dependiendo del sistema que se busca simular y del objetivo del estudio, en este
capı́tulo se exhiben dos mecanismos para representar el avance del tiempo en los
modelos de simulación: incrementos fijos e incrementos variables de tiempo.
Ejemplo 2.8.1
En este caso,se observa que el avance del tiempo se produce a través de la siguiente
formula recursiva que se inicia en cero:
P ERIODO = P ERIODO + 1
Este método de evolución de la simulación es especialmente apropiado cuando un
conjunto de situaciones o eventos transcurren en un intervalo fijo de tiempo clara-
mente establecido con patrones semejantes de comportamiento durante los todos los
periodos de tiempo. Este método también resulta adecuado cuando la forma de cal-
cular las variables sobre las cuales se quieren tomar decisiones se valoran de manera
diaria, semanal o mensual. Igualmente, este mecanismo para representar el avance en
la simulación es especialmente indicado cuando se tienen situaciones en las cuales se
efectúan una serie de rutinas repetidas durante un intervalo de tiempo.
Ejemplo 2.8.2 Otros que pueden resultar adecuados para su simulación a través de
incrementos fijos de tiempo, incluyen:
Existen muchos eventos que transcurren durante lapsos de tiempo que se extienden,
de manera irregular, durante varios perı́odos de tiempo, por lo cual resulta complicado
simularlos bajo el mecanismo de incrementos fijos de tiempo. En estas situaciones,
el mecanismo más apropiado puede ser el de incrementos variables de tiempo que
presentamos
Ejemplo 2.8.3
2.9. LAS TÉCNICAS DE SIMULACIÓN EN LOS FENÓMENOS DE ESPERA;
EN LOS MODELOS 36
3.1. Introducción
Capı́tulo 4
4.1. Introducción
38
Capı́tulo 5
Modelos Económicos
5.1. Introducción
39
Capı́tulo 6
Conclusión
Este material representa un esfuerzo por entregar a los alumnos los contenidos del
curso sin necesidad de textos genéricos, de esos grandes volumenes de Investigación
de Operaciones o de simulación. Todos esos libros utilizados, contienen mucho más
que lo que este material pretenden. Sin duda pueden resultar ser buenos aliados de
los estudiantes, pero no siempre representan el ritmo o intensidad de la asignatura.
40
Bibliografı́a