v

Modelos de simulación para

manufactura
Por Dematic
La simulación es funcional para la fase de pruebas en un sistema.
 
   
El modelo de simulación determina el tiempo de operación requerido para procesar
eficazmente la producción en picos bajos, normales y máximos.
Nota relacionada
Cubicaje: distribución a bajo costo
Estrategias para mejorar los pronósticos
Percepción financiera en los costos logísticos
¿Se atrevería a comprar un coche sin hacer una prueba de manejo? entonces ¿por
qué implementar un nuevo sistema de logística de manufactura sin antes probarlo? El
software de simulación y modelado le permite hacer justamente eso: probar la
configuración y el flujo de su sistema de manejo de materiales antes de finalizar el
diseño del sistema. Cuando hace la prueba de manejo a un coche nuevo, usted
selecciona la ruta del viaje dependiendo de las características del coche que quiere
probar. Igualmente a la hora de construir un modelo de simulación, las rutas y los
atributos operacionales son incorporados para sustentar los objetivos del análisis del
diseño.

El modelo de simulación se utiliza durante la fase de diseño del sistema. Con base en
la distribución y los parámetros operacionales se desarrolla un modelo de simulación
detallado. La lógica del PLC a instalar también es simulada junto con el software de
logística.  Las tasas de flujo de los materiales utilizados en estos modelos se obtienen
de los índices previstos de producción. El sistema de información refleja detalles del
flujo de materiales que van desde un día normal hasta días de operación pico, siendo
éstas las típicas entradas de información.

El modelo de simulación determina el tiempo de operación requerido para procesar

eficazmente la producción en picos bajos, normales y máximos. Estos modelos son
empleados para perfeccionar el diseño del sistema, la cantidad de personal requerido,
la lógica de control PLC y la funcionalidad del software. Si la simulación encuentra
problemas de desempeño, entonces los ingenieros de diseño elaboran un esquema y
configuraciones de control alternativo. Las revisiones propuestas al sistema se ponen
a prueba con el modelo de simulación a fin de asegurar que el equipo de manejo de
materiales, software y controles serán capaces de maniobrar bajo todos los
escenarios de operación previstos.

Estudio de caso: simulación

Un fabricante de productos duraderos quiso evaluar el desempeño de su sistema

diseñado para manejo de materiales. Dado el tamaño y alcance del proyecto, la
simulación se utilizó desde el principio. El modelo fue un punto de referencia para
comprender el funcionamiento del sistema de manejo de materiales y evaluar
opciones alternativas de configuración.
El diseño incluyó estaciones de trabajo de ensamble, un área de reserva de trabajo-
en-proceso utilizando un sistema automatizado de almacenamiento/recuperación
(ASRS), entrega interna usando un vehículo de guiado automático (AGV) y
transportadores. Los contenedores se desplazan en una secuencia entre las
estaciones de trabajo y el área de reserva de almacenamiento. El modelo se utilizó
para validar: la capacidad de almacenamiento de la reserva del trabajo-en-proceso, el
tamaño de la flotilla de AGV, y algoritmos de software de trabajo asignado. La mano
de obra requerida en cada área funcional se determinó junto con el esquema de
escalonamiento de turnos. Un análisis de sensibilidad del transportador y los sub-
sistemas de almacenamiento de reserva revelaron posibles cuellos de botella
operacionales.
Se implementaron cambios operacionales y al propio diseño del sistema como
resultado del modelo de simulación.

Se probaron diversos cambios en la configuración del sistema, algunas trayectorias de

flujo fueron modificadas y los algoritmos programados de flujo de trabajo fueron
revisados como resultado de los diferentes experimentos realizados usando el modelo
de simulación.

Al final, el modelo desarrollado incluyó detalles operativos precisos del personal de

ensamble, montacarguistas y otros operarios importantes en el piso de producción. Se
utilizaron perfiles reales de producción en el modelo de simulación que incluía el
desplazamiento de la carga y la función de trazabilidad de almacenamiento del
software.

Beneficios del modelo de simulación

El modelo de simulación refleja interacciones complejas. Dado que su alcance

engloba datos de producción de manufactura, tamaño de la zona de reserva de
trabajo en proceso, la secuencia de la carga, la entrega interna en planta y las

operaciones de ensamble, los resultados previstos del comportamiento del sistema

son muy precisos. El modelo de simulación incluye mano de obra detallada y datos de
capacidad de producción. De manera que, la cantidad de personal requerido para
operar el sistema es calculado por el mismo modelo de simulación. En estos modelos,
el personal es variable y el rendimiento en función del tamaño de la plantilla se puede
probar.

Se evalúa el impacto del flujo y reflujo del rendimiento y los problemas se pueden
resolver antes de que el sistema sea implementado. Cualquier cambio recomendado
en el diseño del sistema puede ser probado y evaluado.
Foto: Dematic

Más Notas

SIMULACIÓN PARA INDUSTRIAS DE SERVICIOS

Alguna vez ha estado en la cola de un banco esperando horas para que le reciban su
consignación? Cuántas veces ha comentado con otras de las personas de la fila que deberían
poner otro cajero?
 Compartir
 Comentar
 Guardar
 Reportar
 Portada
Por: REDACCION EL TIEMPO
 
28 de septiembre 1998 , 12:00 a.m.

Pues bien, las interminables filas en los bancos, en las cajas registradoras del restaurante de
moda o en el almacén que le recomendaron por lo barato que vende han sido el desvelo de
los desarrolladores de software de grandes y pequeñas empresas.

Y lo han sido no solo por la necesidad de evitar molestias a los clientes, sino de ser más
competitivos en un mundo donde la evolución del mercado requiere la racionalización de
los costos operacionales.

Por ejemplo, los bancos tienen que optimizar su red de oficinas, cambiar sus formatos y
mejorar sustancialmente sus procesos de back-office; las cadenas de supermercados tienen
desafíos similares con sus almacenes, y en la gran mayoría de industrias de servicios estas
presiones están al orden del día.

Esta ola de cambios ha hecho necesario adaptar muchas de las tecnologías desarrolladas
originalmente para el mejoramiento de plantas de manufactura, a las industrias de servicios.

Es así como hoy en día se ve en el tema de servicios, tecnologías como la calidad total que
tuvieron su origen en un ambiente de manufactura. En el campo de ciencias de la decisión
también se incorporaron algunas de sus herramientas, y la simulación fue una de las de más
acogida.
Esto no es de sorprenderse, pues si algo está claro hoy día es que la industria de servicios
comparte muchas de las características de las industrias de manufactura y son, en su
esencia, también fabricas, pero de servicios.

Por lo demás, son tan o más intensivas en capital que las industrias de manufactura y
utilizan procesos secuenciales de producción.

Sin embargo...

Existe una gran diferencia entre la industria de servicios y la de manufactura, que hace que
la simulación sea aún más importante para la primera.

En el área de servicios, a diferencia de la de manufactura, el cliente participa en el proceso

de producción y él mismo fluye como entidad a través del proceso productivo.

Por ello, simular el sistema de servicio al cliente es vital, no solo para optimizar las
operaciones desde la perspectiva financiera, sino también para simular las variables críticas
de servicio al cliente que son las que determinan en el largo plazo su lealtad.

Los problemas y aplicaciones más sofisticadas y de moda entre industrias que están
sufriendo cambios fundamentales de estructura, como las compañías de servicios públicos,
transporte de encomiendas y mensajería, bancos, almacenes, entre otras, tienen que ver con
el diseño integral de sistemas de servicio al cliente.

Construyendo modelos Por integrales se entienden los sistemas que conjuntamente mejoran
al menos las siguientes variables, en forma simultánea: calidad en el servicio, costo de
servir a los clientes, lealtad inducida, y grado de flexibilidad y control en manos del cliente.
Simular consiste en construir en el computador un modelo que permita evaluar diferentes
escenarios y alternativas de configuración del sistema, para observar cómo se comportaría
ante un conjunto de condiciones experimentales.

Una de las virtudes que tiene la simulación, es poder integrar la variabilidad, la

incertidumbre, el dinamismo y las complejas interdependencias del sistema de estudio en
los análisis que se hacen alrededor de este.

Un ejemplo concreto son los llamados Centros de atención de llamadas (Call Center). Los
sistemas convencionales de análisis utilizan estándares para definir los tiempos de servicio
y tasas de llegada de las llamadas.

Claramente, esta práctica desestima los elementos fundamentales del sistema. Obviamente,
todos los tipos de servicios que se prestan no tienen una misma duración; cada llamada
tiene tiempo diferente y dentro de un mismo conjunto de llamadas las duraciones son
diferentes.

No sólo se deben clasificar diferentes tipos de llamada, sino también modelar la

variabilidad de cada grupo.

Así mismo, la tasa de llegada de los clientes cambia a lo largo del día, ya que la cantidad de
gente que llama a solicitar un servicio va cambiando según la hora y, por supuesto, también
depende del día, ya que este se puede ver afectado por un ciclo de pagos o alguna
promoción que se esté realizando.

Otra aplicación es poder calcular con certeza la dimensión que se debe dar a un centro de
atención de servicios, como lo son un banco, un centro de pagos o un supermercado. Para
todos estos sistemas, la variabilidad, dinamismo y complejidad hacen imprescindible el uso
de simulación como herramienta de análisis para sistemas de soporte a la decisión.
Promodel Corporation, uno de los grandes en el desarrollo de paquetes de simulación, lanzó
al mercado un software que le permite ver en la pantalla de su computador en forma
animada cómo se comportarán las filas frente a los puntos de servicio de su negocio,
calcular el número de puntos (y así ahorrarse dinero y garantizar un mejor servicio al
cliente), dimensionar sus puntos de atención y justificar los recursos necesarios.

ServiceModel, es un software flexible, fácil de manejar y con un completo reporte de

resultados.

Si desea mayor información sobre ServiceModel, puede consultar las siguientes

direcciones: www.promodel.com/ o en la dirección: www.servicemodel.com/. También
puede comunicarse con Decisiones Logísticas Ltda. en el teléfono 623-7491.

SIMULACION PASO A PASO Para conducir exitosamente un estudio usando simulación

no sólo se necesita un buen software. Existen una serie de etapas y requisitos que se deben
ejecutar cuidadosamente para no cometer errores en las decisiones que se deben tomar.

Cuatro son las áreas o elementos críticos que se deben integrar: Sistema: Es necesario que
el proceso esté liderado por una persona o grupo que conozca detalladamente el sistema.
Esto le permitirá validar, lógicamente, los resultados que se obtengan al construir el
modelo, analizar los datos y parámetros y supervisar pruebas piloto de ensayo. Así mismo,
proveerá la capacidad de discernir qué elementos son los críticos para modelar y cuáles se
pueden estimar o definir como supuesto.

Simulación: Es necesario un conocimiento del arte y práctica de simulación para tomar

decisiones críticas relacionadas con el nivel de detalle, alcance, programación y otros
puntos generales del modelaje.
Estadística: La simulación es un ejercicio estadístico, de toma de decisiones. Se requiere un
entendimiento básico de estadística para ser capaz de modelar efectivamente la variación
aleatoria y comprender e interpretar correctamente los resultados.

Es claro que si los parámetros y datos de entrada que alimentan el modelo no son
correctamente procesados, los resultados que arroje el mismo no serán correctos y, por
ende, las decisiones son erradas.

Software: Los elementos anteriores deben ir acompañados de una adecuada selección de

software.

Herramientas De Simulación
INSTITUTO TECNOLOGICO SUPERIOR DE COATZACOALCOS 9°B
INGENIERIA INFORMATICA
JUEVES, 3 DE SEPTIEMBRE DE 2015

Características, Alcances y limitaciones de los Simuladores

Características de los simuladores

Los simuladores son objetos de aprendizaje que mediante un programa de software, intentan
modelar  parte de una réplica de los fenómenos de la realidad y su propósito que es el usuario
construya conocimientos a través del trabajo exploratorio, la inferencia y el aprendizaje por
descubrimiento.

 Es una abstracción de la realidad.

 Es una representación de la realidad que ayuda a entender cómo funciona.
 Es una construcción intelectual y descriptiva de una entidad en la cual un observador tiene
intereses.
 Se construyen para ser trasmitidos 
 Supuestos simples usados para capturar el comportamiento importante.
Característica en la educación:

1. Apoyan aprendizaje de tipo experimental y conjetural.

2. Permite la ejercitación del aprendizaje.

3. Suministran un entorno de aprendizaje abierto basado en modelos reales.

4. Alto nivel de interactividad.

5. Tienen por objeto enseñar un determinado contenido. 

6. El usuario trata de entender las características de los fenómenos, cómo controlarlos o que hacer
ante diferentes circunstancias.

7. Promueven situaciones excitantes o entretenidas que sirven de contexto al aprendizaje de un

determinado tema. 

8. El usuario es un ser activo, convirtiéndose en el constructor de su aprendizaje a partir de su

propia experiencia.

Alcance de los simuladores

Los simuladores, por lo tanto, pueden utilizarse en el ámbito profesional o como un instrumento
de ocio y entretenimiento. En el primer caso, estos dispositivos aparecen como indispensables
para la formación de personas que tendrán una gran responsabilidad a su cargo, 

Ya que sus eventuales errores pondrían en riesgo la vida de terceros. Gracias al simulador, estos
sujetos pueden entrenarse hasta adquirir la experiencia y la destreza necesarias para
desempeñarse profesionalmente. Si cometen errores en un simulador, nadie saldrá lastimado.
 Limitaciones de los simuladores

Es importante señalar que los simuladores tienen una serie de límites, como cualquier otro
programa, ya que se crean con objetivos bien definidos.

Por ejemplo: un simulador de vuelo debe representar con precisión los controles de uno o varios
modelos de naves, los principios de física relacionados con su funcionamiento y su interacción con
el aire, la tierra, el agua y los edificios y estructuras que puedan encontrarse en el camino; pero
eso no indica que el resto de los objetos y situaciones propios de la realidad  se muestren de forma
creíble o que se pueda interactuar con ellos.

Como entretenimiento, los simuladores permiten conducir coches de carrera, volar aviones o
controlar trenes en un videojuego. 

En el ámbito de los videojuegos, los simuladores de vida han adquirido un carácter masivo en los
últimos años, sacando de las sombras este tipo de entretenimiento que, un par de décadas atrás,
atraía solamente a un público muy pequeño, especialmente interesado en el control de aviones,
tanques y coches de carrera. En la actualidad, todas estas experiencias pueden vivirse con más
fidelidad que nunca, pero en el caso de los títulos de vidas alternativas su punto fuerte no reside
en las cuestiones técnicas sino en que ofrecen un escape de la realidad.

Referencias: http://es.slideshare.net/zunny2009/caracteristicas-de-los-simuladores

                    http://definicion.de/simulador/

El análisis de la línea de ensamble comprendió la modelación del sistema y la obtención de sus

parámetros significativos. Al ser extenso y poco documentado el código de control de la celda de
ensamble, se tuvo que realizar un análisis del sistema por medio de observación directa, de ese
modo se determinó cuál es el comportamiento de la celda de ensamble y los tiempos implicados
en cada una de las tareas que en ella se realizan. Para analizar el funcionamiento y los tiempos del
sistema se hizo funcionar la celda bajo los posibles escenarios que pudieran implicar un
comportamiento distinto de la celda de ensamble, para de esa manera determinar cuáles eran las
reglas bajo las cual operaba ésta. Para determinar los tiempos de la máquina se utilizó un
cronómetro. Cada vez que se tenían determinadas las reglas bajo las cuales operaba cada módulo
y los tiempos necesarios para modelar el proceso que éste llevaba a cabo, se realizaba un modelo
de dicho módulo para después integrarlo al simulador

. 14 En la parte de desarrollo de software primero se realizó la programación de la funcionalidad

del simulador, el cual se creó de manera modular, implementando los diferentes componentes
que modelan los diferentes módulos de la línea de ensamble uno por uno. Posteriormente se
desarrolló la programación de los elementos del sistema que permitirían a los usuarios utilizar el
simulador de manera remota y multiusuario desde dispositivos móviles.

La parte de Implementación de la aplicación consistió en la puesta en marcha de la aplicación en

dispositivos móviles BlackBerry 8130, para esta parte del proyecto se utilizaron los dispositivos
BlackBerry pertenecientes al laboratorio de redes del Tecnológico de Monterrey campus ciudad de
México, así como el servidor del Departamento de Ingeniería y Arquitectura de la misma
institución

Los modelos de simulación ambiental son herramientas que pretenden simular el

comportamiento de sistemas complejos a partir de datos físicos, químicos o hidrológicos que
deben dar un resultado acerca de qué consecuencias podría tener un proyecto o instalación
nueva a nivel medioambiental.
El ser humano forma parte del entorno medioambiental y su presencia afecta a toda la
ecología de la zona y en el ecosistema y sus proyectos y valoraciones, generalmente y
legalmente, deben superar satisfactoriamente la Evaluación de Impacto Ambiental (EIA),
creado básicamente para asegurarse y controlar que un nuevo proyecto no altere demasiado
el medio ambiente desde su aplicación.
MÁSTER EN GESTIÓN AMBIENTAL Y ENERGÉTICA EN LAS
ORGANIZACIONES
ESNECA BUSINESS SCHOOL
890 €
Ver más
 

SIMULACIÓN DEL PLAN DE EMERGENCIAS AMBIENTAL V

CARVAL FORMACIÓN SL
145 €
Ver más
Ver todos los cursos

Una definición más científica al concepto real de la EIA es la de Watherm, de 1988, que
considera que es “el cambio en un parámetro ambiental, en un determinado período y en una
área concreta, que resultada de una actividad dada y comparado con la situación que ocurriría
si esa actividad no hubiera sido iniciada”.
Dicho de un modo más sencillo, es el estudio sobre el cambio y la incidencia que tendría un
proyecto arquitectónico, inmobiliario, agrícola, industrial, etc. En un lugar determinado y si es
potencialmente dañino para el medio ambiente.

El software de los modelos de simulación ambiental

Para presentar un trabajo de investigación sobre ecología la propuesta debe ser sólida y
convincente y en muchos casos precisa de los citados modelos de simulación para que analice las
hipótesis y los resultados consecuentes de las mismas.
Uno de los principios que debe asumir un proveedor de Software para efectuar una simulación
ambiental es la capacidad para construir modelos dinámicos para ser la base para los análisis
de impacto como en la gestión de los recursos naturales.
Uno de estos programas y proveedores son los de Vensim, un software rápido y con una
capacidad de cálculo potente con los que vas a poder ejecutar diferentes modelos de
simulación ambiental. Para especializarte en el manejo de este programa podrás acceder al
centro ATC Innova.

.1 Números aleatorios: definición, propiedades, generadores y tablas

Introducción:
Los sistemas reales frecuentemente tienen valores de tiempo y cantidades que varían dentro
de un rango y de acuerdo a una funció n específica de densidad, definida por una distribució n
de probabilidad. Por ejemplo, si el tiempo que se tarda una má quina en procesar una pieza se
distribuye entre 2.2 minutos y 4.5 minutos, esto se definirá como una distribució n de
probabilidad en el modelo de simulació n. Durante la simulació n, cada vez que una pieza entre
a esta má quina y sea procesada, el simulador generará un nú mero al azar entre 2.2 y 4.5
minutos para simular el tiempo de procesamiento de esa pieza. Cada vez que generamos un
valor a partir de una distribució n, a ese valor se le llama variable aleatoria. Para generar
variables aleatorias, es necesario utilizar números aleatorios.

Definición:
Un nú mero aleatorio es aquél que es generado a partir de la distribució n Uniforme U(0,1).

 Propiedades y generadores de números aleatorios.

  Su generación se basa en el uso de mecanismos físicos. Entre las distintas
propuestas se incluyen el recuento de partículas emitidas por una explosión, el
lanzamiento de monedas, aparatos mecánicos basadas en ruedas de la fortuna, etc.
  Tienen el  inconveniente de ser generados lentamente. Además, los números
aleatorios no pueden almacenarse de forma automática. Por tanto, se deben buscar
procedimientos algorítmicos computacionales que generen números aleatorios de forma
muy rápida y los puedan almacenar sin utilizar mucha capacidad de memoria.
Una de las características más poderosas de la simulación es la habilidad de imitar el
comportamiento aleatorio que es característico de la mayoría de los sistemas reales. Para
poder imitar este comportamiento aleatorio la simulación necesita utilizar un generador de
números aleatorios, el cual es responsable de producir un ciclo grandísimo e
independiente de números aleatorios.
Hay que aclarar que los números U(0,1) producidos por un generador de números
aleatorios (algoritmo computacional) no son aleatorios en el verdadero sentido de la
palabra, ya que el generador puede reproducir la misma secuencia de números una y otra
vez, lo cual no indica un comportamiento aleatorio. Por esta razón, a los números U(0,1)
producidos por un generador (algoritmo) se les llama pseudoaleatorios.

2.2 Números pseudoaleatorios.

Introducción:
Casi todas las aplicaciones comerciales tienen varios generadores de nú meros
pseudoaleatorios que pueden generar un conjunto muy grande de nú meros sin mostrar
correlació n entre ellos, para ello se utilizan métodos preestablecidos que garantizan esta
demanda.
Para poder realizar una simulació n que incluya variabilidad dentro de sus eventos, es preciso
generar una serie de nú meros que sean aleatorios por sí mismos, y que su aleatoriedad se
extrapole al modelo de simulació n que se está construyendo. En la construcció n  del modelo
los nú meros aleatorios juegan un papel relevante.
Unas de las primeras tareas que es necesario llevar a cabo consiste en analizar si los nú meros
que se utilizaran para “correr” o ejecutar la simulació n son realmente aleatorios o no; por
desgracia, precisar lo anterior con absoluta certidumbre resulta muy complicado, ya que para
ello se tendría que generar un nú mero infinito de valores que permitan comprobar la
existencia de correlaciones entre ellos. Esta actividad sería muy costosa y tardada, volviendo
imprá ctico el uso de la simulació n aun con las computadoras má s avanzadas.

Tomando en cuenta lo anterior, se puede asegurar, con altos niveles de confiabilidad que el
conjunto de nú meros que se utilizará n en la simulació n se comportan de manera muy similar
a un conjunto de nú meros totalmente aleatorios; por ello es que se les denomina números
pseudoaleatorios.
Un número pseudoaleatorio es un número U(0,1) producido por un algoritmo matemático.
 Propiedades de los números pseudoaleatorios
Es deseable que los nú meros pseudoaleatorios uniformes posean las siguientes
características:
1. Uniformemente distribuidos.
2. Estadísticamente independientes.
3. Reproducibles.
4. Periodo largo.
5. Generados mediante un método rá pido.
6. Generados mediante un método que no requiera mucha capacidad de almacenamiento
de la computadora.
Generar un conjunto de nú meros pseudoaleatorios es una tarea relativamente sencilla, para
ello, el lector só lo tiene que diseñ ar su propio algoritmo de generació n. Lo que resulta difícil
es diseñ ar un algoritmo que genere un conjunto de nú meros pseudoaleatorios con periodo de
vida suficientemente grande (N) y ademá s pase sin problema las pruebas de uniformidad e
independencia, lo cual implica evitar problemas como éstos:
         Que los nú meros del conjunto no estén uniformemente distribuidos, es decir, que haya
demasiados nú meros en un subintervalo y otro muy pocos o ninguno.

         Que los nú meros pseudoaleatorios sean discretos en lugar de continuos.

         Que la media del conjunto sea muy alta o muy baja, es decir, que esté por arriba o por debajo
de ½.

         Que la varianza del conjunto sea muy alta o muy baja, es decir, que se localice por arriba o por
debajo de 1/12.

En ocasiones se presentan también anomalías como nú meros pseudoaleatorios seguidos por

arriba o por debajo de la media; secuencia de nú meros por arriba de la media, seguida por una
secuencia por debajo de la media, y viceversa, o varios nú meros seguidos en forma
ascendente o descendente.
Existen varios métodos para generar nú meros pseudoaleatorios. A continuació n se presentan
los má s importantes.

El Método de Centros al Cuadrado (Método de los cuadrados medios)

Este método es debido a von Neumann y tiene fundamentalmente só lo interés histó rico. El
método de centros al cuadrado se apega a la siguiente metodología:
1. Inicie con un nú mero entero positivo de 4 (2n) dígitos y llá mele Z0 (X0), llamado
semilla.
2. Eleve Z0 (X0) al cuadrado para obtener un nú mero de 8 (4n) dígitos. Si es necesario,
agregue ceros a la izquierda para hacerlo exactamente de 8 dígitos.
3. Tome los 4 (2n) dígitos centrales como el pró ximo nú mero de 4 (2n) dígitos y llámele
Z1(X1).
4. Coloque el punto decimal a la izquierda de Z 1(X1) para obtener el primer nú mero
pseudoaleatorio U(0,1).
5. Continué generando de esta forma nú meros pseudoaleatorios U(0,1)
Desventaja del método de centros al cuadrado: Tiene una fuerte tendencia a
degenerar rápidamente hacia cero, donde permanecerá por siempre.

La gran mayoría de los generadores de nú meros pseudoaleatorios que se usan en la

actualidad son generadores congruenciales lineales, introducidos por Lehmer en 1951.
Los generadores congruenciales lineales generan una secuencia de nú meros pseudoaleatorios
en la cual el pró ximo nú mero pseudoaleatorio es determinado a partir del ú ltimo nú mero
generado.  A continuació n se presentan los dos má s importantes: el método congruencial
mixto lineal y el método congruencial multiplicativo lineal.

Método de Lehmer
El método consiste en los siguientes pasos:

1. Se toma como semilla un nú mero entero, X0, de n cifras.

2. Se elige otro entero, c, de k cifras. Suele tomarse k<n.
3. Se calcula X0 *c, nú mero de a lo sumo, n + k cifras.
4. Se separan las k cifras de la izquierda de X 0*c y al nú mero formado por las n cifras
restantes se le resta el que se forma de esas k cifras de la izquierda, dando lugar a X 1.
5. Se repite este proceso tantas veces como sea necesario.
6. Se devuelven los valores 

Método Congruencial Mixto Lineal

Los valores posibles de Xn+1 son 0, 1, 2,3,…, m-1, m representa el nú mero posible de valores
que pueden ser generados.

Fó rmula:
 Donde:
Xn= la semilla (X0>0)
   a= el  multiplicador (a>0)
   c= constante aditiva (c>0)
  m= Mó dulo (m>Xn; m>a; m>c)

Periodo del generador = 4

Reglas para la selección de parámetros en el método congruencial mixto lineal
En los ejemplos anteriores se colocaron de manera arbitraria cada uno de los pará metros
requeridos: X0, a, c, m. Sin embargo, para que el algoritmo sea capaz de lograr el má ximo
periodo de vida n, es preciso que dichos pará metros cumplan ciertas condiciones. Banks,
Carson, Nelson y Nicol sugieren lo siguiente:
m= 2g
a= 1 + 4k
k debe ser entero
c relativamente primo a m
g debe ser entero

Bajo estas condiciones se obtiene un periodo de vida má ximo: N= m= 2g.

El Método Congruencial multiplicativo

Al igual que el generador congruencial mixto lineal, el generador congruencial multiplicativo
determina el pró ximo nú mero pseudoaleatorio a partir del ú ltimo nú mero generado, de
acuerdo a la siguiente fó rmula:
Fórmula:
 2.3 Pruebas estadísticas o de aleatoriedad para los números
pseudoaleatorios.
Los nú meros pseudoaleatorios  producidos mediante un programa de computadora no son 
aleatorios debido a que tales nú meros está n completamente determinados por los datos
iníciales y tienen una precisió n limitada. Sin embargo, en la medida en que esos nú meros
pseudoaleatorios pasen determinadas pruebas estadísticas, pueden considerá rseles como
verdaderos nú meros aleatorios. Las siguientes  pruebas son de las má s usadas para la
comprobació n de la aleatoriedad.

Prueba de los promedios

En la prueba de los promedios se establecen las siguientes hipó tesis:
Ho: μ = ½  (los nú meros pseudoaleatorios generados provienen de una distribució n U(0,1)
con μ =0.50)
Ha: μ≠ ½   (los nú meros pseudoaleatorios generados no provienen de una distribució n U(0,1)
con μ=0.50)

Prueba de las frecuencias

Esta prueba consiste en dividir el intervalo (0,1) en n subintervalos para luego comparar para
cada subintervalo la frecuencia esperada con la frecuencia observada. Si estas frecuencias son
bastante parecidas entonces la muestra proviene de una distribució n uniforme.
Las hipótesis son:
Ho: Los nú meros pseudoaleatorios provienen de una distribució n U(0,1).
Ha: Los nú meros pseudoaleatorios no provienen de una distribució n U(0,1).

 
Prueba de Series
Esta prueba se utiliza para comprobar  el grado de aleatoriedad entre nú meros sucesivos. La
prueba consiste en formar parejas de nú meros, las cuales son consideradas como
coordenadas en un cuadrado unitario dividido en  n2  celdas. En la prueba de series se
generan N nú meros pseudoaleatorios de los cuales se forman parejas entre Ui  y Ui + 1, es
decir  si se generan 5 nú meros, las parejas que se forman serian:
(U1 , U2),  (U2 , U3),  (U3 , U4),  (U4 , U5).
En seguida se determina la celda a la que pertenece cada pareja ordenada, con lo cual se
determina la frecuencia observada de cada  celda.

  Prueba de las corridas

La prueba de las corridas sirve para probar la aleatoriedad de los nú meros generados. Esta
prueba se basa en el nú mero de corridas o secuencias ascendentes y descendentes. Una
corrida es una secuencia ascendente o descendente de nú meros pseudoaleatorios adyacentes.
Las hipótesis son:
Ho: Los nú meros son pseudoaleatorios U(0,1).
Ha: Los nú meros no son pseudoaleatorios U(0,1).
En este método se coloca el signo  “+”  o  “–” en cada par de nú meros adyacentes. Se puede
demostrar que:
Si:                   R = nú mero total de corridas (arriba y abajo)
                        N = tamañ o de la muestra

2.4 Método de Montecarlo

La simulació n de Montecarlo es un método especialmente ú til para analizar situaciones que
involucran riesgo con el propó sito de obtener respuestas aproximadas cuando el realizar un
experimento físico o el aplicar métodos analíticos no es posible o resulta muy difícil o costoso.
La simulació n de Montecarlo hace referencia a experimentos que involucran el uso de números
pseudoaleatorios. El requisito clave de esta técnica es que los resultados de todas las variables de
interés deben ser seleccionados aleatoriamente.
La simulació n de Montecarlo ha tenido una gran aceptació n en la vida real debido al poder
analítico que presenta sin la necesidad de matemá ticas complejas.
Enviar por correo electrónicoEscribe un blogCompartir con TwitterCompartir con
FacebookCompartir en Pinterest