Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En los experimentos de simulación es necesario generar valores para las variables aleatorias
representadas estas por medio de distribuciones de probabilidad.
Para poder generar entradas estocásticas (probabilisticas) para un modelo de simulación, se debe
contar con un generador de números pseudoaleatorios. Con estos y métodos de generación de
variables aleatorias, se pueden simular las entradas incontrolables para un modelo de simulación.
Inicialmente los números aleatorios se generaban en forma manual o mecánica utilizando técnicas
como ruedas giratorias, lanzamientos de dados, barajas. También existen métodos aritméticos que
permiten generan un gran conjunto de números aleatorios, pero el advenimiento de la
computadora ha permitido crear generadores que permitan generar de manera sucesiva todo los
números aleatorios que se requieran.
Un número pseudoaleatorio no es más que el valor de una variable aleatoria x que tiene una
distribución de probabilidad uniforme definida en el intervalo (0, 1).
Se sabe que la función de densidad f(x) de una variable aleatoria x con una distribución de
probabilidad uniforme en el intervalo [a, b] es:
1
f x( ) = b − a para a≤x≤b
La función acumulativa F(x), que representa la probabilidad de que las variable aleatoria x sea
menor o igual a un valor específico de x está dada por:
1
0 si x<a
x−a
F( )x para a ≤ x ≤ b
b−a
1 si x>b
1
b-a
a b a b
Figura 6. Función de densidad y acumulativa para una variable aleatoria x con una distribución de probabilidad uniforme en
el intervalo [a, b].
2
a+b (a+b)2
µ= ,σ=
2 12
2
1 para 0 ≤ R ≤1
f ( )R =
0 para otros valores
0 si R<a
R−a
F( )R para 0 ≤ R ≤1
b−a
1 si R>b
µ= , σ2 =
3
4.1. MÉTODOS PARA GENERAR NÚMEROS PSEUDOALEATORIOS.
4.1.1. Métodos Manuales: son los métodos más simples y lentos, ejemplo de estos
métodos son lanzamientos de monedas, dados, cartas y ruletas. Los números producidos
por estos métodos cumplen las condiciones estadísticas mencionadas anteriormente, pero
es imposible reproducir una secuencia generadas por estos métodos.
4.1.2. Tablas de números aleatorios: estos números se pueden generar por medio de
una hoja de cálculo o por cualquier generador de cualquier lenguaje de programación razón
por la cual su comportamiento es totalmente determinístico.
4.1.3. Mediante el computador digital: existen tres métodos para producir números
aleatorios mediante un computador:
• Provisión externa.
• Generación interna a través de un proceso físico aleatorio.
• Generación por medio de una regla de recurrencia.
4
• Debe tenerse en cuenta que se desean números pseudoaleatorios entre 0 y 1, en
consecuencia el resultado se debe normalizar, es decir, si los números son de dos dígitos se
normaliza dividiendo por 100, si es de tres dígitos por mil y así sucesivamente.
Observación: como los números pseudoaleatorios deben estar entre 0 y 1 y son de 4 dígitos, se
normaliza dividiendo entre 10000.
4.2.2. Método de Producto medio: este método es un poco similar al anterior pero se debe
comenzar con dos semillas cada una con k dígitos, el número resultante se toma como las cifras
centrales del producto de los dos números anteriores. Por ejemplo, tomando como semillas a X 0
=13 y X1 =15 el método sería el siguiente:
4.2.3. Método del producto medio modificado: consiste en usar una constante
multiplicativa en lugar de una variable. Es decir Xn+1 = (K*Xn). Debe notarse que los métodos
anteriores tienen periodos relativamente cortos, los cuales son afectados grandemente por los
valores iniciales que se escojan, además son estadísticamente insatisfactorios. También debe
5
tenerse en cuenta que un generador con un periodo corto no sirve para hacer un número
considerado de ensayos de simulación.
4.3.3. Método Congruencial Mixto o Lineal: los generadores congruenciales lineales generan
una secuencia de números pseudoaleatorios en la cual el próximo número pseudoaleatorio es
determinado a partir del último número generado, es decir, el número pseudoaleatorio X n+1 es
derivado a partir del número pseudoaleatorio Xn La relación de recurrencia para el generador
6
congruencial mixto es Xn+1 =(a Xn+c) mod m, en donde
• X0 = es la semilla
• a =el multiplicador
• c = constante aditiva
• X0, a, c >0
Esta relación de recurrencia nos dice que Xn+1 es el residuo de dividir a Xn+c entre el modulo. Lo
anterior significa que los valores posibles de Xn+1 son 0,1,2,3 ....m-1, es decir, m representa el
número posible de valores diferentes que pueden ser generados.
Ejemplo: supongamos que se tiene un generador en el cual los valores de sus parámetros son: a =
5, c = 7, X0 = 4 y m = 8. El generador quedará de la siguiente manera:
Xn+1 = (5 Xn + 7) mod 8
En la tabla 2, se muestran los números aleatorios generados por este método.
1 4 27/8 3 3/8=0.375
2 3 22/8 6 6/8=0.75
4 5 32/8 0 0
5 0 7/8 7 7/8=0.875
6 7 42/8 2 2/8=0.25
7 2 17/8 1 1/8=0.125
8 1 12/8 4 4/8=0.5
Tabla 2. Generación de números aleatorios por le método congruencial mixto.
Cuando se quiere construir un generador de números aleatorios para simular los valores de una
variable aleatoria, se deben elegir los parámetros de tal manera que se garantice un periodo largo
para que se puedan hacer todos los ensayos de simulación, por lo tanto se deben tener en cuenta
las siguientes condiciones:
7
• c usualmente puede ser cualquier constante, sin embargo, para asegurar buenos resultados,
se debe seleccionar a de tal forma que, a mod 8 = 5 para una computadora binaria, o a mod
200 = 21 para computadora decimal.
De acuerdo con Hull y Dobell, los mejores resultados para un generador congruencial mixto en una
computadora binaria son:
• c = 8*a±3
• a = cualquier entero
• X0 = Cualquier entero impar.
8
Genere números aleatorios entre 0 y 1 con los siguientes generadores congruenciales y determine
el ciclo de vida de cada uno.
• 4567234902.
• 3567345.
• 1234500012.
En cada caso calcule el valor esperado, la varianza y el histograma. Demuestre que los números
generados provienen de una distribución uniforme con un nivel de aceptación del 90%.
1. Construir una tabla de eventos en la que se describa la relación entre las variables
involucradas en el proceso. Para la construcción de dicha tabla es preciso identificar los
elementos que se listan a continuación.
Variable de estado Tiempo en el sistema de inspección (7)
Entidades Piezas
9
Eventos Tiempo de llegada (2) Fin
de la inspección (5)
Evento secundario Inicio de la inspección (3)
Actividades Tiempo entre llegadas (1)
Tiempo de inspección (4)
Los números entre paréntesis indican la columna que ocupa cada elemento en las tablas
4.1 y 4.2.
2. Defina las relaciones lógico-matemáticas entre los elementos; en la tabla 4.1 se
describen, por ejemplo, las siguientes relaciones:
a) El tiempo entre llegadas e s una variable aleatoria, que se simula por medio del
generador RAND() o ALEATORIO() de la hoja de cálculo de Excel y la función
generadora de variables exponenciales E = - 5 ln(1 - r ).
b) El evento tiempo de llegada de la pieza corresponde al valor acumulado de la
columna
(1).
10
Tabla 4.1 Relación entre los eventos y actividades involucradas en el proceso de simulación
3. Una vez definidas las relaciones se simula el proceso, al hacerlo, se debe cuidar que
el tamaño de la réplica o experimento sea lo suficientemente grande para asegurar la
estabilidad del resultado final. La réplica cuyos resultados se ilustran en la tabla 4.2 se realizó
con 1500 piezas; la información nos indica que el tiempo promedio de espera es de 15.05
minutos/pieza. Además de este resultado, la columna 8 permite visualizar la estabilización
del sistema mediante una gráfica de líneas.
Tabla 4.2 Simulación del proceso de inspección (en una hoja de cálculo de Excel).
11
12
13
[~\ Capítulo 3 Variables aleatorias
ProModel
Figura 3.6
Pantalla de in
de ProModel
Una vez que comience a ejecutarse el comando Stat::Fit, haga clic en el icono de la
hoja en blanco de la barra de herramientas Estándar para abrir un nuevo documento
( también puede abrir el menú File y hacer clic en New). Enseguida se desplegará u
ventana con el nombre Data Table (vea la figura 3.7), en la que deberá introducir
14 los datos
de la variable que se analizará, ya sea con el teclado o mediante los comandos Copiar y
Pegar (Copy / Paste) para llevar dichos datos desde otra aplicación, como puede ser Excel
3.3 Determinación del tipo de distribución de un conjunto de datos |~
Stat::Fit Documontl
a 1 e zt ~)L ^A
y DocumenM: Data I able I_
\
Intervols: 1 Points:
Figura 3.7
Introduzca los dat
de la variable que
analizar en esta ve
de Stat: :Fit.
Ejemplo 3.4
Los datos del número de automóviles que entran a una gasolinera por hora son:
14 7 13 16 16 13 14 17 15
13 15 10 15 16 14 12 17 14
13 20 8 17 19 11 12 17 9
20 10 18 15 13 16 24 18 16
12 14 20 15 10 13 21 23 15
Stdt::(it Doci>:.K>nt1
Auto::Fit
C continuáis distrbutons
( • decrete dKtnbutons
unbounded
The Distributor! Is: lower bound
r assoned bou
Figura 3.9
Este cuadro de diálogo
OK Cancel Help
permite seleccionar el
tipo de varia ble aleatoria.
Para que el proceso de ajuste se lleve a cabo, haga clic en el botón OK. El resulta
desplegará en la ventana Automatic Fitting, donde se describen las distribuciones de
probabilidad analizadas, su posición de acuerdo con el ajuste, y si los datos siguen o no
alguna de las distribuciones. En la figura 3.10 se observa el resultado del análisis de ajuste
del ejemplo 3.4, el cual nos indica que no se puede rechazar la hipótesis de que los datos
provengan de cualquiera de las siguientes dos distribuciones; Binomial, con N = 104 y
p = 0.145, o de Poisson, con media 15.0 (esta última coincide con el resultado que obtuvi-
mos en el ejemplo 3.1 mediante la prueba de bondad de ajuste Chi-cuadrada).
«I |
16
3.3 Determinación del tipo de distribución de un conjunto de datos |~
Haga clic con el ratón en cualquiera de las dos distribuciones (vea la figura 3.10);
enseguida se desplegará el histograma que se ilustra en la figura 3.11: las barras azules
representan la frecuencia observada de los datos; la línea roja indica la frecuencia espera-
da de la distribución teórica.
Figura 3.11
Histogramas teórico
de la variable aleator
Ejemplo 3.5
Éstos son los datos de un estudio del tiempo de atención a los clientes en una florería,
medido en minutos/cliente:
Finad Danalty
J 1» I 5 Pont» I 50
i - d 94
2 8(2
3 9 946
4 13323
s 7112
5 13 466
7 5 764
g 8974
9 8831
10 10 056
7 445
Oocunonl?: Itov iljrivi- SUll.
dctcrtplivr atatitlCT
En las siguientes secciones se describirán los primeros cuatro métodos; el lector interesa-
do en el método de aceptación y rechazo puede consultar la bibliografía recomendada.
18
19
n Capítulo 3 Variables aleatorias
Por su parte, la figura 3.14 muestra de manera gráfica la metodología para generar
variables aleatorias discretas.
0.25
0.8
0.2
r>
0.6
0.15
0.4
0.1
0.05 0.2 4 rr
0 I I I I 1 I I I I I I I I I I 1 I
0.12
0.8
0.1 r
0.08
0.06 0.4
0.04
0.2
0.02
□pp i
0 i
0 2 4 6 8 10 12 14 16 18 20x 0 2 4 6 8 10~12 14 16 18 20*
Figura 3.14 Esquematización del método de la transformada inversa para variables discretas.
Distribución uniforme
F{x) = a<x<b
b-a
x-a
F(x) = f-!—dx = a<x<b
b-a b-a
20
Al igualar la función acumulada F(x) con el número pseudoaleatorio r^UfO, 1), y despejar
x se obtiene:
3.4 Generación de variables aleatorias
Ejemplo 3.6
Medición Temperatura °C
1 0.48 97.40
2 0.82 99.10
3 0.69 98.45
4 0.67 98.35
5 0.00 95.00
Distribución exponencial
x, = --l|n(1-F(x),)
A
x, = —j-ln(l-f|)
A
Ejemplo 3.7 21
Los datos históricos del tiempo de servicio en la caja de un banco se comportan de forma
n Capítulo 3 Variables aleatorias
1 0.64 3.06
2 0.83 5.31
3 0.03 0.09
4 0.50 2.07
5 0.21 0.70
Distribución de Bernoulli
X 0 1
P(X) 1 -p
P
X 0 1
-------------
PW 1 -p 1
(0 si r{ e(0,1-p)
*' (1 si /; e( 1 - p, 1)
Ejemplo 3.8
Los datos históricos sobre la frecuencia de paros de cierta máquina muestran que existe
una probabilidad de 0.2 de que ésta falle (x= 1), y de 0.8 de que no falle (x = 0) en un día
determinado. Genere una secuencia aleatoria que simule este comportamiento.
A partir de la distribución de probabilidad de la variable aleatoria de
22Bernoulli con
media 0.8,
3.4 Generación de variables aleatorias
Tabla 3.8 Cálculo de las probabilidades acumuladas de las fallas de la máquina del ejemplo 3.8.
X 0 1
_ |0 si r. e ( 0 - 0 . 8 )
X,-)l si r,e ( 0 . 8 - 1)
Con una lista de números pseudoaleatorios r/~U(0,1) y la regla anterior es posible simular
el comportamiento de las fallas de la máquina a lo largo del tiempo, al considerar lo
siguiente:
3 0.034 0 no falla
4 0.503 0 no falla
5 0.891 1 falla
Ejemplo 3.9
se calculan las probabilidades puntuales y las acumuladas para x = 0,1; 2,..., y se obtienen
los datos de la tabla 3.10.
0 0.1353 0.1353
1 0.2706 0.4060
2 0.2706 0.6766
3 0.1804 0.8571
4 0.0902 0.9473
5 0.0360 0.9834
6 0.0120 0.9954
7 0.0034 0.9989
8 0.0008 0.9997
9 0.0001 0.9999
10 0.00003 0.9999
0 si r.e (0-0.1353)
1 si r. €(0.1353-0.4060)
2 si /; e (0.4060 - 0.6766)
3 si r¡ €(0.6766-0.8572)
4 si r¡G (0.8571-0.9473)
5 si r¡ €(0.9473-0.9834)
6 si r¡ e(0.9834 - 0.9954)
7 si r¡ €(0.9954-0.9989)
8 si r¡ e(0.9989-0.9997)
9 si r¡ e (0.9997-0.9999)
24
Con una lista de números pseudoaleatorios r.~U(0,1) y la regla anterior es posible simular
_______________________________________________________________ 3.4 Generación de variables aleatorias |
Tabla 3.11 Simulación de la llegada de piezas al sistema, con variables aleatorias de Poisson.
Hora Piezas/hr
1 0.6754 2
2 0.0234 0
3 0.7892 3
4 0.5134 2
5 0.3331 1
Ejemplo 3.10
Día 1 2 3 4 5 6 7 8
Demanda 1 2 2 1 3 0 3 1
X p(x) p(x)
0 0.1111 0.1111
1 0.2222 0.3333
2 0.3333 0.6666
3 0.3333 1
si (0-0.1111)
si r, €(0.1111 -0.3333) 25
*/ = si r. €(0.3333-0.6666)
si r. €(0.6666-1)
Capítulo 3 Variables aleatorias__________________________________________
1 0213 1
2 0.345 2
3 0.021 0
4 0.987 3
5 0.543 2
Objetivos:
26
Ejercicio: Determinación del tipo de distribución estadística de un conjunto de datos
Estos son los datos del número de automóviles que entran a una gasolinera cada
hora.
14 7 13 16 16 13 14 17 15 16
13 15 10 15 16 14 12 17 14 12
13 20 8 17 19 11 12 17 9 18
20 10 18 15 13 16 24 18 16 18
12 14 20 15 10 13 21 23 15 18
Introducción
a. Anderson-Darling.
b. Chi-Cuadrada.
c. Kolmogorov-Smirnov.
Stat::Fit permite comparar los resultados entre varias distribuciones analizadas mediante
una calificación. Entre sus procedimientos emplea las pruebas estadísticas Chi-cuadrada, de
Kolmogoro v-Smirnov y de Anderson-Darling. Conjuntamente calcula los parámetros
apropiados para cada tipo de distribución, e incluye información estadística adicional como
media, moda, valor mínimo, valor máximo y varianza, entre otros datos. Stat::Fit se puede
ejecutar desde la pantalla de inicio de Promodel, o bien desde el comando Stat::Fit del menú
Tools. Entrada de datos y manipulación Tabla de Datos Un nuevo proyecto se crea haciendo
clic en el icono new en la barra de control o seleccionando File en la barra de menú y luego
New en el submenú, esta acción genera un nuevo documento de Stat::Fit , y muestra una
tabla vacía de datos (ver imagen 1) . También de se pueden copiar (copy) datos desde otra
aplicación como Excel o el block de notas y pegar (paste) en la tabla de datos (Date Table).
27
Imagen 1: Tabla de Datos
Una vez introducida la información es posible
seleccionar una serie de opciones de análisis
estadístico, entre ellas las de
estadística descriptiva y de las pruebas de
bondad de ajuste, de las cuales nos ocuparemos.
Estadística descriptiva:
Número de datos (puntos) 50
Valor mínimo 7
Valor máximo 24
28
Media 15.04
Mediana 15.
Moda 15
Desviación estándar 3.62199
Varianza 13.1188
Coeficiente de variación 24.0504
Asimetría 0.126739
Curtosis -0.121982
Determinación del tipo de distribución estadística:
Para determinar el tipo de distribución de los datos, seleccione el comando Auto::Fit del
menú Fit en la pantalla principal de Stat::Fit. A continuación se desplegará un cuadro de
diálogo similar al que se ilustra en la Imagen 3, en la cual se tiene que seleccionar el tipo de
distribución que se desea probar. Para este ejercicio seleccionamos una distribución de tipo
discreto: discrete distributions por tratarse de datos contables (número de automóviles
que llegan a la gasolinera por hora, y esto es una variable aleatoria con esa característica.
29
Imagen 4
30
Imagen 6: Estilo del Gráfico.
Prueba Chi-cuadrada:
Otra distribución.
X x 14 7
... 18 15.04 n 50
La Distribución Poisson:
x e
31
p x( ) x 0,1,2,...
x!
150e 15 151e 15 152e 15 153e 15
p x( 0,12,3,4,5,6,7)
0! 1! 2! 3!
154e 15 155e 15 156e 15 157e 15
0.0180 4! 5! 6! 7!
158e
159e 15 15
p x( 8,9) 0.0519 8! 9!
POISSON.DIST(9,15,VERDADERO)- POISSON.DIST(7,15,VERDADERO) = 0.051851468
1510 15e
1511 15e
p x( 10,11) 0.1149 10! 11!
POISSON.DIST(11,15,VERDADERO)- POISSON.DIST(9,15,VERDADERO) = 0.114898138
1512 15e
1513 15e
p x( 12,13) 0.1785 12! 13!
POISSON.DIST(13,15,VERDADERO)- POISSON.DIST(11,15,VERDADERO) = 0.178466043
1514 15e
1515 15e
p x( 14,15) 0.2049 14! 15!
POISSON.DIST(15,15,VERDADERO)- POISSON.DIST(13,15,VERDADERO) = 0.204871733
1516 15e
1517 15e
p x( 16,17) 0.1808 16! 17!
POISSON.DIST(17,15,VERDADERO)- POISSON.DIST(15,15,VERDADERO) = 0.180769176
1518 15e
1519 15e
p x( 18,19) 0.1264 18! 19!
POISSON.DIST(19,15,VERDADERO)- POISSON.DIST(17,15,VERDADERO) = 0.126360033
32
POISSON.DIST(21,15,VERDADERO)- POISSON.DIST(19,15,VERDADERO) = 0.071674809
33
20-21 4 0.0717 3.5837 0.0483
11
c i 1 (E Oi Eii )2 (0.9001-0.90011)2 ... (0.3092-1 0.30920)2
Los resultados nos Indican que no podemos rechazar la hipótesis de que la variable
aleatoria se comporta de acuerdo con una distribución de Poisson, con una media de 15
automóviles por hora.
Usando el menú de Ajuste del Stat::Fit; hacemos clic en el menú Fit y luego en la opción
Goodness of Fit (Ajuste). Para realizar las pruebas Chi-cuadrada.
34
La prueba Chi-cuadrada para un nivel 95%, 6 grados de libertad versus la chi-cuadrada de
los 7 intervalos en que dividió los datos. 12.6 >2.16 con una p-valor 0.905. Concluyendo
que No hay evidencia para rechazar la hipótesis Ho. Es decir la distribución se comporta
como una Distribución Poisson.
35
0.591 0.781 0.850 0.048 0.580 0.346 0.723 0.245 0.535 0.610
0.745 0.005 0.256 0.845 0.445 0.777 0.896 0.513 0.335 0.194
0.307 0.692 0.905 0.046 0.128 0.766 0.366 0.302 0.302 0.833
0.084 0.080 0.160 0.028 0.714 0.454 0.913 0.666 0.213 0.373
0.967 0.280 0.333 0.531 0.285 0.504 0.837 0.681 0.209 0.626
SIMULACIÓN DE SISTEMAS
Usando muestras aleatorias simular los tiempos promedios de procesos.
Objetivos:
• Obtener muestras a partir de números aleatorios.
• Usando muestras aleatorias simular los tiempos promedios de procesos.
Problema:
En una Institución de Servicio de cobranza se tienen los siguientes registros de información.
Se le solicita que obtenga tres muestras aleatorias de 20 clientes cada una, para lo cual debe
usar números aleatorios que simulen los tiempos de llegada y los tiempos de servicios de los
clientes. Calcular:
Use el software de Simulación Promodel para generar los datos de las tres muestras
aleatorias.
36
I. Para obtener la primera muestra, nos apoyaremos en el software Promodel –
programa Stat::Fit.
Procedemos de la siguiente manera:
1. Abril el programa Fit
2. Hacemos clic en el menú Input
3. Dentro de input hacemos en el submenú Generate
4. Aparece un cuadro de diálogo que se muestra en la imagen #1.
Imagen #1
5.
37
Imagen #2
14. Ahora los datos que se han generado y que son datos de distribución Uniforme
discreta los pegamos en ese orden de salida en la tabla Muestra #1, en la columna
Llegada, no olvide que esos datos representan minutos.
Para obtener las Otras muestras para las Tablas Muestra #2 y Muestra #3.
Siempre tiempos de llegada que esta entre 1 y 10 minutos y que se deben de
Distribuir Uniformemente.
Generar archivo de variables aleatorias.
Como nos hace falta generar los 20 datos de cada una de los dos muestras (2 y 3).
Los obtendremos con Promodel – Stat::Fit. Procedemos de la siguiente manera
Paso a paso:
1. Hacemos clic en el menú Utilities (utilidades) del Stat:Fit, y seleccionamos el
submenú Generate Variate File (Generar archivo de variable de variables
aleatorias). (ver Imagen #3)
38
7. Generador (Generador) = PMM LCG (Default)
8. Luego Hacemos clic en el botón OK y se nos abre una ventana como la de la
Imagen #4.
9. En la Ventana de la Imagen #4, seleccionamos la unidad de disco y el nombre del
archivo cuya extensión es .txt (que significa texto) y damos clic en guardar.
Imagen #3
Imagen #4
De forma similar debe hacerlo nuevamente con los pasos indicados para generar la tercer
muestra. Así poder tener las tres muestras de los datos de llegada.
II. Así como obtuvimos las muestras de los datos de llegada, ahora debemos
proceder de igual manera para obtener las tres muestras de los tiempos de
39
atención que estan entre 1 y 6 minutos y que también se distribuyen en forma
Uniforme.
III. Cuando tenga los muestras de atención pongalas en las tablas diseñadas y ahora
podrá realizar los calculos que se solicitan en la página
30
40
30
41
Muestra #3
30
Para entregar:
Problema:
En una Estación de combustible se tienen los siguientes registros de información.
42
1. El tiempo de llegada entre clientes es en forma de Poisson con media de 45
clientes por hora. (ʎ=45 c/h).
Se le solicita que obtenga tres muestras aleatorias de los primeros 30 clientes cada una, para
lo cual debe usar números aleatorios que simulen los tiempos de llegada y los tiempos de
servicios de los clientes.
Objetivos:
43
extrae los D dígitos del centro; el primer número ri se determina simplemente
anteponiendo “0.”. Para obtener el segundo ri se sigue el mismo procedimiento, solo que
ahora se eleva al cuadrado los D dígitos del centro que se seleccionaron para obtener el
primer ri. A continuación se presenta con más detalles los pasos para generar números
con el algoritmo de cuadrados medios.
Nota: si no es posible obtener los D dígitos del centro del número Yi, agregue ceros a la
izquierda del número Yi.
II. Obtener n=4 números pseudo aleatorios con el algoritmo de los cuadrados medios.
a. Se elige como semilla inicial un número al azar de 4 dígitos (en nuestro caso)
b. Xo=5729
I Xi Yi=(Xi)2 ri=0.Xi
1 8214 67469796 0.4697
2 4697 22061809 0.0618
3 0618 00381924 0.3819
4 3819 14584761 5847
Existen muchos algoritmos para para generar números pseudo aleatorios, pero no hay
siempre garantía que cumplan los criterios de aleatoriedad requeridos por los test
estadísticos para ser usados en modelo de simulación, por lo que es necesario examinarlos
siempre antes se usarse.
44
III. Usaremos Excel para generar números pseudo aleatorios y luego procederemos a
evaluarlos con los test estadísticos.
Cómo generar números aleatorios con Excel:
La función ALEATORIO (RAND en la versión inglesa) de Excel genera números aleatorios.
Esta función no tiene argumentos y es recalculada nuevamente cada vez que se produce
un cambio en la hoja, excepto que el modo de cálculo sea "manual".
Los números que produce ALEATORIO () están en el rango del 0 al 1.
En esta hoja usamos la fórmula =ALEATORIO() en el rango A2:A11
Si Queremos generar una serie de números aleatorios con una precisión de n dígitos,
debemos usar la función REDONDEAR junto con la función ALEATORIO. En esta hoja,
usamos la fórmula combinada REDONDEAR(ALEATORIO(),5) para generar números
aleatorios con cinco decimales.
45
Si queremos producir números aleatorios que se encuentren en un rango entre dos números,
digamos entre 12 y 88, podemos usar la fórmula
=REDONDEAR(ALEATORIO()*(88-12)+12,0)
ACTIVIDAD PRÁCTICA
1. Usando el programa Excel, genere 200 números aleatorios entre 0 y 1 con una precisión
de 4 y guárdelo en un archivo txt en su carpeta de trabajo.
2. Use el módulo Stat::fit para analizar los números “aleatorios” generados con Excel.
0.0000-0.0999
46
0.1000-0.1999
0.2000-0.2999
0.3000-0.3999
0.4000-0.4999
0.5000-0.5999
0.6000-0.6999
0.7000-0.7999
0.8000-0.8999
0.9000-0.9999
Se espera que en cada intervalo deben aparecer la misma de datos (frecuencia) , puesto
que hay 200 números, se esperan 20 números por intervalo. Prueba Chi-cuadrada para
contraste de uniformidad.
x2 i 90 (o ei ei i )2
Conclusión:
___________________________________________________________________
___________________________________________________________________
___________________________________________________________________
___________________________________________________________________
d. A los datos le vamos aplicar el test de corridas, para lo cual usaremos el archivo
original. El propósito de este test es analizar la independencia de los números.
Ho: Los ri son independientes
47
PARA ENTREGAR EN REPORTE
48
1.1 Introducción a la simulación
1.6 Problemas
Referencias
49
Capítulo 1 Principios básicos de la simulación
50
cuales pertenecen los modelos de simulación de eventos discretos. Asimismo, los
modelos pueden diferenciarse según el tipo de ecuaciones matemáticas que los
componen. Por ejemplo, los modelos continuos son aquellos en los que las
relaciones entre las variables relevantes de la situación real se definen por medio de
ecuaciones diferenciales, ya que éstas permiten
que de gasolina al paso del tiempo, mientras el vehículo está en marcha, pueden simularse con
este tipo de modelo.
En este libro nos ocuparemos del proceso que se basa en el uso de ecuaciones matemáticas
y estadísticas, conocido como simulación de eventos discretos. Este proceso consiste en
relacionar los diferentes eventos que pueden cambiar el estado de un sistema bajo estudio por
medio de distribuciones de probabilidad y condiciones lógicas del problema que se esté
51
analizando. Por ejemplo, un proceso de inspección donde sabemos estadísticamente que 0.2% de
los productos tiene algún tipo de defecto, puede simularse con facilidad mediante una simple
hoja de cálculo, al considerar estadísticas de rechazos y productos sin defecto, y al asignar una
distribución de probabilidad con 0.2% de opor-
Para poder realizar un buen estudio de simulación es necesario entender los conceptos básicos
que componen nuestro modelo.
52
recursos, atributos, variables, y el reloj de la simulación, los cuales a
continuación se describen:
Para ilustrar con mayor claridad estas definiciones veamos la siguiente figura.
53
1.2 Definiciones de simulación |~
RELOJ
HR:00 MIN:05
Evento futuro:
llegada de entidad
"pieza" a la tarima,
HR: 00 MIN: 07
Entidad "pieza"
Adicional a la figura 1.1 podemos ilustrar los cambios en el estado del sistema de
manera tabular y la manera en que va cambiando con cada evento en el tiempo. Si bien
es cierto que en un modelo real se puede considerar una gran variedad de estadísticas,
como podría ser el tiempo de permanencia en el sistema, el tiempo que pasa entre esta-
ciones, el tiempo de procesos y el promedio de piezas. Cada una de estas estadísticas se
vuelve a calcular hasta que un nuevo evento altera el estado del sistema actual; de aquí
la importancia de identificar este tipo de simulación como eventos discretos. Esta repre-
sentación se muestra en la siguiente tabla, la cual sólo considera el número de entidades
en el sistema, en un modelo real ambas tablas contendrían más información.
Historia de la simulación
Estado Es
Reloj Evento tarima est
Tabla de eventos futuros
00:00 Inicio de simulación 0 piezas 0p
Reloj Evento futuro Estatus
00:02 Llegada de pieza 1 pieza 0p
00:02 Llegada pieza Realizado
00:03 Pieza en estación 0 piezas 1p
00:03 Mover pieza a estación Realizado
00:04 Llegada de pieza 1 pieza 1p
Llegada de pieza54
00:04 Llegada de la pieza Realizado
00:05 2 piezas 1p
00:05 Llegada de la pieza Realizado
00:06 Fin de proceso estación En espera RELOJ
Capítulo 1 Principios básicos de la simulación
Además del esquema transaccional (pieza en tarima -> pieza en estación) que se
presenta en un modelo de simulación, es necesario considerar algunos otros elementos
que también forman parte de este tipo de modelaciones. A continuación describiremos
algunos de ellos.
Las localizaciones son todos aquellos lugares en los que la pieza puede
detenerse para ser transformada o esperar a serlo. Dentro de estas localizaciones
tenemos almacenes, bandas transportadoras, máquinas, estaciones de inspección,
etcétera. En el caso del gráfico mostrado en la figura 1.1 la tarima y la estación serían
consideradas localizaciones del modelo. Observe que en el caso de la estación una sola
localización puede ser representada gráficamente por varias figuras. En la estación
observamos una mesa y a una persona que en conjunto forman una sola localización. En
términos de simulación algunos paquetes permiten la animación de lo que se programó.
En estos paquetes la representación iconográfica es sólo para aspectos visuales y no le
resta o agrega potencia al modelo. Es decir, podríamos haber colocado una casa en lugar
de la estación con mesa y operador y el modelo nos hubiese dado el mismo resultado.
Como indica su nombre, las variables son condiciones cuyos valores se crean y
modifican por medio de ecuaciones matemáticas y relaciones lógicas. Pueden ser
continuas (por ejemplo, el costo promedio de operación de un sistema) o discretas
(como el número de unidades que deberá envasarse en un contenedor). Las variables
son muy útiles para realizar conteos de piezas y ciclos de operación, así como para
determinar características de operación del sistema.
55
convierte en un evento actual. Regresando al ejemplo de la figura 1.1, cuando el tiempo
de proceso se cumpla, la pieza seguirá su camino hasta su siguiente localización, si ésta
es la última del sistema lo más probable es que su siguiente proceso sea salir del
sistema; el reloj simula precisamente ese tiempo.
56
1.2 Definiciones de simulación
Ejemplo 1.1
Un taller recibe ciertas piezas, mismas que son acumuladas en un almacén temporal en
donde esperan a ser procesadas. Esto ocurre cuando un operario transporta las piezas
del almacén aun torno. Desarrolle un modelo que incluya el número de piezas que hay
en el almacén y que esperan ser atendidas en todo momento, y el número de piezas pro-
cesadas en el torno.
En la siguiente figura podemos observar cómo se vería un modelo de simulación
para este ejemplo.
pr
Piezas en almacén Piezas procesadas
Torno
Almacén
♦
Figura 1.2
Modelo de
simulación para
el ejemplo 1
Sistema: En este caso, el sistema está conformado por el conjunto de elementos interre-
lacionados para el funcionamiento del proceso: las piezas, el almacén temporal, el opera-
rio, el torno.
Entidades: En este modelo sólo tenemos una entidad; las piezas, que representan los
flujos de entrada al sistema del problema bajo análisis.
Estado del sistema: Podemos observar que cuando llevamos 1 hora 10 minutos de simu-
lación (vea el extremo superior derecho de la figura) en el almacén se encuentran57
9 piezas
esperando a ser procesadas; el operario está transportando una pieza más para procesar-
la en el torno. El torno, por lo tanto, no está trabajando en ese momento, aunque ya ha
|- | Capítulo 1 Principios básicos de la simulación
Localizaciones: En este caso tenemos el almacén al que deberán llegar las piezas y
en el que esperarán a ser procesadas, así como el torno en donde esto ocurrirá.
Recursos: En este modelo, un recurso es el operario que transporta las piezas del
almacén al torno.
58
las variables que se obtienen en términos de promedios presentan dos diferentes
etapas: un estado
59
1.3 Ventajas y desventajas de la simulación |
Por otro lado, en el estado estable los valores de las variables de decisión perma-
necen muy estables, y presentan sólo variaciones poco significativas. En este momento
las decisiones que se tomen serán mucho más confiables. Sin embargo, no todas las
variables convergen al estado estable con la misma rapidez: algunas pasan con más
lentitud que otras de un estado transitorio a uno estable. Es responsabilidad del analista
verificar que las variables de decisión del modelo se encuentren en estado estable antes
de detener el tiempo de la simulación (vea la figura 1.3).
Otro factor importante para decidir el tiempo de simulación es el costo de la corrida.
Mayor tiempo de simulación requiere más tiempo computacional, lo cual implica, nece-
sariamente, un costo más alto. Por supuesto, la situación empeora si a esto le agregamos
que en algunos casos es preciso efectuar más de tres réplicas.
Figura 1.3
Gráfica de estabilización de
una variable.
a) Es muy buena herramienta para conocer el impacto de los cambios en los proce-
sos, sin necesidad de llevarlos a cabo en la realidad. 60
b ) Mejora el conocimiento del proceso actual ya que permite que el analista vea
cómo se comporta el modelo generado bajo diferentes escenarios.
|-| Capítulo 1 Principios básicos de la simulación
Tamaño insuficiente de la corrida. Como se mencionó antes, para poder llegar a con-
clusiones estadísticas válidas a partir de los modelos de simulación es necesario que las
variables aleatorias de respuesta se encuentren en estado estable. El problema estriba en
que, por lo general, cuando el modelo consta de más de una variable de decisión, es
61
difícil que éstas alcancen un estado estable al mismo tiempo: es posible que una se
encuentre estable y la otra no en un momento determinado, por lo que las conclusiones
respecto de la segunda variable no serán confiables en cuanto a la estadística.
1.4 Elementos clave para garantizar el éxito de un modelo de simulación |~ j
no es la apropiada, será imposible tomar decisiones que tengan impacto en la operación del
sistema bajo estudio.
Por ejemplo, digamos que una variable de respuesta es el nivel de inventarios de cierto
producto, sin embargo, la política de la empresa establece que no se debe parar ninguno de los
procesos de fabricación. En consecuencia, el problema no será el inventario final, sino el ritmo de
producción necesario para que aquel cumpla con los requerimientos de diseño que se desean.
Errores al establecer las relaciones entre las variables aleatorias. Un error común de
programación es olvidar las relaciones lógicas que existen entre las variables aleatorias del
modelo, o minimizar su impacto. Si una de estas variables no está definida de manera correcta, es
posible tener un modelo que se apegue a la realidad actual; sin embargo, si el sistema no se lleva
hasta su máxima capacidad para observar su comportamiento, podría resultar imposible visualizar
el verdadero impacto de las deficiencias.
tes parámetros de producción aproximados: mínimo 10, máximo 40, y promedio 30. En esta
circunstancia la tentación de simplificar el estudio de la variable asignándole una distribución
triangular con parámetros (10, 30, 40) es muy grande; no obstante, hacerlo afectaría de manera
importante los resultados de la simulación, pues el modelo podría alejarse de lo que sucede en la
realidad.
tados finales para las variables de respuesta y, a partir de esos valores, obtener intervalos de
confianza que puedan dar un rango en dónde encontrar los valores definitivos. Este tipo de
problemas se presentan también al comparar dos escenarios: podríamos encon-
trar un mejor resultado para uno de ellos, pero si los intervalos de confianza de las variables de
respuesta se traslapan resultaría imposible decir que el resultado de un escenario es mejor que el
del otro. De hecho, en lo que a la estadística se refiere, ambos resul-
tados pueden ser iguales. En ese caso incrementar el tamaño de corrida o el número de réplicas
puede ayudar a obtener mejores conclusiones.
62
Uso incorrecto de la información obtenida. Un problema que se presenta en ocasiones es
el uso incorrecto de la información recabada para la realización del estudio, ya sea a
través de un cliente o de cualquier otra fuente. Muchas veces esta información se recolecta,
analiza y administra de acuerdo con las necesidades propias de la empresa, lo que implica que no
siempre está en el formato y la presentación que se requiere para la simulación. Si la información
se utiliza para determinar los parámetros del modelo sin ser
|- | Capítulo 1 Principios básicos de la simulación
entrada y salida de datos que interactúan con otras partes del modelo. Cuando esto
sucede, el impacto que podrían tener los subprocesos que se llevan a cabo en la
"caja negra" (es decir, del proceso sobresimplificado) no se incluye en la simulación.
Por ejemplo, si se analiza un sistema de distribución y se da por sentado que el
almacén siempre surte sus pedidos, no incluiremos el impacto de los tiempos
necesarios para surtir las órdenes, ni la posibilidad de que haya faltantes de
producto; excluiremos también los horarios de comida, en los que no se surten
pedidos, y las fallas en los montacargas que transportan los pedidos hasta los
camiones para su distribución. Por otra parte, si el modelo se hace demasiado
detallado, tanto el tiempo dedicado al estudio como el costo de llevarlo a cabo
podrían incrementarse sustancialmente. Es labor del encargado de la simulación
sugerir y clarificar los niveles de detalle que se requieren en el modelo, resaltando
los alcances y limitaciones de cada uno.
63
1. Definición del sistema bajo estudio. En esta etapa es necesario
conocer el sistema a modelar. Para ello se requiere saber qué origina el
estudio de simulación y establecer los supuestos del modelo: es
conveniente definir con claridad las variables de decisión del modelo,
determinar las interacciones entre éstas, y establecer
con precisión los alcances y limitaciones que aquel podría llegar a tener.
obtuvo en la etapa de definición del sistema, e incluir las interrelaciones de todos los posibles
subsistemas que existan en el problema a modelar. En caso de que se requiera una
animación, éste también es un buen momento para definir qué gráfico puede representar
mejor el sistema que se modela.
64
to de almacenamiento o de generación de reportes no es el apropiado para facilitar el
estudio. Por ello, es muy importante dedicar el tiempo suficiente a esta actividad. De no
contar con la información requerida o en caso de desconfiar de la disponible, será necesario
realizar un estudio estadístico del comportamiento de la variable que se desea identificar,
para luego incluirla en el modelo. Más adelante se hará el análisis de los datos indispensables
para asociar una distribución de probabilidad a una variable aleatoria, así como las pruebas
que se le deben aplicar. Al finalizar la recolección y análisis de datos para todas las variables
del modelo, se tendrán las condiciones para generar una versión preliminar del problema que
se está simulando.
65
modelando. A esta etapa se le conoce también como validación del
modelo.
66
ticas importantes respecto de la toma de decisiones (por ejemplo, los
intervalos de confianza).
67
1.5 Pasos para realizar un estudio de simulación |
En la figura 1.4 se presenta una gráfica de Gantt en donde se muestra, a manera de ejem-
plo, la planificación de los pasos para realizar una simulación que hemos comentado en
esta sección.
Actividad
Definición del sistema
Modelo de simulación base
Recolección y análisis de datos
Modelo preliminar de simulación
Verificación del modelo
Validación del modelo
Modelo final de simulación
68
Determinación de escenarios
Análisis de Sensibilidad
|-| Capítulo 1 Principios básicos de la simulación
Como podemos observar en la figura 1.5, la construcción del modelo es sólo una
parte del beneficio de una herramienta como simulación. También se puede usar para
hacer análisis con diferentes escenarios y tomar decisiones sustentadas estadística-
mente. En el siguiente capítulo revisaremos cómo se modela la variabilidad natural de
los procesos.
1.6 Problemas
1. Determine los elementos de cada uno de los siguientes sistemas, de acuerdo con lo
que se comentó en la sección 1 .2 .
2 . Defina los elementos de cada uno de estos sistemas, de acuerdo con lo que analizó
en la sección 1.2 .
3 . ¿Cuáles podrían ser las entidades de cada uno de los siguientes sistemas?
a) Un cajero automático
b) Un sistema automático de inspección de botellas
c) Una máquina dobladora de lámina
d) Un proceso de empaque de televisores
é) Una sala de urgencias de un hospital
f) Un almacén de producto terminado
g ) Una línea de embutido de carnes
4 . ¿Cuáles podrían ser las entidades de cada uno de los siguientes sistemas?
a) Un sistema de distribución de paquetería
b) Un sistema de cobranza
c) Un conmutador telefónico
d) Un departamento de devolución de mercancía
e) El abordaje de un crucero por el Caribe
f ) Un taller de reparación de motores
g) Un centro de despacho y asignación de pedidos de productos
5 . Determine qué atributos podrían ser relevantes para la simulación de los siguientes
sistemas.
a) El maquinado de una familia de engranes
b) Un proceso de pintura de refrigeradores
c) Un sistema de recepción de materia prima
d) Un proceso de soldadura para varios productos
é) Una sala de tratamientos dentales
f ) Un sistema de registro de pacientes en un hospital
g) Un sistema de localización de mercancía por radio frecuencia 70
6 . ¿Qué atributos podrían ser relevantes para la simulación de los siguientes sistemas?
Capítulo 1 Principios básicos de la simulación
7 . Especifique las variables que podrían ser relevantes en los siguientes sistemas.
Referencias
[1] Goodsell, C. A. y Van Kely(T. J. (2004)."lnventory Management Simulation atCAT Logistics", En J.
A. Joines, R. R. Barton, K. Kang, y P. A. Fishwick (Eds), pp 1185-1190.
[2] Chan, F.T.S., N. K. H., Tang, H. C. W., Lau, y R. W. L., Ip (2002). "A Simulation Approach in Supply
Chain Management", IntegratedManufacturing Systems, volumen 13 {número 2), pp 117-1
[3] O'Kane, J. (2004)."Simulating production performance: cross case analysis and policy implica-
tions" Industrial Management and Data Systems, volumen 104 {número 4), pp. 309-321.
[4] Mahanti, R. y Antony, J (2005)."Confluence of Six Sigma, Simulation and Software Development"
Managerial Auditing Journal, volumen 20 (número 7), pp. 739-762.
[5] Strauss, U. (2006). "Using a Business Simulation to Develop Key Skills - the MERKIS Experience",
Industrial and Commercial Training, volumen 38 (n úmero 4), pp. 213-216.
[ 6] García, H. y Centeno, M. A. (2009)."S.U.C.C.E.S.S.F.U.L.: a Frameworkfor Designing Discrete Event
Simulation Course", Proceed’mgsofthe 2009 WinterSimulation Conference, M. D. Rossetti, R.
B. Johansson, A. Dunkin y R. G. Ingalls (Eds), pp. 289-298.
73
74