Está en la página 1de 32

Simulación de Sistemas

Unidad:
Simulación de Eventos Discretos con Hoja de
Cálculo

Docente: John Zamora Córdova


Logro
Al finalizar la unidad, el estudiante aplica los parámetros de un
modelo de simulación utilizando la hoja de cálculo Excel.

Importancia
Los escenarios de la toma de decisiones presentan un alto
grado de complejidad. Los modelos de simulación nos permiten
encontrar formas prácticas y útiles en una herramienta como
una hoja de cálculo para enfrentar dicha complejidad y
encontrar soluciones satisfacientes.
Contenido general

• Modelos de simulación de Montecarlo: variable


discreta
• Modelo de simulación de Montecarlo: rangos y
técnica interpolación, para variable continua

• Modelos de simulación usando variables


aleatorias continuas teóricas y empíricas
Gracias
Docente: John Zamora Córdova
Modelos de simulación de Montecarlo: variable
discreta
Simulación de Montecarlo

La universidad
programa entregar por
Navidad, a los hijos de
los trabajadores, un
total de 100 regalos: 25
pelotas, 50 patines, 25
bicicletas.
La Universidad
determina que cada
niño seleccionado elija
al azar el regalo que le
corresponda.
Simulación de Montecarlo

Rueda de la ruleta

Bicicletas Pelotas

Patines

25 obsequios pelotas, 25%


50 obsequios patines 50%
25 obsequios bicicletas. 25%
Simulación de Montecarlo
La idea consiste en abrir la ruleta, considerar que
sobre la circunferencia están todos los números
entre 0 y 1.
Bicicletas Pelotas
Generar números aleatorios(entre 0 y 1).

Patines
0.15 0.55 0.70 0.80

0 0.25 0.75 1

(0.55) 1er. Invitado se lleva unos patines


(0.15) 2do. Invitado se lleva una pelota
(0.70) 3er. Invitado se lleva unos patines
(0.80) 4to. Invitado se lleva una bicicleta
Simulación de Montecarlo

Obsequio Chance Frecuencia Acumulada


Relativa
Pelotas 25% 0.25 [0; 0,25 ˃

Patines 50% 0.50 [0,25; 0,75 ˃

Bicicletas 25% 0.25 [0,75;1˃

0.15 0.55 0.70 0.80

0 0.25 0.75 1

Método Montecarlo
Números aleatorios entre 0 y 1

• Números que tienen un comportamiento uniformemente


distribuido entre 0 y 1.
• Se debe validar realizando las pruebas de Uniformidad y de
Independencia

• A partir de los números aleatorios entre 0 y 1 se generan


otros números aleatorios de cualquier comportamiento.
Números aleatorios entre 0 y 1

Xi+1=(aXi+c) mod m

Tabla de Nros. Procedimientos


Fenómenos Físicos
aleatorios Matemáticos

Números
Aleatorios

Validación de Variables
Series de NA U (0,1)

Variables
Aleatorias
Generador congruencial mixto

Produce una secuencia de enteros X1, X2,... entre 0 y m-1


de acuerdo a la siguiente relación recursiva:

Xi+1= (a * Xi + c) mod m, i=0,1,2,...

X0 es llamado semilla.
a es llamado el multiplicador constante.
c es el incremento.
m es el módulo.

El número aleatorio se encuentra de la siguiente manera:

R = X /m
Gracias
Docente: John Zamora Córdova
Modelo de simulación de Montecarlo: rangos y
técnica interpolación, para variable continua
Método de Interpolación
Suponga que se han coleccionado 100 tiempos de reparación
de un elemento.

Los valores se colocan en cuatro intervalos de


0.0 a 0.5 horas -> Primera media hora
0.5 a 1.0 horas -> Segunda media hora
1.0 a 1.5 horas -> Tercera media hora
1.5 a 2.0 horas -> Cuarta media hora

Intev.(hs) Frecuencia Frecuencia Frecuencia


relativa acumulada
0.0 – 0.5 31 0.31 [0; 0,31 ˃
0.5 – 1.0 10 0.10 [0.31; 0,41˃
1.0 – 1.5 25 0.25 [0.41; 0,66˃
1.5 – 2.0 34 0.34 [0.66; 1˃
Método de interpolación

Como no se conoce la D. Acum. Teórica , trabajo con la D. Empírica

Distribución empírica
Fˆ ( x)
Probabilidad acumulada

1 1
0.8
F(x)
0.66
0.6
0.4 0.41
0.31
0.2
0 0
0.5 1 1.5 2
Tiempos de reparación
Método de interpolación

Distribución empírica
1
1
Dado Ri= 0.83 (entre 0.66 y 1), Xi es 0.9
computado por una interpolación lineal 0.8
0.66
entre 1.5 y 2. 0.7
0.6
0.5 0.41
0.4 0.31

Ri  0.66 0.3

X i  1.5   2  1.5 0.2

1  0.66 0.1
0
0

0.5 1 1.5 2
Método de interpolación

Distribución empírica
1 1
Dado Ri= 0.83 (entre 0.66 y 1), Xi es computado 0.9
0.83
por una interpolación lineal entre 1.5 y 2 0.8
0.7
0.66
0.6
0.5
0.4 0.41
0.3 0.31
0.2
0.1
0 0
0.5 1 1.5 2
0.83  0.66
1.75  1.5   2  1.5
1  0.66 1.75
Gracias
Docente: John Zamora Córdova
Modelos de simulación usando variables aleatorias
continuas teóricas y empíricas
Distribuciones teóricas diversas
Triangular

Exponencial

Normal

Poisson

Uniforme
Variables aleatorias de distribuciones empíricas

F(x)
Distribución uniforme

• Sea f(x) la distribución a generar.

R • Utiliza la distribución acumulada F(x) de la


distribución f(x)

• F(x)  (0-1)

x = F-1(R) x • F(x) = R x = F-1 (R)

• Algunas veces es difícil encontrar la


transformada inversa
f(x)

x x
Distribuciones empíricas variable continua
• Un viaje entre la ciudad A y la ciudad B puede
demorarse entre:
0 y 2 horas con una probabilidad de 1/6
2 y 3 horas con una probabilidad de 1/3
3 y 7 horas con una probabilidad de 1/12

• Se quiere simular ese viaje, luego se genera un


número al azar entre 0 y 1, dando por ejemplo 0.3
¿Cuánto tarda el viaje? (recuerde que es una función
continua).

1 / 6 si 0  x  2

f ( x)  1 / 3 si 2  x  3
1 / 12 si 3  x  7

Ejemplos de aplicación de variables continuas

1 / 6 si 0  x  2

f ( x)  1 / 3 si 2  x  3
1 / 12 si 3  x  7

x  1
si 0 x2 0  F ( x) 
1
6R si 0  x  2 0R
6 3 3
 
 
 x  1 1 2 1
 1 2
F ( x)   si 2 x3  F ( x)  F ( R)  3R  1 si 2  x  3 R
 3 3 3  3 3
 
x 5 2 
 si 3 x 7  F ( x)  1 12R - 5 si 3  x  7 2
 R 1
 12 3  3
Numero aleatorio de distribución
diversa
Estimar

1° Lanzar dardos que caen


aleatoriamente dentro cuadrado
Total ensayos NT

2° NS caen dentro del sector, el


resto fuera.

3° La Razón NS es proporcional
NT
Área Rectángulo = 1
a las áreas, luego p = NS * 4
Área Sector = p/4 NT

4° Estimación mejora cuando


NT ->

8
Gracias
Docente: John Zamora Córdova
Modelos de inventarios

Para un producto, se ha establecido un máximo inventario de


11 unidades y un período de revisión de 5 días. Existe un
inventario inicial de 3 unidades y está programado recibir un
pedido de 8 unidades en 2 días.

Se pide hacer una simulación del sistema en tres períodos y


estimar el inventario final promedio de partes y el número de
días en que ocurrió un faltante.

La demanda se estima según (Demanda, Probabilidad) en la


siguiente forma: (0,0.1); (1,0.25); (2,0.35); (3,0.21); (4,0.09).
El tiempo de entrega se estima según (Tiempo de entrega,
Probabilidad) de la siguiente forma: (1,0.6); (2,0.3); (3,0.1).
Números aleatorios entre 0 y 1
Distribución de La demanda

Demanda Probabilidad Acumulado # aleatorio


0 0.10 0.10 00 - 10
1 0.25 0.35 11 - 35
2 0.35 0.70 36 - 70
3 0.21 0.91 71 - 91
4 0.09 1.00 92 - 99

Distribución del tiempo de entrega

Tiempo(días) Probabilidad Acumulado # aleatorio


1 0.6 0.6 00 - 60
2 0.3 0.9 61 - 90
3 0.1 1.0 91 - 99
Ejemplos de aplicación modelos de inventarios
Ciclo Dia Inv. inicial aleatorio Demanda Inv. final Faltante Ordena aleatorio Llegada
1 1 3 24 1 2
2 2 35 1 1 *
3 9 65 2 7
4 7 81 3 4
5 4 54 2 2 9 55 1
2 1 2 3 0 2 *
2 11 87 3 8
3 8 27 1 7
4 7 73 3 4
5 4 70 2 2 9 95 3
3 1 2 47 2 0
2 0 45 2 0 2
3 0 48 2 0 4 *
4 9 17 1 4
5 4 9 0 4
47
Gracias
Docente: John Zamora Córdova
Conclusiones
• La simulación de Montecarlo es una técnica
efectiva, como herramienta de apoyo a la toma
de decisiones. Se basa en la experimentación y
con las repeticiones su respuesta se torna
confiable.

• Los números aleatorios son fundamentales en la


validación del modelo, por lo que deben ser
adecuadamente comprobados en sus
características.

• Las variables aleatorias discretas o continuas se


pueden simular en una hoja de Excel utilizando
las funciones matemáticas y el análisis
estadístico respectivo con relativa facilidad.

• Los generadores de variables aleatorias son la


base de la simulación y permiten diversos
métodos entre ellos la interpolación.
Gracias JOHN ZAMORA CORDOVA
Docente:

También podría gustarte