Estudiante:

Silvana Garcia Gerbasi

Matricula:
18-SIIN-2-009

Asignatura:
Modelos Probabilísticos Y Simulación Por
Computadora

Tema:
Simulación

Profesor:
Lic. Smirna Agesta Mota

Fecha:
Martes, 13 de abril 2021
Índice
Contenido
Índice.......................................................................................................................................2
Introducción............................................................................................................................3
Simulación...............................................................................................................................4
Terminología Básica............................................................................................................4
Ejemplo de Simulación de Eventos Discretos.....................................................................4
Simulación Monte Carlo......................................................................................................4
Simulación con Variables Aleatorias Continuas..................................................................5
Ejemplo de una Simulación Estocástica..............................................................................6
Análisis Estadístico en Simulaciones...................................................................................6
Modelos de Simulación.......................................................................................................7
Conclusión...............................................................................................................................9
Introducción
La simulación es una técnica de análisis de sistemas. Un sistema se define como un grupo
de objetos que se encuentran relacionados por algún tipo de interacción o
interdependencia con el fin de cumplir un propósito determinado. Las aplicaciones de la
simulación se centran en el estudio de los efectos que ocasionan cambios en un sistema
real y en el estudio del comportamiento de nuevos sistemas.
Los modelos de simulación se están convirtiendo en herramientas muy populares para el
análisis de una gran variedad de problemas dinámicos. Estos problemas suelen llevar
asociados procesos complejos que no pueden describirse analíticamente. A veces el
comportamiento de estas entidades y sus interacciones pueden entenderse y
representarse matemáticamente con cierta fidelidad.
Simulación 

Terminología Básica
La simulación es el proceso de diseñar un modelo de un sistema real y llevar a término
experiencias con él, con la finalidad de comprender el comportamiento del sistema o
evaluar nuevas estrategias dentro de los límites impuestos por un cierto criterio o un
conjunto de ellos para el funcionamiento del sistema.

La simulación de sistemas es la representación analítica apoyada en herramientas

matemáticas y computacionales que permiten evaluar el impacto que producen cambios
en las distintas variables, también nos permite la elección de recursos óptimos para el
proceso analizado.

Ejemplo de Simulación de Eventos Discretos

La simulación describe cada evento discreto, moviéndose de uno a otro, a medida que el
tiempo transcurre. Ejemplo: Sistema de inventarios con un solo producto, cada semana un
operario debe tomar una decisión de cuanto encargar (comprar o solicitar). Identificamos
tres eventos en este sistema:
a) colocar una orden o solicitud
b) llegada de una solicitud
c) una venta o utilización del producto
Sistema de inventarios: estimar el tamaño de órdenes de compra al proveedor según una
cierta demanda. Si la demanda y tiempo de provisión son determinísticos, existen
modelos analíticos que lo resuelven bien. Si son estocásticos, es recomendable usar
simulación.

Simulación Monte Carlo

La simulación de Montecarlo es un método estadístico. Este es utilizado para resolver
problemas matemáticos complejos a través de la generación de variables aleatorias.
La simulación de Montecarlo, o método de Montecarlo, le debe el nombre al famoso
casino del principado de Mónaco. La ruleta es el juego de casino más famoso y también el
ejemplo más sencillo de mecanismo que permite generar números aleatorios.
La clave de este método está en entender el término ‘simulación’. Realizar una simulación
consiste en repetir, o duplicar, las características y comportamientos de un sistema real.
Así pues, el objetivo principal de la simulación de Montecarlo es intentar imitar el
comportamiento de variables reales para, en la medida de lo posible, analizar o predecir
cómo van a evolucionar.
A través de la simulación, se pueden resolver desde problemas muy sencillos, hasta
problemas muy complejos. Algunos problemas pueden solucionarse con papel y bolígrafo.
Sin embargo, la mayoría requieren el uso de programas informáticos como Excel, R
Studio o Matlab. Sin estos programas, resolver determinados problemas llevaría
muchísimo tiempo.
Lo importante es saber para qué se utiliza este método. Es decir, casos concretos para
entender la importancia del método.
En economía, la simulación de Montecarlo se utiliza tanto en empresas como en inversión.
Siendo en el mundo de la inversión donde más se utiliza.
Algunos ejemplos de simulación de Montecarlo en inversión son los siguientes:

 Crear, valorar y analizar carteras de inversión

 Valorar productos financieros complejos como las opciones financieras
 Creación de modelos de gestión de riesgo

Simulación con Variables Aleatorias Continuas

Una variable aleatoria continua es aquella que puede tomar cualquier valor (al menos
teóricamente) entre 2 fijados. Los valores de la variable (al menos teóricamente) no se
repiten. Ejemplo: “Tiempo observado al recorrer una cierta distancia”, “estatura”, “peso”,
“nivel de colesterol en sangre”, etc.
Todas las precisiones realizadas en el capítulo de variables estadísticas son igual de
adecuadas en este caso. Cuando observamos valores de una variable aleatoria continua,
existe una limitación en cuanto al número de valores que puede tomar la misma. Esto es,
en la práctica, la variable no toma infinitos valores.
A la hora de medir el peso o la estatura, por ejemplo, se trabaja con un número preciso de
decimales (que puede ser grande pero nunca será infinito). Lo que se está haciendo es lo
que se llama una discretización a la hora de tomar datos. Sin embargo, desde un punto de
vista matemático, consideraremos siempre que una variable continua puede tomar
infinitos valores. Esto nos permitirá trabajar con propiedades matemáticas que nos
aportarán mucha información de la variable considerada.
Igual que una variable aleatoria discreta viene caracterizada por su función de
probabilidad, las variables aleatorias continuas vienen caracterizadas por una función
llamada función de densidad, que es una generalización de la función de probabilidad.
Matemáticamente, una función f (f) es una función de densidad si verifica dos
propiedades:
f(x)f(x) es mayor o igual que cero en cualquier punto xx (el dibujo de la función debe estar
por encima del eje horizontal).
∫∞−∞f(x)dx=1∫−∞∞f(x)dx=1 (el área bajo la curva y el eje horizontal vale uno).

Ejemplo de una Simulación Estocástica

Una terminal en línea puede descomponerse. En este caso, la terminal se quita de la
estación de trabajo y se reemplaza con una que no esté ocupada. Si ninguna está
disponible la operadora debe esperar a que haya una. Durante este tiempo, la operadora
no toma pedidos. La terminal descompuesta se manda al taller, la empresa tiene un canal
de reparación asignado a reparar terminales. Cuando se termina la reparación, la terminal
queda de reserva o pasa directamente a servicio, si alguna operadora está en espera de
una terminal. 

Análisis Estadístico en Simulaciones

En una simulación las variables aleatorias son la entrada para el modelo. Si se ejecuta la
misma simulación dos veces, cada vez con una secuencia diferente de números aleatorios,
las estadísticas generadas para las dos simulaciones casi con certeza tienen valores
distintos. Como resultado de esto, se deben utilizar métodos estadísticos para analizar el
resultado de las simulaciones.
Si el desempeño del sistema se mide con un parámetro (θ), entonces el objetivo de la
simulación será elaborar una estimación θ’ de θ, y determinar la precisión del estimador
θ’. Esta precisión se mide mediante la desviación estándar (conocida también como error
estándar) de θ’.
La medida global de variabilidad se expresa por lo general en la forma de un intervalo de
confianza a un determinado nivel de confianza. Así, el propósito del análisis estadístico es
estimar este intervalo de confianza.
La longitud de un intervalo de confianza dependerá, por supuesto, qué tan buenos sean
los resultados muestrales. Si el intervalo de confianza es inaceptable, se puede reducir su
longitud incrementando ya sea el número de duplicaciones de terminación o la duración
de cada simulación.

Modelos de Simulación
El modelo es una representación de un objeto, sistema o idea, de forma diferente al de la
entidad misma la cual tiene como propósito explicar, entender o mejorar un sistema.
Estos se pueden clasificar dentro de la simulación de la siguiente manera:

 Modelos Icónicos: son los modelos físicos que se asemejan al sistema real,
generalmente manejados en otra escala.
 Modelos Análogos: son los modelos en los que una propiedad del sistema real se
puede sustituir por una propiedad diferente que se comporta de manera similar.
 Modelos Simbólicos: son aquellos en los que se utiliza un conjunto de símbolos en
lugar de una entidad física para representar a la realidad. Estos se clasifican a su
vez:
o Modelos Determinísticos: los valores que se encuentran dentro de este
modelo no se ven afectados por variaciones aleatorias y se conocen con
exactitud.
o Modelo Estocástico o probabilístico: los valores de las variables dentro de
este modelo sufren modificaciones aleatorias con respecto a un valor
promedio; dichas variaciones pueden ser manejadas mediante
distribuciones de probabilidad.
o Modelos Dinámicos: se caracterizan por el cambio que presentan las
variables en función del tiempo.
o Modelos estáticos: se caracteriza por representar un sistema en un punto
particular del tiempo.
o Modelos Continuos: son aquellos en los que las variables pueden tomar
valores reales y manejarse mediante las técnicas de optimización clásica.
o Modelos Discretos: se caracteriza porque las variables del sistema toman
valores solo en el rango de números enteros.
 Modelos Estáticos: Utilizados para representar sistemas cuyo estado es invariable
a través del tiempo.
 Modelos Matemáticos: Representan la realidad en forma abstracta de muy
diversas maneras.
 Modelos Físicos: Son aquellos en que la realidad es representada por algo tangible,
construido en escala o que por lo menos se comporta en forma análoga a esa
realidad (maquetas, prototipos, modelos analógicos, etc.).
 Modelos Analíticos: La realidad se representa por fórmulas matemáticas y estudiar
el sistema consiste en operar con esas fórmulas (resolución de ecuaciones).
 Modelos Numéricos: Tiene en cuenta el comportamiento numérico de las variables
intervinientes. No se obtiene ninguna solución analítica.
Conclusión
Los modelos de simulación se diseñan para imitar el comportamiento de estos sistemas
complejos. Son representaciones matemáticas/lógicas de sistemas reales. Estos modelos
integran el comportamiento de entidades y sus interacciones para ofrecer una descripción
cuantitativa de las características del sistema. Estas representaciones pueden tomar la
forma de un software, pudiendo ejecutarse así en un ordenador.