27/7/2020

¿Qué es la simulación?

Simulación de
Sistemas  Por García Dunna:
“Se refiere a un gran conjunto de métodos y
aplicaciones que buscan imitar el comportamiento de
sistemas reales, generalmente por medio de una
computadora con un software apropiado.”

Podríamos concluir que la simulación proporciona

la técnica para poder diseñar modelos a una
Ing. Yuliana León Bazan, MSc. escala menor (prototipo, piloto, modelo) del mundo
real y en donde los eventos o comportamientos y
sus resultados pueden ser extrapolados.

1 2

1
 27/7/2020

¿Qué es un
sistema?

 Conjunto de elementos que se

interrelacionan entre sí para
llevar a cabo un objetivo en
común.

 Tienen características como:

Límites, sinergia, entropía.

3 4

2
 27/7/2020

¿Qué es un modelo?

 Abstracción de la realidad.
 Representación de la realidad para entender su
funcionamiento.
 Pueden ser transmitidos.
 Construcción mental y descriptiva de una entidad.
 Diferentes perspectivas (depende del observador)

5 6

3
 27/7/2020

¿Ventajas de la Simulación?

• Permite conocer el impacto de los cambios en los procesos, sin necesidad

de llevarlos a cabo en la realidad.
Cajera

Caja • Mejora el conocimiento del proceso actual ya que permite que el analista
vea cómo se comporta el modelo generado bajo diferentes escenarios.

Clientes

• Puede utilizarse como medio de capacitación para la toma de decisiones.

• Es más económico realizar un estudio de simulación que hacer muchos

Depende del cambios en los procesos reales.
observador

7 8

4
 27/7/2020

¿Ventajas de la Simulación? ¿Desventajas de la Simulación?

• Permite probar varios escenarios en busca de las mejores • La simulación no es una herramienta de optimización.
condiciones de trabajo de los procesos que se simulan.

• La simulación puede ser costosa cuando se quiere

• Conocer de antemano el comportamiento de un producto o emplearla en problemas relativamente sencillos de
de un objeto cuando sucede algún evento controlado o no. resolver.

• Es una forma económica de poner a pruebas objetos ya que • Se requiere bastante tiempo — por lo general
se utiliza la capacidad de cómputo. meses— para realizar un buen estudio de simulación

9 10

5
 27/7/2020

Tipos de modelos Tipos de modelos

22 23

6
 27/7/2020

Tipos de modelos $$
Continuos

Experimentación
Mundo real
Discretos

Físicos

Dinámicos

Sistemas

Estáticos

Experimentación
con Matemáticos
Probabilístico
Modelos

Deterministas

24 25

7
 27/7/2020

Muestreo
¿Qué representa?

 Técnica para obtener una muestra representativa

de una unidad de estudio que hace parte de una
población.

¿Qué representa?

Muestreo Muestra
Población (Técnica)

¿Qué representa?
Población de
interés

26 27

8
 27/7/2020

En resumen: Tipos de muestreo

 Población: conjunto formado por todos los casos, objetos o personas. Con reposición
 Población de interés: conjunto formado por todos los casos, objetos o
Aleatorio

Muestreo probabilístico
personas que satisfacen los criterios de estudio para realizar la simple
investigación. Sin reposición
 Muestra: subconjunto o porción de la población de interés
seleccionada para hacer un estudio más fácil.
 Muestra representativa: muestra que es similar a la población de interés.
Proporcionado
 Muestreo: técnica que permite seleccionar una muestra. Estratificado
 Parámetro: Cantidad numérica calculada o tomada sobre una Uniforme
población.
Sistemático
 Estadístico: cantidad numérica calculada o tomada sobre una
muestra.
 Error muestral: diferencia entre el parámetro y el estadístico. Conglomerado

28 32

9
 27/7/2020

Muestreo Aleatorio Simple Muestreo Aleatorio Simple

 Existen de dos tipos:

 Con reposición y Sin reposición.

1 4 1
Todos los elementos
de la población
tienen la misma
probabilidad de ser
seleccionados.

2 3 2 3

33 34

10
 27/7/2020

Ventajas y Desventajas Muestreo estratificado

 Ventajas Agrupar, estratificar la

 Uso de número aleatorios para la selección de la muestra. muestra según ciertas
 Aplicación de computadoras para realizar la selección. variables de interés.
 Criterios de selección variados.  Sexo
 Resultados afectados por el azar.  Edad
 Región geográfica.
 Desventajas
 Entre otras.
 Necesita que toda la población tengan las mismas características.
 Listado completo de toda la población es necesario.
Una vez estratificada la
muestra se pueden usar
 Puede ser que en muestras pequeñas no represente a la población
adecuadamente.
otros tipos de muestreo en
cada estrato.

35 36

11
 27/7/2020

Muestreo estratificado Muestreo estratificado

Los estratos suelen ser grupos homogéneos de individuos, que a

su vez son heterogéneos entre diferentes grupos.  Tipos:

Iguales entre ellos Iguales entre ellas  Proporcionado

(Número de individuos proporcionales a un
parámetro).
 Uniforme.
(Igual número de individuos en cada estrato)

37 38

12
 27/7/2020

Muestreo estratificado Muestreo estratificado

Se conoce que en el año 20XX, la proporción de

estudiantes en cuanto a su sexo fue: En el muestreo estratificado uniforme
Hombres: 68%
Mujeres: 32% nuestro tamaño de la muestra para
Estudiantes: 1500
cada estrato quedaría así:
Si queremos tomar una muestra de 100 estudiantes usando un muestro
estratificado proporcionado. ¿Cuántos hombres y cuántas mujeres
deberíamos colocar en cada estrato?
Estrato Tamaño de
Estrato Tamaño de Proporción la Muestra
la Muestra Favorece a los estratos de
Produce siempre menor o Hombres 50
igual error muestral que el Hombres 68 68% menor representación y
Mujeres 50 contribuye a disminuir el error
muestreo aleatorio simple Mujeres 32 32%
Total 100 muestral.
Total 100 100%

39 40

13
 27/7/2020

Ejemplo: Muestreo estratificado Muestreo sistemático

 En una fábrica que consta de 600

trabajadores queremos tomar una Aplicación de un
muestra de 20. Sabemos que hay 200 proceso sencillo,
trabajadores en la sección A, 150 en la sistematizado de
B, 150 en la C y 100 en la D. selección.

41 42

14
 27/7/2020

Muestreo sistemático Muestreo sistemático

 Supongamos que tenemos un población de interés de 6 estudiantes y

 Elaboramos una lista ordenada de los N individuos de la población, sería
nuestra población de interés.
 Dividimos la población de interés en n fragmentos, donde n es el
tamaño de muestra que deseamos. El tamaño de estos fragmentos será
K=N/n (k = intervalo o coeficiente de elevación)
deseamos obtener una muestra de 2 de ellos. Dividimos en primer lugar la
población de interés en 2 fragmentos de 3 individuos. A continuación
seleccionamos un número aleatorio entre 1 y 3, para extraer el primer
individuo al azar del primer fragmento: por ejemplo el 2. A partir de este
individuo, queda definida la muestra extrayendo los individuos de la lista con
intervalos de 2 unidades, tal y como sigue

 Número de inicio: obtenemos un número aleatorio entero A, menor o

N Frag. #1 Frag. #2 N
igual al intervalo. Este número corresponderá al primer sujeto que
seleccionaremos para la muestra. 1 D 1 A
1 A 1 A
2 B 2 B 2 E 2 B
 Selección de los n-1 individuos restantes: Seleccionamos los siguientes
individuos mediante una sucesión aritmética. Esto equivale a decir que
seleccionaremos los individuos 3 C 3 C 3 F 3 C
A, A + K, A + 2K, A + 3K, ...., A + (n-1)K
4 D 4 D
5 E Sel:1 Sel: 1+3=4 5 E
6 F 6 F

43 44

15
 27/7/2020

Muestreo por conglomerados

Se agrupa por
características igual
que el muestreo
estratificado pero
en este caso los
grupos tienen
similitudes entre sí.

47 48

16
 27/7/2020

Resumen
Resumen

Tipo de muestreo Característica Ventajas Desventajas

Tipo de muestreo Característica Ventajas Desventajas
Sistemático Usa intervalos K=N/n Fácil. Si la constante de
Aleatorio simple Misma probabilidad de Sencillo. Requiere conocer
para a través de la No siempre es muestreo está
selección para todos Cálculo rápido de listado completo de
selección de un valor necesario un listado de asociada con el
los individuos (n/N) medias y varianzas. toda la población.
aleatorio o de toda la población. fenómeno de interés,
No útil con muestras
arranque se continúan Si la población está las estimaciones
pequeñas por error
seleccionado los ordenada se asegura obtenidas a partir de la
muestral.
elementos. una cobertura de muestra pueden
Estratificado Agrupación. Integrado Tiende a asegurar que Se necesita conocer la unidades de todos los contener sesgo de
por individuos la muestra representa distribución en la tipos. selección.
homogéneos pero en adecuadamente a la población de las
Conglomerado Agrupación. Integrado Eficiente cuando la
grupos heterogéneos. población en función variables usadas para
por individuos población es muy
Dentro de cada grupo del criterio de la estratificación.
homogéneos y en grande y dispersa.
se puede usar agrupación.
grupos homogéneos . No necesita listado de
cualquier técnica de Se obtienen
Un grupo estratificado toda la población, solo
muestreo. estimaciones más
puede representar a en las unidades
precisas.
una población. primarias de muestreo.

50 51

17
 27/7/2020

Tamaño de la Muestra Vamos a Pensar!!

 Factores que inciden:

 Quisiera conocer el porcentaje de la población del
 Tipo de diseño. Ecuador que conoce acerca de Nikola Tesla.
 Tipo de muestreo.
 Tipo de fórmula usada para determinar  ¿Será valido preguntarle solo a dos
representatividad. ecuatorianos?
 Instrumento usado.  ¿Acaso 4?
 Grado de precisión que se quiere lograr.  ¿Acaso 5?
 Heterogeneidad de los atributos.
 Frecuencia con que el fenómeno ocurre.  ¿Qué tanto porcentaje de error estoy
 Presupuesto. dispuesto a aceptar?
 Número de variables.

52 53

18
 27/7/2020

Margen de error Nivel de confianza

 Intervalo en el cuál espero encontrar el dato que
quiero medir de mi universo. El dato puede ser en
general de dos tipos: una media o una proporción.
+ +
 Valor que expresa la certeza de que el dato que
buscamos está dentro del margen de error.
 Si tenemos un nivel de confianza del 95% podrías
decir que el porcentaje de personas que conocen
acerca de Nikola Tesla, de 100 casos, 95 casos lo
conocen la restante estará en el margen de error..

Media 50% Margen 10.000 Proporción

de error
5%

47,5% - 52,5% - - 9.500 – 10.500

54 55

19
 27/7/2020

Margen de error, nivel de

confianza y tamaño de la
muestra
 1. Reducir el margen de error obliga a aumentar el
tamaño de la muestra.
 2. Aumentar el nivel de confianza obliga a
aumentar el tamaño de la muestra.
 3. Si aumenta el tamaño de mi muestra, puedo
reducir el margen de error o incrementar el nivel de
confianza.

(Ley de los Grandes números)

56 57

20
 27/7/2020

N (media 0, desviación 1)

58 59

21
 27/7/2020

n = El tamaño de la muestra que queremos

calcular
N = Tamaño del universo
Z= Es la desviación del valor medio que
aceptamos para lograr el nivel de confianza
deseado.
Universo finito. Nivel de confianza 90% -> Z=1,645

Tamaño Tamaño Nivel de confianza 95% -> Z=1,96

universo Nivel de confianza 99% -> Z=2,575
de la e = Es el margen de error máximo que admito (5%)
conocido
muestra p = Es la proporción que esperamos encontrar. (0,4
(proporción) – 0,6, sugerido 0,5)
Universo infinito.

62 63

22
 27/7/2020

 n = El tamaño de la muestra que queremos calcular n = El tamaño de la muestra que queremos

 N = Tamaño del universo calcular
 Z = Es la desviación del valor medio que aceptamos Z = Es la desviación del valor medio que
para lograr el nivel de confianza deseado. aceptamos para lograr el nivel de confianza
 Nivel de confianza 90% -> Z=1,645 deseado.
 Nivel de confianza 95% -> Z=1,96 Nivel de confianza 90% -> Z=1,645

Tamaño  Nivel de confianza 99% -> Z=2,575

Tamaño
Nivel de confianza 95% -> Z=1,96
 e = Es el margen de error máximo que admito (5%) Nivel de confianza 99% -> Z=2,575
Universo  p = Es la proporción que esperamos encontrar. (0,4 –
0,6, sugerido 0,5)
universo e= Es el margen de error máximo que
conocido  σ2: Es la varianza que esperamos encontrar en la
desconocido admito (5%)
p = Es la proporción que esperamos
población (es el cuadrado de la desviación
(proporción)
(media) estándar, σ). encontrar. (0,4 – 0,6, sugerido 0,5)

64 65

23
 27/7/2020

Ejercicios
Tamaño universo desconocido (media) Media Poblacional (µ)

 Para poblaciones infinitas

n = El tamaño de la muestra que queremos calcular Se desea estimar la calificación promedio de los estudiantes
Z = Es la desviación del valor medio que aceptamos para de la carrera de Química y Farmacia, para ello se define los
lograr el nivel de confianza deseado.
siguientes criterios:
Nivel de confianza 90% -> Z=1,645
• Nivel de confianza = 95%
Nivel de confianza 95% -> Z=1,96
• Desviación estándar = 16.44
Nivel de confianza 99% -> Z=2,575
• Error máximo tolerable = 5
e = Es el margen de error máximo que admito (5%)

p = Es la proporción que esperamos encontrar. (0,4 – 0,6,

sugerido 0,5)

σ2:Es la varianza que esperamos encontrar en la

población (es el cuadrado de la desviación estándar, σ).

66 67

24
 27/7/2020

Ejercicios Ejercicios
Media Poblacional (µ) Media Proporción Poblacional (p)

 Para poblaciones finitas  Para poblaciones infinitas

Se desea estimar el ingreso promedio de las familias que viven
en el Municipio de San Lorenzo considere que la población es de
50000, para ello se definen los siguientes criterios:
- Nivel de confianza = 95%
- Desviación estándar = 908.07
- Error máximo tolerable = 200
Se desea estimar la proporción de los estudiantes de la
carrera de Química y Farmacia con un nivel de aprendizaje
de excelencia, para ello se define los siguientes criterios:
• Nivel de confianza = 95%
• Proporción de estudiantes = (0.10 a 0.15), como referencia
• Error máximo tolerable = 5%

68 69

25
 27/7/2020

Ejercicios
Media Proporción Poblacional (p)
 Para poblaciones finitas
Se desea estimar la proporción de las familias que viven en el Municipio
de San Lorenzo y que tienen un ingreso alto, para ello se definen los
siguientes criterios:

- Nivel de confianza = 95%

- Proporción de familias con ingreso alto =0.1
- Población =50000
- Error máximo tolerable = 8%

70

26
 7/2/2020

Elementos relevantes dentro de

un modelo de simulación.

 Entidades
 Estado del sistema
 Eventos actuales y futuros
 Localizaciones
 Recursos
 Atributos
 Variables
 Reloj de la simulación

11

Elementos relevantes dentro de

un modelo de simulación.

 Entidades
Representación de los flujos de entrada y
salida en un sistema
Es el elemento responsable de que el estado
del sistema cambie.

Ejemplos:
Los clientes que llegan a la caja de un banco, las piezas
que llegan a un proceso, o el embarque de piezas que
llega a un inventario.

12

1
 7/2/2020

Elementos relevantes dentro

de un modelo de simulación.

 Estado del sistema

Es la condición que guarda el sistema bajo estudio en
un momento de tiempo determinado.
Es como una fotografía de lo que está pasando en el
sistema en cierto instante.

 Operaciones puntuales: El número de piezas que hay en el

sistema en ese momento
 Operaciones acumuladas: El tiempo promedio de
permanencia de una entidad en el sistema, en una fila,
almacén o equipo

13

Elementos relevantes dentro

de un modelo de simulación.
 Evento
Es un cambio en el estado actual del sistema.
Ejemplo:
La entrada o salida de una entidad, finalización de un proceso
en un equipo, la interrupción o reactivación de una operación.

 Eventos actuales: Aquellos que están sucediendo en el

sistema en un momento dado.
 Eventos futuros: Cambios que se presentarán en el sistema
después del tiempo de simulación

14

2
 7/2/2020

Ejemplo

 Imagine que cierta pieza entra a una

máquina para que ésta realice un proceso. El
evento actual sería precisamente que la
entidad llamada «pieza» se encuentra en la
máquina. El evento futuro podría ser el
momento en que la máquina concluirá su
trabajo con la pieza y ésta seguirá su camino
hacia el siguiente proceso lógico.

15

Ejemplo

16

3
 7/2/2020

Otros elementos que forman

parte de la simulación.

 Localizaciones
Todos aquellos lugares en los que la pieza puede
detenerse para ser transformada o esperar a serlo.
Ejemplo:
Dentro de estas localizaciones tenemos almacenes,
bandas transportadoras, máquinas, estaciones de
inspección, etcétera.
Caso de imagen anterior
La tarima y la estación serían consideradas localizaciones
del modelo.

17

Otros elementos que forman

parte de la simulación.

 Recursos
Son aquellos dispositivos — diferentes
a las localizaciones— necesarios para
llevar a cabo una operación.
Por ejemplo:
 Un montacargas que transporta una
pieza de un lugar a otro.
 Una persona que realiza la
inspección en una estación y toma
turnos para descansar.

18

4
 7/2/2020

Otros elementos que forman

parte de la simulación.

 Atributos
Es una característica d e una entidad.
Por ejemplo, si la entidad es un motor, los atributos
serían su color, peso, tamaño o cilindraje.
Los atributos son muy útiles para diferenciar
entidades sin necesidad de generar una nueva.
 Variablescontinuas: El costo promedio de
operación de un sistema.
 Variablesdiscretas: como el número de unidades
que deberá envasarse en un contenedor

19

Otros elementos que forman

parte de la simulación.

 Reloj de la simulación
Es el contador de tiempo de la simulación, y su
función consiste en responder preguntas tales
como:
 ¿Cuánto tiempo se ha utilizado el modelo en la
simulación?
 ¿Cuánto tiempo en total se quiere que dure esta
simulación?
Se relaciona con la tabla de eventos futuros, pues al cumplirse el tiempo
programado para la realización de un evento futuro, éste se convierte en
un evento actual

20

5
 7/2/2020

Otros elementos que forman

parte de la simulación.

 Reloj de la simulación

 Reloj de simulación absoluto

 Que parte de cero y termina en un tiempo total de simulación definido

 Reloj de Simulación relativo

 Que sólo considera el lapso que transcurre entre dos eventos

21

6
 30/7/2020

 En los experimentos de
simulación es necesario
generar valores para las Propiedades
variables aleatorias
representadas estas por medio
de distribuciones de
probabilidad. Es necesario que los números pseudoaleatorios uniformes
 Necesario para realizar el posean las siguientes características:
ingreso de los valores a un
Números
modelo de simulación. 1. Uniformemente distribuidos
pseudoaleatorios
2. Estadísticamente independientes
 Un número pseudoaleatorio
3. Reproducibles
no es más que el valor de una
4. Periodos largos
variable aleatoria x que tiene
5. Generados mediante un método rápidos
una distribución de
6. Generados mediante un método que no requiera
probabilidad uniforme
mucha capacidad de la computadora
definida en el intervalo (0, 1).

73 74

1
 30/7/2020

Método manual

Manuales. Tablas de números

aleatorios.
Métodos para
generar números
pseudoaleatorios.
 Simples.
 Lentos.

Computador.

75 76

2
 30/7/2020

Tabla de números
aleatorios

 Comportamiento es
totalmente determinístico, se
generan en una hoja de
cálculo en cualquier software  Usan software para la
generación.
usando un lenguaje de
programación.  Existen tres formas: Provisión
externa, generación interna a
Computador través de un proceso físico
aleatorio, generación por medio
de una regla de recurrencia.

77 78

3
 30/7/2020

Métodos congruenciales  Calcula una sucesión de números

pseudoaleatorios mediante la
relación
Xn+1= Xn-1+Xn-k(mod m).
 Se derivan del empleo de diferentes versiones de la relación  Para usar este método se
fundamental de congruencia. Método necesitan k valores iniciales,
siendo k entero.
 El objetivo de cada uno de los métodos es la generación en un
tiempo mínimo, de sucesiones de números aleatorios con
congruencial  Las propiedades estadísticas de
periodos máximos. aditivo la secuencia tienden a mejorarse
a medida que k se incrementa.
 Los métodos congruenciales son: el aditivo, el multiplicativo y el
mixto.  Este es el único método que
produce periodos mayores que
m.

79 80

4
 30/7/2020

Método congruencial
multiplicativo

 Calcula una sucesión Xn de enteros no negativos, cada uno de

los cuales es menor que M mediante la relación Xn+1= a.Xn
(mod M).
 Es un caso especial de la relación de congruencia en que c=0,
este método se comporta de manera satisfactoria
estadísticamente, es decir, los números generados por medio de
este método están unifórmemente distribuidos, y no están
correlacionados.

 Este método tiene un periodo máximo menor que M, pero se

pueden imponer condiciones en a y X0 de tal forma que se
obtenga el periodo máximo. Desde el punto de vista
computación al es el más rápido de todos.

81 82

5
 30/7/2020

a = 5, X0 = 5 y m = 32

n Xn Xn+1 ri
0 5 25 0.80645
1 25 29 0,93548
2 29 17 0.548387 Método
3 17 21 0.677419 congruencial
4 21 9 0.290322 multiplicativo
5 9 13 0.419354
6 13 1 0.032258
7 1 5 0.61290
8 5 25 0.80645
9 25 29 0,93548
10 29 17 0.548387
11 17 21 0.677419

83 84

6
 30/7/2020

Método congruencial mixto o

Congruencial Multiplicativo lineal
 Generar 8 números entre 0 y 1 con los parámetros: Xo = 17 , a=21 y m = 32
 Donde:
X1 = (21*17) mod 32 = 5 r1 = 5/31 = 0.1612 X0 es la semilla
X2 = (21*5) mod 32 = 9 r1 = 9/31 = 0.2903 a el multiplicador
X3 = (21*9) mod 32 = 29 r1 = 29/31 = 0.9354
c la constante aditiva y
X4 = (21*29) mod 32 = 1 r1 = 1/31 = 0.3225
m el módulo
X5 = (21*1) mod 32 = 21 r1 = 21/31 = 0.6774
Los valores a, X0 y c tienen que ser mayores que
X6 = (21*21) mod 32 = 25 r1 = 25/31 = 0.8064
cero.
X7 = (21*25) mod 32 = 13 r1 = 13/31 = 0.4193 Variable m tiene que ser mayor que las tres
anteriores
X8 = (21*13) mod 32 = 17 r1 = 17/31 = 0.5483

85 87

7

Generar números pseudoaleatorios ri-
U(0,1).
 Utilizar el generador congruencial mixto o lineal.
a = 5, c = 7, X0 = 7 y m = 8
n Xn
0 7
1 2
2 1
3 4
4 3
5 6
6 5
7 0
89
30/7/2020
Xn + 1 r
2 r0=7/(8-1)=7/7=1
1 R1=2/7=0,2857 Condiciones
4 r2=1/7=0,1428
3 r3=4/7=0,5714
6 r4=3/7=0,4285
5 r5=6/7=0,8571
0 r6=5/7=0,7142
7 r7=0/7=0
90