TIPOS DE MODELOS DE SIMULACIÓN.

MODELOS DE SIMULACIÓN ESTÁTICA VS. DINÁMICA

Un modelo de simulación estática, se entiende como la representación de un sistema para

un instante (en el tiempo) en particular o bien para representar un sistema en el que el
tiempo no es importante, por ejemplo la simulación Montecarlo; en cambio un modelo de
simulación dinámica representa a un sistema en el que el tiempo es una variable de interés,
como por ejemplo en el sistema de transporte de materiales dentro de una fabrica, una torre
de enfriamiento de una central termoeléctrica, etc..

MODELOS DE SIMULACIÓN DETERMINISTA VS ESTOCASTICA

Si un modelo de simulación no considera ninguna variable importante, comportándose de

acuerdo con una ley probabilística, se le llama un modelo de simulación determinista. En
estos modelos la salida queda determinada una vez que se especifican los datos y relaciones
de entrada al modelo, tomando una cierta cantidad de tiempo de cómputo para su
evaluación. Sin embargo, muchos sistemas se modelan tomando en cuenta algún
componente aleatorio de entrada, lo que da la característica de modelo estocástico de
simulación.

Un ejemplo sería un sistema de inventarios de una fábrica, o bien el sistema de líneas de

espera de una fabrica, etc. Estos modelos producen una salida que es en si misma de
carácter aleatorio y ésta debe ser tratada únicamente para estimar las características reales
del modelo, esta es una de las principales desventajas de este tipo de simulación.

MODELOS DE SIMULACIÓN CONTINUOS VS DISCRETOS

Los modelos de simulación discretos y continuos, se definen de manera análogo a los

sistemas discretos y continuos respectivamente. Pero debe entenderse que un modelo
discreto de simulación no siempre se usa para modelar un sistema discreto. La decisión de
utilizar un modelo discreto o continuo para simular un sistema en particular, depende de los
objetivos específicos de estudio. Por ejemplo: un modelo de flujo de tráfico en una
supercarretera, puede ser discreto si las características y movimientos de los vehículos en
forma individual es importante. En cambio si los vehículos pueden considerarse como un
agregado en el flujo de tráfico entonces se puede usar un modelo basado en ecuaciones
diferenciales presentes en un modelo continuo.

Otro ejemplo: Un fabricante de comida para perros, requiere el auxilio de una compañía
consultora con el objeto de construir un modelo de simulación para su línea de fabricación,
la cual produce medio millón de latas al día a una velocidad casi constante. Debido a que
cada una de las latas se representó como una entidad separada en el modelo, éste resulto ser
demasiado detallado y por ende caro para correrlo, haciéndolo poco útil. Unos meses más
tarde, se hizo una reformulación del modelo, tratando al proceso como un flujo continuo.
Este nuevo modelo produjo resultados precisos y se ejecuto en una fracción del tiempo
necesario por el modelo original.
 TIPOS DE SIMULACION

• Un sistema discreto es aquel en el cual las variables de estado cambian solo en puntos
discretos o contables en el tiempo. Un ejemplo típico de simulación discreta ocurre en las
colas donde estamos interesados en la estimación de medidas como el tiempo de espera
promedio o la longitud de la línea de espera. Tales medidas solo cambian cuando un cliente
entra o sale del sistema; en todos los demás momentos, no ocurre nada en el sistema desde
el punto de vista de la inferencia estadística.

• Un sistema continuo es aquel en el cual las variables de estado cambian en forma continua
a través del tiempo. Un ejemplo típico de simulación continua es el estudio de la dinámica
de la población mundial; los modelos de simulación continua normalmente se representan
en términos de ecuaciones diferenciales en diferencias que describen las interacciones entre
los diferentes elementos del sistema.

Modelos de simulación continuos vs discretos

Los modelos de simulación discretos y continuos, se definen de manera

análogo a los sistemas discretos y continuos respectivamente. Pero debe
entenderse que un modelo discreto de simulación no siempre se usa para modelar
un sistema discreto. La decisión de utilizar un modelo discreto o continuo para
simular un sistema en particular, depende de los objetivos específicos de estudio.
Por ejemplo: un modelo de flujo de tráfico en una súper carretera, puede ser
discreto si las características y movimientos de los vehículos en forma individual
es importante. En cambio si los vehículos pueden considerarse como un agregado
en el flujo de tráfico entonces se puede usar un modelo basado en ecuaciones
diferenciales presentes en un modelo continuo.

Variable discreta y variable continua

De Wikipedia, la enciclopedia libre
(Redirigido desde Variable discreta)
Saltar a navegación, búsqueda
Una variable discreta es sencillamente una variable para la que se dan de modo inherente
separaciones entre valores observables sucesivos. Dicho con más rigor, se define una
variable discreta como la variable tal que entre dos cualesquiera valores observables
(potencialmente), hay por lo menos un valor no observable (potencialmente). Por ejemplo,
un recuento del número de colonias de un cultivo en agar es una variable discreta. Mientras
que cuentas de 3 y 4 son potencialmente observables, no lo es una de 3,5.

Una variable continua tiene la propiedad de que entre 2 cualesquiera valores observables
(potencialmente), hay otro valor observable (potencialmente). Una variable continua toma
valores a lo largo de un continuo, esto es, en todo un intervalo de valores. Longitudes y
pesos son ejemplos de variables continuas. La estatura de una persona, por ejemplo, puede
ser de 1,70 m o de 1,75 m, pero en potencia al menos podría tomar cualquier valor
intermedio, como 1,7351 m.

Un atributo esencial de una variable continua es que, a diferencia de una variable discreta,
nunca se la puede medir exactamente. Con una variable continua debe haber
inevitablemente un error de medida.

Distribución de probabilidad
De Wikipedia, la enciclopedia libre
Saltar a navegación, búsqueda

La distribución Normal suele conocerse como la "campana de gauss".

En teoría de la probabilidad y estadística, la distribución de probabilidad de una variable

aleatoria es una función que asigna a cada suceso definido sobre la variable aleatoria la
probabilidad de que dicho suceso ocurra. La distribución de probabilidad está definida
sobre el conjunto de todos los eventos rango de valores de la variable aleatoria.

Cuando la variable aleatoria toma valores en el conjunto de los números reales, la

distribución de probabilidad está completamente especificada por la función de
distribución, cuyo valor en cada real x es la probabilidad de que la variable aleatoria sea
menor o igual que x.
Contenido
[ocultar]

• 1 Definición de función de distribución

• 2 Propiedades
• 3 Distribuciones de variable discreta
o 3.1 Distribuciones de variable discreta más importantes
• 4 Distribuciones de variable continua
o 4.1 Distribuciones de variable continua más importantes

• 5 Enlaces externos

[editar] Definición de función de distribución

Dada una variable aleatoria todos son puntos , su función de distribución, , es

Por simplicidad, cuando no hay lugar a confusión, suele omitirse el subíndice y se

escribe, simplemente, .

[editar] Propiedades

Como consecuencia casi inmediata de la definición, la función de distribución:

• Es una función continua por la derecha.

• Es una función monótona no decreciente.

Además, cumple

Para dos números reales cualesquiera a y b tal que (a < b), los sucesos y
son mutuamente excluyentes y su unión es el suceso , por lo que
tenemos entonces que:
y finalmente

Por lo tanto una vez conocida la función de distribución F(x) para todos los valores de la
variable aleatoria x conoceremos completamente la distribución de probabilidad de la
variable.

Para realizar cálculos es más cómodo conocer la distribución de probabilidad, y sin

embargo para ver una representación gráfica de la probabilidad es más práctico el uso de la
función de densidad.

[editar] Distribuciones de variable discreta

Distribución binomial.

Se denomina distribución de variable discreta a aquella cuya función de probabilidad sólo

toma valores positivos en un conjunto de valores de X finito o infinito numerable. A dicha
función se le llama función de masa de probabilidad. En este caso la distribución de
probabilidad es el sumatorio de la función de masa, por lo que tenemos entonces que:

Y, tal como corresponde a la definición de distribución de probabilidad, esta expresión

representa la suma de todas las probabilidades desde hasta el valor x.

[editar] Distribuciones de variable discreta más importantes

Las distribuciones de variable discreta más importantes son las siguientes:

• Distribución binomial
• Distribución binomial negativa
• Distribución Poisson
 • Distribución geométrica
• Distribución hipergeométrica
• Distribución de Bernoulli
• Distribución Rademacher, que toma el valor 1 con probabilidad 1 / 2 y el valor -1
con probabilidad 1 / 2.
• Distribución uniforme discreta, donde todos los elementos de un conjunto finito son
equiprobables.

[editar] Distribuciones de variable continua

Distribución normal.

Se denomina variable continua a aquella que puede tomar cualquiera de los infinitos
valores existentes dentro de un intervalo. En el caso de variable continua la distribución de
probabilidad es la integral de la función de densidad, por lo que tenemos entonces que:

[editar] Distribuciones de variable continua más importantes

Las distribuciones de variable continua más importantes son las siguientes:

• Distribución ji cuadrado
• Distribución exponencial
• Distribución t de Student
• Distribución normal
• Distribución Gamma
• Distribución Beta
• Distribución F
• Distribución uniforme (continua)