Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Simulación
1
Introducción......................................................................................................................................................................... 4
LA SIMULACIÓN COMO TÉCNICA EXPERIMENTAL.................................................................................................5
Números Pseudo-aleatorios..........................................................................................................11
Métodos de generación de números pseudo-aleatorios.................................................................12
Método de los cuadrados medios...............................................................................12
Método Congruenciales.............................................................................................12
Combinación de Algoritmos Congruenciales..............................................................14
Otros generadores más complicados.........................................................................15
Test para la Comprobación de la Uniformidad y la aleatoriedad..................................................16
Comprobación de la Uniformidad...............................................................................16
Contraste de Kolmogorov – Smirnov..........................................................................16
Test de la x 2.............................................................................................................. 17
Contraste de los pares consecutivos no solapados........................................................................17
Contraste de Aleatoriedad............................................................................................................18
Test de Rachas.......................................................................................................... 18
Prueba de Auto correlación..........................................................................................................18
Conceptos y parámetros que usamos en auto correlación.........................................19
Nivel de significancia..................................................................................................20
Pruebas de bondad y ajuste (chi cuadrada).........................................................................................................................21
Pruebas de bondad y ajuste (t-students)..............................................................................................................................23
2
¿Cómo usar el método Monte Carlo?...........................................................................................25
Lenguajes para la simulación de computadora....................................................................................................................26
3
Introducción
4
LA SIMULACIÓN COMO TÉCNICA EXPERIMENTAL
La práctica de la simulación es una técnica que no realiza ningún intento
específico para aislar las relaciones entre variables particulares, antes bien adopta
un punto de vista global desde el que se intenta observar cómo cambian
conjuntamente todas las variables del modelo con el tiempo. En todo caso, las
relaciones entre las variables deben obtenerse a partir de tales observaciones.
Esta concepción caracteriza la simulación como una técnica experimental de
resolución de problemas, lo que comporta la necesidad de repetir múltiples
ejecuciones de la simulación para poder entender las relaciones implicadas por el
sistema, en consecuencia el uso de la simulación en un estudio debe planificarse
como una serie de experimentos cuyo diseño debe seguir las normas del diseño
de experimentos para que los resultados obtenidos puedan conducir a
interpretaciones significativas de las relaciones de interés.
Los experimentos pueden llegar a tener un alto grado de sofisticación que requiera
la utilización de técnicas estadísticas de diseño de experimentos. En la mayor
parte de los casos los experimentos de simulación son la manera de obtener
respuestas a preguntas del tipo “¿qué pasaría sí?”, preguntas cuyo objetivo suele
ser evaluar el impacto de una posible alternativa que sirva de soporte a un
proceso de toma de decisiones sobre un sistema, proceso que puede
representarse esquemáticamente mediante el siguiente diagrama.
5
Volvemos a encontrar aquí, en la utilización de la simulación, las características de
lo que hemos denominado “ingeniería de sistemas”, es decir una visión
globalizadora que utiliza un modelo para combinando elementos de análisis y
diseño entender, por medio de experimentos, cómo un sistema existente funciona,
o cómo puede funcionar un sistema planeado, y prever cómo las modificaciones
del sistema pueden cambiar su comportamiento. La simulación, y los
experimentos de simulación, se convierten así en una herramienta de análisis de
sistemas, para entender cómo opera un sistema existente, o cómo puede operar
uno propuesto. La situación ideal, en la cual el investigador realizara los
experimentos sobre el sistema real es sustituida por una en la que el investigador
construye un modelo del sistema y experimenta sobre él mediante la simulación,
utilizando un ordenador, para investigar el comportamiento del modelo e
interpretar los resultados en términos del comportamiento del sistema objeto del
estudio.
6
como los constituyentes de lo que denominaremos la metodología de un estudio
de simulación, y son los siguientes
7
Ningún estudio de simulación puede llevarse a cabo sin establecer
claramente una definición precisa del problema que se pretende resolver y los
objetivos del estudio. Los diseños alternativos del sistema que se han de estudiar
han de quedar claramente especificados, así como los criterios para evaluar
dichos diseños. Criterios que servirán de base al proceso de toma de decisiones
para elegir uno de los diseños. Para la formulación del modelo debe establecerse
su estructura definiendo cuales son los aspectos del funcionamiento del sistema
que son significativos para la resolución del problema que tenemos entre manos, y
que datos es necesario recoger para proporcionar al modelo la información
adecuada.
Métodos de simulación
Los 4 métodos de simulación más comunes son:
8
ecuaciones diferenciales pueden tener en cuenta comportamientos de tipo
estocástico, y los modelos correspondientes han de ser capaces de modelizar
tanto los fenómenos de transición como los estados de equilibrio. Dos grandes
retos para los modalizadores que utilizan estas técnicas son el desarrollo de
ecuaciones que describen los comportamientos aleatorios dependientes del
tiempo, así como evaluar los resultados obtenidos mediante la resolución analítica
o numérica de dichas ecuaciones.
9
complejos submodelos que maximicen su ciclo de vida y permitan su integración
en otros modelos
1. Simulación Continua
- Simulación Continua:
Modela sistemas continuos, donde el interés primordial son los cambios suaves.
Por ejemplo, el comportamiento de algunos parásitos (las fluctuaciones en el
número de su población con respecto a la población de sus anfitriones), la
posición relativa de un conjunto de astros, etc. Para ello se utilizan conjunto de
ecuaciones diferenciales que se resuelven simultáneamente.
10
sistema se conocerá como actividad de este. El término estado del sistema indica
una descripción de todas las entidades, atributos y actividades según su existencia
en algún instante del tiempo. El progreso o desarrollo en el tiempo del sistema se
estudia siguiendo sus cambios de estado.
-Simulación estadística:
VENTAJAS DE LA SIMULACIÓN
1. La simulación anticipa cómo un sistema puede responder a los cambios:
Esto permite analizar si la infraestructura existente puede manejar la nueva
situación planteada.
11
modelo de simulación, esta exigencia puede traducirse en el tiempo para
responder a la petición de un cliente, que puede ser designado como la medida de
actuación para satisfacer a la clientela. La simulación mide los puntos fuertes y los
débiles asociados al diseño de un nuevo producto o servicio y permite un mayor
análisis sobre parámetros como el tiempo al mercado, niveles de servicio,
exigencias de mercado, costes de transporte, etc.
Referencias:
12
Rondon, I. La simulación como proceso experimental. Recuperado de:
https://www.academia.edu/34610249/LA_SIMULACI
%C3%93N_COMO_PROCESO_EXPERIMENTAL_EXPERIMENTOS_Y_ORDENADORES
Fullana, C. y Urquía, E. Los modelos de simulación: una herramienta multidisciplinar de
investigación. Recuperado de:
https://repositorio.uam.es/bitstream/handle/10486/679256/EM_32_3.pdf?
sequence=1&isAllowed=y
13
Números Pseudo-aleatorios
El método más conveniente y más fiable de generar números aleatorios es utilizar
algoritmos determinísticos que posean alguna base matemática sólida. Estos
algoritmos producen una sucesión de números que se asemeja a la de una
sucesión de realizaciones de variables aleatorias, aunque realmente no lo sea. Es
por ello que este tipo de números se denominan pseudo-aleatorios y el algoritmo
que los produce se llama generador de números pseudo-aleatorios.
En algún momento, ocurrirá que xj = xi para algún j > i, y a partir de ese instante,
xj+k = xi+k, y por lo tanto, uj+k = ui+k, para todo k ≥ 0. El periodo es el menor entero
p>0 tal que para algún entero τ ≥ 0, se verifica que x p+k = xk, para todo k ≥ τ .
14
misma sucesión. Esto nos puede permitir depurar fallos del modelo o
simular diferentes alternativas del modelo en las mismas condiciones
obteniendo una comparación más precisa. Los procedimientos físicos no
permiten que los resultados sean reproducibles.
La sucesión de valores generales debe tener un ciclo no repetitivo tan largo
como sea posible.
El generador debe ser rápido y ocupar poca memoria interna.
Tiene una fuerte tendencia a degenerar a cero rápidamente (probar, por ejemplo, con x 0 =
1009).
Los números generados pueden repetirse cíclicamente después de una secuencia corta.
15
x 7=3708 → x 7 =65|6100|00 → x 8=6100→ u8=0.6100
2
Método Congruenciales
Los principales generadores de números pseudo-aleatorios utilizados hoy en día son los
llamados generadores congruenciales lineales. Un método congruencial comienza con un
valor inicial (semilla) x 0, y los sucesivos valores x n ,n ≥ 1 se obtienen recursivamente con la
siguiente fórmula:
Como el siguiente resultado demuestra, cada x i, está completamente caracterizado por a,b,m
y x 0.
an −1
x n=a n x 0 +b mod m
a−1
x 2=a x 1+ b mod m
¿ a ( a x 0 +b−km ) +b mod m
¿ a2 x 0+ b ( a+1 )−akmmod m
2
¿ a x 0+ b ( a+1 ) mod m
…..
16
x n=a 3 x 0 +b ( an−1+…+ a+1 ) mod m
n
3 a −1
¿ a x 0 +b mod m
a−1
Por lo tanto, la primera objeción que se le puede hacer a este método, objeción común a
todos los generadores de números pseudo-aleatorios, es que la sucesión de los valores
x n no es en absoluto aleatoria. Sin embargo, posteriormente veremos que si elegimos los
parámetros iniciales convenientemente, la sucesión {un } puede asemejarse a una
sucesión de números aleatorios.
La segunda objeción es que los valores ui pueden tomar sólo los valores 0,
1 2 m−1 2 3
, , …, , luego no hay posibilidad de generar un valor, por ejemplo entre y .
m m m m m
Tomando m suficientemente grande m ≥109 , el conjunto de posibles valores es
suficientemente denso en |0,1| como para que la sucesión asemeje a la de una variable
continua uniforme en dicho intervalo.
Ejemplo:
n xn un n xn un n xn un
0 1 - 2 3 0.333 4 0 0
1 6 0.6666 3 7 0.7777 5 1 0.1111
n xn un n xn un n xn un n xn un
0 7 - 5 10 0.625 10 9 0.563 15 4 0.25
1 6 0.375 6 5 0.312 11 0 0 16 7 0.4375
5
2 1 0.0625 7 12 0.75 12 3 0.1875 17 6 0.375
3 8 0.5 8 15 0.937 13 2 0.125 18 1 0.0625
5
4 11 0.6875 9 14 0.875 14 13 0.8125 19 8 0-5
17
Combinación de Algoritmos Congruenciales
Los algoritmos congruenciales se pueden combinar para aumentar el periodo del ciclo de
generación. Estas combinaciones se basan en los siguientes resultados:
U 1 +U 2 +…+U k −[ U 1 +U 2 +… U k ] u(0 , 1)
El algoritmo combinado de Wichmann y Hill (1982, 1984) tiene un periodo de orden 10 12.
El generador es:
Y tomar:
ui = ( 30269
xi
+
y
+
zi
30307 30323 )−[
ix
+
y
+
i z
30269 30307 30323
]
i i
18
Donde el orden k y el módulo m son enteros positivos, y los coeficientes a j son enteros
variando ente −( m−1) y (m−1). Es la n-ésima iteración, el estado es el vector
xn
( x n , x n−1 , … ., x n+k −1 ) ∈ Z km. La función de salida se puede definir simplemente como un = .
m
k k−1
P ( z )=z −a 1 z −…−a k
Referencias
19
Pruebas de bondad y ajuste (chi cuadrada)
Test de la x 2
Dada la muestra u1 , … ,u n y un nivel de significación ∝, el test consiste en los siguientes
pasos:
1
1. Dividir el intervalo (0, 1) en k clases disjuntos de la misma amplitud . Para cada
k
clase C j, contar el número de elementos O j , que cae en dicha clase,
2. Comparamos las frecuencias observadas en cada clase con las que
correspondían según la distribución teórica. Se considera el estadístico:
2
n
k (O j − )
k
T =∑
j−1 n
k
2 2
3. Se rechaza la hipótesis de uniformidad si T > x k−1, ∝, donde x k−1 ,∝ es el percentil de
2
orden 1 - ∝ de la distribución x k−1.
H0: F(x)=F0(x)
20
en donde el modelo de probabilidad propuesto F 0(x) se encuentra especificado de
manera completa, con respecto a todos los parámetros.
21
Si se sigue este razonamiento, puede demostrarse que para k≥2 categorías
distintas
23
en donde r es el número de parámetros que se está intentando estimar.
24
Calcular un intervalo de confianza al 90% para la diferencia de medias asumiendo
igualdad de varianzas y no asumiendo la igualdad de éstas y realizar el siguiente
contraste:
mediante la prueba t-Student para dos medias en los dos supuestos de igualdad y
no igualdad de varianzas.
Cálculo de los estadísticos descriptivos básicos
Para los datos del ejemplo se tiene que los tamaños muestrales son: n1 = 7 y n2 =
10. Las medias y las desviaciones típicas para los dos grupos son:
donde x1i indica los valores de la variable Rta para el grupo 1 y x2i indica los
valores de la variable Rta para el grupo 2.
Cálculo del IC90% para la diferencia de medias suponiendo igualdad de
varianzas
Para calcular el IC90% para la diferencia de medias se necesita calcular el error
estándar de la diferencia de medias que, en el supuesto de igualdad de varianzas,
tiene la expresión:
25
donde s^2 recibe el nombre de varianza conjunta (“pooled variance”), que tiene
por expresión:
Con lo que:
que cubre al valor de cero para la diferencia de medias poblacionales de los dos
grupos.
Cálculo de la prueba t-Student para la diferencia de medias suponiendo
igualdad de varianzas
Para llevar a cabo el contraste requerido se construye el estadístico de contraste
experimental t dado por:
que bajo la hipótesis nula sigue una distribución t-Student con grados de libertad gl
= (n1 - 1) + (n2 – 1) = (n1 + n2 – 2) = 15, que tiene asociado un p-valor de 0.9412.
26
Contraste de Kolmogorov – Smirnov
El test de K – S es un test de bondad de ajuste que se utiliza para determinar si
los datos de una determinada muestra se ajustan a una hipotética distribución.
n
1
F n ( x )= ∑ I x ≤ x =¿ valores x i ≤ x∨ ¿ ¿
n i=1 i
n
H 0 : Fn =F 0 H i :F n ≠ F 0
D n=máx ¿ ¿
I ≤ i≤ n
27
Test de Rachas
Dada la muestra u1 , … ,u n se construye una sucesión formada por 0 y 1 del
siguiente modo: en la posición i se coloca un 0 si x i+1 < x i y se coloca un 1 si x i+1 > x i.
Cada grupo consecutivo sea 0’s o 1’s se denomina racha. Se demuestra que, para
n suficientemente grande, el número de rachas R sigue una distribución normal.
2n−1 2 16 n−29
R N( ,σ = )
3 90
2 n−1
R−
3
Z=
√
16n−29
90
Que sigue una distribución N (0, 1). Para un nivel de significación α , se rechaza la
Amplitud de auto correlación: Es la distancia que existe entre los números de la lista que
tiene la relación entre sí. Se da cada n-ésimo número aleatorio e inicia en el elemento i.
Esta prueba se aplica con la suposición de los números aleatorios tiene una distribución
uniforme e independiente sobre el intervalo de 1 a 0.
Densidad de probabilidad
28
m
1
P= ∑ r ∗r
M +1 k=0 (i+km ) [ i+( k+1) m ]
Dónde:
Este valor, se obtiene de acuerdo a los valores dados cuidando que se cumpla la
condición. Es un parámetro de la fórmula:
M =Truncar {( N −1 )
m
−1 }
Cumpliéndose la condición:i+ ( M + 1 )∗m< M
σ pim= √
13 M +7
12(M +1)
ρℑ −0.25
Z=
σ pim
Z significancia de la auto correlación que tiene una distribución Normal, con media cero y
una varianza de uno, bajo la suposición de independencia.
Nivel de significancia
α
(
P Z ≥Z
1−
α
2 ) =
2
29
α
Se utiliza ( puesto que se va a tomar en cuenta ambos lados del área bajo la curva).
2
Hipótesis Nula: H 0= ρℑ=0 . Los números aleatorios están correlacionados (No son
aleatorios).
Hipótesis Alternativa: H 0= ρℑ ≠ 0 Los números aleatorios no están correlacionados
(Sí son aleatorios).
hipótesis de aleatoriedad.
Referencias
https://webs.um.es/mpulido/miwiki/lib/exe/fetch.php?media=wiki:simt1b.pdf
https://www.dm.uba.ar/materias/probabilidades_estadistica_C/2004/1/PyEC08.pdf
https://bibdigital.epn.edu.ec/bitstream/15000/5707/1/T574.pdf
30
Método Montecarlo
La simulación de Monte Carlo permite ver todos los resultados posibles de las
decisiones que tomamos y evaluar el impacto del riesgo. Este método de
simulación es de gran utilidad para la gerencia de riesgos de cualquier tipo de
organización. También resulta de importancia para los Project Managers que
tengan que gestionar riesgos en proyectos de envergadura.
Después, calcula los resultados una y otra vez, cada vez usando un grupo
diferente de valores aleatorios de las funciones de probabilidad. De esta forma,
dependiendo del número de riesgos o incertidumbres y de los rangos
especificados, pueden ser necesarios miles de recálculos para completar la
simulación.
31
El método Montecarlo para análisis de riesgos
Principales ventajas
El simulador Monte Carlo tiene muchas ventajas respecto a otro tipo de análisis
deterministas. Entre ellos podemos destacar:
32
para averiguar con precisión la razón real por la que, cuando algunos
factores suben, otros suben o bajan paralelamente.
- Las tareas. Las cuales tienen un valor medio y una variabilidad de acuerdo
con una distribución estadística, que permite relacionar un determinado
valor de plazo o coste a un porcentaje de representatividad.
- Los riesgos. Sujetos a una probabilidad de ocurrencia y a un impacto. Si
tenemos un riesgo con una probabilidad de ocurrencia del 15%, y un
impacto de 1000€ y 1 día, diremos que el 15% de las veces que se ejecute
el proyecto, este va a durar un día más y costar 1000€ más, el 85% de las
veces restantes no.
33
número de veces que ha aparecido en el análisis un determinado valor de plazo o
coste. A partir de este gráfico podemos acabar calculado la distribución estadística
que sigue el proyecto en su conjunto, y por tanto determinar el porcentaje de las
veces que este va a cumplir una determinada restricción.
La variable aleatoria
34
sus probabilidades son {1/2, 1/2}. En la experiencia de lanzar dados, los
resultados posibles son {1, 2, 3, 4, 5, 6} y sus probabilidades respectivas son {1/6,
1/6, 1/6, 1/6, 1/6, 1/6}.
Realicemos ahora la experiencia de hacer girar una ruleta y apuntar el número del
sector que coincide con la flecha. En la ruleta de la izquierda de la figura los
resultados posibles son {0, 1, 2, 3, 4, 5, 6, 7}, y la probabilidad de cada resultado
es 1/8. En la ruleta de la derecha de la figura los posibles resultados son {0, 1, 2,
3}, y las probabilidades respectivas {1/4, 1/2, 1/8, 1/8}, proporcionales al ángulo
del sector.
35
aleatorias cuyas distribuciones difieren, al menos ligeramente de la distribución
uniforme ideal. También, se puede hacer uso de tablas de cifras aleatorias
uniformemente distribuidas, comprobadas minuciosamente en base a pruebas
estadísticas especiales. Se emplean solamente cuando los cálculos
correspondientes a la aplicación del método de Montecarlo se realizan a mano, lo
que en estos tiempos resulta inimaginable. En la práctica, resulta más conveniente
emplear los denominados números pseudoaleatorios, se trata de números que se
obtienen a partir de un número denominado semilla, y la aplicación reiterada de
una fórmula, obteniéndose una secuencia {x0, x1, x2, ... xn} de números que
imitan los valores de una variable uniformemente distribuida en el intervalo [0, 1).
36
intersección de dicha recta horizontal y del segmento vertical, tal como se señala
con flechas en la figura. Si el número aleatorio γ está comprendido entre 0.25 y
0.75 se obtiene el resultado denominado x1.
La tabla describe el sorteo de una variable discreta, siendo γ una variable aleatoria
uniformemente distribuida en el intervalo [0,1).
Una vez visto un caso particular, el problema general puede formularse del
siguiente modo:
Si X es una variable aleatoria discreta cuyos posible resultados son {x0, x1, x2 , ...
xn-1} y sean {p0, p1, p2, ... pn} sus respectivas probabilidades. Al sortear un
número aleatorio γ, uniformemente distribuido en el intervalo [0, 1), se obtiene el
resultado xi, si se verifica la siguiente condición
37
Referencias
38
Lenguajes para la simulación de computadora.
39
que redunda en una reducción significativa del esfuerzo requerido para programar
el modelo.
Proporcionan un marco de trabajo natural para el uso de modelos de
simulación. Los bloques básicos de construcción del lenguaje son mucho más
afines a los propósitos de la simulación que los de un lenguaje de tipo general.
Los modelos de simulación son mucho más fácilmente modificables.
Proporcionan muchos de ellos una asignación dinámica de memoria
durante la ejecución.
Facilitan una mejor detección de los errores.
Los paquetes de software especialmente diseñados para simulación
contienen aplicaciones diversas que facilitan al simulador las tareas de
comunicaciones, la depuración de errores sintácticos y de otro tipo de errores, la
generación de escenarios, la manipulación “on-line” de los modelos, etc.
Simuladores de alto nivel
Muy fáciles de usar por su interface gráfica
Restringidos a las áreas de manufactura y comunicaciones
Flexibilidad restringida puede afectar la validez del modelo
40
-GPSS es un caso especial de un lenguaje de simulación de propósito especial,
altamente estructurado que está orientado a la transacción, un caso especial de
una orientación basada en procesos más general. El GPSS fue diseñado para la
simulación simple de sistemas de colas tales como trabajos de taller. A diferencia
de los otros lenguajes de simulación, GPSS tiene varias implementaciones
incluyendo GPSS/H y GPSS/PC, ambos de los cuales serán discutidos más
adelante.
-SIMAN V está escrito en C, aunque las primeras versiones del lenguaje fueron
escritas en FORTRAN. Modela un sistema discreto usando la orientación al
proceso; es decir, en un modelo de sistema particular, se estudian las entidades
que se mueven a través del sistema. Una entidad para SIMAN es un cliente, un
objeto que se mueve en la simulación y que posee características únicas
conocidas como atributos. Los procesos denotan la secuencia de operaciones o
actividades a través del que se mueven las entidades, siendo modeladas por el
diagrama de bloques.
41
ramas tales como colas, servidores y puntos de decisión. Modelamiento significa
incorporar esos símbolos a un modelo de red que representa el sistema y en
donde las entidades (ítems) pasan a través de la red. SLAM contiene un
procesador que convierte la representación visual del sistema a un conjunto de
sentencias.
SIMAN V, SIMSCRIPT II.5, y el SLAM son lenguajes de simulación de alto nivel
que tienen constructor especialmente diseñados para facilitar la construcción de
modelos. Estos lenguajes proveen al analista de simulación con una opción de
orientación basada en procesos o basada en eventos, o un modelo usando una
mezcla de las dos orientaciones. A diferencia del FORTRAN, estos tres lenguajes
proveen la administración de la lista de eventos futuros, generador interno de
variables aleatorias, y rutinas internas para la obtención de estadísticas (estas
características para las implementaciones del GPSS mencionadas previamente).
Se pueden lograr calculo complejos en ambas implementaciones del GPSS y
estos tres lenguajes.
42
-MODSIM III es un descendiente del lenguaje que la compañía de productos CACI
originalmente diseñado por la armada de los Estados Unidos. Hereda mucha de
su sintaxis del MODULA-2 y del ADA, ciertas características del ADA y sus
conceptos de simulación del SIMSCRIPT y el SIMULA. Algunas de las
características de la simulación orientada al objeto fueron originalmente vistas en
el SIMULA y el SMALLTALK.
Comandos de un simulador
43
-DELETE 10,100: Este comando remueve todas las instrucciones o bloques
inclusive, entre líneas 10 y 100 de un programa de GPSS.
44
-REPORT: permite definir el nombre de un archivo en DOS que recibirá el informe
no formateado. REPORT A; B; COMENTARIOS Especificación del archivo en
DOS que recibirá el reporte no formateado. B: NOW, para escribir un reporte no
formateado inmediatamente. El operando debe ser NOW o nulo (opcional).
Referencias.
SIMULACION: UNIDAD IV. LENGUAJES DE SIMULACIÓN (simulacionkarla.blogspot.com)
https://hopelchen.tecnm.mx/principal/sylabus/fpdb/recursos/r94297.PDF
https://paginaanibal.es.tl/unidad-4.htm
Nosotros pensamos el realizar el método simplex, ya que se nos hizo el más fácil
de programar porque se hace más fácil por el método de matrices y con métodos
simples para la realización de las iteraciones básicas para poder desarrollarlo.
45
Lo que hará nuestro programa es encapsular la información en matrices para su
manipulación, además que se impondrán números aleatorios para su realización y
sea funcional para x números de operaciones, una vez en la matriz esta ira
haciendo los cálculos correspondientes para identificar la variable pivote, y de ahí
que renglón o columna tomara para su hacer los cálculos correspondientes, y así
ira calculando pivotes, y calculando los valores hasta llegar al resultado.
El programa está hecho para poder llegar al resultado de manera más fácil
además que puede agregar n factores a la matriz lo que lo hace un programa
eficiente, está pensado para la realización del método simplex de una manera
rápida eficaz y correcta.
Panadería
Una fábrica de pan reparte diferentes tipos de panes a varias tiendas de la ciudad,
los más famosos son sus panes gigantes que pueden ser de pan blanco y pan
dulce. Los panes se venden por docena,los blancos dejan una ganancia de $25
por unidad de venta mientras que los panes dulces dejan de ganancia $60 por
unidad de venta.
Ambos panes tienen ingredientes en común, una docena de pan blanco requiere
2kg de harina y 1L de agua mientras que para los panes dulces se requieren 3kg
de harina y 1L de agua.
Si quieren maximizar sus ganancias recibidas al final de una semana que están
sujetas a la disponibilidad de materia prima de esas semanas. ¿Cuál es la
cantidad de panes blancos y panes de dulce que deben hacer para lograr el
objetivo?
46
Conclusión
La simulación es, sin duda, una herramienta muy útil para el desarrollo de ensayos
o experimentos que se pueden repetir una y cuántas veces sea necesario para
comprobar diferentes hipótesis o datos incompletos que se pueden obtener
mediante este medio. La aleatoriedad que es parte de cada simulación, permite
que todas las variables y posibilidades sean parte, sin dejar nada fuera ni excluir
ningún dato, así como ver de una manera más gráfica o visual los resultados que
se esperan.
Conociendo los diferentes métodos de simulación se puede hacer más fácil
dependiendo de lo que sea que necesitemos, al igual que conociendo el tipo, será
más fácil saber el tipo de datos que necesitamos que la simulación arroje.
En definitiva, todo esto se vuelve más sencillo si se conoce algún lenguaje de
programación o se tiene la experiencia con algún simulador que facilita aún más la
labor de realizar una simulación que requiera cierto nivel de programación sin
conocer por completo un lenguaje formal.
47