Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Madrid
S I M U L A C I Ó N
DEFINICIÓN DE SIMULACIÓN
Viene a ser la reproducción artificial de un sistema en sus relaciones de entrada y salida (a través
de variables aleatorias), implementadas en un programa de una PC.
Esta técnica numérica permite realizar experimentos de una PC. de programas matemáticos y
lógicos que describen el comportamiento de un sistema (manufactura, negocios, casos sociales,
etc.) a través de grandes períodos de tiempo.
1
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
Diagrama de Flujo de los Pasos de un Proceso de Simulación
FORMULACIÓN DEL
PROBLEMA
RECOLECCIÓN Y
PROCESAMIENTO
DE DATOS
FORMULACIÓN DEL
PROBLEMA MATEM.
ESTIMACIÓN DE
LOS PARÁMETROS
EVALUACIÓN
DEL MODELO
FORMULACIÓN DEL
PROGRAMA
VERIFICACIÓN
DISEÑO DE
EXPERIMENTOS
ANÁLISIS DE DATOS
DE LA SIMULACIÓN
2
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
3
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
también pueden sugerir mejoras o refinamientos en los modelos matemáticos que existen en el
sistema por simularse. En cuarto lugar, es necesario que los datos, reducidos a una forma final, se
utilicen para estimar los parámetros de las características de operaciones relativas a las variables
endógenas, exógenas y de estado del sistema. Finalmente, cabe considerar que, sin tales datos,
sería imposible probar la validez de un modelo para la simulación.
La recolección de datos es un proceso de captación de los hechos disponibles, con lo cual estos
pueden ser procesados posteriormente, cuando sea necesario. En realidad, el proceso de
recolección y el de almacenamiento de datos ocurren simultáneamente, pues el primero implica
que los datos sean o hayan sido almacenados. La manera en la cual los datos se almacenan durante
la primera etapa de procesamiento no constituye, por lo general, la forma más eficiente que se
debe emplear en las etapas posteriores; por esta razón, la conversión de los datos de una forma a
otra tiene una función crucial en la determinación de eficiencia del procesamiento. Por ejemplo,
es posible que cierta información sea almacenada más eficientemente, en forma de documentos
manuscritos.
Una vez que los datos han sido recolectados, almacenados, convertidos a una forma eficaz y
transmitidos al lugar de procesamiento final, resulta posible entonces, comenzar con las
operaciones de manipulación de datos y la preparación de estos para su salida final. Las etapas de
manipulación requieren la realización de operaciones como las de clasificar, cotejar, intercalar,
recuperar información y otras, como las operaciones aritméticas y lógicas. Estas operaciones se
realizan con la computadora o sin ella, y depende de la cantidad de datos por manipular y la
utilización que finalmente tengan.
4
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
las técnicas como la econometría, la estadística matemática, la teoría de probabilidad, el álgebra
matricial, las ecuaciones de diferencias y la programación matemática, la tarea de construir un
modelo matemático para un sistema en particular, es todavía análoga al trabajo de un artista.
Una de las primeras consideraciones que se toman en cuenta en la formulación de un modelo
matemático reside en saber cuántas variables se deben incluir en el modelo. Encontraremos muy
poca dificultad en lo referente a las variables endógenas o de salida de nuestro modelo, debido
por lo general, a que estas variables se determinan al comenzar el experimento, cuando
formulamos los objetivos de estudio. Obviamente habrá un límite superior en el número de las
variables endógenas posibles de investigar en un solo experimento de simulación, ya que el
tamaño de la computadora disponible para el investigador impondrá necesariamente ciertas
limitaciones relativas a este aspecto.
La segunda consideración importante en la formulación de los modelos matemáticos se refiere a
la complejidad de los mismos. Por un lado, es posible argüir que los sistemas económicos son en
realidad complicados y que los modelos matemáticos que pretenden describir su comportamiento
también tendrán que ser complicados. En cierto grado, estas afirmaciones resultan verdaderas,
pero por otro lado, no quisiéramos llegar al extremo de construir modelos tan complejos,
independientemente de lo que sean, y requieran un tiempo razonable de computación. Por lo
general, estamos interesados en la formulación de modelos matemáticos que produzcan
descripciones o predicciones, razonablemente exactas, referentes al comportamiento de un
sistema dado y reduzca a la vez, al tiempo de computación y programación.
Una tercera consideración en la formulación de modelos matemáticos para la simulación en
computadora estriba en el área de la eficiencia de computación.
Entendemos por ello, la cantidad de tiempo de cómputo requerida para lograr algún objetivo
experimental específico. Como regla general, estamos comúnmente interesados en uno de los
objetivos siguientes relacionados con la eficiencia de los experimentos de simulación: En el
primer caso, es posible que deseemos reducir el tiempo de cómputo requerido para generar los
valores de nuestras variables endógenas sobre un período específico, sean seis meses o nueve
años, o quizás necesitemos hacerlo con el tiempo de cómputo que requiere para simular el
comportamiento de la economía de un estado en un período de diez años.
El tiempo consumido en la programación de la computadora, constituye una cuarta consideración
al formular los modelos matemáticos para simulación. El tiempo requerido para escribir un
5
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
programa que genere los tiempos planificados para las variables endógenas de un conjunto en
particular de modelos matemáticos depende en parte del número de variables utilizadas en los
modelos y de su complejidad. Si algunas de las variables utilizadas en los modelos son
estocásticas por naturaleza entonces, tanto el tiempo de programación como el de computación
deben, por supuesto, equilibrarse con los aspectos de validez y velocidad de cálculo.
La quinta área de interés en la construcción de modelos es la validez o la cantidad de realismo
incorporado en ellos. Es decir, ¿el modelo describe adecuadamente al sistema de interés?;
¿proporciona predicciones razonablemente buenas cerca, del comportamiento del sistema, en
períodos futuros? A menos que la respuesta a una o ambas de estas preguntas sea afirmativa.
Entonces el valor de nuestros modelos se reducirá considerablemente y nuestro experimento de
simulación se convertirá solo en un ejercicio de lógica deductiva.
La sexta y última consideración, al formular modelos para simulación en computadora, consiste
en su compatibilidad con el tipo de experimentos que van a realizar con ellos. Ya que nuestro
objetivo principal al formular un modelo matemático es el permitirnos dirigir experimentos de
simulación, deberá pensarse en qué forma particular se tomarán las características del diseño de
los experimentos que deban incorporarse en nuestros modelos.
En los párrafos anteriores intentamos bosquejar que los que pensamos es un conjunto de
propiedades deseables para los modelos matemáticos, o por lo menos, un conjunto de factores que
el constructor del modelo considere útil tomar en cuenta. Desafortunadamente estas propiedades
representan metas muy idealizadas que rara vez se cumplen al tratar con problemas del mundo
real.
Han surgido dos tipos básicos de diseño para formular modelos matemáticos que serán utilizados
para simulación en computadora. Los diseños generalizados y los modulares o de bloques. Los
modelos primeros presenten un intento para describir el comportamiento de un sistema completo,
tal como una empresa o la economía de una nación. No obstante que este ataque se ha utilizado
ampliamente en la microeconomía, macroeconomía y econometría, no puede en general esperar
un éxito abrumador ya sea en la descripción o en la predicción del comportamiento futuro de los
sistemas económicos.
6
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
7
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
8
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
9
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
7. VALIDACION
Ciertamente, el problema de validar modelos de simulación es difícil, ya que implica un
sinnúmero de complejidades de tipo práctico, teórico, estadístico e inclusive filosófico. La
validación de experimentos de simulación forma parte de un problema mucho más general es
decir el de la validación de cualquier clase de modelo o hipótesis. Las preguntas básicas son: “Qué
significa validar una hipótesis” y “cuáles criterios deberán utilizarse para establecer la validez de
una hipótesis”.
10
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
Observación:
a. Los Ns.As. llamados también, números rectangulares, proviene de una distribución
uniforme estándar.
𝑋 ∼ 𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒(0,1) 1 f(x)
𝑓 (𝑥 ) = 1, 0≤𝑥≤1
Donde: x
0 1
11
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
x
a b
F(x)
0 ; xa 1
x − a
F ( x) = ; a xb
b − a
1 ; xb
x
a b
También:
𝑏 𝑏 𝑥 1 𝑏2 −𝑎2 𝑎+𝑏
• 𝐸(𝑋 ) = ∫𝑎 𝑥𝑓(𝑥 )𝑑𝑥 = ∫𝑎 𝑑𝑥 = (𝑥 2 )𝑏𝑎 = =
𝑏−𝑎 2(𝑏−𝑎) 2(𝑏−𝑎) 2
𝑏 𝑏 (𝑏−𝑎)2
• 𝑉𝑎𝑟(𝑥 ) = 𝐸 (𝑋 2 ) − [𝐸 (𝑋 )]2 = ∫𝑎 𝑥 2 𝑓(𝑥 )𝑑𝑥 − ∫𝑎 𝑥𝑓(𝑥 )𝑑𝑥 = … =
12
𝑎+𝑏 (𝑏−𝑎)2
𝐸(𝑋 ) = 𝑦 𝑉𝑎𝑟(𝑋) =
2 12
12
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
Son fórmulas preestablecidas que generan sucesiones de Ns. As. En la actualidad estos métodos
forman parte de los programas biblioteca de algunos programas de aplicación y/o lenguaje de
programación.
Estos métodos son:
• Método Congruencial Mixto.
• Método Congruencial Multiplicativo
• Método Congruencial Aditivo.
• Método del Cuadrado Central.
Donde
Xo = Semilla (Xo > 0); (Xo , siempre es dato)
a = multiplicador (a>0)
c = constante aditiva (c>0)
m= módulo (m> Xo, m>a, m>c)
13
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
Nota:
• A partir del n=8,9,… se vuelve a repetir los Números Aleatorios generados.
• Por lo tanto, el periodo es igual a 8 Números Aleatorios.
• Para determinar el periodo de ejemplo dado utilice MS Excel.
14
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
Donde:
Xo = Semilla (Xo > 0) ; (Xo , siempre es dato)
a = multiplicador (a>0)
m= módulo (m> Xo, m>a, m>c)
Ejemplo: Sea X n+1 = 3Xn mod 100, Xo= 17. Halle los Ns.As y su período.
n Xn 3Xn/100 Xn+1 NsAs
0 17 51/100 51 0.51
1 51 1+53/100 53 0.53
2 53 1+59/100 59 0.59
3 59 1+77/100 77 0.77
4 . . .
Periodo = 20
. . . .
. . . .
. . . .
19 39 17 0.17
20 17 51/100 51 0.51
Nota: Para determinar el periodo de ejemplo dado use MS Excel.
15
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
iii. Selección de m
• Si m= 10d y d > 5 → el período está dado por: P = 5 x 10d-2
Si m = 105 entonces Periodo = 5x103 = 5000
• Si m= 10d y d < 5 → el período estará dado por:
2. SISTEMA BINARIO.
Se deben tomar en cuenta los siguientes criterios.
i. Selección de Xo: puede ser cualquier número entero no divisible por 3 o 5 y debe ser
relativamente primo a m.
(ídem al sistema decimal selección de Xo).
17
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
Prueba de hipótesis:
Si |𝑍0 | < 𝑍𝛼 → No se rechaza Ho.
2 Región de
aceptación
∴Los Números son Aleatorios
Observación:
1. Teorema del límite central. 1−
(𝑋̄−𝜇)√𝑛 2 2
𝑍= ~ N (0,1)
√𝑉𝑎𝑟(𝑥)
=0
-1 1
Región de
-r r
rechazo
18
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
Donde:
FOi = Frecuencia observada en el i-ésimo intervalo
FEi = Frecuencia esperada en el i-ésimo intervalo
➔ FEi = N/n, donde: N = tamaño de la muestra
n = número de intervalos
Gráficamente:
FEi FEi=N/n N/n N/n … N/n N/n
FOi FO1 FO2 FO3 … FOn-1 FOn
0 1/n 2/n 3/n … n-2/n n-1/n
Prueba de hipótesis:
Si Xo2 < X2 ( , n-1) => No se Rechaza Ho.
∴ Los Números son Aleatorios.
Donde:
= nivel de confianza
n = número de grados de libertad
19
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
1+0+0+1+0
𝑋𝑜2 = = 0.5
4
2
Luego: 𝑋02 = 0.5 < 6.3 = 𝑋(5%,3)
2
𝐶𝑜𝑚𝑜 𝑋02 < 𝑋(5%,3) 𝑠𝑒 𝑐𝑜𝑚𝑝𝑟𝑢𝑒𝑏𝑎 𝑞𝑢𝑒 𝑒𝑠 𝑚𝑒𝑛𝑜𝑟 ➔ 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
𝑃𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑙𝑜𝑠 𝑁ú𝑚𝑒𝑟𝑜𝑠 𝑠𝑜𝑛 𝐴𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜𝑠
20