Simulacion de sistemas para administracion | e ingenieria | i | Francisco Garcia Mora Jorge Sierra Acosta Ma. Virginia Guzman Ibarra PRIMERA EDICION MEXICO, 2005 COMPANIA EDITORIAL CONTINENTAL» de sirm- * -uiation, y grama ra simular bento de 1 colas, tha y cual » Nacio- a vy cl % tetas Capitulo “.. Dios no juega a los dados con Ia naturaleza” Albert Einstein 11 TOMA DE DECISIONESY LA INVESTIGACION DE OPERACIONES En todas las actividades de la vida, el pénero humano se enfrenta a la necesidad de tomar decisiones. Seleccionar o decidir sobre lo que se quiere, se debe 0 resulta més conveniente hacer, cuando se tiene ‘una gama de altemnativas, no es nada fécil, sobre todo si las consecuencias de 11 decisién son tras~ cendentes o significativas con relaci6n al asunto sobre el que sé decide. Tomar una decision de cual- quite indole siempre representa tener un costo de oportunidad. El simple hecho de wo hacer nada és Por si mismo tomar una decisién, La teorfa de la toma de decisiones abarca un sinnumero de asignaturas y se manifiesta en todas Jas ramas de la cioncia, Por las diferentes formas y caracterfsticas que se presentan cuando se requie- re la necesidad de decidir, éstas se pueden clasificar de muchas maneras, entre elias resultan de in terés para la investigacién de operaciones: las decisiomes trascendentales en contra de las iriviales y las que aportan resultados Optimos 0 cereanos a esto. Las técnicas de Ia investigaci6n de operaciones son berramientas tiles pata la toma de decisio- ties y entre llas se encuentra la simulacién de sistemas. En su mayoria son téonicas de optimizaci6n, Diversos investigadores coinciden en que la simulacién, como también suele nombrérsele, ests en cel grupo de las téenicas cuantitativas mds usadas en el mundo real junto con Ia programacién mate~ ‘ética y Ja estadistica. El interés de la aplicaci6n de estas herramientas por parte de Tos tonualores de decisiones consiste en incrementar la productividad y la calidad de los biones y servicios que se producen en las organizaciones al optimizar los recursos. Incluir los aspectos de calidad en los métodos, Ccuantitativos es de gran importancicdebido a que la filosofia de calidad aporta los aspectos cuali tivos que también son indispensables en Ia toma de decisiones. La trilogia de factores referida se ihistra en el siguiente diagrama:il SIM ecu ee 4.2 ORIGENES Y DESARROLLO DE LA INVESTIGACION DE OPERACIONES ‘Aunque los otigenes de Ia investigacién de operaciones se remontan al inicio del siglo pasado, su. ripido desarrollo comenz6 durante los afies de 1940 y 1950. El auge vino a principios de la Segunda Guerra Mundial, cuando los aliados corvocaion a un gran nimero de especialistas para aplicar la metodologia cientifiea on la definicién de Ia estrategia militar y de las técticas operacionales. En los frentes de batalla los encuentros bélicos demandaban una necesidad urgente de asignar escasos re- cursos a las distintas operaciones militares y a las actividades, dentro de cada operacién. Tel asigna- ci6n se debia de hacer en la forma més répida y efectiva, sin desatender las prioridades que cada uno de los eventos exigia Al concluir la guerra, ol éxito de la investigacién de operaciones en las actividades bélicas ge- nex un gran interés en sus aplicaciones fixera del campo militar. Fue en Iz década de los cincuenta ue se introdujo su uso en Ja industria, les negocios y el gobierno, Desde entonces, esta disciplina se ha desarrollado con rapidez, en el cual se pueden identificar tres factores que jugaron un papel importante: uno fue el gran adelanto que se logré en el establecimiento de los métodos, los mode- los y las técnicas disponibles en esta rama de la ciencia. El siguiente factor, fue el advenimiento de las computadoras. El progreso de ibs crdenadores, que en un principio tenfan capacidad para reali- 2ar miles de célculos aritméticos en segundos y en millones después, fue de mucha ayuda para Ja inves- tigacién de operaciones. Otro avance de este factor, tuvo lugar en Ja década de 1980 con la in- novacién de las computadoras personales. que cada vex. eran de mayor capacidad y velocidad de >rocesamiento asi como en memoria y almacenamiento; ademés, sus precios dfa a dia eran mas ac- ‘esibles por una mayor oferta del mercado, Paralelamente se desarrollaron los lenguajes de progra~- ‘maci6n y sorgieron paquetes de softwere de propésito especial para su aplicacién en la solucién de problemas de interés. El tercer aspecto foe el rezago de la competitividad estadounidense con res- pecto a la de Japén. En Ta actualidad Ja investigacién de operaciones (IO en lo sucesivo) ha diversificado y perfec- cionado sus téenicas por lo que tiene una gran gama de aplicaciones en todos los ramos industriales ¥ en todas las areas del conocimiento. A pesar de que las técnicas son vatiadas, todas ells presen- tan algunas caracterfsticas que le son afines: + La JO se aplica a resolver problemas de decisiGn que tiene que ver con la forma de ditigir y coordinar las actividades operacionales de una organizaci6n, La vision u 6ptica con que la TO estudia « Ia organizacién es el enfoque de sistemas, esto es, Comprende a la organizacién como un sistema holistico hombre-méquina e intenta resolver 10s conflictos entre su actuacin y su finalidad para lograr su eficiencia yio eficacia, * La imterdisciplina, decivada de la utilizaciGn del enfoque sistémico, es un requisito que los * equipos (cn un sentido mds zmplio que el de grupo) de IO deben satisfacer. Por ello es nece- sario que los individuos de estos equipos posean une sélida formulacién y entrenamiento en pasado, su *la Segunda J+ Se identifica el problema dentro de los imites stema en donde se ubica bo mamecn FS cstablecen las mets los objtivos que se alcanzar, iw Bea 3; Scclaboran ls hipstesis para el logro de los Obps.08 1 aa £ ge Mtemifican as variables y se estableoe la ites vn ue existe entre elias, > 5. Se procede a la recoleccién de datos, > Talasigna. 6 Se formula el modelo de progeamacién ave Fepre~-nl. a la funcién objetivo y las restrig- vecada uno Giones que existan para su togro. , | 4, 8: procede ala selecciéa y aplicacién del métode. solucién, > délicas ge- 8. Se analizan los resultados para Fezificar que la Solu: del modelo cumpta, entre 0tt05, con 's cineuenta QU ritero de estabilizacion del tramo de informa , que se debe consideraa, ) disciptina o,f Nalidan tos resultados obtenios, después de tah 8 analirado, 2m un papel 10. Sila soluciom es valde se impianta el mocele » 10s mode- 1. Sila solucisn no es valida, se Fevisan cada uno de Lis jasos que se Siguicron en el proceso » imiento de Ietodol6gico para modificalos. Las cortecciones sr iwocedimiento se hacen tantas veoos ara real Como $28 necesaro, hasta que se encuenire un resultate vlan ‘ ei pe Una representacién esquemétice de ta ‘metodologia que se sigue en la resoluci6n de problemas 2 tacit a de le IO se.encuentra en ei flujograma de la Siguiente pagina (4) Para aplicacion conecta de cualquiera dels teense e010, es muy importante conside+rar ) ine. 1h actividad creativa en la formulacién de loc ‘Podslos, que viene uaa relacién directa en su clac ° Progra. borscién con el hemisferio derecho del cerebro humano, misma que se manifiesta en contraste con » olucton de Gaga de 10s efleulos que se procesen en el homaet zquierdo, Por este motivo, la formula. yom Tes Gin creative de los modelos ge puede comparer canis gue se demanda en la crescién de una obra are, ; y)Y perfec. 1 triales 4 presen 14 CLASIFICACION DE MODELOS DE INVESTIGACION DE OPERACIONES : Les modelos utlizados en la YO son emineatemente Imateméticos y se pueden clasificar de acuerdo 00 los valores y las caractristcas de sus variables eterministas y cstorksticos, y ceda uno de * dirigir y ellos, a su vez, en estéticos y dindmicos hestoes, * Modelos deterministas ve aver En éstos ni las Variables exogenas, ni lag end6genss, se obtienen por medio del azar, debido a ded ronen relaciones exactas para las caracerstieas operaciéa, en lugar de fancio-nes — de densidad de probabilida: me en. en ores deModelos dinémicos ‘Son los que tratan de las interacciones que varfan con el tiempo. ‘Los modelos que se han considerado como propios de 1a 10, por ser los que en esencia se apli- can con mayor frecuencia y por lo mnismo se les han dedicado ms horas de estudio son: Programacién lineal + Lineas de espera Programacién no lineal + Teoria de juegos Programacién entera + Anélisis de decisiones Programacion binaria + Cadenas de Markov Programacién de metas miiltiples * Programacién dinémica Redes de optimizacién * Simulacién de sistemas ‘Modelos de inventarios Metodologia de la investigacién de operaciones a NenaaES cadet —La mayoria de estos modelos dan soluciones analiticas y por tanto exactas, mientas que la tée- nica de le simalacién proporciona soluciones numéricas lo que les da un caricter de aproximacion cen os resultados. En otro orden de ideas, un enfoque diferente a la representacién por medio de mo- dolos de sistemas complejos consiste ex utilizar la simulacién, La técnica de simulacion involucra tanto 2 modelos matemiticos como légicos. Un modelo de simulacin divide el sistema representan- do en médulos bésicos 0 elementales a los que les corresponde, generalmente un modlo mateméti- co y que después se enlazan entre si via relaciones Kigicas bien definidas: utilizando la estructura Sly ENTONCES... Por tanto, partiendo del médulo de entrada, las operaciones de séleulo pasarin de tun médulo a otro hasta que se obtenga un resultado de salida, ‘Los modelos de simulaci6n, en comparacién con los mateméticos, oftecen una mayor Nlexibili= dad en la representacién de sistemas complejos, la rarén principal es que la simulacién enfoca el sistema desde un nivel basico clemental. Por otra parce, la modelacién matemitica tiende a consi derar el sisterna desde un nivel menos detallado. En alin momento del ciclo de vida de la mayoria de los sistemas es necesario su andlisis para tratar de obtener comprensiGn acerca de la rlacién entre algunos de sus componentes, o bien para pre- decir su posible comportamicnto ante Ja consideracidn de nuevas condiciones. En la siguiente figara ‘se muestran diferentes modos en e! que un sistema puede ser estudiado, = Experimentacién jBrperimentacion i eorunise Haven Per ementacion 57 [easceRunmede [reas ene nal potest) 2 1.5 MODELACION EN SIMULACION DE SISTEMAS | oF Para modelar y resolver problemas de simulaciGn dentro de un sistema, es conveniente definir y com- render los conceptos siguientes: Un sistema se define como un agregado 0 conjunto de objetos reanidos en alguna interaccién 0 imterdependencia bien definida, para aleanzar una o més metas.i oe 2 SII eee ed | Cn ' Pura su estudio los sistemas 9 han clasificado en dos categoria: diseretos y continuos. Um by 4 teto-€s aquel para el que los cambios en las variables de estado cambian instantancament sido pr Parados del ticanpo. Una gasolinera es un ejemplo de sistema discreto, puesto que las derarse g variables de estado como ei mimero de automéviles que esperan el servicio de abastecimiento de Es combustible, cambian solamente cuando un cliente Nega © cuando un auto complet el servicio y (@ inse sale de la estacion. Un sisteana continuo es aquel para el que las variables de estado cambian conti- quienes t a ‘nuamente con respecto al tiempo. Una aeronave que se desplaza on el aire stn ejemplo de sistema model) i sf continuo puesto que sus variables de estado tales como su posicién y su vetocidad pueden cambiar controsae | instanténeamente con respecto al tiempo. En realidad muy pocos sistemas se pueden coxsiderat total: Loe | __ Mente continuos o discretos, pero puesto que algén tipo de cambio predomina en la mayoria de éstos, ‘irnies €s posible clasificarlos como discretos o continues, sistema y Se use el término-entidad para denotar un objeto o componente de interés en um sistema, por vil’ ejemplo, un cliente, un servidor 0 una méquina. ine ' La palabra.atributo éenota una propiedad de una entidad, por ejemplo, la prioridad de los del valor i clienies en la fila de espera. L f Todo proceso que provoque cambios en el sistema se conoceré como actividad. ees ul ‘Con Ta expresiOn estado del sistema se indica una colecciéni de variables que contienen toda air 1a informacion para Ia deseripcién de todas las entidaves, los atributos y las actividades de acuerdo By con su existencia en algiin punto del tiempo. Estas variables de estado determinan la efectividad del diet sistema ‘Uae Un evento, es un hecho que ocurre instanténeamente y que cambia el estado del sistema, como fiateh i Por ejemplo Ta llegada de un nuevo cliente a un baaco, a Los cambios’ que ocurcen dentro del sistema lo afectan con frecuencia, Ciertas actividades de may Este también pueden producir cambios que no reaccionan en el mismo. Se dice que los cambios que E GaP i curren fuera de! sistema ceurren en el medio ambiente del sistema. En general, el medio ambien- Aw te del sistema queda delimitado por el objetivo del andlisis del mismo, Se utiliza el término end6geno para describir las actividades que ocurren dentro del sistema (vae Fables internas) y el témino exogeno para describir las actividades en el mesiio ambiente (variables EE. externas), que lo afectan, sha Alsistema para el que co existe actividad exégens se le conoce como sistema cerrado en com- Paracién con un sistema abierto que sf tiene actividades exdgenas. ‘ En donde es posible describir completamente el resultado de una actividad en'términos de su entrada se dice que la actividad es determinista. ‘Cuando los efectos de la actividad cenypign slestriamente en ditintas slides, se dice que la Actividad es estocéstica, El objeto del modelo simulado es permitir al analista la determinecién de uno 0 més cambios en | Bal Jos aspectos del sistema modelado 0 inclusive la totalidad del sistema, también le permiten desa- | ‘ rollar escenarios de le efectividad de Ta operaciGn siguiendo la linea de pensamiento de anélisis | “qué pasa si ...”, is jgon Los modelos mateméticos de sistemes constan de cuatro elementos bien definidos; compont hee tes, variables, pardimetros y relaciones funcionales. ‘Tas variables que aparecen en los inodelos se emplean para relacionar un componente con otro te ¥ se clasifican como variables exégenas, variables de estido y variables end6genas,B05. Unssis- vdneamente sto que las miento do servicio y 1B vian conti- fe sistema en cambiar erar total- ¥ ide éstos, » <- ema, por 8 dad de los 8 Renan toda > acuerdo tividad de! y § como Fades de F fios que » ambien- ) ) na (va {variables 4 tcom- 1 desu se que la ios.en om des. slisis Donen- nt otf Cn Las Yariables exégenas son las independientes o de entrada del modelo y se supane que han sido predeterminadas y proporcionadas independientemente del sistema que se modela. Puede cons. derarse que estas variables actian sobre el sistema, pero no reciben acciGn zlguna de parte de cl Es posible clasficar las variables exégenas en eontrolables y no controlables. Las primoras (¢ instrumentaies) son aqueilas variables o parémetros susceptibles de manipulacién 0 control por quienes toman decisiones 0 crean polticas pare el sistema. El medio armbiente en el cual el sistema modelado existe y no el sistema en sf 0 os encargados de tomar decisiones, geneta las variables no les. ‘Las variables de estado describen el estado de un sistema o uno de sus componentes, ya sea al comienzo. al final o durant un period Estas variables interzccionan con as variables exdgenos det sistema y con las end6genas, de acuerdo con las relaciones fumeionales supaestas para el sistema, El valor de una variable de estado, duramte un periodo particular de tiempo, puede depender no so- lamente de los valores de una o més variables exdgencs en algun periodo precedente, sino también el valor de eiertas variables de salida en periodos anteriores. {Las variables endégenas son las dependientes o salidas del sistema y son generadas por lain teracciGn de las visiables ex6genos con las del estado, de acuerdo con ias caracterstcas de ope- raci6n del tltimo, Et hecho de que una variable en pantcalarestéclasificada como exéigen, de estado 0 endégene, depende del propésito de Ia investigacién, ‘Una carseteristca de opcracidn es una hipdtesis, eneralmente una ecuacin utemica, que re- taciona las variables endégenas y de estado del sistema con sus variables exégenas, Las caractefs. fens de operacin aplicedas a procesos estocdsticos toman la forma de funciones de densidad de Probabllidad. La precisia de ios resultados de una simalacién depende, en gran pare, de la exac. titud con que se estimen los parémetros del sistema. A continuaciGn se presentan algunos ejemplos de sistemas y sus componentes. lamero 4 cajeros ‘[gcupdos,nimero + {¢eiclientes. en espera [Rapidez, capacidad, asa. de | -descomposturas Ne AES Tamafioldestino | eee eee hierar DER,ry SEES RIM eee) ca i 1.6 EL MECANISMO DE AVANCE DE TIEMPO 18 DEF 1 La naturaleza propia de la dinémica de los modelos de simulacién de eventos discretos requiere que La simutac se Hleve un registro de lus valores actuales de! tiempo simulado conforme la simutaciGn se ejcuta, desempe > yy también se requiere de un mecanismo de avance del tiempo de un valor a otro. Por ella, introduci- meate los d remos en nuestro modelo de simulacién una variable que nos proporcionaxé el valor actual del tiem- ccamente 1 ‘po simulado y la llamaiemos relaj de simulacién, ydelas 1 ‘Histéricamente se han considerado dos mecanismos para el registro del tiempo reloj. El primero, La desi gue se conoce como avance variable de tiempo o avance de tiempo al siguiente evento, consis- identifies teen avanzar el reloj a la hora a que debe ocurrir el siguiente evento, El segundo métoco conocido laciones 1 como avance de tiempo de ineremento fijo, consiste en avanzar ol relojen intervalos pequeiios uni- determina « formes de tiempo y determinar ca cada intervalo si deben ocurrir eventos en ese lapso, En el ca- larg mat pitulo cinco efectuaremos ta simulacidn de Lineas de espera y utilizaremos e! método de avance de ciGu por > tiempo variable que estos ¢ siones) \- por piot x 1.7 FORMULACION DE MODELOS DE SIMULACION | '¢ i ott La formulacién de los modelos de simulaciGn, requiere de la generacién de la informacién. Cuan- sito de cate do se dispone de datos histéricos se les organiza en histogramas de frecuencias relativas y se estima operar el si los.parémetros como la media y la desvizcidn estindar, En este punto, también se puede propo- Ent ner la distribucién de probabilidad que rija e] comportamiento de la variable bajo estudio, con st nica para r Fespectiva prueba de bondad de ajuste, Estas acciones son las que se conocen como evaluaciGn del tipos de ~w modelo. econémm (Cuando no existe informacion hist6rica, una manera de proceder es recurtiendo a la opinién de Eig expertos, Ja que generalmente proporciona informacién subjetiva. La ventaja de esta forma de gene- unacor & rar informacién es que se hace en un tiempo relativamente corto. logics: Los esiudios de campo son el método mis efectivo, aunque més tardado y costoso, de obtener plejos del 4a jnforrancion requerida, Esta estrategia requicre del disefio de una muestra estadfsticamente repre sentativa de la poblacién bajo estudio, de personal entrenado y confiable. La etapa final del estudio de simulacién consiste en validar el modelo a través del andlisis de 1.9 ELM los datos simulados y debemos responder a las preguntas ;qué tan bien coinciden los valores sirau- lados de Jas variables end6genas con datos histiricos conocidos, si es que éstos estin disponibies?, ‘Unade 3 {qué tan exactas son las predicciones del comportamiento del sistema real hechas por el modelo de el método simoulaci6n, para periodos futuros? El andlisis se lleva a cabo en tres pasos. oproba |} 1, Recoleccién y procesamiento de los datos simulados. consumid 2. Céiloulo de las estadisticas de las prucbas. les; seg: 3. Interpretacién de los resultados, foci evaluar in Como se puede infers, nuevamente tendremos que aplicar los coneeptos estadisticos que se uti lizan en Ja formulacién del modelo. —_—' , Ie ) srequiere que 5n se ejecuta, allo, introduci- tual del tiem- Y oj. El primero, ento, consis- do conocido ) pequeiios uni- so. En el » de avance de » , , ’ nacién. Cuan- sy se estima » _uede propo- studio, con su 4 tuacién del , , 1a opinién de ) made gene Ys de obtener rete repre 4} andlisis de lores simue * disponibles?, “modelo de os que se uti- Cr 18 DEFINICION DE LA SIMULACION DE SISTEMAS —\, ‘ La simulaci6n es Ia imitacién de ta operacién de un proceso o sistema real a lo largo del tiempo. El desempefto del sistema real se imita usando distribuciones de probabiljdad para generar aleatoria- monte los distintos eventos que ocurren en el sistema, Por ello, al modelat, se caracterizan matemati- camente las relaciones que definen de manera légica la interacciOn de los componentes del sistema y de las variables endégenas y exégencs, La descripcidn del sistema se debe hacer en forma modular y por bloques, En cada médulo se identificarén los componentes, los atributos, las variables enddgenas y exogenas, asi como las ro- laciones entre éstas. Cada bloque debe contener Ia informacién relevante. El tamafio del bloque lo determina el nivel de agregaciGn de los componentes del sistema. El sistema como un todo se mode- lard anatemsticamemte de acuerdo con la I6gica que enlaza sus bloques. Como las corridas de simula- cién por lo general requieren la generacién y el procesado de una gran cantidad de datos es inevitable que estos experimentos estadisticos simulados se ejecuten en una computadora. Con estas preci- siones ya se pueden comprender con mayor claridad algunas definicioncs' que fueron enunciadas Por pioneros expertos de ia simulacién de sistemas. Robert E, Shannon define la simulacién como: “es el proceso de diseftar y desarrollar un mode- 10 computarizado de un sistema 0 proceso y conducir experimentos con este modelo con el propé- sito de entender el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar el sistema” En sentido més estricto H. Maisel y G. Gnugnoli definen la simulacién como: “una técnica nun rica para realizar expetimentos en una computadora digital. Estos experimentos involucran cier tipos de modelos mateméticos y 1égicos que,describen el comportamiento de sistemas de negoci econdmicos, sociales, biol6gicos,fisicos 0 quimicos a través de largos periodos de tiempo”. ‘Thomas H, Naylor! et al. Ja define como: “una técnica numérica para conducir experimentos ‘una computadora digital. Estos experimentos compranden ciertys tipns de relaciones matemétics l6gicas, Ins cuales son necesarias para describir el consportamieno y la estrveaura de sistem:s co Plejos del mundo real através de lergos periodos de tiempo” 19 ELMETODO MONTE CARLO “2 o* Una de las técnicas estadisticas més usadas en simulacion es el método de Monte Carlo. Seguin Nay. ‘el método Monte Carlo es una técnica de simulaciéa para problemas que tienen una base estocést © probebilistica. Existen dos tipos diferentes de problemas que dan lugar al empleo de esta técnic primero, aquellos problemas que implican algun tipo de proceso estocdstico como la demanda ‘consumidor y a prioridad en Ia producci6n ¢ inversién total para la expansién de plantas industr Jes; segundo, ciertos problemas matemsticos completamente deterministicos, que no pueden resolv: se fécilmente (si es que admiten solucién) por métodos estrictamente deterministicos, por ejemp evaluar integrales. En este texto nos dedicamos al caso probabilfstico. T Naylor oral, Técnicas de simulaciin elcomputadoras, Limwst,‘Simulacién de sistemas para aciministracién ¢ ingonieria A continuacién se describe el método Monte Carlo: |. Identificar el experimento o sistema a simular Identificar el espacio muestral y definir la variedad aleatoria. 1. Definir la funcién de probebitidad. Construir Ia funcién acumulada de probabilidad. . Calcular o construir la tabla de Ia transformaci6n inversa de Ja funcién acurnulada Ge probabi- lidad. La transformacién inversa utiliza la funcién acumulada de probabilidad de la variable aleatoria que se va a sifhular. Puesto que fa funcién acurnulada esta definida en el interva- Jo (0, 1), se puede generar un mnimero aleatorio uniforme en (Q, 1) RIND, y tratar de determi- nar el valor de variable aleatoria para la cual su distribueién acumulada ¢s igual al valor de RND. 6. Generar un ntimero alcatorio y ubicarlo en La tabla de transformada inversa para simular un valor especifico de la variable aleatoria. weReS En gencral, un modelo de sirmulacién requiete de: 1. La definicién del sistema con sus variables, pardmetros, funciones de probabilidad, relacio- nes funcionales y medidas de efectividad 2. La definicin del estado del sistema, es decir, el establecimiento de las condiciones iniciales de operacién. 3. La identificacién de los posibles estados del sistema y sus componentes que pueden ocurir 4, La previsi6n de los posibles eventos que pueden cambiar ef estado del sistema y de sus com- ponentes. La disponibilidad de un mecanismo que mida el transcurso del tiempo de simulacién: cl reloj de simulacién (clock). 6, Procedimicntos para la generacién alcatoria de los diversos eventos. 7. Las relaciones légicas que enlazarén transiciones de estado que son generadas por los diver- sos eventos que ocurren, 1.10 EJEMPLOS DE MODELOS DE SIMULACION 1, & gt <4 EJEMPLO 1.1 Simulacién del lanzamiento de un dado legal. A continuacién presentamos el eaquema general de la simulacién, mediante la simulacién del expe- Fimento consistente en el lanzamiento de un dado legal, registrando el nfimero de puntos que aparece ‘en su cara superior después del lanzamiento. Utilizando los conceptos vistos previamente en este capitulo, los componeates o entidades son 1 dado el cual puede estar en reposo o en lanzamiento, La actividad consiste en el lanzamiento del dado. La variable eadégena es ei gencrador o lenzador, mientras que la variable exégena o de salida sla variable alcetoria que representa la cantidad de puntos que muestra el dado, y su funci6n de pro- babilidad cs la uniforme discreta con parémetros valor medio igual 2 1/6. Aqui podemos decir que ¢1 reloj simulador se incrementaré en tna unidad,cada vez que se efectic un lanzamiento, El dado injcialmente se encventra en reposo y cs imclevante fa cantidad de puntos que actualmente muestra,se see © comb. wwe fa variable er el interva- ® c determi- cual al valor s imvlar on a a ded, relacio- a ‘nes iniciales a f@ ‘curr, de sus com- a i clretoj a “e s diver- a Nectoxpe- ‘® parece Yades son y toast Salida ‘ade pro- dt ir que XL. dado muesira, Ere 11 os interesardsnalizar los datos simulades, caleular el valor promedioy su vaianea; también podre- re an eoeetnG de recuencias relativas y efectuar una prueba de bondad de ajvene La variable aleatoria es: X = (1,2, 3, 4,5, 6) Podemos proponer las siguientes alternativas de solucién: 1) Haciendo uso de una témbola, Elaboramos seis “papelitos” idénticos numerados dei uno al seis témbols. Damos vucltas a la témbola superior. Este propiamonte ¢s un ejemplo de simulacién por analogta 2) Haciendo uso de los nimeros aleatorios disponibles en una calcul la que se encuentra en el ancxo de este libro, En este texto representaremos a los niimeros ale tribuyen segdin la funci6n de probabilidad uniforme continua en el in (Cambién se les representa por r, R 0 U). Podcmos proceder de dos mancras ladora 0 en una tabla como 42) Obtener un nimero aleatorio de una calculadora cientifica? e un digito (decimal). Si el niimero es alguno de 0.1, 0.2, Taremos yue cl mimero de puntos mostrados por el lado es mente, En caso contratio, gnoramos el niimezo aleatrio y 0 decidamos texminar Ia simulacién del experimento, %) Obtener un numero aleatorio. Eniylear la ecuacién y considerarlo sélo al nivel 03, 0.4, 0.5 0 0.6, conside- X= INT@RND) +1 donde: RND es el aiimcro aleatorio obtenido en la calculadora INT es la operacin que indiea tomar s6lo la parte entera del operando es el mimero simulado de puntos mostrados por el dado (virtual). A continuacién simulamos una muestra 0 “ ‘fectuamos” cinco lanzamientos, Esta simulacién aparece en Ia siguiente tabla; * Por razones de estabilidad del Procedimiento geaerador de los nimeros, debemos desechar al principio de la obtenciéa de estas niimeros wi ina cierta canted, digamios las 30 primeras observacionesi ‘ Cor torio RI a a MEE ee Los puntos que muestra el dado en el lanzamiento simulado aparecen en 1a ultima column de 1a tabla anterior, 3) Alora aplicaremos el método Monte Carlo al problema de la simulaci6n del lanzamiento det dado: Haciendo uso de la funci6n de distribucién de probabilidad (f. ¢. ») del experimento, Como el dado se ha supuesto legal, tenemos: \ ft) = 6 para toda. eX Su gréfica aparece a continuacién: Por g is seena 1 puntos, -¢ ‘ sed obtenga, cias tf «y lumna de ‘ento del ‘mento, ees v7 eo RPeveT FT RRS ee Se ooo wD 2 es Crs 13 Con le distribucién acumulada, podemos establec er el siguiente critento: obtener un nuimero aleae torio RND y si ocurre que: Kross naa? — fe SO 9< AND = 216, entonces | X= I (punto) U6 <:RND S26 | entonees | X= 2 (puntos) 2 ! ‘jus compo- ~ endégena; i “ne se puedenvewweCapitulo Sr “\ El es el que lanza los dados” Stephen Hawking ———_——_—_—— eer 2.1 VARIABLES ALEATORIAS Y FUNCIONES DE PROBABILIDAD ‘La mayor pane de los heches de la vida cotidiana, asf como los experimentos de laboratorio generan resultados que se pueden interpretar en términos de aumeros reales, como por ejemplo, el tiempo de servicio de un cajero en un banco, la estatura de algunos nifos, el nimero de votantes a favor de deter- ‘minado candidato, la demanda de petr6leo y el mimero de accidentes automovilisticos en deterininados cruceros. Estos resultados numéricos, cuyos valores pueden cambiar de un dia o de un experimento otro, se llaman variables aleatorias. Cada uno de los ejemplos mencionados no esta determinado previamente sino que depends del azat, El espacio muestral de un experimento son todos los resultados posibles en la realizacié6n del mis- Mot por ejemplo, ex cl Janzamienio de una moneda el espacio muestral es de dos elementos: dua © sol. En el Janzamiento de un dado en una tirada ese nimero es de seis 0 sea, que en su cara svp7~ ior pueden mostrarse 1, 2, 3, 4. 5 0 6 puntos, como se ha visto en el capitulo anterior. Formalmente cecimos que una variable aleatoria ¢s una funcién de valor real cuyo domi un espacio muestral. Las variables aleatorias se representarén mediante maydscules, eomo por ejemplo X, Yy Z. Los valores numéricos reales que puede asurnir una variable aleatoria se representarén mediante ii- 1isculas, como por ejemplo x, y, . Se puede hablar de “la probabilidad de que X tome cl valor x", POC = a) y representarla mediante p(x). Las variables aleatorias pueden ser discretas 0 continuas Una variable que teSricamente puede tomar cualquier valor entre dos valores dados, se lama variable Continua; si no es asf se lama variable discreta. Asimismo, los datos también se definen en funci6n de la Variable de la que proceden en datos continuos 0 datos diseretos. En general las variables dis- cretas son enuumerables y se miden por'tonteos. =REM ecun ee ee oe Las variables aleatorias continuas son el resuliado del proceso de medir, tal como sucede con la i} estatura de los estudiantes de una escucla: como alumno, se le puede asignar una estatura que v: i entre 1.75, 1.75.5 y 1.75, todo depende del grado de exactitud del aparato de medicicn. 2.1.1 Funolones de probabilidad de variables aleaiorias discretas j Se dice que una variable aleatoria X es discreta si puede tomar s6lo un mimero finito, 0 un nimero i infinito contable, de valores posibles x. En este caso a CQ) Px pix) =O é @) Px 1 ‘A Ia funcién p(x) se le Ilauna funcién de probebilidad de X. de distribuci6n acumulada (6) de una variable X se le define como Fb) = X= b) oe Si Xes discreta, (b) = p(s) donde p(a) es la funcidn de probabilidad. | Pardmetros de las funciones de probabilidad discretas El valor esperado de una variable aleatoria discrete X que tiene una funcién p(x) de probabilidad, estd dado por BG) = p Exp) La varlanza de una variable aleatoria X cuyo valor esperado es pes Vee) = 0? = Elix — w)) inciones de probabllidad discreta de Bernoulli, inomial, Polsson, geométrica y uniforme Distribucién de Bernoul Considérese la inspeccién de un art{culo tinico satido de la linea de produeciéa, En el proceso de su- pervisién de control de calidad la gerencia ha establecido anotar un 0 si el articulo no tiene defectos, yum 1 si sf los tiene. Sea X la variable aleatoria que representa el estado fisico del axticulo que se inspecciona, entonces X = 0 con una probabilidad de (1 — p) y X= 1 con una probabilidad de p, donde p es la probabilidad de observar un articulo defectoso. La distribucién de probabilidad de X queda definida por PQ) = p'd—p—x, conx=0,1 EX) =p VX) = pC =p)eovwvevvvvevvevesvevveerve eoseuve 2 @ u ede con la a que varie. tan naimero »babilidad, iniforme eso de su- defectos, lo que se idad de p, ilidad de Boe zi i z RS are Distribucién binomial En lugar de inspeccionar un solo articulo, como se hace con la variable aleatoria de Bernoulli, supn~ {gase que se inspeccionan ahora en forma independiente nm articulos y se anotan los valores para X;, Xo, vs Xm donde X, = | sie i-ésimo articulo inspeccionado tiene defectes, y X, ~ 0 si no es asi. De hhecho, se ha observado una sucesin de n variables aleatorias independientes de Bernoulli, Una fun- cién de interés especial de X},.. Xp, €8 Ja suma yedx, que representa ul némero de piezas defectuosas entre las r piezas muestreadas. La distribucién bbinomiat queda determinada por: ie | Pr (Here - py? y=O1—,0 | EY) = mp, VW) = np(1 — p) Para resumir, una Variable aleatoria Y tiene una distribucién binomial si existen las cinco condiciones siguientes: © 1. Bl expetimento coiisiste en un néhinero fijo den intentos idéaticos. posibles, que se Taman “éxito” 4, Los. intentos son independiente. eee |S, Se define a ¥ como'el niiinero de éxitos en m-intentos. Distibucién geoméirica ‘Supéngase que se puede representar una serie de visitas a clientes con el objeto de colocer una venta ‘mediante una sucesiGn de variables aleatorias de Bernoulli independicntes con X; = 1 sila i-ésima visita tiene como resultado una venta, y X; = 0 si no es asf. También supéngase que Ia probabilidad de una venta es constante para las visitas, y sea p esta probabilidad. Para este problema interesa e] intento en el que se tenga la visita con Ja colocaci6n de Ta primera venta.Simulacién de sistemas para administracion e ingenleria Distribucion de Poisson Podemos empiear a distribucivn de Poisson por ejemplo para modelar el numero de defectos en un 1m? de tela, ol ndmero de colonias de bacterias en un cm? de agua, ‘maquina en el transcurso de un dia de trabajo, el ruimero de acci nado erucero de avenidas en el periodo de una semana. el nlimero de veces que falla una identes que ocurren en un determi- Disiribucion unitorme Sousa en fenémenos que tienen le misma probabilidad para cada resultado posible 2.1.2 Funciones de probabilidad do variables aleatorias continuas Se dice que una variable aletoria X es continu si puede tomar el nimero infinito de valores po- Sibles asociados con intervalos de nimero reales, y hay una funciGn f(x) llamada la funcién de densitiad de probabilidad, tal que; (1) f@)=0_ para wodax 2) ( f@ar=1 (8) Pasxsy= fay ax La funci6n de distribuctén acumulada F(b) de una variable aleatona continua X se define como FO) = fh foyde Ficms » sen un te tuna pk orm . » » a ® a a a 2 S » a 2 Parametros de las tunciones de probabilidad continuas El valor esperado de una variable aleatoria continua X que tiene una funcidn f(x) de probabitidad, csté dado por 20) = w= fp xsia de 1La varianza de una variable aleatoria continua X cuyo valor esperado ¢s pes Va) = Si wR FO) dx Funciones de probabilidad coniinuas uniforme o rectangular, exponencial negativa, normal o gaussiana, triangular, gamma y Erlang Distribucicn uniforme 0 rectangular Este modelo supone que es igualmente probable que un evento X que ocurra en cualquier subinter- vvalo pequetio, de longitud d, sin importar donde se ubica ese intervalo dentro de (a, b). Esta dis- twibucién es esencial en la generacién de valores de variaciones aleatorias para otras distribuciones. Sea la furcién de densidad de probabilidad uniforme en (a, b), definida por: asxsb e otro caso Yy cuya grifica es: Ren a mre og PeeRM Ee | Dsstribueién exponencial negativa Las principales aplicaciones de esta distribucién son en la modelaci6n de los tiempos entre Hegadas de clientes que ocurren a una tasa constante, asi como cl tiempo entre fallos de componentes de un ‘ariculo, equipos o plantas industriales, x>0 0 en o1ro caso Ea) a x ve) = 4s Funcie i Generate La gréfica conespondiente es 4 fee a 1 K { ' i ' \ ' Con i ‘ Eu Disiibucién normal gaussiana el ‘Siempre que las respuestas de experimentos ticndan a ser promedios de cantidades independienies, ( muy probable que la distribuciéa normal dar un modelo razonablemente bueno del compor” you i {emiento de su frecuencia relativa, Muchas medidas que se hacen en forma natural tienden a tener distribuciones de frecuencia relativa que se ascmejan mucho a la curva normal, probablemente t porque la naturaleza tiende a promediar Ios efectos de ls diversas variables que intervienen en una respuesta determinada. En contrast, la vida de los organismos biol6gicos, o Ia duracién de las partes ‘ clectrénicas, tienen 2 distribuciones de frecuencia relativa que no son normnales, ni se ascmejan @ nor males. Fsto se debe al hecho de que ls medidas de tiempo de vida son producto de un comportamiento Ui “extremo” y no “promedio”. La funcién de densidad de prebabilidad normal estédefinida por i (Ue JTme"®— Wee we << te fe) = 0 en otro casoBi] legadas de un ee eepevpevovseaveeuene i Funcién de densidad de probabilidad triangular Generalmente se emplea como modelo en ausencia de datos. Su ecuacién es ay Saad f= MRS verse lo en otro caso Con By) = Stbte V6) = EBs At ab el Y que tiene por gréfica (obsérvese que no necesariamente cs simétrica).Mt a by Blick een eu cckn oe { Funcién de probabilidad gamma Entonc Sus aplicaciones, ademds de las de la exponencial, son en los procesos que requieren algun tiempo ciaesp # para completar la reslizacién de una tarea y el tiempo de mantenimiento de maquinaria. lap ajuste | att Ne frecua..¢ 10 =~ G= la distrib: unniv Donde X > 0, k > 0, x se considera no ncgativo. Si k= 1, entonces la distribuci6n gamma resulta wise ser idéntica a la distribucién exponencial negativa; mientias que si kes un entero positiva, la distri aitonca bucién gainma coincide con le distribucién Erlang. A medida que & se incrementa, la distribucién akon gamma tiende en forma asiatstica, a una distribucién normal sea de at ‘ 2.2 PRUEBAS DELABONDADDEAJUSTE “2 , yay = 7 @ = 99%) = Ne ‘Ahora bien, definamos 1a siguiente funciGn de distibueién acumulada empiric Fyjy) = fracci6n de la muestra menor 0 igual ay couya ecuaciGn esté dada por: fu-D g KD) fn) \ " 1 siy2 Yop donc Por oir lado, supéngase que se toma una variable lester continua bajo Ie bipdtesis nula, «que tiene una funcién de dstaibuciSn representa por FQ). La pipotesis alterna es que F(y) no es la Tancién verdadera de distibucién de ¥. Después de observar una muest's aleatoria de n valores de Y, FO) debe estar “cerca” de F,(o) siempre y cuando sea verdudera Ja hipétesis ula, Por tanto, la + ide estttica debo valorar Ta cercanfa de F(3) a F,(9) en todo el intervale Oe valores de ¥. La medida estadistica D de K-S se basa en la distancia maxima entre Fy) y Fa(3) D = mix |FQ) — Fa) Como Fly) Fe(9) 90 son decrecintes y Fy()) es constant enre observacines de muesis la desviacion maxima entre F(y) y F,(). se presentard ya sea en uno de ios Punt de observacién Jee. 3a, 6 inmediatamente ala izguerda de uno de alles, Pasa detrminae cl valor observado de DD, solamente se necesita determinar el valor de D, de le siguiente mane: pt = mex [i - Fon|sts ise Er” Y tambien: ‘ ya que: ‘ ‘ Siena tonces esto Step y una forma uiente "1 especifi x negativa ¢ Par Fde ¥: y4, das se re entonces "sis mula, y) no es la * lores de santo, la psdey, » » » » » . . . ® . ® » » a » » 2 > > puestra, La Wservacion BI ado de Le también; mis [A0)—N ya que: aoa max (D*,p-) | aire ce dian sin especificar algunos de los parimetros, en ir de 108 datos de lz muestra antes Dm = (D) [- O12 + Fe] Para F(9) normal con wy 6? desconocidos: Pm = (D)[ vii ~ 0.01 +28) Para Fy) exponencial con d desconocida. 7AB\A DE KOLMOGOROV.SMIRNOV DE STEPHENS nes Porcecinos dl arene superior ara D mois eer nny Co | a Conn Om P(e — o01s 984) :oD E ‘Simulaciénide sistemas para administracién’e ingenieria ee es 30 EJEMPLO 2.2 Considérese que las diez observaciones siguientes son tna muestra aleatoria de una distribucién continua, Pruebe la hip6tesis de que esos datos provienen de una distribucién expo- nencial con promedio 2, en e! nivel de signifieacion 0.05 0.406, 2.343, 0.538, 5.088, 5.587, 2563, 0.023, 3.534, 3491, 1.267, SOLUCION. Se ordenan Jas diez observaciones ascendentemente y entonces se calcula, para cada fp. el valor de FC), donde Ho establece que F(y) es exponencial cun @ = 2. Por tanto, Fi) = 1 - ov [Registraremos los dotos ortlenados asf como los calculos en la tabla siguiente: ‘TABLA DE APLICACION DE LA PRUEBA (K-S) 0.023 | 00114 (0.406 | 0.1838 sae | 0.2359 1.267 | 0.4693 | 2343 [oor os | 04 [0.19801 02501 2563 | 0.7224) 06 Os | 0.1224, 0.2224 3334 |osii2| a7 06 Zona 02112 os o7 T0054 01254 ‘See | oie 08 0024 | ona 5507 0.10 05 O12 | 00388 4.5 6 7 8 Ez! SOLU Hore y Dt=t table ¢ Enel cad i KS,3( ascendeniemente y entonces se calcula, para cade Fo establece que Fy) es exponencial con # = 2. Por tanto, SOLUCION. Se ordenan las diez, observacione Yum @l Valor de F(yi), donde FQ) = | eit Registraremos los datos ordenados asi como los calculos en la tabla siguiente: En la tabla, D* es el valor maximo en la columns 6, D* = 0.0886 y D~ = 0.2901, lo cual da D = 0.2901 tabla K-5, se necesita calcular YD~ el méximo ena columna 7, Entonces, Para determinar el valor eritico « partir de la Dmod 2901) (VIO + 0.12 + 54) = 0.2901)3.317) = 0.9623 En el nivel de significacién a = 0.05, e cado, Dm, Por tanto, no se rechaza K-S, con y sin la modificacién de Ste | valor de D calculado ¢s menor ‘que e] valor de D modifi- a Ja hipotesis nula, Mas adelante aplicaremos esta prucha de ‘phens, a una muestra de nmeros aleatoriosé nom be AP Ejercicios Identifique las siguientes variables aleatorias como continuas 0 discretas: 4) La cantidad en unidades de peso del atiin vendido semanalmente a una empacadora en Baja California, México. 6) Bl néimero de llamadas telefénicas recibidas por una recepcionista en la gerencia de ope- raciones de una empresa transportista en un dia determinado. ©) El mimero de limparas defectuosas en un sal6n de clases. 4) Bl tiempo requerido para abordar una aeronave desde el momento de la documentacién del pasajero en el mostrador. ©) La cantidad en mililitros de perfume en un frasco. JP) Fl ndmero de clientes que hacen fils para realizar el pago de sus compras. .. Sobre Ia base de experiencias pasadas, una fabrica texti] ha calculedo la siguiente distribu- cin de probabilidad para la variable aleatoria X, que representa el ndimero de afios que en un vestido de mujer esté de moda: rH wiz | xia | ana |. Suponga que el director de persenal do una emprese desea seleccionar a tres de cinco candi- ‘datos para tres puestos de entrenamiento gereacial y que todos ellos tienen la misma oportu- idad de ser clegidos. Tres de los aspirantes son del partido politico “TRICOM" y dos no, See yl uba~ro de candidatos de ese partido politico finalmente seleccionados; esto es, J = 1, 2,03. Encuentre la distribuci6n de probabilidad para y. ; Cul es el valor de la des- viacin estindar? ;Cudl es la probabilidad de que se seleccioncn por lo menos a dos de tres micmbros del partido politico? Una agencia de suscripciones por televisién maneja membresfas para un servicio determi- nado por uno, dos y tes afios con probabilidades de Mp, ig y Wg, respectivamente, $i por cada ‘iio de suscripcicn In agoncia recibe $500 de comisiGn, jcvél es la comisién esperada por suseripeién? {Cudl es la desviacién estindar de la comisiGn’? . La siguiente es una muestra de 50 observaciones del tiempo entre Hegadas de carmiones de carga a un andén ce la central de abastos regional. Con una significancia de 5%, decida si laEE funcién de distribucion respe Va es Uniforme, expone © none, Use jas pruebas des cuadrada y K-S, a a 1S a 2 a a scadora en a a a de ope~ a e smentaciGn a 2 5 te distribu- B Squeenin > , > ) fla) | ) y= l4, 2 o 10, ® 0 candi. ‘ma Oportu- 2 AT — x2), a Ho n= 1 esl0 eg, 5, de la des- ‘S de tres ai tek, x50 Yo deter. nny w® reada 0, de otro modo ada por : < * ones de { ar ca , de dire modo > : _ aySMe en cd (ye, -e semilla | pdolesemilla, | Au ~ 4380 : ‘esultado de (4380) = 19184499 —————— 1844 x (i844) = 340836. 4003 is si “pa (4003) = 16024099 0240 bol (0240) = 057609 ——— 5760 ® 3 Eventualmente se obtiene mr Las ciftas que secliminan ___| —_alguno de los niimeros a son las que estin subrayadas previamente gencrados a a 3.1.2 Métodos congruenciales? a ‘Los métodos congruenciales estén basados en el dlgebra de congruencias, a ane 1) Método congruencial mixto ; = 1 El método congruencial mixto tiene la siguiente ecuacién.de recurrencia: a! cifra q Xp = (0X + €) mod m i 2 j { Donde: . : » i 2 @ = es la constante multiplicativa. ! = cs la constante aditiva i m = es la mugnitud del médulo Xq = es la semilla. » ® j ‘Los requisitos minimas que estos pardmetros deben satisfacer son: 4 { Seno Xe, a,¢,m 2 Osenteros yi a,m > c,m> Xo i i » Aqui, mod representa a la operacién aritmética médulo entre los enteros a y b tal que el resule tado de (a mod b) es el residuo entero dela division a entre b. Por ejemplo, 16 mod 33 igual a1, » ya que: 3 4 ¥ slie 1 8 q 1 residuo entero de fa division fon * Knuth, D., The Art of Computer Prograikming, vol. 1, Adisson-Wesley.TET SIE a) EJEMPLO 3.2. Sea cl generador congruencial mixio, Xatt = (OX, + 7) mod 8 con Xy = 4 Ga semilla) ee 0%; | Wo,aleatorio RD, RND, = 3/8 = 0.375 %=6 RND; = 6/8 = 0.750 RND; = 5/8 = 0.625 X=0, RND, = 0/8 = 0,000 RND;'= 7/6 = 0.875 Xa | RND, = 278 = 0.250 en | @s | ajo] cofur | wjer | oj RND; = 1/8 = 0.125 ala | ol x RRND, = 4/8 = 0500 El valor de Xx = es igual al de la semilla Xp, por lo que la sucesién obtenida se repetira. ‘suleccién de los parémetros del generador congruencial mixto La seleccién adecuada de los parimewos para tm generador congrucncial mixto, se basa en el si- guiente teorema, debido 2 HULL-DOBELL: “el generador congruencial mixto tiene periodo completo si y scio si: 5} Tl aimero enieso positive que divide (exactamente) a ay m, es 1 (o que significa que c es relativamente primo a m). 4) Sige un néimero primo que divide a.m, entonces, ¢ divide a (a — 1). ©) Sid divide am, entonces 4 divide a (a — 1)". SELECCION DE m. Scleccionar m dc modo que sea el niimero primo mds grande posible y que @ su vez sea menor que p, donde: Pes la base del sistema binario y 4 es el nimero de bits de la palabra de la computadori: Por ejemplo 231, SELECCION * Da@- We Usualme SELECCIO SELECCIO ‘Algunos par 1) Méto“> Este méi EJEMPLU ©wis | oc% 1 oy Hw 4 a “ .cCION DE a. Preferentemente seleccidnese a a de tal manera que: 1) (@— 1) mod 4 = 0, si4 es un factor de m. 1) (a 1) mod , si B es un factor primo cle m. Usvalmente, el valor de a se toma como a = 2K + 1; ELECCION DE ©. Es recomendable escoger c tal que ¢ mod 8 = ELECCION DE Xp. La scleccién de Xo cs irrelevante. "Algunos pardmetros que se wtlizaron en diferentes maquinas son ‘ | UNIVAC: a= 515 DEC: a= 159 ' | # i i a IBM: a= 314 KOBAYASHI: a = 314159269 ¢ = 453806245 n= pl Il) Método congruencial multipticativo Este método tienc 1a siguiente ecuacién congruencial de recurrencia: Xia = (aX) mod ma @ esa constante multiplicativa. m es la magnitad del médulo. Xp es la semill Los requisitos minimos que deben satisfacer los parémetros son: EJEMPLO 3.3 Desarrolle cinco iteraciones del generador X,.; = 3X, mod 100, con Xo = 51. Xo,a,m=0;enteros y m>a,m>Xo | 'ET) ee) Ea a2 pUERH xet RND, = 1/100 = 0010 Puesto que vi cial, Poisson RND, ~ 2/100 = 0.300 See ; Ne uier deficte! sivamene > mam RND, = 9/100 = 0.070 algunas oc! 7 aleatoriedadh rena RRND, = 27/100 = 0.270 rio no det RNDs = 81/100 = 0.081 ‘Bondad de; + Pro Prk Seleccién de los parémetros de! generador congruencial multiplicativo Pricins 1 ‘ * Cod * SELECCION DE a. Debe seleccionarse ei valor de a de Ia forma siguiente: 20081 : ‘ ‘ a = 8 = 3, donde tes cualquier entero positive. ‘ 3.2.1 Pred ; SELECCION DE m. Este valor se selecciona de tal manera que: m = 24. ; Enel coyal i Donde des el ntimero de bits de la palabra de a compotadora, m es el nsmero primo més grande iimeros § 1 y que a su vez es menor que 251. Bsto es: 291 — | = 214, 74, 836, 47. Procedim SELECCION DE Xp. Témese Xp impas,relativamente primo a m. un A continuacién damos los pardmetros para dos casos especiales que ya han sido probados para all este generador: ‘ a=? t avian La semilla = 123 456 La semilla = puede ser 100, 1 000, 4 | 5. |__ 10.000 0 100 000 ‘Marse-Roberts (1983): 630360016 ula’©) 32 PRUEBAS ESTADISTICAS PARA LOS NUMEROS ALEATORIOS puesto que en el muestreo Monte Carlo cualquier variable sleatoria no uniforme (normal, exponen- cial, Poissun, etc.) es obtenida a partir de niimeros aleatorios uniformes [0, 1], el principal! énfasis en las pruebas estadisticas deberd ser con respecto al generador de los niimeros aleatorios, ya que cual- quier deficiencia estadistica en la distribucién de la variable aleatoria no uniforme, se deberd exclu- sivamente a la utilizacién de un deficiente generador de mimeros ateatorios. Por ello se aplicarin algunas de las muchas pruebas estedisticas que han sido desarrolladas para probar la uniformnidad y aleatoriedad o independencia de Jos mismos, lo cual significa que la ocurrencia de un numero aleato- sio no determina la ocumrencie del siguiente, y asf sucesivamente. ‘Bondad de ajuste para la uniformidad: + Prucha Jiscuadrada, X?, + Prueba Kolmogorov-Smimnov. rucbas para la aleatoriedad o independencia: *+ Corridas por amriba y por abajo del promedio, + Corridas ascendentes y descendentes. 3.2.1 Prueba de bondad de ajuste ji-cuadrada Enel capitulo 2, hemos presentado Ins conceptos que fundamentan esta prueba. Aquf se aplica a los ‘mimeros aleatorios. I Procedimienta: 1, Generar la muestra de niimeros aleatorios de tamaiio N. 2, Subdivid'z et intervalo (0, 1] en m subintervalos, 3. Pare cada subintervalo contar la frecuencia observada FO y calcular In “recuencia esperada FE de wiimeros aleatorins, 1a cual se obtiene dividiendo Nin. je fet 4. Calcular el estadistico de prueba, 5. Comparar el valor calculado X$ contra el valor tabulado de ia distribucién X?, con (n — 1) grads de libertad y una significancia estadistica a La conclusién es que si X9 es menor que X%q_1)q, entonces no se puede rechazar Ia hipétesis aula de uniformidad de Jos nimeros aleatorios. En caso contrario, la hipétesis nula se rechaza. EJEMPLO 3.4 Realizar la prueba de bondad de ajuste Ji-cuadra/= . ia siguiente muestra de tamafio 30 de niimeros aleatorios uniformes. i aero pA AL Sh1 oat! | oats | ois1 | 0037 | ome | 057s SEE Le _0730 | o281_| 0408 | 05a1 | avs 1 0.239 _— oss; | 0469 | 0392 | 05s | 0434 | 0508 hacen | oie | a7 | 0213 | 077 | 0671 | 0156 0383 | a7 | osi4 | 0826 | oo18 | 0984 \ Ge hr 38 De 1 4.38 a 5. Si te Sea.a = 5%, Tenemos (5 ~ 1 = 4) prados de libertad, es decir v = 4, El valor en tablas do la i & distribucion Ji-cuadrada es: i & al EJEMF $n § Como 9 es menor que X}, sq es decir; 0.276 es menor gue 9.49, nose puede rechazar le hipétesis ao S__ deuniformidad de los némercs aleatorios. a contisuacién se mestenel histograma correspondiente: u Wp | | | a Eb < valor de 5 6;——_ & g Bo4 24 INTERVALOEr i , » 3.2.2 Prueba de bondad de ajuste de Kolmogorov-Smirnoy > Los conceptos que fundamentan esta prueba fueron presentados en el capitulo 2 de este texto, Aqui hacemos un resumen del procedimiento de cAlculo: » By 1, Generar una muestra de niimeros aleatorios uniformes de tamafio N. | » Ordcnar dichos niimeros en forma ascendemte. i 3. Caleular la distibucién acumulada de los niimeros generados cor! ia sigutente expresiGn: i » FQ)=< { » Donde i es la posicién que ocupa el niimero aleatorio X; en el vector ardensdo obtenido en 5 cl paso 2. 4, Caleular el estado de prucba Kolmogorov-Smimov de] modo siguiente: » Dy = max |Fy (x) — | para toda x » pe ela 5. SiD, es menor que da,q, entonces no se puede rechazar la hipétesis de que los némeros gene rados provienen de una distrbuci¢n uniforme. La distribucién de D, ha sido tabulada como » tuna funcién de m y ex para cuando F(x) = Fo(x) a » BIEMPLO 3.5 Efectuar I prueba de Kolmogorov-Smimoy a la siguiente muestra de wiineios aiea 4 ppsesis torios uniformes, 26 ate: oma . coy » 0392 ji ogis ® [oz 03 7 2 ~ En la siguiente tabla se snuestran los mimeros aleatorios ordenados, asf como el correspondiente > valor de la funci > Pec haga > Poe b fe DON 2 a a a a a weco E SMM ee ed EIT) sisi ee LS) gL) Siguiendo con el paso 4, obtenemos de le cuarta columna de la tabla anterior el valor de Dy: D, = Max [RNDi — F(RNDi) | = 0.23 Comparamos el valor D,,(calculado) contra el valor en tablas de Ia distribucién Kolmogorov- Smimov? con 1 — 30 y un nivel de significancia « ~'5%, ol cual ¢5 dsp, sx = 0.242, y puesto que 0.23 es menor que 0.242, entonces no se puede rechazar Ia uniformidad de fos mimeros aleatorios Aplicando Ia misma prueba K-§ modificada por Stephens: Dir = (0.23)( 30 + 0.12 + Y%e6) Dm = (0.23Y(5.477 + 0.12 + (0.02)) = 1.292 Dada en el apéndice de este libro. Mt [_contulo- i) Compar > K-S con ua: i caleulado Dra « midad para 5 prucba orig Le 33 PRUE # Definici6n ¢ Sea Bunt v unos en cad: finen las 11 Enlep se encuent! traen li ¥ y el de se @, 4) son ciones | resto de id‘Capitulo 3 Compararemos este valor modificada Dm K-S con una siguificancia estadistica de a = 5%, calculado Dm es menor que el valor tsbulado; midad para los nimeros aleatorios, E: prueba original K-S, 292 contra el valor tabulado de la distribucign el cual es de 1.358. Como se observa, el valor Por tanto no se puede recharar la hipstesis de unifor, Sto cencuertis con Ia misma conclusiGn obtenidh al apicar la F(RNDI) IT TT l 04 + | | LE AEEEET TTT: 135 7 ou 8 2 We a a3 os a RNDi ordenado — 3.3 PRUEBAS PARA LA INDEPENDENCIA 0 ALEATORIEDAD L sete aerhn seas Definicién de corrida Sea B una sucesiéa binacia compu ‘unos cn cada extremo, recibe el n finen las comridas de ceros, Por $s por les bits 0 y 1. Una subsueesion de nj unos, enmarcada por 1 fombre de corrida de unos de longitad ny; de manera andlopase fe ny ejemplo, sea la siguiente sacesién binaria: } Yel de la pasicién (1, 3). Ahora bien, Se encuentran en las posiciones (1, 3) y Clones (1,2) (L, 3); por tanto, esta corrida es de longitud 2. De ‘manera andloge, se determinan el resto de las corridas y sus longitudes, .FIFMPTAR DE Pp. eee 3.3.1 Prueba de las corridas por a i y for abajo dol promedio Procedimiento: 1. Generar la muestra de tamatio IV de niimeros aleatorios, 2. Con base en esta muestra, obtener una nueva succsién binaria, segtin el crtesio siguiente: ‘Si RNDi es menor o igual a 0.50,4 entonees asignarle RNDi el simbolo 0. Si RNDi cs mayor a 0,50, entonces asignarle a RNDi el simbolo 1 3. La frecuencia esperada para cada longitud de corrida i, es: +3) oar 4. Aplicar la prueba Ji-cuadrada 2, a ius frecuencias espcradas y observadas de las longitudes de comidas i, * BJEMPLO 3.6 Dads la siguiente muestra de tamafo 30 de mimeros aleatorios, aplicar la prueba de corridas por arriba y por abajo del promedio, para probar la hipétesis de independencia aleato- riedad de Ios mismos: tail 0037 | 0mm | Oss 0730 Osa | 0995 | a33 0553 598 | 0434, | 0868, ienzsa 0700 | SORTS) D156) 70363. | 10.826 0.018.) 0.984. Comparando los iimeros aleatorios segtin el criterio establecido, leyendo por filas (aunque también se puede leer por columnas), de izquierda a derecha, se agrupan los simbolos de! mismo ‘ipo para formar las comridas. Ast, por ejemplo, en la cekdz superior izquierda el niimero aleatorio RND, = 0.411 resulta ser menor que 0.5, por tanto, se le asigna el simbolo 0 y se registra, A la dere- cha del primer niimero 0.411, tenemos el RND2 = 0.819, al que se le debe asignar el simbolo 1 Procediendo de este modo, obtenemos la siguiente mucstra binaria: *Recudeae use valor promo del istibusion ufo contino en [0,1] ex 0.4 Co « las frecue Elk 3X7, g aleatorio: 3.3.2 Co Procer « LG 2 3 we EJEMPLG aleato > columny oes 6 & & © &® 64 int Couso para a longtud de corrida = 3 la frecuencia observada es menor o igual a5, agropamos P> es frecuencias para las longitudes de corridas 2 y 3 en una sola longitud de comrda = 2 ' longitudes ane . ucba de ® aleato. » El valor en iablas de la distribucién Ji-cwadrada con un grado de libertad y sienificancia de 5%, - @8 XT, 9s, = 3.84; ontonces, no se puede rechazar Ja hipéiesis de independencia de los nimeros > aleatorios. . ‘ 33.2 Corridas ascendentes y descendentes 1 sfoungue Procedimnicnt: M mismo 1. Generar to muestra de tamaiio N de mimeros aleatorics BW tori0 2 Construir a sucesién binaria de acuerdo al siguiente eriterio: ladere- me : Si RNDi es menor que RNDj4.1, entonces asignarle a RNDi el sfmboto 0. Si RNDI es mayor que RND;+1,entonces asignarle a RNDI el simbolo | » 3, Con base en la distibucién X?, efectua la prueba, donde la frecuencia espera de Jes lon- . Bhodes da enue Calcdlaed oars » 22 + 31+ DN Gs 32-i- 4) FE, EJEMPLO 3.7 Aplicar la prueba de las corridas ascendentes y descendentes a la muestra de miimeros Aleatorios del ejemplo anterior. Compararemos a los niimeros por fila, pero es indistinto hacerio por columna. Considérese una significancia de'S%,ry ree ee) | o8i9 [0191 | 0037 | oa ] 037s 34077 0281 | 0408 | 0541 | 0995 | 0233 re 0353 | 0469 | 03m | 0596 0434 | 0668 comid o7i9 | 0791 | 0213 | ovo | oer | ase In inds oes | 0771 | o914 | ome | aos | ose . 341 > Comparendo los mimeros aleatorios segtin el eriterio establecido, leyendo por filas (aunque también se puede leer por cclumnas), de igquierda a derecha. se agrapan los sfmbolos del miss Seaw {ipo para formar las corridas. Ast, por ejemplo, en la celda superior izquierda el nimero aleatorio ’ RNDy = 0.411 resulta ser menor que RNDz = 0.819, por tanto se asigna ei simbolo 0. Procedien.. do de este modo, obtenemos la siguiente muestra binatia: Jos pe Tare bers] > mete > Obsérvose que la ‘tims celda se deja en blanco, pues no hay con qué mimero comparar (en este caso el valor N = 29). LAR DE Ps. =e Lonzitud fe Pd i A 5.08 4 u.2296 la 3 18286 Como para ins longitudes de corride f = 2, 3 a frecuencia obscrvada es menor o igual a cinco, ‘Agrupamos estas longitudes de corrida en una sola longitud de corrida = 2 3 4 ‘Como el valor calculado XZ = 0.0441 es menor que el valor en tablas de Ji-cuadrada 3.5m = 3.84, no se puede rechazar la ‘hip6tesis de independencia de los niimeros aleatorios.Capitulo 3 2s a 3.4 OTRAS PRUEBAS ESTADISTICAS o ‘A continuaci6n se exponen la pruebs de los promedios para la uniformidad, as{ como ta prueba de caidas por arriba y por abajo del promo de Waid-Wolfonitr, y de corelaciGn seriels ante para a Jaindependencia a eba de | e eS ungue 3.44 Prueba de los promedios a el ism Sen una muestra de tamatio N de ntimerosalcatoros, cuya media es th y vatianze a. La prueba de © aleatorig 10s promedios de dos eolas, consiste en calcular el estadistico Zo dad por la eouacssa, {). Procedien. 1 . . ge Fal i 2 “Ee ia a Dado un nivel de siguificancia estadistica a, si |Zo| < Zan, entonces no se puede rechazar la & » hipétesis nula de uniformidad, » Por ejemplo, si a = 5%, entonces Zyp = Zsa ™ Zooas = 1.96 (Vedse la gréfica y la tabla de a Ja distribueién normal esténdar). w (eneste 3 a fon \ / 098 \ . 0.025 \ | a Lu L Se . pee oe —1.96 196 ’ Jacinco, REMPLO 3.8 Aplcar a prucba de los promedis a la siguiente muestra de nimerosseatorios ux _ formes en [0, 1): > v7 ‘oaiin] 0819 [oni » 0.730" [90.281 0.408) 0.54) 0.995 | 0.233 . 0583 |" 0.469" | 0392") 0898.1 0-34.) 0488 0719./) 0791. 0213/0770] 067i | 0156. 0.383. 291451450826.) 0.018,| -a9e4 Consideremos un valor de a = 5%, El tanafio de la muestra Nes: 30, El valor medio de la muestra es: 0.5482, Puesto que la prueba es para dos colas, Zags = 1Meu ee D ix = 0.530 ge OOS Vi Sustituyendo valores: = 0.9145 ‘Como se puede observar, ei valor absoluto de Z = 0.9145 es menor que el valor Zo 9x5 Y Sc concluye que no se puede rechazar la hipstesis de uniformidad para los ntimeros alcatorios. 3.4.2 Prueba Wald-Wolfowitz Procedimiento: 1, Generar una muestra ée tamafio n de niimeros aleatorios. 2, Con base en esta muestra, obtener una nueva sucesién binaria, segin cl criterio siguiente: Si RNDi es menor o igual a 0.50. entonces asignarle a RNDi el simbolo 0. Si RNDi cs mayor a 0.50, entonces asignerle a RNDi el sfmbolo 1. 1) Contar U = mimero total de comtidas, Bay El valor medio del total de las comridas es 7 = —* + 1 donde FIFMPLAR DE Fs n= tamaiio de la muestra. 4, = ngmero de unos, nz = mimero de ceros, 2) Caleular el estaistco de prueba Zo, dado por: u-0 or Z cl valor de oy se obtiene con Ia ecuacin: amen =m ue i= 3, Dado un nivel de significancia estadistica a, comparar |Z9| contra Za. 4, Si |Zol < Zan, entonces los nimeros slestorios estadisticamente se comportan de manera independiente 0 aleatori. L— empco 3.9 plicar ta prusba de los promedios al siguiente muestra de mmerosaleatorios uni- formes en [0, 1]: Con La suc fas conti "1 EL tidadid a= sustiy =sors = 1.96. Brorios. » e » » » > > > 2 » = a * Tce Re oat | 0819 | O17) 0.894 | 0575 0730 | 0281 | 0.408 0995 | 0233 ~osss | 046s | 0392 oasa | 0668 ovis | 0791 | 0213 oa7i | 0.156 036 | O77 | o9i4 | 0018 | 056+ Consideremos un valor de a = 5%. Puesto que Ia pruba es para dos calas, Zo.o2s = 1.96. La sucesién binaria correspondiente es la misma que la obtenida ca ¢l ejemplo de ia prucba de fas corridas por arriba y por abajo del proinedio: altar | D: | 0 r[e | I 0 | 1 | El nfimero total de comidas es 18. Se tiene n = 30, ny = 17 (cantidad de unos); nig = 13 (Can- tidad de ceros), Calcularemos primero la desviacién estindar ay: sustituyendo: _ RATRTENATT) = 30} ou- J 30°25) Ahora calcularemcr el promedio de cortidas. Posteriormente obiendremos el estadistico de prueba Zo: nt gee a numéricamente se tiene: 201713) Ue 2M) 4 1 15.735 u-U % sustituyendo: 18 - 15.733 _ 2= Seg 708583 & BIT |om ee eee} Por tanto, al camparar ef valor absoluto de Zp contra el correspondiente valor de Ia normal Zoos = 1.96, decidimos que no se prede rechazar la hipétesis de independencia, Dada la sucesin de ntimeros aleatorios (Ro, Ry, Ro, Rj, Ry1) construimos ua segunda mues- tra con base en la primera, rezagando el primer término Ry de la manera siguiente: 1 § —_Evestaaisco de prusba ex: 4, gh ih , t HRORI + RiRe + RRs = + Rn = 2Rn— 1 + Rn RY ~ ho + Ut Ry + + Rn I! : t MR + RY + BE + + Rn = 7) (Ro + 1+ Rate + Ra TP i seamen (EF) is bn ~ 20, = C= py, +207, Donde los valores de py y de c, se obtienen mediante las siguientes expresiones: EP noe Entonces, podemos considerar con una confianza de 95% que los mimeros aleatorios Ro, Ret Se comportan estadfsticamente de manera independientes. EJEMPLO 3.10 Aplicar Ia prucba de correlacién serial a Ja siguiente muestra de nimeros aleatorios uniformes en (0, 1] Aqui representamos & los nimeros alestorios uriformes en (0, {} BND, por R. i Consi¢XX 5 Cees > z : ae 1] @ bein cai | oai9 | e191 [0037 | ogea | 0575 0730 | 021 | o4ce | asa | 0995 | 0233 - 0553 | 0469 | 0392 | 0598 | 0434 | 0668 3 o79 | 0791 | 0213 | 0770 | 0671 | 01156 0383 | 0771 | 0914 | 0826 | oor | ose Bs mus. 2 Considezemos un valor de a = 5%, 2 0) a 0.30003 0.168921 0.40369 | 0s329 | . 0397607 0.305809, 0275377 0516561 » 0313677 [0.146689 a 0.230139 0.670761 | 0.131789 0.076961 2 0370979 0.219961 . 0.609861 (0625681 a 0.147261 (0594441 » 0.077928 0.03646) | 0.159936. 0.166464 » 0.082496 0.153664) > © 70.194682 0.045365 [2 o0ssei8 10835396 . “@.920017:'in]— 0.001369 ; z ‘| 0282681 » » a 0.01035 * 0.133975,SUI eu eee a El estadistico de prueba es: RR + RyRy + Raf + Ro ~ 21 ~ | + Rn — AR) — (Ry + Ry + Rt + Ru ye (Ra + RE + RE + Rn RoR) +R Ra 1 y al custituir los valores respectivos: «>, \ __, 3048.4954186) — 270438025 C™ 3e(iL 277201) = 270438025 e A continuaci6n calculamnos la media y la desviacién estandar: ve — 0.0345 1 (5087) 35 {2 = -0.17676« El siguiente paso es verificar si el valor del estadistico C se ubiea dentro del intervalo =Cs By ~ 20, n+ 2 EL intervalo para este ejemplo es: ¥ y 03300 es 0323 Previaments encontramos el valor de C = 0,690. Como se puede observar, este valor de C se ubica dentro del intervalo de aceptacién de la hipstesis de independencia. A continuacién se mues- ica.ei gréfico de la dispersiGn de los nimeros aleatorios.| ’ | ® . coe “ Ejercicios | « il . t " 1. Seleccione una muestra de tamano 50 de la tabla de atimeros aleatorios uniformes RND del e apéndice, y efectiicle todas las pruebas estadisticas aqui presemtades. Realice un histograma con os datos de ia enesta Use a = 3% 2 2, Utilice un programa estadistico de computadora como el SPSS, para el ejercicio anterior, 3, Seloscion una mesa de ama 30 de Ia taba de mines esol nommales del anne e dice, y efectiele Las pruebas estadisticas de bondad de ajuste Ji-cuadrada y Kolmogorov- a ‘Smimov. Trace un histograma con los datos de Ja muestra, Use a = 5%. 4. Se-ha hecho un seguimiento durante 300 periodos de una hora del mimero de Ulamadas que . Hegan al conmutador telefiénico de urgencias de un hospital del IMSS. Los datos se dan a continuacién: » 5 6 7 8 29 . 105, 45 cid t 3 a Pruebe los datos para determiner si puede utilizarse una distribucién de Poisson con 5 ® ese ara describir el nimero de llamadas por hora que Hegan al conmutador. Use o = 54, snus 5. Dada ia siguiente muestra de 50 valores de Ia resistencia a la ruptura por tewiéa gfe? de 2