Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Los números generados mediante la función ALEATORIO tienen dos propiedades que
los hacen equiparables a números completamente aleatorios:
1. Cada vez que se usa la función ALEATORIO, cualquier número real entre 0 y
1tiene la misma probabilidad de ser generado (de ahí el nombre de distribución
uniforme)
2. Los diferentes números generados son estadísticamente independientes unos
de otros (es decir, el valor del número generado en un momento dado no
depende de los generados con anterioridad).
La función ALEATORIO es una función volátil de Excel. Esto significa que cada vez que
pulsamos la tecla F9 o cambiemos alguno de los inputs del modelo, todas las celdas
donde aparezca la función ALEATORIO serán recalculadas de forma automática. Se
pueden encontrar ejemplos del uso de ALEATORIO en el propio menú de ayuda de
Excel. ¿Qué es la simulación de Monte Carlo? La simulación de Monte Carlo es una
técnica cuantitativa que hace uso de la estadística y los ordenadores para imitar,
mediante modelos matemáticos, el comportamiento aleatorio de sistemas reales no
dinámicos (por lo general, cuando
En la imagen inferior se muestra un análisis histórico de 200 días sobre el número de
consultas diarias realizadas a un sistema de información empresarial (EIS)residente en
un servidor central. La tabla incluye el número de consultas diarias (0a 5) junto con las
frecuencias absolutas (número de días que se producen 0, 1, ...,5 consultas), las
frecuencias relativas (10/200 = 0,05, ...), y las frecuencias relativas acumuladas.
Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso
asociado, en este caso, la probabilidad de un determinado número de consultas (así,
p.a.., la probabilidad de que se den 3 consultas en un día sería de0,30), por lo que la
tabla anterior nos proporciona la distribución de probabilidad
asociada a una variable aleatoria discreta (la variable aleatoria es el número de
consultas al EIS, que sólo puede tomar valores enteros entre 0 y 5). Supongamos que
queremos conocer el número esperado (o medio) de consultas por día. La respuesta a
esta pregunta es fácil si recurrimos a la teoría de la probabilidad: Denotando por X a la
variable aleatoria que representa el número diario de consultas al EIS, sabemos que:
Por otra parte, también podemos usar simulación de Monte Carlo para estimar el
número esperado de consultas diarias (en este caso se ha podido obtener el valor
exacto usando teoría de probabilidad, pero ello no siempre será factible). Veamos
cómo: Cuando se conozca la distribución de probabilidad asociada a una variable
aleatoria discreta, será posible usar la columna de frecuencias relativas acumuladas
para obtener los llamados intervalos de números aleatorios asociados a cada suceso.
En este caso, los intervalos obtenidos son:
[0,00 , 0,05) para el suceso 0
[0,05 , 0,15) para el suceso 1
[0,15 , 0,35) para el suceso 2
[0,35 , 0,65) para el suceso 3
[0,65 , 0,85) para el suceso 4
[0,85 , 1,00) para el suceso 5
El gráfico siguiente nos muestra cada una de las probabilidades sobre el número de
consultas. En él, se aprecia claramente la relación existente entre probabilidad de cada
suceso y el área que éste ocupa.
Esto significa que, al generar un número pseudoaleatorio con el ordenador (proveniente
de una distribución uniforme entre 0 y 1), estaremos llevando a cabo un experimento
cuyo resultado, obtenido de forma aleatoria y según la distribución de probabilidad
anterior, estará asociado a un suceso. Así por ejemplo, si el ordenador nos proporciona
el número pseudoaleatorio 0,2567, podremos suponer que ese día se han producido 2
consultas al EIS.
Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen):
A continuación, podemos usar la función SI de Excel para asignar un suceso acada uno
de los números pseudo-aleatorios generados (como veremos, otra formade hacer esta
asignación será usando la función BUSCARV):
Finalmente, usando la función PROMEDIO será posible calcular la media de los valores
de la columna H
En este caso, hemos obtenido un valor estimado que corresponde exactamente con el
valor real anteriormente calculado vía la definición teórica de la media. Sin embargo,
debido a la componente aleatoria intrínseca al modelo, normalmente
obtendremos valores “cercanos” al valor real, siendo dichos valores diferentes
unos de otros (cada simulación proporcionará sus propios resultados). Se puede
comprobar este hecho pulsando repetidamente sobre la función F9 (cada vez que se
pulsa dicha tecla, Excel genera nuevos valores aleatorios y, por tanto, nuevos valores
para la columna H y la casilla I1). Si en lugar de usar una muestra aleatoria formada
por 100 observaciones hubiésemos usado una formada por 10, los valores que
obtendríamos al pulsar repetidamente F9 no serían estimaciones tan buenas al valor
real. Por el contrario, es de esperar que si hubiésemos usado1.000 (o mejor aún
10.000) observaciones, los valores que obtendríamos en la casilla I1 estarían todos
muy cercanos al valor real.
EL MODELO
Formulación del modelo
Es la reducción o abstracción del sistema real a un diagrama de flujo lógico, donde se
identifican los elementos, las variables y los eventos importantes para cumplir el
objetivo del estudio.
Se define el nivel de detalle del estudio (o nivel de simplificación).
Un modelo detallado puede implicar mucho tiempo en su implementación.
Un modelo simplificado no le va ha permitir lograr el objetivo planteado.
Estructura del Sistema
Gráfico del Sistema.
Elementos del Sistema.
Entidades.
Atributos.
Actividades.
Análisis del Sistema
Eventos.
Eventos Principales
DRE
Variables
Tiempo.
Contadores
Estado del Sistema
Diagrama de Flujo
Programa Principal
Eventos Principales
Variables Aleatorias
Distribución Frecuencia
Traslación del modelo
Se decide el lenguaje de programación o el software de simulación a usar.
Software de Simulación
GPSS, Arena, Sin script, Simula, ProModel.
Dynamo, Powersim
Lenguajes de Propósito General
Java, C, Pascal, Delphi, Visual Basic, etc
VERIFICACION
Verificación y Validación
Es el proceso de llevar a un nivel de confianza del usuario referente acualquier
inferencia acerca de un sistema es correcta.
Pero no se puede probar si un simulador es correcto o “verdadero”
Lo que importa es la utilidad operativa del modelo y no la verdad de
suestructura.
No existe la “prueba” de validación de un modelo.
Se hacen pruebas a lo largo de su desarrollo:
Validar la sensibilidad del modelo.
Prueba de las suposiciones.
Prueba de transformaciones E-Verificación
Para asegurar que el modelo se comporta de la manera que el experimentador
desea.
Se verificar si el modelo está correctamente construido.
Se verifica si el modelo se ha construido de acuerdo a las especificaciones.
Se realiza por inspección a lo largo del proyecto.
VALIDACION
Validación
Prueba la concordancia entre el desempeño del modelo y el desempeño del sistema
real.
Examina el ajuste del modelo a cierta dato empírica.
Un bueno modelo es aquel que se ajusta mejor a los datos y por lo tanto se
puede usar para predecir la realidad.
Todos los modelos de simulación corresponden a hipótesis sujeta a validación.
EXPERIMENTACION
Una vez validado el modelo se realiza la experimentación que consiste en generar los
datos deseados y realizar el análisis de sensibilidad de los índices requeridos.
El análisis de sensibilidad consiste en variar los parámetros del sistema y la
observación del efecto en la variable de interés Planeación Estratégica
Se relaciona a cómo diseñar y experimentar con el modelo de simulación, con la
finalidad de:
Reducir el número de pruebas experimentales.
Proporcionar una estructura para el proceso de aprendizaje delinvestigador.
Los objetivos de la experimentación son:
Encontrar la combinación valores de parámetros que optimizan la variable de interés.
Explicar la relación entre la variable de interés y las variables controlables.
La experimentación ayuda a conocer el sistema materia de la simulación.
RESULTADOS
Interpretación
En esta etapa se realiza la interpretación de los resultados que arroja la
simulación y basándose en esto se toma una decisión.
Se determina si el modelo de simulación es útil para resolver el problema
planteado al inicio de la investigación.
Posiblemente ahora con más conocimiento de causa se puede determinar con
mayor precisión ¿cuál es el problema a resolver?
DOCUMENTACIÓN
ayuda a incrementar la vida útil del modelo.
Se relaciona al proceso de desarrollo, operación e implantación del modelo de
simulación.
Ayuda al modelador a reconocer sus propios errores y mejorar para un siguiente
proyecto de simulación Modelo de Informe Final.
IMPLANTACION
Para que un proyecto de simulación sea exitoso se deben dar 3condiciones:
Sea aceptado, entendido y usado.
3.2.2. Caracterización de cada indicador.
Método Secuencial Indicador
Desarrollado por Alabart (1987b)
y Journel (1989). Es el caso correspondiente ala simulación de indicadores anidados
usando el método secuencial. En particular si se considera un solo indicador debido a
que toma valores sólo de 0 y 1, la distribución condicional se reduce su valor esperado
condicional, queen general es no conocido.
Alabert y Journel propusieron usar en su lugar la estimación mediante kriging simple
del indicador, la cual preserva la media y la covarianza de la FA que comparado con el
método de condicionamiento estándar tiene la ventaja de producir simulaciones
binarias que reproducen el histograma de la FA.
Un nuevo valor simulado se obtiene a partir de la FDP estimada usando los valores
observados (datos) y los valores previamente simulados en una vecindad del punto.
En dependencia de cómo se estime la función distribución de probabilidad, existen dos
métodos secuenciales:
Secuencial Indicador
Secuencial
Gaussiano.
Usa el Kriging indicador para estimar la función distribución de probabilidad local.• Re
quiere del modelo del semivariograma para cada valor de corte especificado por el
usuario o como alternativa más eficiente pero menos precisa del semivariograma
obtenido para el valor de corte correspondiente a la mediana. Permite mezclar
fácilmente datos duros con suaves. es un algoritmo muy eficiente. Su principal dificultad
estriba en los problemas de relación de orden delKriging de los indicadores. Como
alternativa se toma en cuenta la correlación cruzada de los indicadores (co-simulación
de los indicadores). Otro problema es que la calidad de la simulación es sensible al
tamaño dela vecindad empleada por el kriging, usualmente demasiado pequeña.
Simular la realidad a través del estudio de una muestra, que se ha generado deforma
totalmente aleatoria. Resulta, por tanto, de gran utilidad en los casos en los que no es
posible obtener información sobre la realidad a analizar, o cuando la experimentación
no es posible, o es muy costosa. Una vez identificadas las variables que se van a
simular, hay que determinar la función de densidad de probabilidad f(x) asociada a
cada una de ellas. Posteriormente, se obtendrán las funciones de distribución
asociadas a las variables (o variable)
Z = f(x), donde "x" es la variable desconocida a simular- A continuación, se sustituyen
los valores simulados en el modelo matemático para ver el resultado obtenido para las
simulaciones realizadas.
Posteriormente, se agrupan y clasifican los resultados. Se comparan los casos
favorables, con los casos posibles, y se agrupan por categorías de resultados. - Para
finalizar, se lleva a cabo el análisis estadístico y de inferencia sobre el comportamiento
de la realidad, siendo interesante calcular la media, la varianza y la desviación típica.
Procedimiento aditivo: se parte de un número inicial de simulaciones (n), y se calcula la
media y la desviación típica del modelo matemático utilizado. Se calcula la media y la
desviación típica del modelo matemático utilizando para ello un número de
simulaciones que asciende a "2n”. Ejemplo:
Paso 1: Tamaño del bloque de simulaciones "n".
Paso 2: Tamaño del bloque de simulaciones"n+n = 2n". Si no hay convergencia,
entonces paso 3, sino finalizar.
Paso 3: Tamaño del bloque de simulaciones"2n+n = 3n". Si no hay convergencia,
entonces
Paso 4, sino finalizar. Y así, sucesivamente hasta alcanzar la convergencia. -
Procedimiento multiplicativo: se parte de un número inicial de simulaciones (n), y se
calcula la media y la desviación típica del modelo matemático utilizado. A continuación,
se procede a añadir un número de nuevas simulaciones equivalente a las acumuladas
hasta ese momento, de tal forma que ahora se calcula la media y la desviación típica
del modelo matemático utilizando.
Obtenemos la variabilidad del nuevo bloque de simulaciones tiene el mismo peso sobre
el total que la del bloque anterior, siendo por tanto en un método más perfecto.
Ejemplo:
Paso 1: Tamaño del bloque de simulaciones "n".
Paso 2: Tamaño del bloque de simulaciones"2xn = 2n". Si no hay convergencia,
entonces
Paso 3, sino finalizar. Paso 3: Tamaño del bloque de simulaciones"2x2n = 4n". Si no
hay convergencia, entonces paso 4, sino finalizar.
El tercer método es el más “seguro”. En los dos primeros se corre el riesgo de obtener
datos sesgados; cuando se alcanza el estado estacionario puede variar dependiendo a
veces de los distintos valores de las variables de decisión.
¿Qué es una réplica?
Copia exacta o muy similar. Función de las réplicas las réplicas; se presentan con la
finalidad de obtener estadísticas de intervalo que nos den una mejor ubicación del
verdadero valor de la variable bajo los diferentes escenarios que se presentan al
modificar los números pseudo aleatorios en cada oportunidad. Disminuir el error de la
emulación Importancia de las réplicas en simulación. De esta manera se obtiene una
relación entre el número de réplicas y la precisión de la estimación, de manera que
entre más replicas se tengas más preciso será el modelo.
Tipos de réplicas Muestreo antitético:
es inducir una correlación negativa éntrelos elementos correspondientes en las series
de números aleatorios utilizados para generar variaciones de entrada en réplicas
diferentes
Corridas comunes:
El objetivo principal es iniciar nuevas corridas de simulación utilizando siempre los
datos almacenados; de esta forma, el uso de las corridas comunes afecta a todas las
alternativas de igual forma. Se debe aplicar cuando el problema consiste en la
comparación de dos o más alternativas.
Muestreo Clasificado:
Esta técnica se apoya en un resultado parcial de una corrida, clasificándolo como
interesante o no interesante, en caso de ser interesante se continúa con la corrida en
caso contrario se detiene la corrida.
Variaciones de control:
Este método utiliza aproximaciones de modelos analíticos para reducir la varianza.
Muestreo estratificado: En esta técnica la función de distribución se divide en varias
partes, lo más homogéneas posibles que se resuelven o ejecutan por separado; los
resultados obtenidos se combinan para lograr una sola estimación del parámetro a
analizar.
Muestreo sesgado:
Consiste en distorsionar las probabilidades físicas del sistema real, de tal forma que los
eventos de interés ocurran más frecuentemente. Los resultados obtenidos presentarán
también una distorsión que debe corregirse mediante factores probabilísticos de ajuste.
¿Cómo estimar en simulación el número de réplicas Replicas en ProModel? Para
estimar el número de corridas necesarias debe realizarse un número de corridas de
manera preliminar, por ejemplo, de 30 a 50. Esto se hace a través del menú de
ProModel SIMULATION/OPTIONS lo que dará lugar a que se despliegue un cuadro de
diálogo en el cual se agregará el número de corridas elegido en el campo" number of
replications". Ahora bien, antes de emplear la fórmula para estimar el número de
corridas debes elegir la variable de respuesta sobre la cual realizarás este análisis.
Puede ser el contenido de alguna fila (averigüe contento), o el total de piezas
producidas (current value), el tiempo en el sistema (averagedminutes in system), la
utilización de máquinas o estaciones de trabajo (%utilización), etc. Todo depende del
objetivo del estudio que se está realizando y en función de lo que se desea mejorar. A
partir de que se elige la(s) variable(s) de referencia para el análisis se recabará del
reporte general ponderado la media y desviación estándar obtenida en esa variable en
particular, los cuales serán respectivamente los valores de X (la media) y σ (la
desviación estándar) a sustituir en la siguiente fórmula: Si el número de corridas
obtenido de la fórmula se cubrió con el número de corridas preliminares significa que ya
no es necesario hacer más corridas; pero si el número de corridas calculado es
superior al que se consideró de manera preliminar entonces deberán realizarse las
corridas que sean necesarias.
PRUEBA DE CORRIDAS ARRIBA Y ABAJOS
Tenemos una secuencia de números de tal manera que a cada uno de los números
siga otro mayor la secuencia dada será ascendente (arriba).Si cada número va seguido
por otro menor, la secuencia será descendente (abajo)PROPIEDADES Las dos
propiedades más importantes esperadas en los números aleatorios son uniformidad e
independencia. La prueba de uniformidad puede ser realizada usando las pruebas de
ajuste de bondad disponibles Los números pueden estar uniformemente distribuidos y
aun no ser independientes uno del otro. Por ejemplo, una secuencia de números
monótonamente se incrementa dentro del rango de cero aunó esta uniformemente
distribuida si la cantidad incremental es constante para todos. (0, 0.1, 0.2, 0.3, ......,0.9).
PRUEBA DE CORRIDAS
Una prueba de Corridas es un método que nos ayuda a evaluar el carácter de
aleatoriedad de una secuencia de números estadísticamente independientes y
números uniformemente distribuidos. Es decir, dado una serie de números determinar
si son o no aleatorios.
PRUEBAS DE CORRIDA ARRIBA Y ABAJO
Ahora procedemos a calcular el total de corridas que resulta de la suma de sumade
corrida ascendente con la descendente. Existen algunos métodos disponibles para
verificar varios aspectos de la calidad de los números pseudoaleatorios. Si no existiera
un generador particular de números aleatorios disponible, se le recomienda al analista
usar estos métodos cuando se realice una simulación. Uno de estos métodos es el
método de prueba de corridas. Pasos para evaluar una prueba de corridas: Ejemplo
Paso 1: Se tienen los siguientes números aleatorios
59,12,19,05,59,58,83,18,36,00,61,47,24,41,42,98,23,67,84,43,29,71,88,74,60,10,46,23,
15,11,78,31,11,91,99,57,28,18,32,21,12,95,38,76,07,96,33,63,10,05
De acuerdo al método (prueba de corridas arriba y abajo) se evaluará 59<12, como no
lo es se le signará un signo -. Seguiremos comparando 12<19, ya que silo es se le
asigna un signo
+. - + - + - + - + - + - - + + + - + + - - + + - - - + - - - + - - + + - - - + - - + - + - + - + - -
Una corrida se define como una sucesión de eventos similares, precedidos y seguidos
por un evento diferente. En el ejemplo tendíamos un total de corridas de 33. +Para el
paso 2 se utiliza la siguiente formula donde N número de datos generados
Paso 3Se define µ = 0.05, entonces Cómo µ=0.05 entonces se valida en la fórmula1-
µ/2 el resultado en las tablas de distribución La validación de rechazo será calculada
=0.00 < Z0.475 =0.68Ejemplo
2 ejemplo Números Aleatorios – NETBEANS
Paso 1: Evaluar los números y asignarles un signo Procedemos a realizar los cálculos
Decisión: Se rechaza Conclusión: De acuerdo a la evidencia presentada no aceptamos
los números pseudoaleatorios Si el valor absoluto de Z calculada es mayor o igual a la
Z de las tablas se rechazará la hipótesis Cómo 0.00<0.6808 no es mayor, la hipótesis
se aprueba
Condiciones iniciales: valores iniciales de las variables de estado.
Conclusión