Simulación de

Sistemas

Ing. Carlos Oblea Silva

Introducción

▸ Silabo ▸ Trabajos finales del

▸ Aplicaciones en la semestre anterior
industria ▸ Ejemplo introductorio
▸ Prueba de entrada de simulación de
Montecarlo

2
 Considere los supuestos que considere necesarios

Motivación
Examen
8:05:00

8:03:00

¿A qué hora como máximo se debe

estar en la puerta de la universidad
para llegar temprano al examen
 ▸ Atributos del sistema
▹ Cantidad de personas en el ascensor
Motivación ▹ Ubicación del ascensor

Variable principal
Tiempo total=Te+Ts
T espera
T de subida
Introducción a la Simulación
• Cuando pensamos en ciencia pensamos en experimentos y en modelos.
Se experimenta una y otra vez sobre el fenómeno real que se desea
conocer mejor para, con la información así acumulada, construir un modelo
teórico, que no es sino una representación simplificada (más o menos
acertada) del fenómeno real. Como el modelo se formula en términos
matemáticos, en general es susceptible de un estudio analítico del que
poder sacar conclusiones

• La simulación ofrece una alternativa a esa última fase del proceso, y

sustituye (en parte o complementamente) el estudio analítico por más
experimentación, pero esta vez sobre el propio modelo en lugar de sobre la
realidad.
Ejemplo 1
• Tu amigo quiere poner un negocio:
• Lanzamiento de monedas:
• Costo 3 soles
• Número de lanzamientos
• Ganancia 10 soles
• ¿Usted pondría ese negocio?

https://www.geogebra.org/m/U5rw94DP
https://www.geogebra.org/m/U5rw94DP
Función de probabilidad binomial
• Para un experimento binomial, sea p la probabilidad de un “éxito” y 1-p (q) la probabilidad de un
“fracaso” en un solo ensayo; entonces la probabilidad de obtener x éxitos en n ensayos, esta dada por
la función de probabilidad f(x):
Ejemplo 2 cálculo de áreas
¿Cuál es el área de las siguientes figuras?

1
1

1
1

• Método determinístico
• ¿Cuál es el área de las siguientes figuras?

▸ Método Estocástico 1
Ejemplo 2-Calculo de pi
¿Cómo se forman la distribución normal
Ejemplo 3
• Ver el documento adjunto en word: “Curva normal y estandarización”
Ejemplo 4: Tiempo de ir
la banco
Tiempo de espera +
Tiempo de atención =

Tiempo Total

Datos: Datos:
Resultados:
Distribución normal

Distribución
normal
estandarizada
Numero de desviaciones estándares
Eje
Distribución …
Eje
normal …

Valor Normal Estándar

Valor Estándar
Índice Z
Función de densidad-Distribución Normal
•
Distribución normal estandarizada
•
Distribución normal estandarizada
•
Distribución normal estandarizada
•
Recordando: Estadística
• Intervalos de confianza
• Se llama intervalo de confianza a un par o varios pares de números entre
los cuales se estima que estará cierto valor desconocido respecto de
un parámetro poblacional con un determinado nivel de confianza.

• En estas circunstancias, es el llamado error aleatorio o nivel de

significancia, esto es, el número de intervalos sobre 100 que no contienen el
valor
 Tiempo en una agencia bancaria
Metodología para la
Turno mañana
▸ ▸ Turno tarde
simulación
▸Tiempo de atención

▸ Tiempo de espera

▸ Tiempo total

¿Cuánto tiempo estará en

el sistema un cliente?
23
 ▸ Existirá clientes que vayan en la mañana y
terminen mas rápido que los de la tarde y
Metodología viceversa, pero en promedio……

▸ ¿Todas las veces

conviene ir en un
determinado turno?

▸ ¿Cómo se hace la simulación?

Justamente tomando números
aleatorios

Intervalo Tiempo Tiempo de Inicio del Fin del Tiempo en

Nro de de llegada de espera servicio Servicio Servicio el sistema
Cliente x T Ri y IS FS
1
2
3
4
5
6
7
8
9
10
24
Simulación
• Se puede definir la simulación como una técnica que consiste en realizar
experimentos sobre el modelo de un sistema (experimentos de muestreo si la
simulación incorpora aleatoriedad), con el objetivo de recopilar información bajo
determinadas condiciones.
Conceptos básicos

• La experimentación directa sobre la realidad puede

tener muchos inconvenientes, entre otros:
• Coste elevado
• Posibilidad de pruebas destructivas
• Lentitud
• Puede no ser ética
• Experimentación especial
• Puede resultar imposible
• Acontecimientos futuros o especiales
Modelo
• Un modelo no es más que un conjunto de variables junto con ecuaciones matemáticas que las
relacionan y restricciones sobre dichas variables
• Modelo: Construcción conceptual simplificada de una realidad más compleja, a través de esta
construcción somos capaces de entender mejor dicha realidad y poder utilizarla a nuestro favor:
• Un Mapa
• Una ecuación física
• Una partitura

Un modelo busca el equilibrio

Entre aproximarse a la realidad y
ser lo suficientemente sencillo para
entenderlo y utilizarlo
¿Qué se esta modelando?
• Una planta de manufactura
• Un banco
• Un aeropuerto
• Una red de distribución
• Área de emergencia en un red de salud
• Red de computadoras con servidores y clientes
• Call center
• Sistemas de justicia
• Restaurante de comida rápida
Modelo
• Modelos deterministas:
• En los que bajo las mismas condiciones (fijados los valores de las variables explicativas)
se obtienen siempre los mismos resultados.
Modelos Estocásticos
• Tiene componente aleatoria, tienen
en cuenta la incertidumbre asociada
al modelo.
• Tradicionalmente se supone que esta
incertidumbre es debida a que no se
dispone de toda la información sobre
las variables que influyen en el
fenómeno en estudio (puede ser
debida simplemente a que haya
errores de medida), lo que se conoce
como aleatoriedad aparente:
Modelo
• “Nothing in Nature is random… a thing appears
random only through the incompleteness of our
knowledge.” — Spinoza, Baruch (Ethics, 1677)
• Aunque hoy en día gana peso la idea de la física
cuántica de que en el fondo hay una
aleatoriedad intrínseca1 .
Modelización
• La modelización es una etapa presente en la mayor parte de los trabajos de
investigación, especialmente en las ciencias experimentales. El modelo
debería considerar las variables más relevantes para explicar el fenómeno
en estudio y las principales relaciones entre ellas. La inferencia estadística
proporciona herramientas para estimar los parámetros y contrastar la validez
de un modelo estocástico a partir de los datos observados.

La idea es emplear el modelo, asumiendo que es válido, para resolver el

problema de interés. Si se puede obtener la solución de forma analítica, esta
suele ser exacta (aunque en ocasiones solo se dispone de soluciones
aproximadas, basadas en resultados asintóticos, o que dependen de
suposiciones que pueden ser cuestionables) y a menudo la resolución también
es rápida. Cuando la solución no se puede obtener de modo analítico (o si la
aproximación disponible no es adecuada) se puede recurrir a la simulación
Simulación estocástica

• En la simulación estocástica las conclusiones se obtienen generando

repetidamente simulaciones del modelo aleatorio. Muchas veces se
emplea la denominación de método Monte-Carlo2 como sinónimo de
simulación estocástica, pero realmente se trata de métodos especializados
que emplean simulación para resolver problemas que pueden no estar
relacionados con un modelo estocástico de un sistema real.
Ventajas e Inconvenientes de la simulación
• Ventajas
• Cuando la resolución analítica no puede llevarse a cabo.
• Cuando existen medios de resolver analíticamente el problema pero dicha
resolución es complicada y costosa (o solo proporciona una solución
aproximada).
• Si se desea experimentar antes de que exista el sistema (pruebas para la
construcción de un sistema).
• Factibilidad para simular sistemas que evolucionan muy lentamente en el
tiempo
• Cuando es imposible experimentar sobre el sistema real por ser dicha
experimentación destructiva
Ventajas e Inconvenientes de la simulación
• Desventajas
• La construcción de un buen modelo puede ser una tarea muy costosa
(compleja, laboriosa y requerir mucho tiempo; e.g. modelos climáticos).
• Frecuentemente el modelo omite variables o relaciones importantes entre
ellas (los resultados pueden no ser válidos para el sistema real).
• Resulta difícil conocer la precisión del modelo formulado.
• Los resultados sirven para unos valores en concreto, por lo que en principio
resultaría complicado extrapolar las conclusiones a otras situaciones.
Aplicaciones
• Estadística:
• Muestreo, remuestreo…
• Aproximación de distribuciones (de estadísticos, estimadores…)
• Realización de contrastes, intervalos de confianza…
• Comparación de estimadores, contrastes…
• Validación teoría (distribución asintótica…) – Inferencia Bayesiana
• Optimización: Algoritmos genéticos, temple simulado…
• Análisis numérico: Aproximación de integrales, resolución de ecuaciones… •
Computación: Diseño, verificación y validación de algoritmos…
• Criptografía: Protocolos de comunicación segura…
• Física: Simulación de fenómenos naturales…