Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Montecarlo
Montecarlo
ALUMNO:
RUBEN GUZMAN PEÑALOZA
5 DE FEBRERO DEL 2022
INDICE
0
EL PROCESO DE SIMULACIÓN: CONCEPTO, ELEMENTOS Y FASES…… Pag. 2
1
INTRODUCCIÓN
Simulación es una técnica numérica para conducir experimentos en una computadora digital.
Estos experimentos comprenden ciertos tipos de relaciones matemáticas y lógicas, las cuales
son necesarias para describir el comportamiento y la estructura de sistemas complejos del
mundo real a través de largos períodos.
Las simulaciones en la optimización de recursos nos permiten generar varios escenarios
posibles a evaluar y obtener con ello un resultado que nos beneficie.
ELEMENTOS DE LA SIMULACIÓN
Sistema: Grupo de objetos que interactúan entre sí para lograr una meta
predeterminada.
Actividad: Conjunto de tareas que se efectúan en un período específico de tiempo
(determinístico, probabilístico o empírico).
Estado del sistema: Conjunto de variables que contienen toda la información para
describir el sistema en un período de tiempo.
Evento: Ocurrencia instantánea que cambia el sistema de un estado a otro.
Entidades: Elementos que se mueven en la simulación, cambian de estado, afectan y
son afectados por otras entidades.
Atributos: El valor de un atributo se adhiere a una entidad específica, Todas las
entidades tienen los mismos tipos de atributos pero con valores diferentes para
diferentes entidades.
Variables: Reflejan una característica del sistema y no se relacionan con las entidades,
nombre único en el modelo, no están lijadas a las entidades, entidades pueden accesar,
cambiar los valores de las variables.
Recursos (entidades residentes): Las entidades transientes compiten por: personas,
equipo. espacio. Entidad captura un recurso, lo usa, y lo libera. Un recurso se asigna a
una entidad, más que una entidad perteneciente a un recurso.
Colas: Lugar para las entidades que esperan cuando los recursos no están disponibles y
por ello no los pueden capturar. Tienen nombres, frecuentemente ligados a un recurso.
2
Medidas de efectividad: Variables que “observan” lo que está pasando, Dependen de
las medidas de rendimiento deseadas, “Pasivas” en el modelo — no participan, solo
observan.
3
Validación: En esta etapa se comprueba la exactitud del modelo desarrollado. Esto se
lleva a cabo comparando las predicciones del modelo con: mediciones realizadas en el
sistema real, datos históricos o datos de sistemas similares. Como resultado de esta
etapa puede surgir la necesidad de modificar el modelo o recolectar datos adicionales.
Diseño de experimentos: En esta etapa se decide las características de los experimentos
a realizar: el tiempo de arranque, el tiempo de simulación y el número de simulaciones.
No se debe incluir aquí la elaboración del conjunto de alternativas a probar para
seleccionar la mejor, la elaboración de esta lista y su manejo es tarea de la optimización
y no de la simulación. Debe quedar claro cuando se formula el problema si lo que el
cliente desea es un estudio de simulación o de optimización.
Experimentación: En esta etapa se realizan las simulaciones de acuerdo el diseño
previo. Los resultados obtenidos son debidamente recolectados y procesados.
Interpretación: Se analiza la sensibilidad del modelo con respecto a los parámetros que
tienen asociados la mayor incertidumbre. Si es necesario, se deberán recolectar datos
adicionales para refinar la estimación de los parámetros críticos.
Implementación: Conviene acompañar al cliente en la etapa de implementación para
evitar el mal manejo del simulador o el mal empleo de los resultados del mismo.
Documentación: Incluye la elaboración de la documentación técnica y manuales de uso.
La documentación técnica debe contar con una descripción detallada del modelo y de
los datos; también, se debe incluir la evolución histórica de las distintas etapas del
desarrollo. Esta documentación será de utilidad para el posterior perfeccionamiento del
simulador.
Los métodos de Montecarlo abarcan una colección de técnicas que permiten obtener
soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias repetidas. En la
práctica, las pruebas aleatorias se sustituyen por resultados de ciertos cálculos realizados con
números aleatorios
LA VARIABLE ALEATORIA
4
Se denomina variable aleatoria, a una variable X que puede tomar un conjunto de valores {x0,
x1, x2, ... xn-1}, con probabilidades {p0, p1, p2, ... pn-1}.
El problema crucial de la aplicación de los métodos de Montecarlo es hallar los valores de una
variable aleatoria (discreta o continua) con una distribución de probabilidad dada por la función
p(x) a partir de los valores de una variable aleatoria uniformemente distribuida en el intervalo
[0, 1), proporcionada por el ordenador o por una rutina incorporada al programa.
Para simular la ruleta situada a la derecha de la figura, se procede del siguiente modo: se hallan
las probabilidades de cada resultado, proporcionales al ángulo de cada sector y se apuntan en
la segunda columna, la suma total debe de dar la unidad. En la tercera columna, se escriben las
probabilidades acumuladas.
5
escalonada. Cuando se sortea una variable aleatoria γ, se traza una recta horizontal cuya
ordenada sea γ. Se busca el resultado cuya abscisa sea la intersección de dicha recta horizontal
y del segmento vertical, tal como se señala con flechas en la figura. Si el número aleatorio γ está
comprendido entre 0.25 y 0.75 se obtiene el resultado denominado x1.
∑j=0i−1pj≤γ<∑j=0ipj
Gráficamente, se obtiene trazando una recta horizontal de ordenada γ. La abscisa x del punto
de corte con la función es el resultado obtenido. En la figura se señala mediante flechas.
6
Generador de números aleatorios
Existen varias fórmulas para obtener una secuencia de números aleatorios, una de las más
sencillas es la denominada fórmula de congruencia: se trata de una fórmula iterativa, en la que
el resultado de una iteración se utiliza en la siguiente.
x=(a*x+c)%m;
Método de aceptar/rechazar
En muchos casos es difícil resolver analíticamente la ecuación que nos da x(r) por el método de
transformación. En estos casos puede aplicarse el método de aceptar/rechazar (Von Neumann)
Considerar una pdf que puede ser totalmente acotada por una “caja” (definida por x min, xmax
y la altura máxima fmax) Generar un número aleatorio x distribuido uniformemente entre
[xmin,xmax]x=xmin+ r1(xmax-xmin), r1uniforme en [0,1]Generar un segundo número aleatorio,
u uniformemente distribuido entre 0 y fmaxu=r2fmaxSi u<f(x) aceptar x. Si no, rechazar x y
repetir.
Un sistema de espera M/M/1 es aquel que considera un servidor, con tiempos exponenciales
de servicio y entre llegadas de clientes. La implicancia que los tiempos de servicio se distribuyan
exponencial es que existe una preponderancia de tiempos de servicio menores a los promedio
combinados con algunos pocos tiempos extensos. Un ejemplo de ello es lo que sucede en las
cajas de los bancos donde la mayoría de las transacciones requieren poco tiempo de proceso
por parte del cajero, no obstante, algunas transacciones más complejas
7
consumen bastante tiempo. Por otra parte afirmar que los tiempos entre
llegadas se distribuyen exponencial implica una preponderancia de tiempos entre llegadas
menores que el promedio en combinación con algunos tiempos más extensos. Lo anterior tiene
relación con la aleatoriedad del proceso de llegada de clientes que permite establecer
la Propiedad de Falta de Memoria o Amnesia de la Distribución Exponencial y con los conceptos
presentados en el artículo ¿Qué son las Líneas de Espera (Teoría de Colas)?, donde queda en
evidencia que la formación de las colas o filas está asociada a la variabilidad del sistema.
En este contexto consideremos la siguiente notación, donde valores usuales para A y B son M
(distribución exponencial) y G (distribución general).
Ventajas
Las técnicas de simulación son una herramienta de gran utilidad para evaluar el desempeño de
sistemas de control de inventarios.
Una de sus principales ventajas consiste en la posibilidad que ofrece de recrear la condición
aleatoria de:
8
La demanda
Tiempos de abastecimiento o
LT "Lead Time” (es el número de unidades de tiempo que transcurren entre el momento
en que se hace la orden y el momento en que la cantidad ordenada ingresa en el
inventario).
Es utilizada para experimentar con situaciones y tomar decisiones, sobre las cuales no se tiene
información. Anticipar posibles resultados imprevistos. Inversión justificada. Evitar pérdidas
económicas.
IDEF0 o IDEFØ (Integration Definition for Function Modeling) es un método diseñado para
modelar decisiones, acciones y actividades de una organización o sistema. IDEFØ se derivó de
un lenguaje gráfico bien establecido, el análisis estructurado y Técnica de Diseño (SADT por sus
siglas en inglés Structured Analysis and Design Technique).
9
REFERENCIAS
Geo Tutoriales. (29 de Julio del 2015). Simulación de una línea de espera. 22 de Mayo del 2018, de Gestión de Operaciones Sitio
web: https://www.gestiondeoperaciones.net/lineas-de-espera/simulacion-de-una-linea-de-espera-mm1-teoria-de-colas-en-excel/
Martínez Erika. (17 de Mayo del 2016). Inventarios por Simulacón. 22 de Mayo del 2018, de Prezi Sitio web:
https://prezi.com/fhx38sfwm_hf/inventarios-por-simulacion/
Tarifa Eduardo Enrique. (20 de Octubre del 2010). Teoría de Modelos y Simulación. 22 de Mayo del 2018, de Facultad de Ingeniería -
Universidad Nacional de Jujuy Sitio web: http://www.econ.unicen.edu.ar/attachments/1051_TecnicasIISimulacion.pdf
Acuña Jorge. (01 de Mayo del 2010). Simulación de Procesos. 22 de Mayo del 2018, de Word Press Sitio web:
https://webcache.googleusercontent.com/search?q=cache:8Q5OWJuzfU4J:https://simulacion.files.wordpress.com/2010/05/1-
_introduccion.ppt+&cd=3&hl=es-419&ct=clnk&gl=mx&client=psy-ab
Franco Angel. (S.F). Los métodos Montecarlo . 23 de mayo de 2018, de Curso Interativo De Fisica en Internet.
http://www.sc.ehu.es/sbweb/fisica_/numerico/montecarlo/montecarlo.html
Gómez J. (2005). El método Montecarlo. 23 de mayo de 2018, de Benasque: http://benasque.org/benasque/2005tae/2005tae-
talks/213s3.pdf
10