Simulación de Sistemas

Marcos Rivas Peña

 Objetivo de la Sesión
• Comprender que significa simular un sistema
• Tipos de Simulación
• Aprender a Simular mediante el método Monte
Carlo
• Comprender la importancia de los números
aleatorios en la simulación
• Validar una serie de números aleatorios

Marcos Rivas Peña

 SIMULACIÓN DE SISTEMAS
Motivación: Ser competitivo……

• Ser. Desarrollo de Virtudes

• Saber. Estudio
• Saber Hacer. Resolver problemas
• Velocidad de acción (lento o rápido)

Marcos Rivas Peña

SIMULACIÓN DE SISTEMAS
Introducción

Marcos Rivas Peña

 SIMULACIÓN DE SISTEMAS
Introducción
Modelos de simulación: Modelos lógico-matemáticos
intratables con métodos analíticos o numéricos
convencionales

Posibles soluciones:
 
• no hay solución
• solución factible
• solución satisfactoria
• solución óptima

Marcos Rivas Peña

 DEFINICION DE SIMULACION
Varias definiciones

• Thomas H. Naylor, la define como “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 de sistemas complejos del mundo real a través de
largos períodos de tiempo”.
• Robert E. Shannon, otro estudioso del tema define simulación como:
“Simulación es el proceso de diseñar y desarrollar un modelo
computarizado de un sistema o proceso y conducir experimentos con
este modelo con el propósito de entender el comportamiento del
sistema o evaluar varias estrategias con las cuales se puede operar el
sistema”.

Marcos Rivas Peña

 ¿Cuándo Simular?

Como regla general, es apropiada cuando:

• Si no existe formulación matemática del modelo o los métodos de resolución. Por
ejemplo, cuando se va a construir un aeropuerto.
• Sí existen, pero resulta más barato y sencillo simular, ya que en muchas ocasiones el
modelo y su resolución resultan más sencillos.
• Si se desea experimentar con el sistema antes de su uso o construcción. El ejemplo más
conocido son los simuladores de vuelo.
• Si es imposible experimentar sobre el sistema y se desean prevenir eventualidades.
• Si hay razones éticas que impiden la experimentación, como en el caso de sistemas
biológicos humanos.
• Si se desea reducir escalas de tiempo, pues la evolución del sistema es muy lenta. Por
ejemplo en el estudio de diferentes políticas de talas de árboles.
• Por último, una característica importante de la simulación es que permite estudiar
sistemas dinámicos en tiempo real.

Marcos Rivas Peña

 Justificación Económica

Costo Costos de Operación

SIN Simulación

Costos de Operación
CON Simulación

Tiempo

Marcos Rivas Peña

 SIMULACIÓN
ventajas
• Los sistemas reales c/elementos estocásticos son de difícil
de modelar matemáticamente para su evaluación analítica.

• Puede ser usado repetidamente una vez que el modelo ha

sido construido
• Generalmente son más fáciles de aplicar que los métodos
analíticos
• Los modelos analíticos requieren de muchas suposiciones
para hacerlos manejables matemática , la Simulación. no
tiene tantas restricciones

Marcos Rivas Peña

 SIMULACIÓN
ventajas
• La simulación permite estimar medidas de desempeño del
sistema existente bajo diferentes escenarios de operación.
• Las alternativas de diseño propuestas a un sistema pueden
evaluarse en busca de mejores resultados a los
requerimientos.
• Se puede tener un mejor control sobre condiciones
experimentales no así experimentando con el sistema real.
• Permite estudiar el sistema por periodos muy largos en
en un tiempo comprimido.

Marcos Rivas Peña

 SIMULACIÓN
desventajas
• Son costosos y consume mucho tiempo su
desarrollo.
• Se usa en situaciones donde existen técnicas
analíticas.
• Generalmente no sirven para encontrar soluciones
óptimas.
• Dificultad en vender la idea por falta de
conocimientos.
Marcos Rivas Peña
PROYECTO DE SIMULACIÓN

Marcos Rivas Peña

Proyecto de Simulación

Marcos Rivas Peña

Tipos de Simulación

Marcos Rivas Peña

 Simulación de Sistemas
Tipos de Simulación

• Simulación estadística (Montecarlo).

Ejemplo: cálculo de superficies.
• Simulación de eventos discretos.
Ejemplo:filas de espera, ordenamiento de
tareas
• Simulación continua.
Ejemplo: termostato.

Marcos Rivas Peña

 Tipos de Simulación
Simulación Montecarlo

  El método Montecarlo es un método numérico que

permite resolver problemas físicos y matemáticos
mediante la simulación de variables aleatorias
Es toda aquella simulación que recurre al
muestreo aleatorio para estimar el resultado de un
cálculo o un experimento en un modelo
matemático.

Marcos Rivas Peña

 Tipos de Simulación
Simulación Montecarlo

Marcos Rivas Peña

 Método Monte Carlos
• Repetir n veces (n grande de modo de aplicar la ley de
los grandes números)
– Ley de los Grandes Números: Cuanto mayor sea el
tamaño de la muestra, mayor será el ajuste entre la
distribución muestral y la distribución teórica sobre la
que se basa la muestra.
– experimento(i) :- muestra Bernoulli independiente (de
éxito o fracaso)
– acumular # éxitos .
• Promediar: (# éxitos) / n
Marcos Rivas Peña
 Ejemplo: superficie irregular

(50,0) • (x,y)
• A: área de la figura
(30,50)
• m : # éxitos (x,y) € A
• n : # pares de números
aleatorios generados
• A=[m/n ]5000
• cuando n
(0,0) (0,50) (0,100)

Marcos Rivas Peña

 Ejemplo: Cálculo de 

Estimar el valor de 

Area Rectángulo = 1
Area Sector = /4
Marcos Rivas Peña
 Ejemplo. Caso de Negocio
• Una nueva lotería se acaba de diseñar. Cada tarjeta contiene 3 filas.
En cada renglón hay 2 casillas, una que tiene un valor oculto de $1 y
la otra de $5. El jugador raspa una casilla de cada renglón, la elección
de una casilla en cada fila tienen la misma probabilidad y el valor
correspondiente en cada casilla también tiene la misma probabilidad
de salir (estructurar probabilidades de menor a mayor) y si todos los
valores en las tres filas son los mismos, entonces gana esa cantidad.
La pregunta es, ¿cuánto debe cobrar por cada tarjeta para estar en el
punto de equilibrio?
 Ejemplo. Caso de Negocio
• Una farmacéutica con tres plantas localizadas en Irlanda, Puerto Rico y Estados Unidos producen simultáneamente el
antibiótico Bactricin II. Irlanda produce 10%, Puerto Rico produce el 20% y Estados Unidos 70%. Con el propósito de
estudiar la satisfacción de los pacientes de una futura producción para un producto similar se desea estudiar los
posibles defectos y el origen de la producción defectuosa En una muestra de 100 tabletas se encontró la siguiente
frecuencia de tabletas defectuosas:

• El tipo de defecto puede variar. En la muestra de 120 tabletas defectuosa se encontró las siguientes cantidades:

 
• Realice una simulación de la compra de 10 cajas que contiene 100 tabletas c/u. Indique si la caja tiene unidades
defectuosas, la procedencia de la tableta y los tipos de defectos

Marcos Rivas Peña

 Números Aleatorios

Elemento Central en la Simulación digital.

Elemento esencial en muchas áreas del conocimiento
Ingeniería, Economía, Física, Estadística, etc.
Definición intuitiva: Una sucesión de números aleatorios
puros, se caracteriza por que no existe ninguna regla
o plan que nos permita conocer sus valores.

Marcos Rivas Peña

 Números Aleatorios

Tabla de Xi+1=(aXi+c) mod m

Manual o mecánico. Números aleatorios Computador

Marcos Rivas Peña

Generación de Números Aleatorios

• Juegan un rol preponderante en el proceso de

simulación.
• Para simular necesitamos de números aleatorios
como semillas para generar muestras de V.A.

• Los números aleatorios obtenidos a través de

algoritmos recursivos se llaman pseudoaleatorios.

Marcos Rivas Peña

Generación de Números Aleatorios
Propiedades a verificar

Distribución uniforme
Estadísticamente independientes
Reproducibles
Ciclo tan largo como se desee
Generación a gran velocidad
Ocupar poca memoria de ordenador

Marcos Rivas Peña

 Propiedades de Números Aleatorios
1. Distribución Uniforme.
Cualquier número que
pertenezca al rango de
interés debe tener la misma
probabilidad de ser elegido.
2. Estadísticamente
Independiente
La aparición de un número
en la secuencia, no afecta la
probabilidad de que aparezca
otro (o el mismo) número.

Marcos Rivas Peña

Generador RANDU IBM

Marcos Rivas Peña

Generador RANDU IBM

Marcos Rivas Peña

 Serie de Números Aleatorios

• Son números que deben de cumplir los

requisitos de espacio equiprobable, es
decir, que todo elemento tenga la misma
probabilidad de ser elegido y que la
elección de uno no dependa de la elección
del otro.

Marcos Rivas Peña

Métodos de Generación de Números Aleatorios

1.- Método de los cuadrados medios

2.- Métodos de Congruencia Lineal

[Semilla - Algoritmo - Validación]

P1 : Obtener semilla (valores iniciales)
P2 : Aplicación de Algoritmos recursivos
P3 : Validación del conjunto de datos
generados Test de Aleatoriedad e
Uniformidad)
Marcos Rivas Peña
 Método de los Cuadrados medios

Consiste en que cada número de una sucesión es

producido tomando los dígitos medios de un número
obtenido mediante la elevación al cuadrado.
P1 : Obtener semilla (valores iniciales 445)
P2 : Aplicación de Algoritmos recursivos (elevar
al cuadrado)
P3 : Validación del conjunto de datos
generados

Marcos Rivas Peña

 Método de los Cuadrados medios

Ejemplo: Consideremos la semilla 445

X X2 N° Aleatorio
445 1| 9802 | 5 0,9802
9802 96| 0792 | 04 0,0792
792 6 | 2726 | 4 0,2726
2726 ............... ...............

Marcos Rivas Peña

 Análisis
• El problema con este método es que tiende a degenerar rápidamente.
Dependiendo del valor inicial el método puede degenerar rapidamente.
• Por ejemplo, supóngase que se quiere generar una serie de números pseudo-
aleatorios de cuatro dígitos y se tiene como i-ésimo termino generado es
3500, luego se tendrá:

n x x2 Nro. Aleatorio
i 3500 12250000 2500
i+1 2500 6250000 2500

• Se puede observar que hemos llegado a una condición degenerada. Por la

tanto, es necesario verificar siempre la serie de números y protegerse contra
este fenómeno

Marcos Rivas Peña

 Generadores de Congruencia Lineal
Este método produce una secuencia de números enteros, X1, X2, ...
entre cero y m de acuerdo a la siguiente relación recursiva:
Xn+1 = (a Xn + c) mod m ; 0  Xn < m ∀n
Los parámetros del algoritmo se llaman
-a Constante multiplicativa
-c es el incremento
-m módulo
- Xo semilla (valor inicial)

Si se quiere obtener números Uniformes (0,1) se normaliza el

resultado Xn
Un 
m
Marcos Rivas Peña
 Ejemplo MCL

a X0 c M Xn+1 r
6 1 1 25 7 0.28
  7    18 0.72
  18     9 0.36
  9    5 0.2
  5    6 0.24
  6    12 0.48
  12     23 0.92
  23     14 0.56
  14     10 0.4
  10     11 0.44
  11     17 0.68
  17     3 0.12
  3    19 0.76
  19     15 0.6
  15     16 0.64
  16     22 0.88
  22     8 0.32
  8    24 0.96
  24     20 0.8
  20     21 0.84
  21     2 0.08
  2    13 0.52
  13     4 0.16
  4    0 0
  0    1 0.04
  1    7 0.28

Marcos Rivas Peña

 Generadores de Congruencia Lineal
Obs: 1.- Cuando c=0 el generador se denomina
Generador de congruencia Multiplicativa.
2.- Cuando c0 el generador se denomina
Generador de congruencia mixto.
3.- A pesar de la simplicidad una adecuada
elección de los parámetros de “a, c y m”, permite
obtener de manera eficiente una larga e impredecible
sucesión de números como para considerarse “aleatoria”.

Marcos Rivas Peña

Método de Congruencial Lineal (MCL)
En el MCL, si se repite un número ya se repite
toda la secuencia.

• Ventajas:

1. utiliza poca memoria y es muy rápido.

2. fácil de volver a generar la misma secuencia,
guardando un solo número, (se alcanza con partir
desde la misma semilla: X0).

Marcos Rivas Peña

 Ejemplo MCL
Parámetros
Caso a c m xo
1 6 0 13 1
2 7 0 13 10
3 5 0 13 5
4 7 0 11 5
5 6 0 11 3

Caso Salidas
1 6 10 8 9 2 12 7 3 5 4 11 1 6 10
2 5 9 11 12 6 3 8 4 2 1 7 10 5 9
3 12 8 1 5 12 8 1 5 12 8 1 5 12 8
4 2 3 10 4 6 9 8 1 7 5 2 3 10 4
5 7 9 10 5 8 4 2 1 6 3 7 9 10 4

Marcos Rivas Peña

 Métodos de Congruencia Lineal
Algunas observaciones de las salidas de los generadores
congruenciales:

1. Un generador congruencial tiene ciclos o periodos

2. La longitud del ciclo depende de la selección de los
parámetros (ver caso 1) y 3) )
3. Dentro de selecciones de parámetros que conducen a
la misma longitud, algunas salidas parecen más aleatorias
que otras.

Marcos Rivas Peña

 Métodos de Congruencia Lineal
• Periodo: subcadena de la serie en la
que no hay repeticiones de números.

• Longitud de periodo: número de

elementos de dicha subcadena.

• Interesan métodos con alta longitud de

periodo.
Marcos Rivas Peña
 Métodos de Congruencia Lineal

Para obtener la máxima densidad y evitar los ciclos (recurrencia de la

misma secuencia de números ya generados) el generador debería tener
el periodo más grande posible. El máximo periodo puede lograrse
eligiendo apropiadamente los valores de los parámetros del generador,
por ejemplo (Banks et al., 1996):
• Para m = 2b y c 0, el máximo periodo es P = m, y puede lograrse con
un valor de c que sea un número primo relativo a m (esto es, que el
máximo factor común entre ambos sea 1), y a = 1+4k. k y b son
enteros.
• Para m = 2b y c = 0, el máximo periodo es P = m/4, y puede lograrse
con un valor impar para la semilla X0, y a = 3+8k, o a = 5+8k. k y b
son enteros.
• Para m número primo y c = 0, el máximo periodo es P = m-1, y puede
lograrse con un valor de a tal que el menor entero k que hace que
ak-1sea divisible por m es k = m-1.
Marcos Rivas Peña
 Ejemplo
• La Tabla muestra resultado de un generador congruencial multiplicativo para
a = 13, m = 26 = 64, X0 = 1, 2, 3, 4.

Marcos Rivas Peña

 Generadores Reales
• El generador Mth$Random, empleado en los compiladores
de FORTRAN y BASIC de los antiguos ordenadores
VAX, utilizaba la siguiente recursión:

• El generador LGC16807, utilizado durante años en

muchos paquetes de software para estadística, simulación
y optimización, emplea:

Marcos Rivas Peña

 Validación de Series de Números pseudoaleatorios

La validación consiste en probar si una serie de

números generados corresponde a una
distribución de probabilidad supuesta y probar
que los números son independientes entre sí.
Prueba de Aleatoriedad.
– Probar si los elementos de la serie son independientes.
Prueba de Bondad de Ajuste.
– Probar si cumple una distribución uniforme
Prueba chi-cuadrado
Prueba K-s

Marcos Rivas Peña

 Conclusiones
• Simulación es una técnica numérica para
conducir experimentos en una computadora
para describir el comportamiento de sistemas
complejos del mundo real a través de largos
períodos de tiempo.
• La simulación se debe desarrollar mediante
un proyecto planificado.
• Existen tres tipos de simulación: Método
Montecarlo, simulación continua y simulación
orientado a eventos discretos.
Marcos Rivas Peña