INSTITUTO TECNOLOGICO DE TUXTLA GUTIERREZ

2013
MATERIA: SIMULACION

JOSE DEL C. VAZQUEZ HDEZ INGENIERIA INDUSTRIAL 21/02/2013

ndice general Unidad

1

Temas
Introduccin a la Simulacin de eventos discretos

Subtemas
1.1. Introduccin 1.2. Definiciones y Aplicaciones 1.3. Estructura y caractersticas de la simulacin de eventos discretos. 1.4. Sistemas, Modelos y Control 1.5. Mecanismos de tiempo fijo y tiempo variable 1.6. Etapas de un Proyecto de simulacin 2.1. Nmeros aleatorios: definicin, propiedades, generadores y tablas 2.2. Propiedades de los nmeros pseudoaleatorios. 2.3. Pruebas estadsticas de aleatoriedad para los nmeros pseudoaleatorios: de medias, de varianza, de independencia y de bondad de ajuste. 2.4. Obtencin de nmeros pseudoaleatorios utilizando paquetes computacionales. 2.5. Mtodo de Monte Carlo 3.1. Introduccin 3.2. Generacin de variables aleatorias discretas y continuas utilizando paquetes computacionales como Excel, ProModel, Arena. 4.1. Antecedentes de los lenguajes de simulacin y simuladores 4.2. Aprendizaje y uso de un Simulador como: ProModel, Arena, entre otros. 4.3. Caractersticas del software 4.4. Construccin de modelos 4.5. Consideraciones econmicas en la simulacin. 4.6. Realizar prcticas utilizando el simulador para procesos productivos, de transporte, lneas de espera, calidad, inventarios, entre otros. 4.7. Interpretacin de los resultados obtenidos y generacin de propuestas de mejora para el modelo analizado. 5.1. Elaboracin de un proyecto final 5.2. Anlisis, modelado, simulacin e interpretacin de resultados para sistemas reales de empresas de manufactura o de servicios, a fin de detectar las mejoras posibles a realizar y proponer acciones que mejoren su desempeo, considerando aspectos econmicos

Generacin de Nmeros Aleatorios

Generacin de Variables Aleatorias

Lenguajes de Simulacin y Simuladores de Eventos Discretos

Proyecto de Aplicacin

Unidad I. Introduccin a la Simulacin de eventos discretos 1.1. Introduccin

En aos recientes, el advenimiento de nuevos y mejores desarrollos en el rea de la computacin ha trado consigo innovaciones igualmente importantes en los terrenos de la toma de decisiones y el diseo de procesos y productos. En este sentido, una de las tcnicas de mayor impacto es la simulacin. Hoy en da, el analista tiene a su disposicin una gran cantidad de software de simulacin que le permite tomar decisiones en temas muy diversos. Por ejemplo, determinar la mejor localizacin de una nueva planta, disear un nuevo sistema de trabajo o efectuar el anlisis productivo de un proceso ya existente pero que requiere mejoras. Sin duda, la facilidad que otorga a la resolucin de stas y muchas otras problemticas, ha hecho de la simulacin una herramienta cuyo uso y desarrollo se han visto significativamente alentados. Cada vez resulta ms sencillo encontrar paquetes de software con gran capacidad de anlisis, as como mejores animaciones y caractersticas para generacin de reportes. En general, dichos paquetes ya sea orientado a procesos, a servicios o de ndole general nos proveen de una enorme diversidad de herramientas estadsticas que permiten un manejo ms eficiente de la informacin relevante bajo anlisis, y una mejor presentacin e interpretacin de la misma. El concepto de simulacin engloba soluciones para muchos propsitos diferentes. Por ejemplo, podramos decir que el modelo de un avin a escala que se introduce a una cmara por donde se hace pasar un flujo de aire, puede simular los efectos que experimentar un avin real cuando se vea sometido a turbulencia. Por otro lado, algunos paquetes permiten hacer la representacin de un proceso de fresado o torneado: una vez que el usuario establezca ciertas condiciones iniciales, podr ver cmo se llevara a cabo el proceso real, lo que le permitira revisarlo sin necesidad de desperdiciar material ni poner en riesgo la maquinaria. Entre los distintos tipos de procesos de simulacin que podemos utilizar, en este libro nos ocuparemos del que se basa en el uso de ecuaciones matemticas y estadsticas, conocido como simulacin de eventos discretos. Este proceso consiste en relacionar los diferentes eventos que pueden cambiar el estado de un sistema bajo estudio por medio de distribuciones de probabilidad y condiciones lgicas del problema que se est analizando. Por ejemplo, un proceso de inspeccin donde sabemos estadsticamente que 0.2% de los productos tiene algn tipo de defecto puede simularse con facilidad mediante una simple hoja de clculo, considerando estadsticas de rechazos y productos conformes, y asignando una distribucin de probabilidad con 0.2% de oportunidad de defecto para cada intento de inspeccin. En el presente captulo abordaremos las definiciones bsicas de los conceptos de la simulacin de eventos discretos. En los siguientes se presentarn algunos otros elementos relevantes, como los nmeros pseudoaleatorios y las pruebas estadsticas necesarias para comprobar esta aleatoriedad, la generacin de variables aleatorias y la caracterizacin de algunas

distribuciones de probabilidad de uso comn en la simulacin, lo cual nos permitir realizar una simulacin sencilla con ayuda de una hoja de clculo. Por ltimo, describiremos la utilizacin de un software comercial: Promodel, una versin limitada del cual se incluye en este curso. La simulacin consiste bsicamente en construir modelos informticos que describen la parte esencial del comportamiento de un sistema de inters, as como en disear y realizar experimentos con el modelo y extraer conclusiones de sus resultados para apoyar la toma de decisiones. Tpicamente, se utiliza en el anlisis de sistemas tan complejos que no es posible su tratamiento analtico o mediante mtodos de anlisis numricos. Sus orgenes estn en los trabajos de Student para aproximar la distribucin que lleva su nombre, y los mtodos que Von Neumann y Ulam introdujeron para resolver ecuaciones integrales. Desde entonces, la Simulacin ha crecido como una metodologa de experimentacin fundamental en campos tan diversos como la Economa, la estadstica, la Informtica o la Fsica, y con enormes aplicaciones industriales y comerciales, como los simuladores de vuelo, los juegos de simulacin, o la prediccin burstil o meteorolgica. La crisis del petrleo de los aos setenta oblig a la industria en general a enfocar sus esfuerzos en ser enrgicamente ms eficientes, inicindose as una etapa de desarrollo tecnolgico encaminado a mejorar los procesos existentes y a disear otros nuevos ms eficientes. Este fue el caldo de cultivo necesario para motivar el desarroll en simulacin de procesos. El comienzo fue lento y se dio en forma conceptual, experimental y acadmica en algunas compaas y universidades en Estados Unidos, Canad y Europa. Para 1975 se haba generalizado el desarrollo de simuladores con algunas aplicaciones industriales reducidas. En 1980 empezaron a surgir compaas elaboradoras de software, que desarrollaban paquetes de simulacin para su comercializacin, pero tenan la desventaja de que la entrada y salida de la informacin eran muy rgidas y se presentaban en forma de listados de difcil interpretacin. A finales de los aos 80s se inici el desarrollo de paquetes de simulacin interactivos y su comercializacin marc el comienzo de un uso ms intensivo y generalizado en la industria y las universidades. Entre 1991 y 1995 se inicia la comercializacin de paquetes de simulacin dinmica y de integracin de energa. En los ltimos aos, la simulacin de procesos en estado estacionario ha llegado a ser una herramienta de apoyo para el diseo de procesos industriales y adems su uso se est extendiendo en las instituciones de formacin de ingenieros industriales. La simulacin de procesos est jugando un papel muy importante en la industria de procesos, como una herramienta adecuada y oportuna para el diseo, caracterizacin, optimizacin y monitoreo del funcionamiento de procesos industriales.

Aun cuando en sus inicios la simulacin de procesos estuvo enfocada principalmente a la industria petroqumica y de refinacin del petrleo, su aplicacin se ha ido extendiendo a otras industrias tales como la de combustibles sintticos, pulpa y papel, cemento, metales, minerales, alimentos, etc., en donde se involucra la fase slida. La simulacin de procesos industriales ha involucrado ambos comportamientos de procesos estacionarios y dinmicos. Historia de la simulacin El galopante desarrollo tecnolgico de las ltimas dcadas hace que los trminos que hasta hace poco tiempo eran exclusivos de las novelas de ficcin formen parte de nuestro da a da. Con la capacidad de clculo de los ordenadores ms rpida, y tcnicas visuales perfeccionadas, surgen nuevas ideas sobre desarrollos de herramientas de entrenamiento basadas en tecnologas innovadoras. El empleo de la simulacin se presenta como uno de los mtodos ms efectivos a la hora de trasmitir los conocimientos y anlisis en determinadas materias, pero por su elevado coste solamente es alcanzable para las grandes empresas, o entidades con importante financiacin pblica. Gracias a los avances tecnolgicos la simulacin ha evolucionado enormemente, permitiendo alcanzar excelentes cotas de fiabilidad. Las capacidades de clculo actuales permiten ejecutar una serie de Modelos Matemticos que conjuntamente con las tcnicas visuales reflejan fielmente la realidad en toda su complejidad. El reto que nos depara el presente es una aplicacin masiva de la simulacin con formacin a un amplio sector de la sociedad. Ofrecer las bondades de esta tcnica hasta ahora accesibles a un pequeo porcentaje de la poblacin es uno de los principales objetivos de Lander. Y lo estamos logrando, los productos como Sistema Lander Multipropsito y Lander Simbio suponen un autntico punto de inflexin y acercamiento de esta tcnica de formacin a un mayor nmero de personas. Con ellos un amplio sector de la sociedad es capaz de adquirir un simulador, mejorar la calidad y el contenido de la formacin.

Esto no quiere decir que ya hemos cumplido nuestros retos. El progreso contina y con l cada avance en el plano tecnolgico debe estar traducido en beneficio de las personas. Lo que nos deparar el futuro no lo sabemos, pero estaremos ah para utilizarlo de la mejor manera posible. Este hito histrico abri las puertas a la aplicacin de la simulacin en el campo del proceso de control industrial as como a las sinergias que generaba esta simulacin basada en la experimentacin y tcnicas de anlisis para descubrir soluciones exactas a problemas clsicos de la industria y la ingeniera.

A mediados de los aos 40 dos hechos sentaron las bases para la rpida evolucin del campo de la simulacin: La construccin de los primeros computadores de propsito general como el ENIAC. El trabajo de Stanislaw Ulam, John Von Neumann y otros cientficos para usar el mtodo de Montercarlo en computadores modernos y solucionar problemas de difusin de neutrones en el diseo y desarrollo de la bomba de hidrgeno. Ulam y Von Neumann ya estuvieron presentes en el proyecto Manhattan. En 1960, Keith Douglas Tocher desarroll un programa de simulacin general cuya principal tarea era la de simular el funcionamiento de una planta de produccin donde las mquinas ciclaban por estados: Ocupado, Esperando, No disponible y Fallo; de manera que las simulaciones en los cambios de estado de las mquinas marcarn el estado definitivo de la produccin de la planta. Este trabajo produjo adems el primer libro sobre simulacin: The Art of Simulation (1963).

Para aquel entonces, IBM desarroll entre 1960 y 1961 el Sistema de Simulacin de propsito general o General Purpose Simulation System (GPSS). El GPSS se dise para realizar simulaciones de teleprocesos involucrando por ejemplo: control de trfico urbano, gestin de llamadas telefnicas, reservas de billetes de avin, etc. La sencillez de uso de este sistema lo populariz como el lenguaje de simulacin ms usado de la poca.

Por otro lado, en 1963 se desarroll SIMSCRIPT, otra tecnologa alternativa al GPSS basada en FORTRAN, ms enfocada a usuarios que no tenan por qu ser obligatoriamente expertos informticos en RAND CORPORATION.

Complementariamente a los desarrollos llevados a cabo por RAND e IBM, el Royal Norwegian Computing Center inici en 1961 el desarrollo del programa SIMULA con ayuda de Univac. El resultado fue SIMULA I, probablemente el lenguaje de programacin ms importante de toda la historia.

En 1967 se fund el WSC (Winter Simulation Conference), lugar donde desde entonces y hasta ahora se archivan los lenguajes de simulacin y aplicaciones derivadas, siendo en la actualidad el referente en lo que a avances en el campo de los sistemas de simulacin se refiere.

Periodo de expansin 1970-1981 Durante este periodo se desarrollaron avanzadas herramientas de modelado y de anlisis de resultados. Gracias tambin a los desarrollos obtenidos en la generacin de datos y a las tcnicas de optimizacin y representacin de datos, la simulacin llega a su fase de expansin donde comienza a aplicarse en mltiples campos

Anteriormente, los datos de salida obtenidos de una simulacin por computadora se presentaban en una tabla o matriz, de manera que se mostraba el efecto que los mltiples cambios en los parmetros tenan sobre los datos. El empleo del formato de matriz se deba al uso tradicional que se haca de la matriz en los modelos matemticos. Sin embargo, los psiclogos advirtieron que los seres humanos perciban mejor los cambios en el desarrollo de las situaciones si miraban grficos o incluso imgenes en movimiento animaciones generadas a partir de dichos datos, como las que se ejecutan en las animaciones de imgenes generadas por computadora. Tabla 1.1. Cronologa de la simulacin Ao
1942-1945 1950's 1961 1961-1979 1977 J 1980's 1990's-

Evento
J. V. Neumann S. Ulman desarrollan el mtodo de Montecarlo Estudios de capacidad de las lneas telefnicas G. Gordon disea el lenguaje de simulacin GPSS Impulso de los ordenadores por transistores, Conferencias sobre Aplicacin de la simulacin Henriksen mostr el pseudocdigo para la implementacin de modelos de simulacin de eventos discretos Nuevos lenguajes donde integran resultados de simulacin, animacin SIMAN IV y CINEMA IV. Surgen metodologas independientes del lenguaje de simulacin Nuevos sistemas donde el proceso de simulacin est totalmente integrado, acercamiento de la simulacin a la empresa privada

1.2.

Definiciones y Aplicaciones Definiciones Es una tcnica numrica para conducir experimentos en un computador digital, la cual incluye ciertos tipos de relaciones lgicas y matemticas necesarias para describir la estructura y comportamiento de un sistema complejo del mundo real sobre un periodo de tiempo.

Tambin se considera a la simulacin como un proceso para describir la esencia de la realidad, el cual incluye la construccin, experimentacin y manipulacin de un modelo complejo en un computador. Conjunto de relaciones lgicas, matemticas y probabilsimas que integran el comportamiento de un sistema bajo estudio cuando se presenta un evento determinado (Garca Dunna Eduardo. Garca reyes Heriberto y Crdenas Barrn Leopoldo Eduardo). Simulacin es una tcnica numrica para conducir experimentos en una computadora digital, estos experimentos comprenden ciertos tipos de relaciones matemticas y lgicas, las cuales son necesarias para describir el comportamiento y la estructura de sistemas complejos del mundo real a travs de largos periodos de tiempo (Thomas H. Naylor). Simulacin es el desarrollo de un modelo lgico matemtico de un sistema, de tal forma que se tiene una imitacin de la operacin de un proceso de la vida real o de un sistema a travs del tiempo. La simulacin involucra la generacin de una historia artificial de un sistema, la observacin de esta historia mediante la manipulacin experimental, nos ayuda a inferir las caractersticas operacionales de tal sistema (JERRY BANKS). Simulacin es una tcnica numrica para realizar experimentos en una computadora digital, estos experimentos involucran ciertos tipos de modelos matemticos y lgicos que describen el comportamiento de sistemas de negocios, econmicos, sociales, biolgicos, fsicos o qumicos a travs de largos periodos de tiempo (H. MAISEL y G. GNUGNOLI). Simulacin es el proceso de disear y desarrollar un modelo de un sistema o proceso real y conducir experimentos con el propsito de entender el comportamiento del sistema o evaluar varias estrategias (dentro de lmites impuestos por un criterio o conjunto de criterios) para la operacin del sistema (Robert. Shannon). Aplicaciones generales Sistemas de computacin: redes de ordenadores, componentes, programacin, bases de datos, fiabilidad. Fabricacin: manejo de materiales, lneas de montaje, equipos de almacenamiento, control de inventario, mantenimiento, distribucin en planta, diseo de mquinas Negocios: anlisis de existencias, poltica de precios, estrategias de marketing, estudios de adquisicin, anlisis de flujo de caja, prediccin, alternativas del transporte, planificacin de mano de obra.

Gobierno: armamento y su uso, tcticas militares, prediccin de la poblacin, uso del suelo, prevencin de incendios, servicios de polica, justicia criminal, diseo de vas de comunicacin, servicios sanitarios. Ecologa y medio ambiente: contaminacin y purificacin del agua, control de residuos, contaminacin del aire, control de plagas, prediccin del tiempo, anlisis de sismos y tormentas, exploracin y explotacin de minerales, sistemas de energa solar, explotacin de cultivos. Sociedad y comportamiento: estudios de alimentacin de la poblacin, polticas educativas, estructuras organizativas, anlisis de sistemas sociales, sistemas de asistencia social, administracin universitaria. Biociencias: rendimiento en el deporte, control de epidemias, ciclos de vida biolgicos, estudios biomdicos 1.3. Estructura y caractersticas de la simulacin de eventos discretos Sistema: La definicin bsica de sistema nos dice que se trata de un conjunto de elementos que se interrelacionan para funcionar como un todo; desde el punto de vista de la simulacin, tales elementos deben tener una frontera clara. Por ejemplo, podemos hablar del sistema de atencin de clientes en un banco, del sistema de inventarios de una empresa o del sistema de atencin en la sala de emergencia de un hospital.

Atributos: Un atributo es una caracterstica de una entidad. Por ejemplo, si la entidad es un motor, los atributos seran su color, peso, tamao o cilindraje. Los atributos son muy tiles para diferenciar entidades sin necesidad de generar una entidad nueva, y pueden adjudicarse al momento de la creacin de la entidad, o asignarse y/o cambiarse durante el proceso.

Son las caractersticas de las entidades, con las cuales se describen y diferencian. Por ejemplo, son atributos de los pacientes, como la edad, el sexo, la duracin de su enfermedad, la gravedad de sta y el cumplimiento del tratamiento.

Un atributo importante en las evaluaciones econmicas, fundamental en los estudios de costoutilidad, sera la calidad de vida. sta se puede estudiar de forma detallada incluyndola mediante un atributo.

Todas las entidades tienen los mismos tipos de atributos, pero con diferentes valores para cada entidad; los valores de los atributos estn, por tanto, ligados a una entidad concreta. Por

ejemplo, todos los pacientes tienen edad o presin arterial, pero cada uno posee un valor especfico. El atributo puede asignarse como un valor especfico, una muestra de una distribucin o el resultado de una expresin (p. ej., de una ecuacin condicional).

Existen varios tipos de atributos Tipos de Atributos

P: Parmetros son atributos fijados durante el diseo del sistema U: Variables de entradas o exgenos, fijadas por el entorno D: Variables de entradas fijadas por el usuario Y: Variables de salida son las variables de estado o combinacin de ellas correspondiente a medidas del sistema

Sucesos: Hechos que ocurren en un instante de tiempo y que dan lugar a cambios en el estado del sistema.

Colas: Estados pasivos de una entidad mientras espera el inicio de una actividad

Estados: Condiciones del modelo o sus entidades, de forma que se puede saber si una accin se puede ejecutar o si se puede elegir entre varias.

Reloj de simulacin Puesto que en este tipo de simulacin se est considerando la evolucin temporal del sistema, cuyo estado se modifica slo en instantes discretos de tiempo a causa de la aparicin de algn evento, ser necesario introducir un reloj de simulacin que registre el tiempo virtual transcurrido desde la puesta en marcha del sistema, y que permita referenciar el instante exacto en que ocurre cada uno de los eventos. Es importante no confundir el tiempo virtual

que marca el reloj de simulacin con el tiempo de computacin, el cual registra el tiempo real transcurrido desde que la simulacin se puso en marcha.

El tiempo marcado por el reloj de simulacin hace explcito el paso del tiempo a lo largo del modelo. Esto hace posible sealar el comienzo y el final de la simulacin, y la aparicin de eventos clnicos en su momento exacto, sin necesidad de ciclos de duracin fija. Esto permite una simulacin ms eficiente y realista en funcin de la aparicin de los eventos durante el curso de la enfermedad en los pacientes.

Tambin permite la creacin de relojes secundarios que marcan tiempos importantes, como la estancia hospitalaria, el tiempo de ausencia de efectos adversos o la supervivencia.

Puesto que los cambios en el sistema se producen slo cuando ocurre algn evento, queda claro que el estado del sistema no sufrir ninguna variacin entre 2 eventos consecutivos. Este hecho da sentido a una de las polticas ms habituales para controlar el reloj de simulacin: si se sabe que el evento n se acaba de producir en el instante virtual actual , y que el evento n + 1 se producir en el instante virtual , dado que entre ambos instantes no pasar nada de inters, se avanzar el reloj de simulacin hasta el instante tn+1, y se asignar dicho instante a la variable del programa que representa el reloj de simulacin. Tras avanzar el reloj hasta el instante , se lleva a cabo la actualizacin de las variables de estado y estadsticas del sistema. Este proceso de avance hasta el siguiente evento y actualizacin de variables se repite de forma indefinida hasta que se verifique alguna condicin de fin de la simulacin.

Entidades Son los elementos dinmicos que se simulan a travs del modelo, cambian de estatus, afectan y son afectados por otras entidades y son los protagonistas de los eventos clnicos de estudio del modelo.

Normalmente, en la simulacin de una enfermedad se representan pacientes, pero pueden representarse tambin distintos componentes, como enfermeras, familiares o mdicos. Estas entidades suponen una diferencia importante respecto a los rboles de decisin o a los modelos de Markov, en los cuales se especifican los resultados clnicos, estados o transiciones de los pacientes, pero stos en s no son caracterizados como elementos explcitos del modelo, tal como ocurre en los MSED.

Eventos Es todo aquello que puede ocurrir durante la simulacin en funcin del proceso que estamos estudiando. Por ejemplo, un evento puede ser un efecto adverso, una admisin hospitalaria, el alta del hospital, un cambio de dosis o una baja laboral. El concepto de evento va ms all de las transiciones de los modelos de Markov, ya que la aparicin de un evento no necesariamente implica el cambio de estado de salud del paciente (p. ej., una visita al mdico). A pesar de que hay una secuencia temporal dada, los eventos pueden suceder de forma casi simultnea y pueden hacerlo en cualquier secuencia lgica en relacin con la historia plausible del proceso de estudio (p. ej., fallo en un rgano diana o fallo multiorgnico en un paciente con sepsis). Al contrario que en los modelos de Markov, estos eventos no presentan ningn tipo de restriccin de memoria.

Los riesgos de que los diferentes eventos ocurran pueden tomar la forma de funciones dependientes de los datos y depender de algunos atributos y variables. Estas funciones pueden cambiar durante la simulacin.

Variables Las variables definen el modelo y reflejan una caracterstica del conjunto, no de entidades especficas. Son especificaciones que se mantienen a lo largo del modelo, aunque sus valores pueden cambiar durante el proceso de simulacin, y van a definir el entorno de la simulacin afectndolo a lo largo de todo el proceso. Las variables de uso comn son: el horizonte temporal (duracin de la simulacin), las tasas de descuento para los costos y los beneficios, las tasas de incidencia, la proporcin de cada tratamiento al inicio, la tasa de admisin o la perspectiva de uso. Slo hay una copia de cada variable que se mantiene para todo el modelo.

Recursos Definidos en un tiempo determinado, su consumo lleva asociado el gasto de una serie de unidades de dichos recursos en momentos de tiempo concretos. En el mbito sanitario estos recursos se pueden dividir en personas (mdicos, enfermeras, cuidadores), bienes (medicamentos, pruebas de laboratorio), espacios (camas hospitalarias, quirfanos) entre otros.

Algunos recursos pueden consumirse de manera simultnea en un momento dado, pero lo ms frecuente es que las entidades tengan que competir por estos recursos, que adems tienen un costo unitario de uso.

Un recurso puede tener diferentes unidades de capacidad (pensemos, por ejemplo, en las camas en una sala de emergencia o en el nmero de mdicos en una zona geogrfica determinada).

Acumuladores estadsticos Son variables que acumulan la informacin de lo que ha pasado sin participar en el suceso mismo, es decir, son pasivos. Dependen de la caracterizacin de los resultados pedidos al modelo. Al final de la simulacin, se usan para obtener el resultado final, y las medidas de stos (cocientes costo efectividad). Algunos ejemplos de acumuladores estadsticos son la supervivencia, los costos asociados a los pacientes o el nmero de visitas en un tiempo determinado.

Colas Cuando un paciente utiliza un determinado recurso, ste deja de estar disponible para el resto de los pacientes, lo cual puede generar colas en el sistema. Esta situacin no suele tenerse en cuenta en otro tipo de modelos, en los que los recursos parecen gozar de una capacidad infinita (lo cual est alejado de la mxima de la escasez de recursos en funcin de las necesidades de la poblacin, que es una caracterstica de la toma de decisiones en sanidad). Esta conceptualizacin est vinculada a la idea del costo de oportunidad de los recursos en la propia estructura del modelo.

Retrasos Se pueden generar 2 tipos de retrasos: explcitos, que son los que se generan por algn tipo de accin o proceso (p. ej., la duracin de los exmenes mdicos), e implcitos, causados por otras acciones o condiciones en la simulacin del modelo (p. ej., colas para acceder a una prueba diagnstica).

Cuando se escribe un programa de simulacin para MSED se puede realizar una aproximacin del esquema temporal de funcionamiento de las entidades en el sistema. As, deber describirse la secuencia de eventos y actividades que realizarn las entidades durante su estancia en el sistema y cmo se modificarn. Algunos de los sistemas ms estudiados son los problemas de colas que se aplican en determinadas situaciones, como la espera que deben tener los pacientes entre visita y visita, si los centros donde son tratados no pueden absorber toda su demanda (p. ej., en un centro e instante de tiempo slo puede ser tratado un paciente a la vez).

A modo de resumen, para llevar a cabo la simulacin del sistema se deben seguir una serie de etapas, ampliamente identificadas y discutidas en la literatura cientfica (Figura):

Clasificacin de modelos 1. Esttico. Las variables de estado no dependen del tiempo 2. Dinmico. El valor de las variables de estado es modificado en el tiempo 3. Determinista. Si el sistema no contiene ningn elemento aleatorio es un sistema determinstico. 4. Estocstico. En este caso algn elemento del sistema tiene una conducta aleatoria. Para valores de entradas conocidas no es posible asegurar los valores de salida. 5. Continuo. Se tiene un sistema continuo cuando las relaciones funcionales entre las variables del sistema slo permiten que el estado evolucione en el tiempo en forma continua (basta que una variable evolucione continuamente).Matemticamente, el estado cambia en infinitos puntos de tiempo.

6. Discreto. Se tiene un sistema discreto cuando las relaciones funcionales del sistema slo permiten que el estado vare en un conjunto finito (contable) de puntos temporales. Las causas instantneas de los cambios de estados se denominan eventos.

1.4. Sistemas, Modelos y Control Un Sistema se define como una coleccin de entidades (por ejemplo, personas, mquinas, etc.) que actan e interactan juntas para lograr un fin comn. En la prctica, qu se entiende por sistema?, depende de los objetivos del estudio particular que se pretenda hacer. El conjunto de entidades que componen el sistema para un estudio puede ser slo un conjunto de todas las entidades utilizadas para otro estudio.

Se puede definir el estado de un sistema con un conjunto de variables necesarias para describir el sistema en un punto particular de tiempo, relativo a los objetivos del estudio. Los sistemas se pueden clasificar en dos tipos, discretos y continuos. Un sistema discreto es aquel en el que las variables de estado cambian instantneamente en puntos separados en el tiempo. Un sistema continuo es aquel en el que las variables de estado cambian continuamente con respecto al tiempo. En la prctica muchos sistemas no son completamente discretos o continuos, usualmente es posible clasificarlos en base al tipo de cambios que predominen en el mismo.

En algunos momentos en la vida de un sistema es necesario estudiar el mismo para entender las relaciones entre sus componentes o predecir su comportamiento bajo nuevas condiciones que se consideran. Existen diferentes formas de estudiar un sistema (Figura 1.1):

Experimentar sobre el sistema actual frente a experimentar con un modelo del sistema. Lo primero es preferible siempre y cuando se pueda alterar el sistema con las nuevas condiciones y no sea muy costoso. Sin embargo es muy raro que esto se pueda llevar a cabo, ya que normalmente estos experimentos suelen ser muy costosos o muy destructivos para el sistema. Incluso puede ocurrir que el sistema no exista pero se quiera estudiar posibles alternativas de construccin del mismo (sistemas de fabricacin, armas nucleares, etc.). Por estas razones es necesario construir un modelo que represente al sistema y estudiar ste para poder responder a las cuestiones planteadas sobre el sistema.

Modelo fsico frente a modelo matemtico: Para muchos la palabra modelo, evoca imgenes de miniaturas, cabinas separadas de los aviones para el entrenamiento de los pilotos, etc. Estos son ejemplos de modelos fsicos (tambin conocidos como modelos icnicos). Sin embargo la mayora de los modelos construidos para estudiar los sistemas son matemticos, los cuales

representan un sistema en trminos de relaciones cuantitativas y lgicas que pueden ser cambiadas para ver cmo el modelo reacciona y ver as como debera comportarse el sistema, si el modelo es vlido.

Solucin Analtica frente a Simulacin: Una vez que se ha construido un modelo matemtico, ste debe examinarse para poder concluir el comportamiento del sistema y as responder a las cuestiones planteadas sobre el mismo. Si el modelo es simple, es posible trabajar con estas cantidades y relaciones y obtener una solucin analtica exacta. Sin embargo hay veces en las que obtener una solucin analtica resulta complejo y necesita muchos recursos de computacin. En estos casos el modelo puede ser estudiado por medio de simulacin, es decir, se ejercita el modelo numricamente por medio de entradas para ver cmo stas afectan a las medidas de salida o ejecucin.

Los modelos deben contener slo los aspectos esenciales del sistema real que representan. Aquellos aspectos del sistema que no contribuyen significativamente en su comportamiento no se deben incluir, ya que lo que haran sera obscurecer las relaciones entre las entradas y las salidas. En qu punto se debe parar de incluir realismo en el modelo? Esto depende del propsito para el cual el modelo se haya desarrollado.

Caractersticas que deben presentar los modelos: Deben ser fciles de entender y manejar. Deben ser simples y de costo no excesivo. Deben ser una buena aproximacin del sistema real, que controle el mayor nmero posible de aspectos del mismo y que stos contribuyan de forma significativa al sistema (hay relaciones en el sistema que no son significativas y pueden obviarse en el modelo).

El diseo y control de modelos de modelos obliga a tener conocimientos de cuatro reas de conocimiento distintas: Modelizacin: necesarios para disear el modelo que permita dar respuestas vlidas del sistema real que represente. El diseo es una fase muy importante, ya que los errores proporcionarn modelos falsos. Programacin: ya que el modelo se ha de implantar con un lenguaje de programacin. Probabilidad y Estadstica: la probabilidad es necesaria para definir y estudiar las variables aleatorias de las entradas, y la estadstica para permitir el diseo y anlisis de los experimentos. Mtodos Heursticos: para permitir llegar a una solucin buena del problema planteado.

Control: Es el elemento de verificacin de datos del sistema, mediante el cual, automticamente vuelve a traer los datos necesarios relacionados con la rutina de procedimiento que se controla. Un Sistema de Control est definido como un conjunto de componentes que pueden regular su propia conducta o la de otro sistema con el fin de lograr un funcionamiento predeterminado, de modo que reduzcan las probabilidades de fallos y se obtengan los resultados buscados. La finalidad de un sistema de control es conseguir, mediante la manipulacin de las variables de control, un dominio sobre las variables de salida, de modo que estas alcancen unos valores prefijados (consigna). 1.5. Mecanismos de tiempo fijo y tiempo variable Parte de la construccin de modelos es el mecanismo de avance de tiempo. Este depender de la aproximacin elegida para describir el comportamiento del sistema. Si se eligi la aproximacin de flujo fsico, este diagrama de flujo podra refinarse para convertirse en el diagrama de flujo del programa. Si se sigui la aproximacin de cambio de estado, el

diagrama de flujo desarrollado debera describir el procedimiento que efecta los cambios de estado en el tiempo. Otros dos factores inciden en la construccin del diagrama de flujo del programa: elegir un mecanismo de avance del tiempo y el lenguaje de programacin que se seleccione. Hay fundamentalmente dos formas de considerar el avance del tiempo en un modelo de simulacin: Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del modelo se comprueba despus de transcurrido cada uno de estos incrementos constantes. Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las comprobaciones y modificaciones de las variables afectadas se realizan slo despus de la ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la ocurrencia de un evento a otro. El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si se elige el incremento por eventos, el reloj se inicializa a 0, y se incrementa al siguiente tiempo en que vaya a ocurrir un suceso, en ese momento, en este momento de actualizacin del reloj se modifican las variables que se vean afectadas por la ocurrencia del suceso. Si por el contrario se elige un incremento de tiempo fijo, el reloj se inicia a 0 y se va actualizando cada vez que pase el incremento de tiempo fijado. En esos instantes se observar el sistema para realizar los cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o que por el contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender antes (por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir errores de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que sucede un suceso hasta que ste se computa (cuando el reloj se incrementa). Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido ningn suceso. Por el contrario si es demasiado grande se producirn muchos errores de redondeo y la dinmica del modelo ser ineficiente. Avance del reloj de simulacin segn los sucesos. Avance del reloj de simulacin en incrementos fijos.

1.6. Etapas de un Proyecto de simulacin 1. Definicin del sistema bajo estudio. En esta etapa es necesario conocer el sistema a modelar. Para ello se requiere saber qu origina el estudio de simulacin y establecer los supuestos del modelo: es conveniente definir con claridad las variables de decisin del modelo, determinar las interacciones entre stas y establecer con precisin los alcances y limitaciones que aquel podra llegar a tener. Antes de concluir este paso es recomendable contar con la informacin suficiente para lograr establecer un modelo conceptual del sistema bajo estudio, incluyendo sus fronteras y todos los elementos que lo componen, adems de las interacciones entre stos, flujos de productos, personas y recursos, as como las variables de mayor inters para el problema. 2. Generacin del modelo de simulacin base. Una vez que se ha definido el sistema en trminos de un modelo conceptual, la siguiente etapa del estudio consiste en la generacin de un modelo de simulacin base. No es preciso que este modelo sea demasiado detallado, pues se requiere mucha ms informacin estadstica sobre el comportamiento de las variables de decisin del sistema. La generacin de este modelo es el primer reto para el programador de la simulacin, toda vez que debe traducir a un lenguaje de simulacin la informacin que se obtuvo en la etapa de definicin del sistema, incluyendo las interrelaciones de todos los posibles subsistemas que existan en el problema a modelar. En caso de que se requiera una animacin, ste tambin es un buen momento para definir qu grfico puede representar mejor el sistema que se modela. Igual que ocurre en otras ramas de la investigacin de operaciones, la simulacin exige ciencia y arte en la generacin de sus modelos. El realizador de un estudio de simulacin es, en este sentido, como un artista que debe usar toda su creatividad para realizar un buen modelo que refleje la realidad del problema que se est analizando. Conforme se avanza en el modelo base se pueden ir incluyendo las variables aleatorias del sistema, con sus respectivas distribuciones de probabilidad asociadas. 3. Recoleccin y anlisis de datos. De manera paralela a la generacin del modelo base, es posible comenzar la recopilacin de la informacin estadstica de las variables aleatorias del modelo. En esta etapa se debe determinar qu informacin es til para la determinacin de las distribuciones de probabilidad asociadas a cada una de las variables aleatorias innecesarias para la simulacin. Aunque en algunos casos se logra contar con datos estadsticos, suele suceder que el formato de almacenamiento o de generacin de reportes no es el apropiado para facilitar el estudio. Por ello es muy importante dedicar el tiempo suficiente a esta actividad. De no contar con la informacin necesaria o en caso de desconfiar de la que se tiene disponible, ser necesario realizar un estudio estadstico del comportamiento de la variable que se desea identificar, para posteriormente incluirla en el modelo. El anlisis de los datos necesarios para

asociar una distribucin de probabilidad a una variable aleatoria, as como las pruebas que se debe aplicar a los mismos, se analizarn ms adelante. Al finalizar la recoleccin y anlisis de datos para todas las variables del modelo, se tendrn las condiciones necesarias para generar una versin preliminar del problema que se est simulando. 4. Generacin del modelo preliminar. En esta etapa se integra la informacin obtenida a partir del anlisis de los datos, los supuestos del modelo y todos los datos que se requieran para tener un modelo lo ms cercano posible a la realidad del problema bajo estudio. En algunos casos sobre todo cuando se trata del diseo de un nuevo proceso o esquema de trabajo no se cuenta con informacin estadstica, por lo que debe estimarse un rango de variacin o determinar (con ayuda del cliente) valores constantes que permitan realizar el modelado. Si ste es el caso, el encargado de la simulacin puede, con base en su experiencia, realizar algunas sugerencias de distribuciones de probabilidad que comnmente se asocien al tipo de proceso que se desea incluir en el modelo. Al finalizar esta etapa el modelo est listo para su primera prueba: su verificacin o, en otras palabras, la comparacin con la realidad. 5. Verificacin del modelo. Una vez que se han identificado las distribuciones de probabilidad de las variables del modelo y se han implantado los supuestos acordados, es necesario realizar un proceso de verificacin de datos para comprobar la propiedad de la programacin del modelo, y comprobar que todos los parmetros usados en la simulacin funcionen correctamente. Ciertos problemas, en especial aquellos que requieren muchas operaciones de programacin o que involucran distribuciones de probabilidad difciles de programar, pueden ocasionar que el comportamiento del sistema sea muy diferente del que se esperaba. Por otro lado, no se debe descartar la posibilidad de que ocurran errores humanos al alimentar el modelo con la informacin. Incluso podra darse el caso de que los supuestos iniciales hayan cambiado una o varias veces durante el desarrollo del modelo. Por lo tanto, debemos asegurarnos de que el modelo que se va a ejecutar est basado en los ms actuales. Una vez que se ha completado la verificacin, el modelo est listo para su comparacin con la realidad del problema que se est modelando. A esta etapa se le conoce tambin como validacin del modelo. 6. Validacin del modelo. El proceso de validacin del modelo consiste en realizar una serie de pruebas al mismo, utilizando informacin de entrada real para observar su comportamiento y analizar sus resultados. Si el problema bajo simulacin involucra un proceso que se desea mejorar, el modelo debe someterse a prueba con las condiciones actuales de operacin, lo que nos dar como resultado un comportamiento similar al que se presenta realmente en nuestro proceso. Por otro lado, si se est diseando un nuevo proceso la validacin resulta ms complicada. Una manera de validar el modelo en este caso, consiste en introducir algunos escenarios sugeridos por el

cliente y validar que el comportamiento sea congruente con las expectativas que se tienen de acuerdo con la experiencia. Cualquiera que sea la situacin importante que el analista conozca bien el modelo, de manera que pueda justificar aquellos comportamientos que sean contrarios a las experiencias de los especialistas en el proceso que participan de su validacin. 7. Generacin del modelo final. Una vez que el modelo se ha validado, el analista est listo para realizar la simulacin y estudiar el comportamiento del proceso. En caso de que se desee comparar escenarios diferentes para un mismo problema, ste ser el modelo raz; en tal situacin, el siguiente paso es la definicin de los escenarios a analizar. 8. Determinacin de los escenarios para el anlisis. Tras validar el modelo es necesario acordar con el cliente los escenarios que se quiere analizar. Una manera muy sencilla de determinarlos consiste en utilizar un escenario pesimista, uno optimista y uno intermedio para la variable de respuesta ms importante. Sin embargo, es preciso tomar en cuenta que no todas las variables se comportan, igual ante los cambios en los distintos escenarios, por lo que tal vez sea necesario que ms de una variable de respuesta se analice bajo las perspectivas pesimista, optimista e intermedia. El riesgo de esta situacin radica en que el analista podra caer en un diseo de experimentos capaz de generar una gran cantidad de rplicas, lo que redundara en un incremento considerable de costo, anlisis y tiempo de simulacin. Es por ello que muchos paquetes de simulacin cuentan con herramientas para realizar este proceso, eliminando la animacin y acortando los tiempos de simulacin. Estas herramientas permiten realizar varias rplicas del mismo escenario para obtener resultados con estadsticas importantes respecto de la toma de decisiones (por ejemplo, los intervalos de confianza).

Por su parte, el analista tambin puede contribuir a la seleccin de escenarios, sugiriendo aquellos que considere ms importantes; al hacerlo dar pie a que se reduzca el nmero de combinaciones posibles. 9. Anlisis de sensibilidad. Una vez que se obtienen los resultados de los escenarios es importante realizar pruebas estadsticas que permitan comparar los escenarios con los mejores resultados finales. Si dos de ellos tienen resultados similares ser necesario comparar sus intervalos de confianza respecto de la variable de respuesta final. Si no hay interseccin de intervalos podremos decir con certeza estadstica que los resultados no son iguales; sin embargo, si los intervalos se traslapan ser imposible determinar, estadsticamente hablando, que una solucin es mejor que otra. Si se desea obtener un escenario "ganador" en estos casos, ser necesario realizar ms rplicas de cada modelo y/o incrementar el tiempo de simulacin de cada corrida. Con ello se busca acortar los intervalos de confianza de las soluciones finales y, por consiguiente, incrementar la probabilidad de diferenciar las soluciones.

10. Documentacin del modelo, sugerencias y conclusiones. Una vez realizado el anlisis de los resultados, es necesario efectuar toda la documentacin del modelo.

Esta documentacin es muy importante, pues permitir el uso del modelo generado en caso de que se requieran ajustes futuros. En ella se deben incluir los supuestos del modelo, las distribuciones asociadas a sus variables, todos sus alcances y limitaciones y, en general, la totalidad de las consideraciones de programacin. Tambin es importante incluir sugerencias tanto del uso del modelo como sobre los resultados obtenidos, con el propsito de realizar un reporte ms completo. Por ltimo, debern presentarse asimismo las conclusiones del proyecto de simulacin, a partir de las cuales es posible obtener los reportes ejecutivos para la presentacin final.

Ventajas e inconvenientes de la simulacin de eventos discretos Como hemos visto hasta ahora, la simulacin es una de las diversas herramientas con las que cuenta el analista para tomar decisiones y mejorar sus procesos. Sin embargo, es necesario destacar que, como todas las dems opciones de que disponemos, la simulacin de eventos discretos presenta ventajas y desventajas que, es preciso tomar en cuenta al determinar si es apta para resolver un problema determinado.

Dentro de las ventajas ms comunes que ofrece la simulacin podemos citar las siguientes: a) Es muy buena herramienta para conocer el impacto de los cambios en los procesos sin necesidad de llevarlos a cabo en la realidad. b) Mejora el conocimiento del proceso actual al permitir que el analista vea cmo se comporta el modelo generado bajo diferentes escenarios. c) Puede utilizarse como medio de capacitacin para la toma de decisiones. d) Es ms econmico realizar un estudio de simulacin que hacer muchos cambios en los procesos reales. e) Permite probar varios escenarios en busca de las mejores condiciones de trabajo de los procesos que se simulan. f) En problemas de gran complejidad, la simulacin permite generar una buena solucin. g) En la actualidad los paquetes de software para simulacin tienden a ser ms sencillos, lo que facilita su aplicacin. h) Gracias a las herramientas de animacin que forman parte de muchos de esos paquetes es posible ver cmo se comportar un proceso una vez que sea mejorado.

Entre las desventajas que pueden llegar a presentar la simulacin estn: a) Aunque muchos paquetes de software permiten obtener el mejor escenario a partir de una combinacin de variaciones posibles, la simulacin no es una herramienta de optimizacin. b) La simulacin puede ser costosa cuando se quiere emplearla en problemas relativamente sencillos de resolver, en lugar de utilizar soluciones analticas que se han desarrollado de manera especfica para ese tipo de casos. c) Se requiere bastante tiempo generalmente meses para realizar un buen estudio de simulacin; por desgracia, no todos los analistas tienen la disposicin (o la oportunidad) de esperar ese tiempo para obtener una respuesta. d) Es preciso que el analista domine el uso del paquete de simulacin y que tenga slidos conocimientos de estadstica para interpretar los resultados.

Unidad II. Generacin de Nmeros Aleatorios En este captulo se discuten las tcnicas de transformacin inversa, el mtodo de convolucin y ms brevemente la tcnica de aceptacin-rechazo. Otra tcnica el mtodo de composicin, es discutida por Fisherman [1978] y Law y Kelton [1991]. Todas las tcnicas en este captulo consideran que se conoce como fuente la uniformidad U(0,1) de los nmeros aleatorios R1,R2,...., donde cada Ri tiene una funcin de densidad de probabilidad (FDP). ( ) [

Y la funcin de densidad acumulada de probabilidad (FDA) ( ) {

2.1. Nmeros aleatorios: definicin, propiedades, generadores y tablas Historia En el siglo XVII, un noble francs, Antoine Gombauld (1607-1684), puso en tela de juicio el fundamento matemtico del xito y fracaso en las mesas de juego. Formul esta pregunta al matemtico francs Balies Pascal (1623-1662): Cules son las posibilidades de que me salgan dos seises por lo menos una vez en veinticuatro lanzamientos de un par de dados?, Pascal resolvi el problema, pues la teora de la probabilidad empezaban a interesarle tanto como a Gombauld. Ambos compartieron sus ideas con el famoso matemtico Pierre de Fermat (16011665), y las cartas escritas por los tres constituyen la primera revista acadmica dedicada a la probabilidad. Algunos de los problemas que ellos resolvieron haban permanecido si solucin durante unos 300 aos. Sin embargo, ciertas probabilidades numricas para ciertas combinaciones de dados ya haban sido calculadas por Giordamo Cardano (1501-1576) y por Galileo Galileo (1564-1642).

Ms tarde, Jacob Bernoulli (1654-1705), Abraham de Moivre (1667-1754), el reverendo Thomas Bayes (1702-1761) y Joseph Lagrange (1736-1813) inventaron formulas y tcnicas de probabilidad. En el siglo XIX, Pierre Simn, marqus de Laplace (1749-1827), unifico esas primeras ideas y formul la primera teora general de la probabilidad, la cual fue aplicada inicialmente con buenos resultados a los juegos de azar; con el tiempo tambin se aplic en la bsqueda de soluciones analticas a problemas de naturaleza no determinstica. La teora de la probabilidad ha sido constantemente desarrollada desde el siglo XVII y ampliamente aplicada en diversos campos de estudio. Hoy es una herramienta importante en la mayora de las reas

de ingeniera, ciencias y administracin, y se constituye en la base para el estudio de las leyes de azar.

Definicin Los nmeros aleatorios son aquellos que pueden ser generados a partir de fuentes de aleatoriedad, las cuales, generalmente, son de naturaleza fsica (dados, ruletas, mecanismos electrnicos o mecnicos), y son gobernados por las leyes del azar; stos exhiben verdadera aleatoriedad en la realizacin de experimentos. Por su parte, los nmeros pseudo-aleatorios son aquellas que tienen un comportamiento similar a la naturaleza aleatoria, pero estn ceidos a un patrn, generalmente de naturaleza matemtica, que hace que su comportamiento sea determinante.

Los nmeros aleatorios son nmeros que deben de cumplir los requisitos de espacio equiprobable, es decir, que todo elemento tenga la misma probabilidad de ser elegido y que la eleccin de uno no dependa de la eleccin del otro. Son generados por medio de una funcin determinista (no aleatoria) y que aparentan ser aleatorios.

Propiedades de los nmeros aleatorios 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. Cualquier nmero que pertenezca al rango de inters debe tener la misma probabilidad de resultar sorteado. La distribucin de los nmeros debe ser uniforme en todo el intervalo [0,1]. La aparicin de un nmero en la secuencia, no afecta la probabilidad de sortear otro (o el mismo) nmero. Los nmeros deben ser independientes dentro de toda la serie generada. El ciclo del generador debe ser lo suficientemente grande. La serie debe volverse a repetir. Capaz de generar nmeros pseudo-aleatorios a altas velocidades. Requerir una mnima cantidad de la capacidad de memoria de Computadora Estadsticamente independientes. Su media debe ser estadsticamente igual a 1/2. Su varianza debe ser estadsticamente igual a 1/12. Su periodo o ciclo de vida debe ser largo. Deben ser generados a travs de un mtodo rpido. Generados a travs de un mtodo que no requiera mucha capacidad de almacenamiento de la computadora

Generadores de nmeros aleatorios Los mtodos para generar nmeros aleatorios involucran algn proceso fsico cuasi-aleatorio, que genera sucesiones de nmeros aleatorios de determinada longitud. El requisito general para las sucesiones es la independencia estadstica. Para esto, existen varios mtodos:

Mtodos manuales: Dispositivos mecnicos o electrnicos, lanzamientos de monedas o dados, empleo de barajas, ruletas. Son menos prcticos pero simples, lentos, atractivos, pedaggico. Pero no pueden reproducirse.

Tablas de bibliotecas: Generados por los mtodos anteriores. Estn en tablas. Siempre pueden reproducirse, pero es un sistema lento. Determinados problemas requieren ms nmeros aleatorios que los publicados.

Mtodos de computacin analgica: Dependen de procesos fsicos aleatorios, por ejemplo: el ruido trmico de un circuito con semiconductores, que convertido en un nmero binario, representa un valor numrico aleatorio. Se considera que conducen a verdaderos nmeros aleatorios.

Mtodos de computacin digital: Se han sugerido tres mtodos para producir nmeros aleatorios cuando se usan computadoras digitales; provisin externa, generacin interna, relacin de recurrencia.

En los modelos estocsticos existirn una o ms variable aleatorias interactuando. Estas variables siguen distribuciones de probabilidad tericas o empricas, diferentes a la distribucin uniforme (0-1). Para generar nmeros que sigan el comportamiento de stas variables, se pueden utilizar algunos mtodos como los siguientes: 1. Mtodo de la transformada inversa 2. Mtodo de rechazo 3. Mtodo de composicin, y 4. Procedimientos especiales

Existen en la actualidad tcnicas para generar con una computadora, variables aleatorias uniformemente distribuidas, r (en donde r 0 y 1 r). Los nmeros generados por estas subrutinas de computadora se denominan nmeros pseudo-aleatorios, porque se generan a partir de una frmula totalmente determinstica mediante la computacin. Sus propiedades

estadsticas, coinciden con las de los nmeros generados a travs de un dispositivo fortuito idealizado que selecciona nmeros de un intervalo unitario (0,1) de un modo independiente en donde son igualmente probables todos los nmeros. A condicin de que estos nmeros pseudo aleatorios puedan pasar el conjunto de pruebas estadsticas (las de frecuencia, auto correlacin, producto rezagado, corridas, de distancia y as sucesivamente) implicadas por un dispositivo fortuito idealizado, tales nmeros pseudoaleatorios se pueden tratar corno si "en realidad lo fueran" a pesar de que no lo son.

Ejemplos de aplicacin Simulacin: La reproduccin de fenmenos naturales necesita nmeros aleatorios. En Fsica los ejemplos clsicos: Fsica Estadstica, Fsica de Partculas Muestreo: Muchas veces es poco prctico examinar todos los casos posibles. Un muestreo aleatorio puede revelar un comportamiento tpico. Anlisis Numrico: Tcnicas numricas necesitan nmeros aleatorios Programacin de ordenadores: Tests de efectividad de algoritmos Toma de decisiones: Se rumorea que algunos ejecutivos tiran monedas al aire para tomar decisiones. Esttica: Un toque de aleatoriedad puede resultar agradable Juegos: De aqu proviene el propio mtodo para generacin de nmeros aleatorios

Generacin de nmeros pseudo-aleatorios Para realizar una simulacin se requieren nmeros aleatorios en el intervalo (0,1), a los cuales se har referencia como es decir, una secuencia que contiene n nmeros, todos ellos diferentes; n recibe el nombre de periodo o ciclo de vida del generador que cre la secuencia . Los constituyen la parte medular de la simulacin de procesos estocsticos, y generalmente se usan para generar el comportamiento de variables aleatorias, tanto continuas como discretas. Debido a que no es posible generar nmeros realmente aleatorios, consideramos los como nmeros pseudo aleatorios, generados por medio de algoritmos determinsticos que requieren parmetros de arranque. Para simular el comportamiento de una o ms variables aleatorias es necesario contar con un conjunto suficientemente grande de que permita, por ejemplo, que la secuencia tenga al menos un periodo de vida de . De acuerdo con L'Ecuyer una secuencia de con periodo de vida de es relativamente pequea; de hecho, incluso una secuencia de que contenga un ciclo de vida de se considera pequea. En la

actualidad contamos ya con generadores y procesadores capaces de construir una secuencia de con periodo de vida de . Algoritmo de cuadrados medios Este algoritmo no congruencial fue propuesto en la dcada de los cuarenta del siglo XX por Von Neumann y Metrpolism. Requiere un nmero entero detonador (llamado semilla) con D dgitos, el cual es elevado al cuadrado para seleccionar del resultado los D dgitos del centro; el primer nmero r se determina simplemente anteponiendo el "0."a esos dgitos. Para obtener el segundo se sigue el mismo procedimiento, slo que ahora se elevan al cuadrado los D dgitos del centro que se seleccionaron para obtener el primer Este mtodo se repite hasta obtener n nmeros A continuacin se presentan con ms detalle los pasos para generar nmeros con el algoritmo de cuadrados medios. 1. Seleccionar una semilla (Xo) con D dgitos (D > 3). 2. Sea Xo = resultado de elevar dgitos del centro. 3. Sea Y. = resultado de elevar =0.D dgitos del centro para toda al cuadrado; sea X, = los D dgitos del centro, y sea

al cuadrado; sea

= los D dgitos del centro, y sea

4. Repetir el paso 3 hasta obtener los n nmeros

deseados. agregue ceros a la

Nota: Si no es posible obtener los D dgitos del centro del nmero izquierda del nmero . Ejemplo 1. Generar los primeros 5 nmeros observar que D = 4 dgitos. a partir de una semilla

, de donde se puede

El algoritmo de cuadrados medios generalmente es incapaz de generar una secuencia de t con periodo de vida n grande. Adems, en ocasiones slo es capaz de generar un nmero, por ejemplo, si ;, entonces ; y se dice que el algoritmo se degenera con la semilla de

Algoritmo de productos medios

La mecnica de generacin de nmeros pseudo aleatorios de este algoritmo no congruencial es similar a la del algoritmo de cuadrados medios. La diferencia entre ambos radica en que el algoritmo de productos medios requiere dos semillas, ambas con D dgitos; adems, en lugar de elevarlas al cuadrado, las semillas se multiplican y del producto se seleccionan los D dgitos del centro, los cuales formarn el primer nmero pseudo aleatorio = 0.D dgitos. Despus se elimina una semilla, y la otra se multiplica por el primer nmero de D dgitos, para luego seleccionar del producto los D dgitos que conformarn un segundo nmero ri. Entonces se elimina la segunda semilla y se multiplican el primer nmero de D dgitos por el segundo nmero de D dgitos; del producto se obtiene el tercer nmero . Siempre se ir eliminando el nmero ms antiguo, y el procedimiento se repetir hasta generar n nmeros pseudo aleatorios. A continuacin se presentan con ms detalle los pasos del mtodo para generar nmeros con el algoritmo de producto medios. 1. Seleccionar una semilla (Xo) con D dgitos (D > 3). 2. Seleccionar una semilla (X}) con D dgitos (D > 3). 3. Sea 4. Sea ( centro para toda ; sea = los D dgitos del centro, y sea = los D dgitos del centro, y sea dgitos del centro. dgitos del

) sea

5. Repetir el paso 4 hasta obtener los n nmeros r deseados. Nota: Si no es posible obtener los D dgitos del centro del nmero /^agregue ceros a la izquierda del nmero Ejemplo 2. Generar los primeros 5 nmeros a partir de las semillas que ambas semillas tienen D = 4 dgitos. y ; observe

Algoritmo de multiplicador constante Este algoritmo no congruencial es similar al algoritmo de productos medios. Los siguientes son los pasos necesarios para generar nmeros pseudo aleatorios con el algoritmo de multiplicador constante. 1. Seleccionar una semilla (Xo) con D dgitos (D > 3). 2. Seleccionar una constante (a) con D dgitos (D > 3). 3. Sea 4. Sea para toda ; sea X, = los D dgitos del centro, y sea ; sea = los D dgitos del centro, y sea dgitos del centro. dgitos del centro

5. Repetir el paso 4 hasta obtener los n nmeros

deseados. agregue ceros a la

Nota: Si no es posible obtener los D dgitos del centro del nmero izquierda del nmero Ejemplo 3

Generar los primeros 5 nmeros ri a partir de la semilla Xo = 9 803 y con la constante a = 6 965. Observe que tanto la semilla como la constante tienen D = 4 dgitos.

Algoritmo lineal Este algoritmo congruencial fue propuesto por D. H. Lehmer15' en 1951. Segn Law y Kelton, este algoritmo ha sido el ms usado. El algoritmo congruencial lineal genera una secuencia de nmeros enteros por medio de la siguiente ecuacin recursiva: ( ) ( )

Donde es la semilla, a es la constante multiplicativa, c es una constante aditiva y m es el mdulo; X_o >0, a>0, c>0 y m>0 deben ser nmeros enteros. La operacin "mod m" significa multiplicar por a, sumar c y dividir el resultado entre m para obtener el residuo . Es importante sealar que la ecuacin recursiva del algoritmo congruencial lineal genera una secuencia de nmeros enteros y que para obtener nmeros pseudo aleatorios en el intervalo (0,1) se requiere la siguiente ecuacin

Ejemplo 4 Generar 4 nmeros entre (0<A<1) con los siguientes parmetros: 100. = 37, a= 19, c=33 y m =

En el ejemplo anterior se colocaron de manera arbitraria cada uno de los parmetros requeridos^, a, c, m. Sin embargo, para que el algoritmo sea capaz de lograr el mximo periodo de vida n, es preciso que dichos parmetros cumplan ciertas condiciones. Banks, Carson, Nelson y Nicol sugieren lo siguiente.

Bajo estas condiciones se obtiene un periodo de vida mximo ejemplo ms, tomando en cuenta lo anterior. Ejemplo 5

. Veamos un

Generar suficientes nmeros entre (0 y 1) con los parmetros y , hasta encontrar el periodo de vida mximo (N). Como podemos ver, si se cumplen las condiciones que Banks, Carson, Nelson y Nicol sugieren, se lograr el periodo mximo . A continuacin se presenta el desarrollo de la generacin de los nmeros r.

2.2. Propiedades de los nmeros atorios Las propiedades de los nmeros aleatorios, son las que se muestran a continuacin: Los nmeros deben estar uniformemente distribuidos es decir, los nmeros aleatorios pueden estar entre 0 y 1, y en algn momento sern 0 o 1. La media establecida por los nmeros aleatorios debe ser de 0.5. = 0.5. La probabilidad de salir un nmero de forma aleatoria es: , debe estar entre 0 y 1. La desviacin estndar de los nmeros aleatorios debe ser de aproximadamente 0.29, es decir Son estadsticamente independientes. Sin repeticin dentro de una longitud determinada de la sucesin. Los nmeros aleatorios debe ser reproducibles, es decir, la misma semilla utilizada para generar los nmeros aleatorios debe dar la misma sucesin.

Prueba de pker utilizado como mtodo de independencia estadstica en nmeros aleatorios. La varianza de los nmeros aleatorios debe ser de 1/12. Es impredecible conocer qu valor va a tener cada nmero aleatorio y cul va a ser su secuencia

Propiedades de los nmeros pseudoaleatorios Es deseable que los nmeros pseudoaleatorios uniformes posean las siguientes caractersticas: Uniformemente distribuidos. Estadsticamente independientes. Reproducibles. Periodo largo. Generados mediante un mtodo rpido. Generados mediante un mtodo que no requiera mucha capacidad de almacenamiento de la computadora.

2.3. Pruebas estadsticas de aleatoriedad para los nmeros pseudoaleatorios: de medias, de varianza, de independencia y de bondad de ajuste. Existen algunos mtodos disponibles para verificar varios aspectos de la calidad de los nmeros pseudoaleatorios. Si no existiera un generador particular de nmeros aleatorios disponible, se le recomienda al analista usar estos mtodos cuando se realice una simulacin. Una de las propiedades que deben cumplir los nmeros del conjunto , es que el valor esperado sea igual a 0.5. La prueba que busca determinar lo anterior es la llamada prueba de medias, en la cual se plantean las siguientes hiptesis:

La prueba de medias consiste en determinar el promedio de los n nmeros que contiene el conjunto , mediante la ecuacin siguiente:

Posteriormente se calculan los lmites de aceptacin inferior y superior con las ecuaciones siguientes:

( (

) )

Si el valor de r se encuentra entre los lmites de aceptacin, concluimos que no se puede rechazar que el conjunto tiene un valor esperado de 0.5 con un nivel de aceptacin de . En caso contrario se rechaza que el conjunto ri tiene un valor esperado de 0.5. Para el clculo de los lmites de aceptacin se utiliza el estadstico por medio de la tabla de distribucin normal estndar. Ejemplo
.

, el cual se determina

( (

) )

( (

) )

Prueba de variancia Consiste en verificar si los nmeros aleatorios generados tienen una variancia de 0.083, del tal forma que la hiptesis queda expresada como: ( ) ( ) Paso: 1 calcular la varianza de los nmeros aleatorios

( ) Paso: 2 calcular los lmites de aceptacin

(
( )

) )

( (

) )

( )

Paso: 3 Si V(x) se encuentra entre los valores de los lmites, aceptamos la hiptesis nula y los nmeros aleatorios tienen una varianza estadsticamente igual.

Ejemplo. Realice la prueba de varianza a los siguientes 30 nmeros con nivel de confianza del 95%
0.72484 0.71890 0.34565 0.82345 0.03991 0.48999 0.61234 0.02345 0.12387 0.10461 0.50502 0.86322 0.67347 0.05389 0.93716 0.39528 0.94134 0.10987 0.82474 0.16894 0.36782 0.99872 0.25678 0.59289 0.98953 0.90234 0.27657 0.25593 0.36782 0.73231

(
( )

) ) ( ) ) ( ) ( ) ) ( )

( (

( )

Por lo tanto el valor se encuentra dentro de los limites por lo que aceptamos que la varianza de la muestra es estadsticamente igual a Pruebas de independencia Las pruebas de independencia consisten en demostrar que los nmeros generados son estadsticamente independientes entre s, esto es, que no depende uno de otro. Para esto se propone la siguiente hiptesis: Independiente Dependiente

Para realizar esta prueba de hiptesis existen varios mtodos, puede seleccionarse cualquiera de la siguiente lista: i. ii. iii. iv. v. vi. vii. Prueba de pker. Prueba de corridas arriba y abajo. Prueba de corridas arriba y abajo de la media. Prueba de la longitud de las corridas. Prueba de distancia. Prueba de series. Prueba de huecos.

Los procedimientos para demostrar la independencia utilizando 3 de ellas son los siguientes: Prueba de pker Independiente Dependiente Paso 1 Calcular las probabilidades esperadas para un juego de pker con 5 cartas numeradas del O al 9 con remplazo, se tienen 7 eventos o intervalos, con las siguientes probabilidades: ( ( ( ( ( ( ( ) ) ) ) ) ) )

Paso 2 Calcular la frecuencia esperada de cada uno de los eventos ( ) multiplicando la probabilidad de cada evento por el nmero de nmeros aleatorios generados.

Paso 3 Para cada nmero aleatorio generado verificar (imaginando que es una mano de pker) si es Pachuca, un par, dos pares, etctera, tomando los primeros cinco dgitos a la derecha del punto decimal. Por ejemplo, 0.03408 es un par, 0.44343 es un full, 0.00321 dos pares, etctera. Con

esos resultados se generan una tabla de frecuencias de estos eventos. La frecuencia observada de cada uno de los eventos se conoce como (FO). Paso 4 Calcular el estadstico C con la ecuacin 3.8 con .

Paso 5 Si el valor de C es menor o igual al estadstico de tablas con 6 grados de libertad y una probabilidad de rechazo a, entonces se acepta que los datos son estadsticamente independientes entre s.

Ejemplo. Realice la prueba de pker a los siguientes 30 nmeros con un nivel de confianza del 95%.

Agrupando los nmeros de acuerdo con sus dgitos, como si fuera una mano de pker se obtiene la siguiente tabla de frecuencias:
Intervalo Pachuca Un par Dos pares Una tercia Full Pker Quintilla FO 14 15 1 1 0 0 0 PE 0.3024 0.5040 0.1080 0.0720 0.0090 0.0045 0.0001 FE=n*PE) 9.072 15.120 3.240 2.160 0.270 0.135 .003

El clculo de C utilizando de nuevo la ecuacin es igual a 4.25 que comparado contra el valor de tablas con grados de libertad, y con un nivel de 5%, que es igual a 12.59, indica que los nmeros generados son estadsticamente independientes. ( )

La prueba de Kolmogorov-Smirnov Esta prueba compara la fdp (funcin de densidad de probabilidad) uniforme con el fdp (funcin de densidad de probabilidad) emprico, N observaciones. Por definicin ( ) Conforme N crece, nula sea verdadera. ( ) deber tener una mejor aproximacin de ( ) dado que la hiptesis ( ), de la distribucin ( ) de una muestra de

( ) La prueba Kolmogorov-Smirnov est basada en la desviacin mxima absoluta entre ( ) sobre el rango de la variable aleatoria- Esto es, basado en la estadstica. | ( ) ( )| ( )y

La distribucin de la muestra D es conocida y es tabulada como una funcin de N en la tabla Kolmogorov-Smirnov. Para probar contra una fdp uniforme, el procedimiento sigue los pasos siguientes: Paso 1: Ordene los datos en forma ascendente. Sea tal que Paso 2: Usando la fdp terica [ [ , en la ms pequea observacin,

( ), calcule ] ]

Paso 3: Calcule

) de la tabla para un nivel de significancia y un tamao

Paso 4: Encuentre el valor crtico de muestra N.

Paso 5: Si al valor crtico , acepte la distribucin candidato como aquella que tiene un buen ajuste a los datos observados; de otra forma rechace.

Esta prueba est basada en la desviacin absoluta mayor entre las fdp emprica y terica para todo valor dado de Esta desviacin es comparada con los valores crticos de tabulados para determinar si la desviacin puede ser atribuida a los efectos aleatorios y por lo tanto sea una distribucin candidato a ser aceptada tener un buen ajuste a los datos observados. Ms especficamente, la prueba tiene los pasos siguientes:

Ejemplo: En este ejemplo se usa la prueba para examinar bajo un nivel de significancia de si un conjunto de datos representa nmeros aleatorios (por ejemplo esta la distribucin uniforme entre 0 y 1). Suponga que cinco datos son dados: 0.53, 0.35, 0.03, 0.94, y 0.22 Solucin. Para la distribucin Uniforme la fdp es ( ) Para este caso particular . Por lo tanto ( ) en forma ascendente y se realizan los clculos relativos. La tabla siguiente resume los clculos realizados:
( ) 1 2 3 4 5 0.03 0.22 0.35 0.53 0.94 0.20 0.40 0.60 0.80 1.00 ( ( )) 0.17 0.18 0.25 0.27 0.06 ( ) ( 0.03 0.02 -0.05 -0.07 -0.14 )

. Ahora se ordenan los valores

1 de la De acuerdo a los clculos ( ) . El valor crtico de tabla en el apndice de tablas para un tamao de 5 y un nivel de significancia de 0.05 es . Debido a que D es menor que este valor crtico, la hiptesis de que los datos dados pertenecen a una distribucin Uniforme es aceptada.

EJEMPLO 5. Efectuar la prueba de Kolmogorov Smirnov a la siguiente muestra de nmeros aleatorios uniformes.
0.15 0.26 0.33 0.25 0.18 0.31 0.34 0.49 0.83 0.11 0.81 0.70 0.77 0.68 0.03 0.48 0.31 0.04 0.97 0.59 0.01 0.07 0.43 0.11 0.25 0.60 0.06 0.92 0.00 0.55

KS kolmorov Smirnov

Sustituyendo los valores en las frmulas correspondientes se tiene que:

i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 ( 0.00 0.01 0.03 0.04 0.06 0.07 0.11 0.11 0.15 0.18 0.25 0.25 0.26 0.31 0.33 0.34 0.34 0.43 0.48 0.49 0.55 0.59 0.60 0.68 0.70 0.77 0.81 0.83 0.92 0.97 0.03 0.07 0.10 0.13 0.17 0.20 0.23 0.27 0.30 0.33 0.36 0.40 0.43 0.47 0.50 0.53 0.57 0.60 0.63 0.67 0.70 0.73 0.77 0.80 0.83 0.87 0.90 0.93 0.97 1.00 ) ( 0.03 0.06 0.07 0.09 0.11 0.13 0.12 0.16 0.15 0.15 0.11 0.15 0.17 0.16 0.17 0.19 0.23 0.17 0.15 0.18 0.15 0.14 0.17 0.12 0.13 0.1 0.09 0.1 0.05 0.03 )

Siguiendo con el paso 4 | ( )|

Comparamos el valor (calculado) contra el valor en tablas de la distribucin KolmogorovSmirnov con y un nivel de significancia el cual es , como 0.23 es menor que 0.242, entonces, no se puede rechazar la uniformidad de los nmeros aleatorios.

Prueba de bondad de ajuste ji cuadrada. Procedimiento: 1. Generar la muestra de nmeros aleatorios de tamao N. 2. Subdividir el intervalo [0,1] en n sub-intervalos. 3. Para cada sub-intervalo contar la frecuencia observada y calcular la frecuencia esperada FE de nmeros aleatorios, la cual se obtiene dividiendo N/n. 4. Calcular el estadstico de prueba. ( )

5. Comparar el valor calculado contra el valor tabulado de la distribucin con ( ) grados de libertad y una significancia ?. Si es menor que entonces no se puede rechazar la uniformidad de los nmeros aleatorios. EJEMPLO 4. Realizar la prueba de bondad de ajuste Ji-cuadrada a la siguiente muestra de tamao 30 de nmeros aleatorios uniformes.
0.15 0.26 0.33 0.25 0.18 0.31 0.34 0.49 0.83 0.11 0.81 0.70 0.77 0.68 0.03 0.48 0.31 0.04 0.97 0.59 0.01 0.07 0.43 0.11 0.25 0.60 0.06 0.92 0.00 0.55

INTERVALO 0.00 - 0.20 0.21 - 0.40 0.41 - 0.60 0.61 - 0.80 0.81 - 1.00

FE 6 6 6 6 6

FO 10 7 6 3 4

( 2.67 0.17 0.00 1.50 0.67

Sea = 5%. Tenemos ( distribucin Ji cuadrada es:

) grados de libertad, es decir

. El valor en tablas de la

Como es menor que es decir; 5.01 es menor que 9.49, entonces no se puede rechazar la uniformidad de los nmeros aleatorios. Corridas por arriba y por abajo del promedio Procedimiento Generar la muestra de tamao N de nmeros aleatorios. Con base en esta muestra, obtener una nueva sucesin binaria, segn el criterio siguiente: Si es menor o igual a 0.50 entonces asignarle a el smbolo 0. Si es mayor a 0.50 entonces asignarle a: el smbolo 1. La frecuencia esperada para cada longitud de corrida i, es:
( )

EJEMPLO 6. Dada la siguiente muestra de tamao 30 de nmeros aleatorios, aplicar la prueba de corridas, para la independencia
0.15 0.26 0.33 0.25 0.18 0.31 0.34 0.49 0.83 0.11 0.81 0.31 0.77 0.68 0.03 0.48 0.70 0.04 0.97 0.59 0.01 0.07 0.43 0.11 0.25 0.60 0.06 0.92 0.00 0.55

Comparando los nmeros aleatorios segn el criterio establecido, se obtiene la siguiente sucesin binaria. Leyendo de izquierda a derecha se agrupan los smbolos del mismo tipo para formar las corridas.
0 0 0 0 0 0 0 0 1 0 1 0 1 1 0 0 1 0 1 1 0 0 0 0 0 1 0 1 0 1

En la siguiente tabla se resume la informacin necesaria para el clculo de la Ji-cuadrada.

Longitud de corrida i 1 2 3 FE 8.000 3.875 1.875 FO 9 3 2 ( 0.125 0.197 0.008 )

4 5

0.906 0.438

1 1

0.010 0.721

Como para las longitudes de corrida ; las frecuencias observadas son menores o igual a cinco, agrupamos estas longitudes de corridas en una sola longitud de corrida? 2. i 1 >=2 FE 8 7.04 FO 9 7 ( 0.125 0.936 )

El valor en tablas de nmeros aleatorios.

; entonces no se puede rechazar la independencia de los

Corridas ascendentes y descendentes Procedimiento 1. 2. Generar la muestra de tamao N de nmeros aleatorios. Construir la sucesin binaria de acuerdo al siguiente criterio: Si es menor o igual a rj+1 entonces asignarle a el smbolo Si es mayor que entonces asignarle al el smbolo .

Con base en la distribucin efectuar la prueba, donde la frecuencia esperada de las longitudes de corrida se calcular con: |( ) ( ( ) )|

EJEMPLO 7. Aplicar la prueba de las corridas ascendentes y descendentes a la muestra de nmeros aleatorios del ejemplo anterior. Compararemos a los nmeros por fila, pero es indistinto hacerlo por columna.
0.15 0.26 0.33 0.25 0.18 0.31 0.34 0.49 0.83 0.11 0.81 0.70 0.77 0.68 0.03 0.48 0.31 0.04 0.97 0.59 0.01 0.07 0.43 0.11 0.25 0.60 0.06 0.92 0.00 0.55

Ahora la sucesin binaria es

0 0 0 0 1 0 0 0 1 1 1 0 1 0 0 1 1 0 1 1 0 1 1 1 0 1 0 1 0

Obsrvese que la ltima celda se deja en blanco, pues no hay con qu nmero comparar. (Aqu N = 29) Longitud de corrida i 1 2 3 4 5 FE 11.500 5.083 1.400 0.292 0.005 FO 11 5 2 (FE-FO)2/FE 0.020 0.001 0.257

i 1 >=2

FE 11.500 6.483

FO 11 7

(FE-FO)2/FE 0.020 0.004 X02 = 0.024

Como el valor calculado de 0.024 es menor que el valor en tablas de Ji-cuadrada , no se puede rechazar la independencia de los nmeros aleatorios.

2.4. Obtencin de nmeros pseudoaleatorios utilizando paquetes computacionales. Los lenguajes precursores en Simulacin fueron los de propsito general, entre ellos por mencionar solo algunos tenemos: FORTRAN, ALGOL, COBOL, RPG, BASIC, PASCAL, MODULA, PL/1, etc. Los principales lenguajes utilizados en Simulacin son:

Simulacin de cambio continuo y de cambio discreto en computadoras hbridas H01; Simulacin de incremento continuo con orientacin a ecuaciones directas con nfasis en ecuaciones diferenciales DSL/90, MIMIC, BHSL, DIHYSYS y S/360 CSMP; Simulacin de

incremento continuo con simuladores orientados a bloques con nfasis en ecuaciones diferenciales MIDAS, PACTOLUS, SCADS, MADBLOC, COBLOC y 1130 CSMP; Simulacin de incremento continuo con simuladores orientados a bloques con nfasis en ecuaciones de diferencias DYNAMO, DYSMAP 2; Simulacin de incremento discreto con orientacin a actividades CSL, CLP, GSP, GERT, FORSIM, ESP, MONTECODE y MILITRAN; Simulacin de incremento discreto con orientacin a eventos SIMSCRIPT, GASP, SIMCOM, SIMULATE y SIMPAC; Simulacin de incremento discreto con orientacin a procesos SIMULA, OPS, SLAM y SOL; Simulacin de incremento discreto con orientacin a flujo de transacciones GPSS y BOS. Los paquetes de mayor utilizacin en Simulacin son: EXCEL, STELLA, SIMAN, RISK, STORM, LINDO, CRYSTAL BALL, QSB, MOR/DS, OR/MS, BEER GAME, GREENPACE, SIMULACION, TAYLOR II, CAPRE, SIMNET II, PROMODEL, ITHINK, URBAN DYNAMICS y POWERSIM. En Simulacin Gerencial podemos citar: FISH BANK, FINANACAT, BUGA-BUGA y MARKOPS, TREE PLAN entre otros.

2.5. Mtodo de Monte Carlo El mtodo Montecarlo es un mtodo numrico que permite resolver problemas fsicos y matemticos mediante la simulacin de variables aleatorias. Lo vamos a considerar aqu desde un punto de vista didctico para resolver un problema del que conocemos tanto su solucin analtica como numrica. El mtodo Montecarlo fue bautizado as por su clara analoga con los juegos de ruleta de los casinos, el ms clebre de los cuales es el de Montecarlo, casino cuya construccin fue propuesta en 1856 por el prncipe Carlos III de Mnaco, siendo inaugurado en 1861. La importancia actual del mtodo Montecarlo se basa en la existencia de problemas que tienen difcil solucin por mtodos exclusivamente analticos o numricos, pero que dependen de factores aleatorios o se pueden asociar a un modelo probabilstica artificial (resolucin de integrales de muchas variables, minimizacin de funciones, etc.). Gracias al avance en diseo de los ordenadores, clculos Montecarlo que en otro tiempo hubieran sido inconcebibles, hoy en da se presentan como asequibles para la resolucin de ciertos problemas. En estos mtodos el error , donde N es el nmero de pruebas y, por tanto, ganar una cifra decimal en la precisin implica aumentar N en 100 veces. La base es la generacin de nmeros aleatorios de los que nos serviremos para calcular probabilidades. Conseguir un buen generador de estos nmeros as como un conjunto estadstico adecuado sobre el que trabajar son las primeras dificultades con la nos vamos a encontrar a la hora de utilizar este mtodo. En el caso que presentamos hemos hecho uso de la funcin random(x) incluida en la clase Math que la mquina virtual Java trae por defecto como generador. Las pruebas realizadas, algunas de las

cuales se propondrn como ejercicio, verifican su calidad a la hora de calcular nmeros aleatorios sin tendencia aparente a la repeticin ordenada. El mtodo de Montecarlo permite resolver problemas matemticos mediante la simulacin de variables aleatorias. John Von Neumann, en los aos 40 y con los primeros ordenadores, aplica la simulacin para resolver problemas complejos que no podan ser resueltos de forma analtica. Montecarlo y su casino estn relacionados con la simulacin. La ruleta, juego estrella de los casinos, es uno de los aparatos mecnicos ms sencillos que nos permiten obtener nmeros aleatorios para simular variables aleatorias. Ejemplo

Una cadena de distribucin de material informtico ha de decidir cuantas licencias de un nuevo sistema operativo ha de comprar para maximizar su beneficio. Dispone de informacin histrica que le informa sobre la probabilidad de vender cierto nmero de copias. El costo de adquisicin de cada licencia es de 75 , el precio de venta de 100 . Cuando salga a la venta el nuevo S.O. el almacn podr devolver al fabricante las copias no vendidas obteniendo un ingreso de 25 por cada licencia devuelta.

nLic.Vendidas Prob. 100 0.30 150 0.20 200 0.30 250 0.15 300 0.05

Prob. Acum. 0.30 0.50 0.80 0.95 1.00

Ext.Inf.Interv. 0.00 0.30 0.50 0.80 0.95

Ext.Sup.Interv. 0.30 0.50 0.80 0.95 1.00

nLic.Vendidas 100 150 200 250 300

Costo de cada licencia Precio de venta unitario Ingresos por devolucin Cantidad Lic. a comprar B Media muestral Desv. Estandar Mx. B Mn. B Nivel significacin (alpha) Amplitud intervalos confianza

75.00 100.00 25.00 200 1,625 3175.724685 5000 -2500 0.05 622.43

IC para la madia a nivel (1-alpha)%

1,002.57 2,247.43

Resumen de escenario Celdas cambiantes: nLic.Vendidas Celdas de resultado: B Media muestral Desv. Estandar Mx. B Mn. B Nivel significacin (alpha) Amplitud intervalor confianza IC para la madia a nivel (1alpha)%

Vtas. Bajas

Vtas. Medio Bajas

Vtas. Medias

Vtas. Medio Altas

Vtas. Altas

100 2,500 0 2500 2500 0.05 - 2,500.00 2,500.00

150 2,646 1721.320178 3750 0 0.05 33.63 2,626.12 2,688.05

200 2,033 3279.37797 5000 -2500 0.05 63.98 1,950.91 2,125.47

250 267 4155.016529 6250 -5000 0.05 82.51 129.47 319.45

300 2,053

4530.576624 7500 -7500 0.05 88.74 - 2,144.08 - 2,013.20

Aleat. 0.984 0.215 0.476 0.725 0.368 0.416 0.124 0.452 0.376 0.626 0.907 0.076 0.648 0.289 0.952 0.308 0.724 0.209 0.965 0.254 0.273 0.178 0.343 0.439 0.048

Vtas. 200 100 150 200 150 150 100 150 150 200 200 100 200 100 200 150 200 100 200 100 100 100 150 150 100

Dev. 0 100 50 0 50 50 100 50 50 0 0 100 0 100 0 50 0 100 0 100 100 100 50 50 100

Costo 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000

Ing. Vtas 20,000 10,000 15,000 20,000 15,000 15,000 10,000 15,000 15,000 20,000 20,000 10,000 20,000 10,000 20,000 15,000 20,000 10,000 20,000 10,000 10,000 10,000 15,000 15,000 10,000 -

Ing. Dev. 2,500.00 1,250.00 - 1,250.00 1,250.00 2,500.00 1,250.00 1,250.00 - - 2,500.00 - 2,500.00 - 1,250.00 - 2,500.00 - 2,500.00 2,500.00 2,500.00 1,250.00 1,250.00 2,500.00

Benef, 5,000 - 2,500 1,250 5,000 1,250 1,250 - 2,500 1,250 1,250 5,000 5,000 - 2,500 5,000 - 2,500 5,000 1,250 5,000 - 2,500 5,000 - 2,500 - 2,500 - 2,500 1,250 1,250 - 2,500

0.247 0.371 0.931 0.741 0.577 0.5 0.273 0.685 0.063 0.521 0.164 0.402 0.168 0.875 0.928 0.803 0.13 0.338 0.031 0.699 0.531 0.68 0.081 0.23 0.493 0.259 0.927 0.205 0.538 0.057 0.853 0.361 0.305 0.945 0.362 0.317 0.874 0.232 0.757 0.25 0.923 0.055 0.255 0.297 0.778

100 150 200 200 200 150 100 200 100 200 100 150 100 200 200 200 100 150 100 200 200 200 100 100 150 100 200 100 200 100 200 150 150 200 150 150 200 100 200 100 200 100 100 100 200

100 50 0 0 0 50 100 0 100 0 100 50 100 0 0 0 100 50 100 0 0 0 100 100 50 100 0 100 0 100 0 50 50 0 50 50 0 100 0 100 0 100 100 100 0

15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000

10,000 15,000 20,000 20,000 20,000 15,000 10,000 20,000 10,000 20,000 10,000 15,000 10,000 20,000 20,000 20,000 10,000 15,000 10,000 20,000 20,000 20,000 10,000 10,000 15,000 10,000 20,000 10,000 20,000 10,000 20,000 15,000 15,000 20,000 15,000 15,000 20,000 10,000 20,000 10,000 20,000 10,000 10,000 10,000 20,000

2,500.00 1,250.00 - - - 1,250.00 2,500.00 - 2,500.00 - 2,500.00 1,250.00 2,500.00 - - - 2,500.00 1,250.00 2,500.00 - - - 2,500.00 2,500.00 1,250.00 2,500.00 - 2,500.00 - 2,500.00 - 1,250.00 1,250.00 - 1,250.00 1,250.00 - 2,500.00 - 2,500.00 - 2,500.00 2,500.00 2,500.00 -

- 2,500 1,250 5,000 5,000 5,000 1,250 - 2,500 5,000 - 2,500 5,000 - 2,500 1,250 - 2,500 5,000 5,000 5,000 - 2,500 1,250 - 2,500 5,000 5,000 5,000 - 2,500 - 2,500 1,250 - 2,500 5,000 - 2,500 5,000 - 2,500 5,000 1,250 1,250 5,000 1,250 1,250 5,000 - 2,500 5,000 - 2,500 5,000 - 2,500 - 2,500 - 2,500 5,000

0.065 0.576 0.079 0.433 0.488 0.358 0.199 0.803 0.424 0.618 0.846 0.846 0.816 0.763 0.611 0.483 0.678 0.937 0.964 0.299 0.876 0.423 0.058 0.449 0.201 0.824 0.44 0.996 0.885 0.389

100 200 100 150 150 150 100 200 150 200 200 200 200 200 200 150 200 200 200 100 200 150 100 150 100 200 150 200 200 150

100 0 100 50 50 50 100 0 50 0 0 0 0 0 0 50 0 0 0 100 0 50 100 50 100 0 50 0 0 50

15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000 15,000

10,000 20,000 10,000 15,000 15,000 15,000 10,000 20,000 15,000 20,000 20,000 20,000 20,000 20,000 20,000 15,000 20,000 20,000 20,000 10,000 20,000 15,000 10,000 15,000 10,000 20,000 15,000 20,000 20,000 15,000

2,500.00 - 2,500.00 1,250.00 1,250.00 1,250.00 2,500.00 - 1,250.00 - - - - - - 1,250.00 - - - 2,500.00 - 1,250.00 2,500.00 1,250.00 2,500.00 - 1,250.00 - - 1,250.00

- 2,500 5,000 - 2,500 1,250 1,250 1,250 - 2,500 5,000 1,250 5,000 5,000 5,000 5,000 5,000 5,000 1,250 5,000 5,000 5,000 - 2,500 5,000 1,250 - 2,500 1,250 - 2,500 5,000 1,250 5,000 5,000 1,250

3,000 2,000 1,000 - -1,000 -2,000 -3,000 Licencias Vendidas 100 150 200 250

Beneficio esperado

300

B medio B peor B mejor

Unidad III. Generacin de Variables Aleatorias 3.1. Introduccin Una vez obtenida toda la informacin, es decir, los datos de entrada del sistema real, es necesario convertirlos en informacin o datos de entrada del modelo de simulacin. Es posible distinguir dos tipos de informacin: Informacin determinstica. Esta informacin entra directamente al modelo con su valor correspondiente en el sistema real. Informacin probabilstica. Es necesario crear modelos de simulacin que imiten el comportamiento de esas variables. De esta forma, al crear un modelo de simulacin debemos ser capaces de crear ese comportamiento y modelarlo. Los nmeros aleatorios uniformes (0-1) son la base en los modelos de simulacin donde hay variables estocsticas, ya que dichos nmeros son la herramienta para generar eventos de tipo probabilstico. La generacin de cualquier variable aleatoria se va a basar en la generacin previa de una distribucin uniforme (0,1). Y las transformaciones de dichos nmeros generados en valores de otras distribuciones. La mayora de las tcnicas utilizadas para la generacin se pueden agrupar en: Mtodo de la transformada inversa Mtodo de aceptacin rechazo Mtodo de composicin Mtodo de convolucin MTODO DE LA TRANSFORMADA INVERSA INTRODUCCIN Existen varios mtodos que nos permiten generar variables aleatorias. Lo normal es que existan varias opciones para generar una misma variable aleatoria. La eleccin del mtodo adecuado se puede basar en una serie de factores como:

Exactitud. Se prefiere un mtodo exacto frente a mtodos aproximados, como soluciones numricas. Velocidad. Uno de los datos que se toma en consideracin es el em tiempo de generacin de la variable. Espacio. Necesidades de memoria del mtodo utilizado. En general, los mtodos no consumen mucha memoria. Simplicidad.

La mayora de las tcnicas utilizadas para la generacin se pueden agrupar en:

Mtodo de la transformada inversa Mtodo de aceptacin-rechazo Mtodo de composicin Mtodo de convolucin

GENERACIN DE VARIABLES ALEATORIAS La variabilidad de eventos y actividades se presentan a travs de funciones de densidad para fenmenos continuos, y mediante distribuciones de probabilidad para fenmenos de tipo discreto. La simulacin de estos eventos o actividades se realiza con la ayuda de la generacin de variables aleatorias.

MTODO DE LA TRANSFORMADA INVERSA El mtodo de la transformada inversa puede utilizarse para simular variables aleatorias continuas, lo cual se logra mediante la funcin acumulada f(x) y la generacin de nmeros pseudoaleatorios ( ).

El mtodo consiste en:

Definir la funcin de Densidad f(x) que representa la variable a modelar. Calcular la funcin acumulada f(x). Despejar la variable aleatoria x y obtener la funcin acumulada inversa f(x)-1. Generar las variables aleatorias x, sustituyendo valores con nmeros pdeudoaleatorios ( ). en la funcin acumulada inversa.

El mtodo de la transformada inversa tambin puede emplearse para simular variables aleatorias de tipo discreto, como en las distribuciones de Poisson, de Bernoulli, binomial, geomtrica, discreta general, etc. La generacin se lleva a cabo a travs de la probabilidad acumulada P(x) y la generacin de nmeros pseudoaleatorios ( ).

Metodologa para generar variables aleatorias continuas.

Metodologa para generar variables aleatorias discretas.

Distribucin Uniforme A partir de la funcin de la densidad de las variables aleatorias uniformes entre a y b.

Se obtiene la funcin acumulada

Igualando la funcin acumulada F(x) con el nmero pseudoaleatorio despejando x se obtiene:

), y

( (

) ( ) )

Ejemplo 1: Los datos del tiempo de servicio en la caja de un banco se comportan de forma exponencial con media de 3 minutos/cliente. Una lista de nmeros pseudoleatorios ( )y la ecuacin generadora exponencial xi = -3In (1 - ri) nos permite simular el comportamiento de la variable aleatoria

Distribucin de Bernoulli A partir de la distribucin de probabilidad de las variables aleatorias de Bernoulli con media p(x) = px (1 p)1 x para x=0,1 Se calculan las probabilidades para x=0 y x=1, para obtener
X P(x) 0 1-p 1 p

Acumulando los valores de p(x) se obtiene:

X P(x) 0 1-p 1 p

Generando nmeros pseudoaleatorios

{

(
( (

)se aplica la regla:

) )

La tabla siguiente muestra la demanda diaria de cepillos dentales en un supermercado.

Da Demanda 1 1 2 2 3 2 4 1 5 3 6 0 7 3 8 1 9 3

Simular el comportamiento de la demanda mediante el mtodo de la transformada inversa. A partir de la informacin histrica se calculan las probabilidades puntuales y las acumuladas para
X 0 1 2 3 P(x) 0.111 0.222 0.333 0.333 P(x) 0.111 0.222 0.666 1

La regla para generar esta variable aleatoria estara dada por:

{ ( ( ( ( ) ) )

Con la lista de nmeros pseudoaleatorios ( )y la regla anterior es posibles simular la demanda diaria de cepillos dentales, tal como se muestra
Dia 1 2 3 4 5 0.213 0.345 0.021 0.987 0.543 Demanda diaria 1 2 0 3 2

Ejemplo. La distribucin exponencial Supongamos que tiene una distribucin exponencial de media beta. La funcin densidad de probabilidad es:

La funcin de distribucin (acumulativa) es:

Mtodo de aceptacin rechazo Este mtodo es ms probabilstico que el anterior. Los mtodos de inversin, composicin y convolucin son mtodos de generacin directos, en el sentido en que tratan directamente con la funcin de distribucin. El mtodo de aceptacin-rechazo es menos directo en su aproximacin. Se va aplicar este mtodo en el caso de que la variable aleatoria sea continua, el caso discreto es anlogo y est tratado en Prob. En este caso tenemos la funcin de densidad f(x) de la variable y necesitamos una funcin t(x) que la acote, es decir t(x)f(x) "x. Hay que notar que t(x) no es, en general, una funcin de densidad

Pero la funcin r(x)=t(x)/c, si es claramente una funcin de densidad. (Suponemos que t es tal que c<). Debemos de poder generar (esperamos que de forma fcil y rpida) un valor de la variable aleatoria que sigue la funcin r(x). El algoritmo general queda como sigue: Generar x que siga la distribucin r(x) Generar ( ) independiente de x entonces devolver x si no volver a repetir el algoritmo

El algoritmo contina repitindose hasta que se genera un valor que es aceptado. Para hacer que se rechacen el menor nmero de puntos posibles la funcin t(x) debe ser la mnima funcin que acote a f(x). Mtodo de composicin Este mtodo va a poder ser aplicado cuando la funcin de densidad es fcil de siendo n el nmero de trozos en los que se ha dividido la funcin.

Cada uno de los fragmentos se puede expresar como producto de una funcin de distribucin y un peso y la funcin de distribucin global la podemos obtener como

El mtodo consiste en generar dos nmeros aleatorios, uno sirve para seleccionar un trozo y el otro se utiliza para generar un valor de una variable que sigue la distribucin de dicho trozo. El valor de la variable obtenida es el valor buscado. El algoritmo general queda como sigue: Generar ( ) Si entonces generar ( ) Si no Si entonces generar ( ) 3.2. Generacin de variables aleatorias discretas y continuas utilizando paquetes Computacionales como Excel, ProModel, Arena. Mtodos para Generar Variables aleatorias discretas y continuas utilizando programas computacionales Excel GENERACIN DE VARIABLES ALEATORIAS NO UNIFORMES Si el modelo de simulacin es estocstico, la simulacin debe ser capaz de generar variables aleatorias no uniformes de distribuciones de probabilidad tericas o empricas. Lo anterior puede obtenerse si se cuenta con un generador de nmeros uniformes y una funcin que transforme estos nmeros en valores de la distribucin de probabilidad deseada. A este respecto, se han desarrollado una gran cantidad de generadores para las distribuciones ms comunes como; la distribucin normal, exponencial, Poisson, Erlang, Binomial, Gamma, Beta, F, t, Simulacin. 2. LENGUAJE DE PROGRAMACION. Las primeras etapas de un estudio de simulacin se refieren a la definicin del sistema a ser modelado y a la descripcin del sistema en trminos de relaciones lgicas de sus variables y diagramas de flujo. Sin embargo, llega el momento de describir el modelo en un lenguaje que sea aceptado por la computadora que va utilizar (PC compatible). En esta etapa se tienen dos cursos de accin a seguir si no se tiene nada de software de simulacin, que son: Desarrollar el software requerido, o Comprar software (lenguaje de programacin d propsito especial). Para esta alternativa es necesario analizar y evaluar varios paquetes de simulacin

(GPSS, GPSSH, PROMODEL SIMFACTORY, SLAM, MICROMANAGER, etc.) antes de tomar la decisin final.

Condiciones iniciales. La mayora de los modelos de simulacin estocstica se corren con la idea de estudiar al sistema en una situacin de estado estable. Sin embargo, la mayor parte de estos modelos presentan en su etapa inicial estados transigentes los cuales no son tpicos del estado estable. Por consiguiente es necesario establecer claramente las alternativas o cursos de accin que existen para resolver este problema. Algunos autores piensan que la forma de atacar este problema sera a travs de: Usar un tiempo de corrida suficientemente grande de modo que los perodos transientes sean relativamente insignificantes con respecto a la condicin de estado estable. Excluir una parte apropiada de la parte inicial de la corrida. Utilizar simulacin regenerativa.

Basado en la experiencia, de las tres alternativas presentadas, la que presenta menos desventajas es el uso de simulacin regenerativa. Las otras alternativas presentan las desventajas de ser prohibitivamente excesivas en costo.

Tamao de la muestra. Uno de los factores principales a considerar en un estudio de simulacin es el tamao de la muestra (nmero de corridas en la computadora). La seleccin de un tamao de muestra apropiado que asegure un nivel deseado de precisin y a la vez minimice el costo de operacin del modelo, es un problema algo difcil pero muy importante. Puesto que la informacin proporcionada por el experimento de simulacin sera la base para decidir con respecto a la operacin del sistema real. Esta informacin deber ser tan exacta y precisa como sea posible o al menos el grado de imprecisin presente en la informacin proporcionada por el modelo debe ser conocida. Por consiguiente, es necesario que un anlisis estadstico se a realizado para determinar el tamao de la muestra requerido. El tamao de la muestra puede obtenerse de dos maneras: Previa e independientemente de la operacin del modelo, o

Durante la operacin del modelo basado en los resultados arrojados por el mismo. Para la ltima alternativa se utiliza la tcnica estadstica de intervalos de confianza.

Diseo de experimentos. El diseo de experimentos es un tpico cuya relevancia en experimentos en estudios de simulacin ha sido reconocida, pero raramente aplicada. El diseo de experimentos en estudios de simulacin puede ser varios tipos, dependiendo de los propsitos especficos que se hayan planteado. Existen diferentes formas de anlisis que pueden ser utilizados. Entre los ms comunes e importantes, se pueden mencionar los siguientes: Comparacin de las medias y varianzas de las alternativas analizadas.

Determinacin de la importancia y el efecto de diferentes variables en los resultados de la simulacin. Bsqueda de los valores ptimos de un conjunto de variables.

Para realizar el primer tipo de anlisis, al cual se le denomina comnmente diseo de experimentos de un factor simple, es necesario tomar muy en cuenta el tamao de la muestra, las condiciones iniciales y la presencia o ausencia de autocorrelacin. Para el segundo tipo de anlisis, existe una gran cantidad de literatura, puesto que la gran mayora de los libros de texto de diseo de experimentos, explican o tratan el tema de anlisis de varianza y tcnicas de regresin como medios para evaluar la importancia y el efecto de varias variables en los resultados de operacin de un sistema. Para el tercer tipo de anlisis, generalmente se requiere utilizar algoritmos heursticos de bsqueda como por ejemplo el algoritmo de Hookes y Jeeves.

Ventajas y desventajas en el uso de la simulacin Aunque la tcnica de simulacin generalmente se ve como un mtodo de ltimo recurso, recientemente avances en las metodologas de simulacin y la gran disponibilidad de software que actualmente existe en el mercado, han hecho posible que la tcnica de simulacin sea una de las herramientas ms ampliamente usadas en el anlisis de sistemas. Adems de las razones antes mencionadas, Tomas H. Naylor (1977), ha sugerido que un estudio de simulacin es muy recomendable porque presenta las siguientes ventajas: a) A travs de la tcnica de simulacin, se puede estudiar el efecto de cambios internos y externos del sistema, al hacer alteraciones en el modelo del sistema y observando los efectos de estas alteraciones en el comportamiento del sistema. b) Una observacin detallada del sistema que se est simulando puede conducir a un mejor entendimiento del sistema y por consiguiente a sugerir estrategias que mejoren la operacin y eficiencia del sistema. c) La tcnica de simulacin puede ser utilizada como un instrumento pedaggico, para estudiantes al ensearles los conocimientos bsicos en el anlisis terico, el anlisis estadstico, y en la toma de decisiones.

d) La simulacin de sistemas complejos puede producir un valioso y profundo conocimiento acerca de cules variables son ms importantes que otras en el sistema y cmo ellas obran entre s. e) La tcnica de simulacin puede utilizarse para experimentar con nuevas situaciones, sobre las cuales se tiene poca o nula informacin. A travs de esta experimentacin se puede anticipar mejor a los posibles resultados no previstos. f) La tcnica de la simulacin de sistemas complejos puede producir un valioso y profundo conocimiento acerca de cules variables son ms importantes que otras en el sistema y cmo ellas obran entre s. g) Se puede utilizar tambin para entrenamiento de personal. En algunas ocasiones se puede tener una buena representacin de un sistema (como por ejemplo los juegos de negocios), y entonces a travs de l es posible entrenar y dar experiencia a cierto tipo de personal. h) La simulacin de sistemas complejos puede producir un valioso y profundo conocimiento acerca de cules variables son ms importantes que otras en el sistema y cmo ellas entre s. i) Cuando nuevos elementos son introducidos en un sistema, la simulacin puede utilizarse para anticipar cuellos de botella o algn otro problema que puede surgir en el comportamiento del sistema. A diferencia de las ventajas mencionadas, la tcnica de simulacin presenta el problema de requerir equipo de cmputo y recursos humanos, en ocasiones costosas. Adems, generalmente se requiere bastante tiempo para que un modelo de simulacin sea desarrollado y perfeccionado. Finalmente, es posible que la alta administracin de una organizacin no entienda esta tcnica y esto crea dificultad en vender la idea.

Unidad IV. Lenguajes de Simulacin y Simuladores de Eventos Discretos 4.1. Antecedentes de los lenguajes de simulacin y simuladores La historia y la evolucin de la simulacin por ordenador han ido paralelas a la evolucin de la Informtica. Sus orgenes los encontramos en la segunda Guerra Mundial cuando dos matemticos, J. VNeumann y S. Ulam, tenan el reto de resolver un problema complejo relacionado con el comportamiento de los neutrones. Los experimentos basados en prueba y error eran muy caros y el problema era demasiado complicado para abordarlo mediante tcnicas analticas. La aproximacin que cogieron se basa en la utilizacin de nmeros aleatorios y distribuciones de probabilidad. El mtodo desarrollado fue llamado "mtodo de Montecarlo" por el paralelismo entre la generacin de nmeros aleatorios y el juego de la ruleta.

Simulacin implica crear un modelo que aproxima cierto aspecto de un sistema del mundo real y que puede ser usado para generar historias artificiales del sistema, de forma tal que nos permite predecir cierto aspecto del comportamiento del sistema.

En particular, usaremos computadores para imitar comportamientos del sistema evaluando numricamente un modelo del mismo. Estas evaluaciones numricas son las que nos permiten generar las historias artificiales que no son ms que experimentos.

Modelo Un modelo es una representacin de un objeto, idea, o sistema en una forma diferente a la entidad misma.

En nuestro caso el modelo es un conjunto de relaciones matemticas o lgicas derivadas de supuestos sobre el comportamiento del sistema.

La simulacin por eventos discretos es una tcnica informtica de modelado dinmico de sistemas. Frente a su homloga, la simulacin de tiempo continuo, esta se caracteriza por un control en la variable del tiempo que permite avanzar a ste a intervalos variables, en funcin de la planificacin de ocurrencia de tales eventos a un tiempo futuro. Un requisito para aplicar esta tcnica es que las variables que definen el sistema no cambien su comportamiento durante el intervalo simulado.

-Descripcin Estos sistemas se caracterizan por mantener un estado interno global del sistema, que puede no obstante estar fsica o lgicamente distribuido, y que cambia parcialmente debido a la ocurrencia de un evento. El estado del sistema solo cambia mediante la ejecucin de eventos, que se almacenan en un contenedor, y uno o varios procesos dedicados a su ejecucin avanzan el tiempo de simulacin a medida que se van ejecutando y eliminando los eventos pendientes para el valor de tiempo actual. La ejecucin de un evento puede desencadenar la generacin de nuevos eventos futuros. Cada uno est marcado por su tiempo, por lo que el orden de generacin puede no coincidir con el orden de ejecucin. La simulacin de eventos discretos ha sido caracterizada por dos tendencias significantes en aos recientes. El primero fue el uso creciente de simulacin con respecto a lo complejo de sistemas industriales. El segundo ha sido el uso creciente de grficos de la computadora por displays animados en movimiento. Estas tendencias han originado una nueva generacin de software o paquetes de simulacin; sin embargo, ningn software podra utilizarse nica y necesariamente con todos los usuarios probables.

Simulador de restaurante Juega Gratis a estos Fabulosos juegos en el que tendrs que llevar un restaurante sirviendo las mesas y tomando el control del restaurante.

Simulador de gimnasio Simulador de Gimnasio Online. Entrnate con este personaje flacucho en el gimnasio para ponerle cachas y que se vuelvan todas las mujeres locas por l. Simulador puerto martimo Juego al estilo Sim City en el que tendrs que crear un puerto martimo rentable con todas las instalaciones necesarias. T eres el director del puerto.

Comprando en la ciudad Hazte empresario. Crea negocios en tu ciudad y hazte con el poder econmico. Juego Simulador de montar negocios en una ciudad e intentar ganar el mximo de dinero sin arruinarte

Simulador tienda de ropa Debers llevar una tienda de ropa y atender en todo lo que te pidan tus clientes. Sers capaz de llevar a lo ms alto tu negocio?

Simulador Mac Donald en espaol Hacer dinero con una gran empresa no es fcil, controla todo el proceso hasta que la hamburguesa llega al cliente. Volar como una paloma Eres una paloma en la ciudad y estas en busca de patatas fritas para alimentarte y despus cagar sobre los policas de la ciudad. Fantstico simulador de vuelo. Lo mejor es que puedes jugar a 1 o 2 jugadores. Mezclador musical Estupendo Juego Mezclador Musical. Crea tu propia msica sin conocimientos musicales. Puedes combinar distintos ritmos hasta conseguir el tuyo propio. Ejemplos de Simulaciones Te invitamos a conocer ejemplos de Simulaciones llevadas a cabo con ProModel. Avin Este modelo muestra cmo se pueden incorporar fcilmente fotografas digitales a ProModel. El modelo ilustra el clculo de la utilizacin de los operarios, permitiendo variar el nmero de operarios

Bodega Cuntos montacargas necesitamos? Cul es el inventario que puede mover el centro de distribucin? Cmo nos afectan los horarios dentro del centro de trabajo? Cmo nos afecta el mantenimiento a los montacargas? El diseo de la operacin de la bodega, nos permitir absorber la estacionalidad de la demanda?

Celda Qu capacidad tenemos en piezas por hora? Cul es el tiempo de entrega? Cul es el tiempo de ciclo? Cul es el Takt Time? Cmo nos afecta el diseo de turnos en la celda de manufactura? Podemos meter un producto nuevo a la lnea? Cul es el impacto de los tiempos de preparacin

Conveyors ProModel permite representar bandas transportadoras que representen manejo de materiales a travs de filas y bandas (conveyors).

Container El itinerario que tenemos es satisfactorio? Podemos satisfacer la demanda adecuadamente? Las unidades de transporte son suficientes? Cmo se comportarn los inventarios en cada una de las estaciones de servicio? Cmo impacta al proceso el mantenimiento de las unidades de transporte?

Container 3D Una vez terminado el anlisis, para fines de una buena presentacin se transfiere el modelo a 3D Animator. Rpidamente se configura la animacin en 3 Dimensiones para mostrar claramente el problema y su solucin.

Ejemplos de Conveyors Una de las facilidades mejor aprovechadas por los usuarios de ProModel son las bandas transportadoras, y las gras viajeras. En este modelo estn representados y nos muestran cmo el sistema podra saturarse por la velocidad de proceso del sistema.

Demand Based Las preocupaciones de los Directores Generales hoy da es la eficiencia y la optimizacin de las cadenas de abasto (Supply Chain). Este modelo permite el anlisis del sistema tomando en cuenta la variabilidad en la demanda, los recursos de la empresa y todo el proceso de manufactura. Simplemente, no hay otra forma de hacer el anlisis y al mismo tiempo incorporando todas las variables en el proceso.

Distribucin Cuantas bodegas? De qu capacidad? Qu utilizacin tendremos del espacio? Cuntos camiones? En qu horarios podemos trabajar? Toda la demanda ser satisfecha? Qu pasa durante los cambios debido la estacionalidad de la demanda? ProModel permite representar fcilmente el sistema y poderle hacer cambios y optimizar el sistema total.

Distribucin 2 Cuantas bodegas? De qu capacidad? Qu utilizacin tendremos del espacio? Cuntos camiones? En qu horarios podemos trabajar? Toda la demanda ser satisfecha? Qu pasa durante los cambios debido la estacionalidad de la demanda? ProModel permite representar fcilmente el sistema incorporando plantas, bodegas y clientes finales y poderle hacer cambios y optimizar el desempeo.

Fbrica ProModel nos permite representar la realidad de una fbrica, con las entregas de materia prima, operadores, factores de calidad, aleatoriedad en los tiempos de proceso, en la duracin y frecuencia de los mantenimientos, de tal manera que podemos calcular la capacidad de la

planta (Capacity Planning), Takt Time, Lead Time. Muchos de los usos actualmente van hacia la manufactura esbelta.

Ferrocarril Con ProModel, los usuarios que tienen relacin con la industria del transporte han hecho muchsimas aplicaciones que les han permitido ahorrar millones de dlares. Preguntas como Cuntos contenedores? De qu tipo? Qu plan de mantenimiento se puede seguir? Cmo afectamos los inventarios y la demanda de nuestros clientes?

Gras Viajeras El objeto de gras de techo o viajeras de ProModel permite que rpidamente se construyan modelos incorporando este mtodo de manejo de materiales. Cul es la utilizacin de la gra? Qu polticas deben usarse en la asignacin de prioridades de servicio de la gra? El layout favorece el uso de gras?

Logstica 3D En este modelo, se presenta una aplicacin de logstica de cadena de abasto, en 3D Animator, en el que se muestra desde que el acero es chatarra hasta que es producto terminado y llega al cliente final. El modelo permite presentar los indicadores clave en la pantalla para visualizacin.

Manufactura Automotriz ProModel permite incorporar el layout de AutoCAD de la planta, para visualizar la implementacin del proceso directamente en l y as poder comunicarlo a la audiencia. Este modelo utiliza el SimRunner adicionalmente, para optimizar la velocidad de la banda de transporte, as como el nmero de contenedores que se deben usar en el proceso. Se muestran en color rojo, aquellos productos que fallan la prueba.

Panel Este modelo ilustra un proceso de manufactura en el cual se desea conocer en dnde est el cuello de botella, y cul es la capacidad de la lnea. Tanto el layout cmo el producto se incorpor a la biblioteca de grficos de ProModel. Las estadsticas crticas en este modelo son el uso de los recursos y el uso de los equipos.

Los Simpson Este modelo cmico, est diseado para ilustrar que cualquier grfico puede ser colocado dentro de ProModel, de tal manera que grficamente se logre el objetivo. Para ProModel, Simulacin es Visualizar, Analizar y Optimizar.

4.2. Aprendizaje y uso de un Simulador como: ProModel, Arena, entre otros. ProModel es un simulador con animacin para computadoras personales. Permite simular cualquier tipo de sistemas de manufactura, logstica, manejo de materiales, etc. Puedes simular bandas de transporte, gras viajeras, ensamble, corte, talleres, logstica, etc. ProModel es un paquete de simulacin que no requiere programacin, aunque s lo permite. Corre en equipos 486 en adelante y utiliza la plataforma Windows. Tiene la combinacin perfecta entre facilidad de uso y flexibilidad para aplicaciones complejas. Puedes simular Justo a Tiempo, Teora de Restricciones, Sistemas de Empujar, Jalar, Logstica, etc. Prcticamente, cualquier sistema puede ser modelado. Una vez hecho el modelo, ste puede ser optimizado para encontrar los valores ptimos de los parmetros claves del modelo. Algunos ejemplos incluyen determinar la mejor combinacin de factores para maximizar produccin minimizando costo, minimizar el nmero de camiones sin penalizar el servicio, etc. El mdulo de optimizacin nos ayuda a encontrar rpidamente la solucin ptima, en lugar de solamente hacer prueba y error. ProModel cuenta con 2 optimizadores disponibles y permite de esta manera explotar los modelos de forma rpida y confiable. 4.3. Caractersticas del software Rpido aprendizaje con interfaces muy amigables. Fcil manejo y anlisis de los datos a travs de la exportacin de los resultados en formato Microsoft Excel. Agregue el detalle necesario incorporando mquinas, operadores, gras horquillas, gras puente, correas transportadoras, asignacin de turnos de trabajo, tiempos muertos, etc. Capture la variabilidad y aleatoriedad de su proceso utilizando ms de 20 tipos de distribuciones de probabilidad estadstica, o importe directamente sus propios datos. Distribuya fcilmente, a travs del correo electrnico, los modelos desarrollados por usted a otras divisiones o departamentos.

4.4. Construccin de modelos Qu son los modelos? Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al problema constante de mejorar (por ejemplo, optimizar) el rendimiento del sistema. El problema puede ser reducir el costo de operacin y a la vez mantener un nivel aceptable de servicio, utilidades de las operaciones actuales, proporcionar un mayor nivel de servicio sin aumentar los costos, mantener un funcionamiento rentable cumpliendo a la vez con las reglamentaciones gubernamentales establecidas, o "mejorar" un aspecto de la calidad del producto sin reducir la calidad de otros aspectos. Para identificar la mejora del funcionamiento del sistema, se debe construir una representacin sinttica o modelo del sistema fsico, que puede utilizarse para describir el efecto de una variedad de soluciones propuestas. Pasos para la construccin de un modelo 1. 2. 3. 4. 5. 6. Definicin del problema de inters y recoleccin de los datos relevantes Formulacin de un modelo que represente el problema Solucin del modelo Prueba del modelo Preparacin para la aplicacin del modelo Puesta en marcha

4.5. Consideraciones econmicas en la simulacin. 4.6. Realizar prcticas utilizando el simulador para procesos productivos, de transporte, lneas de espera, calidad, inventarios, entre otros. 4.7. Interpretacin de los resultados obtenidos y generacin de propuestas de mejora para el modelo analizado. Unidad V. Proyecto de Aplicacin 5.1. Elaboracin de un proyecto final 5.2. Anlisis, modelado, simulacin e interpretacin de resultados para sistemas reales de empresas de manufactura o de servicios, a fin de detectar las mejoras posibles a realizar y proponer acciones que mejoren su desempeo, considerando aspectos econmicos.

Bibliografa

1. Azarang, M. R. y Garca Dunna, E., Simulacin y Anlisis de Modelos Estocsticos. Mc Graw Hill (1998) 2. Banks, J. y Carson, J. S. Discrete Event System Simulation. Prentice Hall (2001) 3. Law A. y Kelton W., Simulation Modelling and Analisis, Mc Graw Hill (2000) 4. Garca Dunna Eduardo, Garca Reyes Heriberto, Crdenas Barrn Leopoldo. Simulacin y Anlisis de Sistemas con Promodel. Pearson (2006) 5. Garca F., Sierra J., y Guzmn V., Simulacin de Sistemas para Administracin e Ingeniera. CECSA (2005) 6. Harrell Ch., Ghosh B., y Borden Royce., Simulation Using Promodel. Mc Graw Hill (2004) 7. Kelton W David., Sadowski Randall P., Sturrock David T., Simulacin con software Arena. 4a Edicion. Mxico. McGraw Hill