INSTITUTO TECNOLGICO

DE TUXTLA GUTIRREZ

Apuntes
De

Simulacin
Ingeniera en Sistemas computacionales

Jos del Carmen Vzquez Hernndez

Tuxtla Gutirrez Chiapas agosto 2014

INTRODUCCIN A LA SIMULACIN

1.1 DEFINICIONES E IMPORTANCIA DE LA SIMULACIN EN LA INGENIERA

1.1.1.-IMPORTANCIA DE LA SIMULACIN EN LA INGENIERA.
1.2 CONCEPTOS BSICOS DE SIMULACIN
1.3 METODOLOGA DE LA SIMULACIN
1.4 MODELOS Y CONTROL
1.5 ESTRUCTURA Y ETAPAS DE ESTUDIO DE SIMULACIN
1.6 ETAPAS DE UN PROYECTO DE SIMULACIN
1.7 ELEMENTOS BSICOS DE UN SIMULADOR DE EVENTOS DISCRETOS

4
5
6
7
10
14
15
17

NMEROS PSEUDOALEATORIOS

21

2.1 MTODOS DE GENERACIN DE NMEROS PSEUDOALEATORIOS

2.2 PRUEBAS ESTADSTICAS
2.2.1 DE UNIFORMIDAD. (CHI CUADRADA, KOLMOGOROV-SMIMOV).
2.2.2 DE ALEATORIEDAD. (C., ARRIBA Y DEBAJO DE LA MEDIA Y LONGITUD DE CORRIDAS).
2.2.3 DE INDEPENDENCIA. (A-C, P-H, P-P, PRUEBA DE YULE).
2.3 MTODO DE MONTE CARLO
2.3.1 CARACTERSTICAS.
2.3.2 APLICACIONES.
2.3.3 SOLUCIN DE PROBLEMAS

22
27
33
38
46
47
48
48
49

GENERACIN DE VARIABLES ALEATORIAS

56

3.1 CONCEPTOS BSICOS

3.2 VARIABLES ALEATORIAS DISCRETAS
3.3 VARIABLES ALEATORIAS CONTINUAS
3.4 MTODOS PARA GENERAR VARIABLES ALEATORIAS
3.4.1 MTODO DE LA TRANSFORMADA INVERSA.
3.4.2 MTODO DE CONVOLUCIN.
3.4.3 MTODO DE COMPOSICIN.
3.5 PROCEDIMIENTOS ESPECIALES
3.6 PRUEBAS ESTADSTICA. (PRUEBAS DE BONDAD DE AJUSTE)

56
56
57
57
58
64
66
70
71

LENGUAJES DE SIMULACIN

75

4.1 LENGUAJE DE SIMULACIN Y SIMULADORES

4.2 APRENDIZAJE Y USO LENGUAJE DE SIMULACIN O UN SIMULADOR
4.3 CASOS PRCTICOS DE SIMULACIN
4.3.1 PROBLEMAS CON LNEAS DE ESPERA.
4.3.2 PROBLEMAS CON SISTEMAS DE INVENTARIO.
4.4 VALIDACIN DE UN SIMULADOR

75
75
76
77
77
77

4.4.1 PRUEBAS PARAMTRICAS (V. DEL MODELO, PRUEBAS DE HIPT Y PRUEBAS DE ESTIMACIN). 78
4.4.2 PRUEBAS NO PARAMTRICAS
78
83

PROYECTO INTEGRADOR

5.1 ANLISIS, MODELADO Y SIMULACIN DE UN SISTEMA O SUBSISTEMA DE

SERVICIOS O PRODUCTIVO DE UNA EMPRESA PARA DETECTAR LAS MEJORAS
POSIBLES A REALIZAR.
83
CUESTIONARIO 1

85

FUENTE DE INFORMACIN

88

BIBLIOGRAFA

88

Unidad 1
Introduccin a la Simulacin

Objetivo de la simulacin

La simulacin consiste en disear y desarrollar un modelo de un sistema o proceso y conducir

experimentalmente con este modelo para entender el comportamiento del sistema del mundo
real o evaluar varias estrategias con las cuales puedan operar el sistema.
La simulacin de procesos es una de las ms grandes herramientas de la ingeniera ya que
simplifica los procesos y los hace ms entendibles para el ser humano. Esta simulacin es en
algunos casos casi indispensable.

Introduccin a la Simulacin
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.

En la vida real se presentan situaciones o sucesos que requieren tomar decisiones para planificar,
predecir, invertir, proyectar, etc. Una vez construido un modelo matemtico, si este es lo
suficientemente sencillo, puede ser posible trabajar con sus relaciones y cantidades para obtener
una solucin analtica exacta.

Si una solucin analtica para un modelo matemtico est disponible y es computacionalmente

eficiente, usualmente es deseable estudiar el modelo en esta forma, en vez que por la va de la
simulacin. Sin embargo, muchos sistemas son altamente complejos, de manera que los modelos
matemticos vlidos de ellos son ellos mismos complejos, descartando cualquier posibilidad de
una solucin analtica. En este caso, el modelo debe ser estudiado por medio de simulacin.
Otro caso es la combinacin de reglas lgicas y la matemtica.

1.1 Definiciones e importancia de la simulacin en la ingeniera

Simulacin: Es el proceso de disear un modelo de un sistema real y realizar experimentos con
l, para entender el comportamiento del sistema y/o evaluar estrategias para la operacin del
mismo.

Segn ROBERT SHANNON: 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.

La Simulacin permite estudiar un sistema sin tener que realizar experimentacin sobre el
sistema real. Simulacin es una palabra familiar a los profesionales de todas las disciplinas e
incluso para aqullos que no han estudiado una carrera profesional. De esta manera el
4

significado de la palabra Simulacin se explica casi por s misma. Entre los significados que
podemos obtener de la gente comn y corriente para la palabra Simular, se encuentran los
siguientes: Imitar la realidad, emular un sistema, dar la apariencia o efecto de un sistema
o situacin real.

Para Thomas H. Naylor: 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.

1.1.1.-Importancia de la simulacin en la ingeniera.

La simulacin es una herramienta que se usa ampliamente, actualmente existe una gran cantidad
de software para diversas aplicaciones lo que trae consigo las siguientes ventajas:
1. A travs de un estudio de simulacin se puede estudiar el efecto de cambios internos y
externos del sistema, al realizar cambios en el modelo del sistema se observan sus efectos
en el comportamiento del sistema.
2. La observacin detallada del sistema que se est simulando puede conducir a un mejor
entendimiento del mismo y por consiguiente a sugerir estrategias para mejorar la operacin
y eficiencia del sistema.
5

3. Puede utilizarse como instrumento pedaggico para desarrollar en los estudiantes

habilidades bsicas en anlisis estadstico, terico, etc. En ocasiones se puede tener una
buena representacin del sistema y a travs de l es posible entrenar y dar cierto tipo de
experiencia. (simuladores de negocios, de vuelo, etc.).
4. Ayuda a entender mejor los sistemas complejos, a detectar las variables ms importantes
que interactan en el sistema y a entender las interrelaciones entre las variables.
5. Se puede utilizar para experimentar con nuevas situaciones, sobre las cuales se tiene poca o
nula informacin.
6. Cuando se introducen nuevos elementos al sistema, la simulacin se puede usar para
anticipar los cuellos de botella o algn otro problema que pueda surgir en el sistema

1.2 Conceptos bsicos de simulacin

Una simulacin es una imitacin de la operacin de un proceso del mundo real sobre
determinado tiempo.
El comportamiento de un sistema durante determinado tiempo puede ser estudiado por medio
de un modelo de simulacin. Este modelo usualmente toma su forma a partir de un conjunto de
postulados sobre la operacin del sistema real.
Una indicacin de la realidad que se implique la realidad, esta implica trampa, engao; la magia
est en que se parezca tanto a la realidad. En la naturaleza la simulacin es como una tcnica
de engao para sobrevivir. Ejemplo el camalen el cual es un animal conocido por su capacidad
de cambiar de color dependiendo en el lugar en que se encuentre.

Segn Thomas H. Naylor: La Simulacin es el proceso de disear y desarrollar un modelo

computarizado de un sistema o proceso y conducir experimentos con este modelo con el
propsito de entender el comportamiento del sistema o evaluar varias estrategias con las cuales
se puede operar el sistema.

1.3 Metodologa de la simulacin

1. Definicin del sistema(Problema)

Para tener una definicin exacta del sistema que se desea simular, es necesario hacer
primeramente un anlisis preliminar de este, con el fin de determinar la interaccin con otros
sistemas, las restricciones del sistema, las variables que interactan dentro del sistema y sus
interrelaciones, las medidas de efectividad que se van a utilizar para definir y estudiar el sistema
y los resultados que se espera obtener del estudio.
8

2. Formulacin del modelo

Una vez definidos con exactitud los resultados que se esperan obtener del estudio, se define y
construye el modelo con el cual se obtendrn los resultados deseados. En la formulacin del
modelo es necesario definir todas las variables que forman parte de l, sus relaciones lgicas y
los diagramas de flujo que describan en forma completa el modelo.

3. Coleccin de datos
Es importante que se definan con claridad y exactitud los datos que el modelo va a requerir para
producir los resultados deseados.

4. Implementacin del modelo con la computadora

Con el modelo definido, el siguiente paso es decidir si se utiliza algn lenguaje como el fortran,
lisp, etc..., o se utiliza algn paquete como Vensim, Stella e iThink, GPSS, Simula, Simscript,
Rockwell, Arena, Promodel, etc..., para procesarlo en la computadora y obtener los resultados
deseados.

5. Validacin
A travs de esta etapa es posible detallar deficiencias en la formulacin del modelo o en los
datos alimentados al modelo. Las formas ms comunes de validar un modelo son:
1. La opinin de expertos sobre los resultados de la simulacin.
2. La exactitud con que se predicen datos histricos.
3. La exactitud en la prediccin del futuro.
4. La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar al
sistema real.
5. La aceptacin y confianza en el modelo de la persona que har uso de los resultados que
arroje el experimento de simulacin.

6. Experimentacin
Se realiza despus de que el modelo haya sido validado, consiste en generar los datos deseados
y en realizar un anlisis de sensibilidad de los ndices requeridos.

7. Interpretacin
Se interpretan los resultados que arroja la simulacin y con base a esto se toma una decisin. Es
obvio que los resultados que se obtienen de un estudio de simulacin que ayuda a soportar
decisiones de tipo semi-estructurada.

8. Documentacin
Dos tipos de documentacin son requeridos para hacer un mejor uso del modelo de simulacin.
La primera se refiere a la documentacin del tipo tcnico y la segunda se refiere al manual del
usuario, con el cual se facilita la interaccin y el uso del modelo desarrollado.

1.4 Modelos y control

Sistemas
El concepto de sistemas tiene un papel importante en el mundo moderno. El enfoque de sistemas
para abordar problemas reencuentra muy arraigado, y se habla de ella como si fuera una
metodologa precisa (lo cual no es cierto).

Como definicin de sistema se puede decir que Es un conjunto de elementos con relaciones de
interaccin e interdependencia que le confieren entidad propia al formar un todo unificado.

Un sistema puede ser cualquier objeto, cualquier cantidad de materia, cualquier regin del
espacio, etc., seleccionado para estudiarlo y aislarlo (mentalmente) de todo lo dems. As todo
lo que lo rodea es entonces el entorno o el medio donde se encuentra el sistema. EL enfoque de
sistemas intenta estudiar el comportamiento de sistemas completos en vez de concentrarse en
sus partes. Se deriva de reconocer que aun optimizando cada elemento del sistema desde el
10

punto operativo, el comportamiento del sistema completo puede resultar menos que ptimo
debido a las interacciones de los elementos.

Los sistemas complejos tienen caractersticas que pueden producir frustraciones al tratar de
mejorar su comportamiento, entre las cuales tenemos:
1. Cambio. Ningn sistema del mundo real permanece esttico durante un largo periodo.
La condicin o estado real de un sistema es el resultado del pasado y es la base para el
futuro.
2. Medio. El medio de un sistema es un conjunto de elementos y sus principales
propiedades, el cual aun cuando no forma parte del sistema, si se modifica puede
producir cambios en el estado del sistema (son todas las variables externas que pueden
afectar). Cada sistema tiene su propio medio.
3. Comportamiento intuitivo opuesto. Por lo general la causa y el efecto no se relacionan
estrechamente en el tiempo o el espacio, los efectos pueden aparecer despus de mucho
tiempo de que se dieran las causas. El examen superficial a menudo indica la necesidad
de acciones correctivas errneas, que pueden intensificar los problemas.
4. Tendencia al bajo rendimiento. Con el paso del tiempo las partes del sistema se
deterioran y surgen ineficiencias que van en perjuicio de su desempeo.
5. Interdependencia. Las actividades del mundo real influyen entre s. Ninguna de las
actividades dentro de un sistema complejo est aislada completamente, cada evento es
influido por sus predecesores y afecta a sus sucesores.

Modelos.
1. Modelo: es la representacin de un conjunto de objetos o ideas de forma diferente a la de la
entidad misma.
2. Modelo: es una abstraccin de la realidad que captura lo esencial para investigar y
experimentar en lugar de hacerlo con el sistema real, con menor riesgo, tiempo y costo.

11

El modelo es una "imitacin" del sistema original. Como para poder imitar algo o a alguien es
necesario conocerlo bien, ser necesario reunir la informacin precisa respecto del sistema
original. En el modelo participan las variables y sus relaciones.

Modelizar es una metodologa de trabajo para:

1. Describir el comportamiento de los sistemas.
2. Hacer hiptesis que expliquen el comportamiento observado.
3. Predecir cmo responde el sistema cuando se producen cambios.

Clasificaciones generales de un Modelo

Segn el punto de vista que se tome (naturaleza del sistema o uso del modelo) surgen diferentes
clasificaciones:
4. Esttico: Representa las relaciones del sistema cuando est quieto o en equilibrio.
Ejemplo: Maquetas. Plano. El cambio de lugar de la pared del plano de la casa refleja un
nuevo estado.
El modelo no muestra las etapas intermedias ni cmo se desarrollan, slo el principio y el final.
1. Dinmico: Refleja los cambios en el sistema a travs del tiempo y muestra la evolucin
desde el principio hasta el final. Ejemplo: crecimiento de un ser viviente, vaciamiento
de un tanque de agua, traslado de un camin de mercadera, coccin de un alimento, etc.

2. Determinstico: Un cambio en el modelo produce uno y slo un resultado. Ejemplo: Un

modelo que represente el cambio de temperatura del agua para el mate. Cuando se
calienta el agua, sea de la canilla o de la heladera, siempre va a llegar a la temperatura
de 80 a 100 grados.

3. Estocstico: Un cambio en el modelo produce resultados aleatorios. Ejemplo: Un

modelo para estudiar el comportamiento del trnsito en la zona cntrica de la ciudad en
distintos horarios.

12

4. Continuo: el comportamiento cambia continuamente en el tiempo, no es una cuestin

de magnitud del cambio sino de analizar si el mismo se produce en un instante de tiempo
o a lo largo de todo el tiempo de estudio. Ejemplo: la cada del agua de un tanque, el
movimiento de un vehculo, etc.

5. Discreto: los cambios en el tiempo son predominantemente discontinuos o instantneos,

es decir que las propiedades que describen su comportamiento cambian en momentos
determinados de tiempo, y entre esos instantes no sucede variacin alguna. Ejemplo:
Representacin de un sistema electrnico digital, la entrada de personas a un negocio.

Control
El control se ha definido bajo dos perspectivas; una limitada y una amplia. Para la perspectiva
limitada, el control se concibe como la verificacin a posteriori de los resultados conseguidos
en el seguimiento de objetivos planeados. La perspectiva amplia lo concibe como una actividad
que orienta a la organizacin hacia el cumplimiento de los objetivos propuestos bajo
mecanismos de medicin cualitativos y cuantitativos.

El control es una etapa primordial pues aun cuando se tenga una estructura y operacin eficiente,
como se verifica que los hechos estn de acuerdo a los objetivos

Elementos del concepto.

1. Relacin con lo planteado: Siempre existe para verificar el logro de los objetivos que
se establecen en la planeacin.
2. Medicin: Para controlar es imprescindible medir y cuantificar los resultados.
3. Detectar desviaciones: Una de las funciones inherentes al control, es descubrir las
diferencias que se presentan entre la ejecucin y la planeacin.
4. Establecer medidas correctivas: El objeto del control es prever y corregir los errores.

13

Requisitos de un buen control

Correccin de fallas y errores: El control debe detectar e indicar errores de planeacin,
organizacin o direccin.

Previsin de fallas o errores futuros: el control, al detectar e indicar errores actuales, debe
prevenir errores futuros, ya sean de planeacin, organizacin o direccin.

1.5 Estructura y etapas de estudio de simulacin

Un proyecto de simulacin comienza normalmente con la descripcin de una situacin por parte
del patrocinador o promotor al analista, en trminos generales y de manera vaga e imprecisa.
Esto es de esperarse porque si conociera en forma exacta cual es el problema y la forma de
resolverla, ya lo hubiera resuelto.

Si suponemos que la simulacin se usa para investigar las propiedades de un sistema real, se
requieren de ciertas etapas las cuales difieren segn ciertos autores.

Ral Coss Bu, con la opinin de varios autores, plantea que los pasos necesarios para llevar a
cabo un experimento de simulacin son:
1. Definicin del sistema. Se debe de realizar un anlisis preliminar con el fin de
determinar la interaccin del sistema con otros sistemas, las restricciones del sistema,
las variables que interactan dentro de l y sus interrelaciones, las medidas de
efectividad a utilizar para definir y estudiar el sistema y los resultados que se esperan
obtener del estudio.
2. Formulacin del modelo. En la formulacin es necesario definir todas las variables que
forman parte de l, sus relaciones lgicas y los diagramas de flujo que describen en
forma completa el modelo.
3. Coleccin de datos. Definir con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados. Por lo general la informacin se puede
obtener de registros contables, ordenes de trabajo, opinin de expertos y si no hay otro
remedio por experimentacin.
14

4. Implementacin del modelo en la computadora. Decidir que lenguaje se utilizar o

algn paquete, para procesarlo en la computadora y obtener los resultados deseados.
5. Validacin. En esta etapa es posible detectar deficiencias en la formulacin del modelo
o en los datos alimentados a l. Las formas ms comunes de validar son: la opinin de
expertos sobre los resultados de la simulacin, la exactitud de predecir datos histricos,
exactitud de predicciones futuras, la comprobacin de falla del modelo al usar datos que
hacen fallar al sistema real y la aceptacin y confianza en el modelo de la persona que
usar los resultados que arroje el experimento.
6. Experimentacin. Consiste en generar los datos deseados y realizar anlisis de
sensibilidad de los ndices requeridos.
7. Interpretacin. Se interpretan los datos que arroj la experimentacin y en base a estos
se toma una decisin.
8. Documentacin. Se requieren dos tipos de documentacin: para hacer uso del modelo
(tipo tcnico) y para la interaccin y uso del modelo (manual del usuario).

1.6 Etapas de un proyecto de simulacin

1.-Modelacin. Fijado el objetivo que se persigue en la creacin de un problema,
inmediatamente se activan los componentes intelectuales bsicos: sensaciones, percepciones,
memoria, pensamiento e imaginacin. La construccin de los diagramas de Euler para estudiar
las distintas relaciones que se establecen entre los conocimientos, es una actividad que ayuda a
desarrollar la habilidad de modelacin. Estos diagramas tambin son utilizados en la
metodologa como situacin inicial para la construccin de tareas que respondan a determinadas
caractersticas.

2.-Tanteo-error. Consiste en un proceso continuo de adecuacin y ajuste por bsqueda y prueba

de los datos y/o las incgnitas segn las condiciones del problema, hasta encontrar las ms
adecuadas. La bsqueda puede ser de tipo inteligente o arbitrario, y en ocasiones es utilizada
para modificar las condiciones y con ella reordenar los elementos estructurales.

15

3. Asociacin por analoga. En esta tcnica se hace uso de la reproduccin en una primera fase.
Consiste en establecer nuevos nexos entre datos e incgnitas siguiendo formatos y textos
guardados en la memoria para obtener otras por medio de la innovacin. Es evidente que sobre
las ideas iniciales, posteriormente se introducen modificaciones, que consisten en relacionar los
datos de otra forma, introducir nuevas condiciones o cambiar la forma de redactar las preguntas,
para obtener al final un problema derivado, que si bien no se caracteriza por su originalidad, s
constituye una nueva tarea.

4.-Integracin por inclusin. Es una tcnica muy sencilla, cuyo procedimiento es asequible a
cualesquier sujeto. Consiste en elaborarla de forma tal que las incgnitas de los diferentes
incisos mantengan una dependencia sucesiva en forma de cadena, como el ejemplo de la pgina
37, donde fueron caracterizados los sistemas semi-abiertos, para luego eliminar los iniciales y
solo dejar la incgnita final.

5.-Reformulacin. Consiste en reconstruir la estructura gramatical y de sistema mediante

procesos de innovacin. Se diferencia de la analoga por la profundidad de los cambios
introducidos, puesto que se parte de un ejemplo concreto que debe ser modificado y no de
recuerdos que pueden ser borrosos y a veces confusos.

6.-Fusin de tareas (o contenidos) auxiliares. Como parte de las estrategias de integracin, la

fusin de tareas docentes auxiliares constituye una de las ms importantes. Es poco empleada,
debido a la elevada complejidad que implica el establecimiento de relaciones mltiples entre
datos e incgnitas que proceden de ejemplos diferentes, aunque tambin pueden ser integrados
diversos contenidos previamente seleccionados, que guarden una relacin directa o indirecta.

Adems, en su conjunto, los fundamentos tericos estudiados sobre los distintos tipos de tareas
integradoras y las tcnicas necesitan para su implementacin del siguiente conjunto de
requisitos:

16

1.-Partir del anlisis de los objetivos de los programas, siguiendo un enfoque sistmico
en su derivacin gradual, desde los ms generales de la enseanza hasta la clase.

2.-Proporcionar en las tareas relaciones ricas entre los nuevos conocimientos y los
esquemas existentes, donde estn presentes todos los niveles de integracin de los
conocimientos y las habilidades, hasta llegar al nivel interdisciplinario.

3.-Desarrollar una adecuada variedad, concebida la variedad no slo en trminos de

enfoque que propicien reflexin, estimulen el debate y permitan crear motivos
cognoscitivos, sino tambin en relacin con las funciones, habilidades, niveles de
asimilacin y complejidad, entre otros

4.-Presentar la informacin tanto en trminos positivos y familiares como con

complejidad lgico lingstica, ir desde la simple descripcin del lenguaje simblico
hasta la exigencia de complicadas transformaciones, como por ejemplo negaciones o
varias premisas con diferentes enlaces lgicos, textos complejos a interpretar o
informaciones no utilizables, entre otras.

5.-Redactar las tareas de forma tal que expresen siempre ms de una funcin. Adems
de la funcin cognoscitiva, incorporar situaciones nuevas, con diferentes niveles de
complejidad, tanto de la vida diaria, la orientacin profesional o el cuidado del medio
ambiente, como de la actualidad poltico- ideolgico del pas.

6.-Establecer un adecuado equilibrio entre los problemas que sern formulado, dejando
un espacio a los problemas experimentales y cualitativos, que son insuficientes en los
textos de la enseanza media.

1.7 Elementos bsicos de un simulador de eventos discretos

Es el valor del tiempo que el simulador puede avanzar a una velocidad superior a la habitual de
un reloj comn, evolucionando as el estado de un sistema de forma acelerada.
17

Evento
Un evento es un suceso que hace cambiar las variables de estado del sistema. Durante el
procesamiento de un evento el tiempo de simulacin permanece fijo. Un evento pertenece a una
entidad, o actor en el sistema, y normalmente solo cambiara atributos de esta, dejando invariante
el resto del sistema.
Proceso
Es toda secuencia de eventos ordenada temporalmente (sucesin de estados de una entidad sobre
uno o ms intervalos sucesivos).
Entidad
El sistema a simular se modela en base a entidades actores que representan en su agregado al
sistema compuesto. El estado del sistema se entiende entonces como el agregado de los estados
que lo conforman.
Actividad
Secuencia de eventos pertenecientes a una entidad que cierran un ciclo funcional. A diferencia
de un evento, que se ejecuta a tiempo de simulacin constante, una actividad se desarrolla dentro
de un intervalo de tiempo de simulacin no puntual.
Simulacin en tiempo acelerado
Se da cuando el avance del tiempo de simulacin es mayor de un segundo por cada segundo de
tiempo real.

18

Simulacin en tiempo real

Se da cuando el avance del tiempo de simulacin exactamente de un segundo por cada segundo
de tiempo real.

Atributos.
Propiedades que poseen las entidades, tambin son llamados variables. Existen varios tipos de
atributos.
1. P: Parmetros son atributos fijados durante el diseo del sistema
2. U: Variables de entradas o exgenos, fijadas por el entorno
3. D: Variables de entradas fijadas por el usuario
4. Y: Variables de salida son las variables de estado o combinacin de ellas correspondiente
a medidas del sistema

Variables
Una variable es la expresin simblica representativa de un elemento no especificado
comprendido en un conjunto.

Reloj de simulacin
Es el contador de tiempo de la simulacin, y su funcin consiste en responder preguntas tales
como cunto tiempo se ha utilizado el modelo de la simulacin, y cuanto tiempo en total se
requiere que dure esta ltima.

19

Unidad 2
Nmeros Pseudoaleatorios
Objetivo.
Solucionar problemas relacionados con la generacin y valoracin estadstica de los nmeros
Pseudoaleatorios.

20

Nmeros Pseudoaleatorios
Mientras a comienzos del siglo XX los inventores e ingenieros ya diseaban y perfeccionaban
diversas mquinas tragamonedas o aparatos de juegos automticos que de forma mecnica
pretendan imitar el azar y que en cierto modo ya funcionaban de manera Pseudoaleatorio.
Tambin se observa que en el rea de las matemticas, la estadstica y en los nacientes campos
de la computacin y la Informtica exista una preocupacin creciente por establecer frmulas
o algoritmos que permitieran generar nmeros aleatorios a base del mero clculo matemtico o
de la ejecucin de instrucciones programadas, es decir, sin necesidad de tener que usar los
tradicionales mtodos fsicos tales como tirar monedas al aire, lanzar dados, sacar pelotas
numeradas de una urna, sacar cartas de un mazo, hacer girar una ruleta, impulsar las ruedas de
una mquina tragamonedas, etc.

Estas iniciativas cientficas culminaron en la creacin de mtodos matemticos y sistemas

informticos para la generacin de Nmeros Pseudoaleatorios, ya que las secuencias de nmeros
que son obtenidas al usar esas frmulas o algoritmos, por ms aleatorias que a simple vista
parezcan, en el fondo son el resultado de clculos que se basan en variables, en instrucciones y
en operaciones matemticas preestablecidas por la mente humana, es decir, no dependen
absolutamente de variables desconocidas que interactan caticamente o fuera de todo control.

La simulacin sirve como herramienta para analizar el diseo y operaciones de sistemas de

procesos complejos. Si bien la solucin nunca es exacta, las aproximaciones que se obtienen
son bastante buenas.

21

Por su parte, los nmeros Pseudoaleatorios 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 determinstico.

Fundamentalmente porque las sucesiones de nmeros Pseudoaleatorios son ms rpidas de

generar que las de nmeros aleatorios. Si las personas tenemos dificultad en generar nmeros
aleatorios, mucho ms la tiene un ordenador, la dificultad est en que un ordenador es tan "torpe"
que no sabe generarlos. Por eso usan nmeros Pseudoaleatorios, que para nuestro fin es lo
mismo, pues nadie los puede predecir.

2.1 Mtodos de generacin de nmeros Pseudoaleatorios

Definicin: Un nmero aleatorio es un resultado de una variable al azar especificada por una
funcin de distribucin. Cuando no se especifica ninguna distribucin, se presupone que se
utiliza la distribucin uniforme continua en el intervalo [0,1).

Casi todos los mtodos de simulacin se basan en la posibilidad de crear nmeros aleatorios con
distribucin U (0,1). Hasta la aparicin de las computadoras, los nmeros aleatorios se obtenas
de procedimientos experimentales como lotera o ruleta y se almacenaban en tablas.

Los nmeros generados por computadora se llaman nmeros Pseudoaleatorios, dado que son
predecibles a partir del primer nmero denominado semilla

Para poder utilizar un generador automtico de nmeros Pseudoaleatorios, ste debe cumplir
con ciertas propiedades:

Producir muestras segn la distribucin U(0,1)

Pasar los contrastes de aleatoriedad e independencia ms habituales

Que la sucesin generada sea reproducible a partir de la semilla

Tener una longitud de ciclo tan grande como se desee

Generar valores a alta velocidad

Ocupar poca memoria

22

2.1.1.-Mtodos Manuales para generar nmeros Pseudoaleatorios

Mtodos Manuales: son los mtodos ms simples y lentos, ejemplo de estos mtodos son
lanzamientos de monedas, dados, cartas y ruletas. Los nmeros producidos por estos mtodos
cumplen las condiciones estadsticas mencionadas anteriormente, pero es imposible reproducir
una secuencia generadas por estos mtodos.

Tablas de nmeros aleatorios: estos nmeros se pueden generar por medio de una hoja de
clculo o por cualquier generador de cualquier lenguaje de programacin razn por la cual su
comportamiento es totalmente determinstico.

Mediante el computador digital: existen tres mtodos para producir nmeros aleatorios
mediante un computador:

Provisin externa.

Generacin interna a travs de un proceso fsico aleatorio.

Generacin por medio de una regla de recurrencia.

23

2.1.2-Mtodos aritmticos para generar nmeros Pseudoaleatorios

Mtodos de Cuadrados Medios: el procedimiento de obtencin de nmeros Pseudoaleatorios
con este tipo de generador es el siguiente:

Se define una semilla

Se eleva la semilla al cuadrado ( )2

Depende de la cantidad de dgitos que se desea, que tenga el nmero Pseudoaleatorio, se

toman de la parte central del nmero resultante en el paso anterior el nmero de dgitos
requeridos. Si no es posible determinar la parte central, se completa el nmero agregando
ceros al principio o al final.

CUADRADO MEDIO PARA GENERAR NMEROS ALEATORIOS:

No. de
arranque:

Resultado al ser
elevado al cuadrado
(x2):

5772156649
7923805949
7007174078
4885593952

33317792380594909201
62786700717407800000
49100488559395200000
23869028263819000000

Seleccin de los 10
dgitos
del medio:
33317792380594909201
62786700717407800000
49100488559395200000
23869028263819000000

Nuevo nmero
aleatorio
generado:
7923805949
7007174078
4885593952
0282638190

Mtodo de Producto medio: este mtodo es un poco similar al anterior pero se debe comenzar
con dos semillas cada una con k dgitos, el nmero resultante se toma como las cifras centrales
del producto de los dos nmeros anteriores. Por ejemplo, tomando como semillas a =
13 1 = 15 el mtodo sera el siguiente: +1 = 1
=

2 = (13 15) = 0195 = 19, 1 = 19 / 99 = 0.1919

3 = (15 19) = 0285 = 28, 2 = 28 / 99 = 0.2828
4 = (19 28) = 0532 = 53, 3 = 53 / 99 = 0.5354
5 = (28 53) = 1484 = 53, 3 = 48 / 99 = 0.4848

24

Mtodo del producto medio modificado: consiste en usar una constante multiplicativa en lugar
de una variable. Es decir +1 = ( ). Debe notarse que los mtodos anteriores tienen
periodos relativamente cortos, los cuales son afectados grandemente por los valores iniciales
que se escojan, adems son estadsticamente insatisfactorios. Tambin debe tenerse en cuenta
que un generador con un periodo corto no sirve para hacer un nmero considerado de ensayos
de simulacin.

2.1.3.-Mtodos congruenciales.
Se han desarrollado bsicamente tres mtodos de congruenciales para generar

nmeros

Pseudoaleatorios, los cuales se derivan del empleo de diferentes versiones de la relacin

fundamental de congruencia. El objetivo de cada uno de los mtodos es la generacin en un
tiempo mnimo, de sucesiones de nmeros aleatorios con periodos mximos. Los mtodos
congruenciales son: el aditivo, el multiplicativo y el mixto.

Mtodo Congruencial Aditivo: calcula una sucesin de nmeros Pseudoaleatorios mediante

la relacin +1 = + ( ). Para usar este mtodo se necesitan k valores iniciales,
siendo k entero. Las propiedades estadsticas de la secuencia tienden a mejorarse a medida que
k se incrementa. Este es el nico mtodo que produce periodos mayores que M.

Mtodo Congruencial Multiplicativo: calcula una sucesin de enteros no negativos, cada

uno de los cuales es menor que M mediante la relacin +1 = ( ). Es un caso
especial de la relacin de congruencia en que c=0, este mtodo se comporta de manera
satisfactoria estadsticamente, es decir, los nmeros generados por medio de este mtodo estn
uniformemente distribuidos, y no estn correlacionados. Este mtodo tiene un periodo mximo
menor que M, pero se pueden imponer condiciones en y de tal forma que se obtenga el
periodo mximo.

Mtodo Congruencial Mixto o Lineal: los generadores congruenciales lineales generan una
secuencia de nmeros Pseudoaleatorios en la cual el prximo nmero Pseudoaleatorio es
determinado a partir del ltimo nmero generado, es decir, el nmero Pseudoaleatorio +1 es
25

derivado a partir del nmero Pseudoaleatorio La relacin de recurrencia para el generador

congruencial mixto es + = ( + ) , en donde:

= es la semilla
=el multiplicador
= constante aditiva
= ( > , , )
, , > 0

Ejemplo: supongamos que se tiene un generador en el cual los valores de sus parmetros son:

= 5,
= 7,
= 4
= 8.

El generador quedar de la siguiente manera:

+1 = (5 + 7) 8
N

Xn

1
2
3
4
5
6
7
8

4
3
6
5
0
7
2
1

(5*Xn+7)/mod 8 Xn+1 residuo

27/8
22/8
37/8
32/8
7/8
42/8
17/8
12/8

3
6
5
0
7
2
1
4

No aleatorio
0.3750
0.7500
0.6250
0.0000
0.8750
0.2500
0.1250
0.5000

De acuerdo con Hull y Dobell, los mejores resultados para un generador congruencial mixto en
una computadora binaria son:

= 83
=
= .
= 2

Donde
> 2 " " .
26

Determine el perodo de los siguientes generadores congruenciales mixtos:

+1
+1
+1
+1
+1

= (8 + 16) 100 = 15.

= (50 + 17) 64 = 13.
= (5 + 24) 32 = 7.
= (5 + 21) 100 = 3.
= (9 + 13) 32
= 8

2.2 Pruebas estadsticas

Cuando se analizan datos medidos por una variable cuantitativa continua, las pruebas
estadsticas de estimacin y contraste frecuentemente empleadas se basan en suponer que se ha
obtenido una muestra aleatoria de una distribucin de probabilidad de tipo normal o de Gauss.

Pruebas no paramtricas:

Las pruebas estadsticas no paramtricas son las que, a pesar de basarse en determinadas
suposiciones, no parten de la base de que los datos analizados adoptan una distribucin
normal.

Tcnica estadstica que no presupone ninguna distribucin de probabilidad terica de la

distribucin de nuestros datos.

Se denominan pruebas no paramtricas aquellas que no presuponen una distribucin de

probabilidad para los datos, por ello se conocen tambin como de distribucin libre
(distribucin free).

En la mayor parte de ellas los resultados estadsticos se derivan nicamente a partir de

procedimientos de ordenacin y recuento, por lo que su base lgica es de fcil
comprensin.

Cuando trabajamos con muestras pequeas (n < 10) en las que se desconoce si es vlido suponer
la normalidad de los datos, conviene utilizar pruebas no paramtricas, al menos para corroborar
los resultados obtenidos a partir de la utilizacin de la teora basada en la normal.
En estos casos se emplea como parmetro de centralizacin la mediana, que es aquel punto para
el que el valor de est el 50% de las veces por debajo y el 50% por encima.

27

Las pruebas no paramtricas no requieren asumir normalidad de la poblacin y en su mayora

se basan en el ordenamiento de los datos, la poblacin tiene que ser continua. El parmetro que
se usa para hacer las pruebas estadsticas es la Mediana y no la Media. Son tcnicas estadsticas
que no presuponen ningn modelo probabilstico terico.
Son menos potentes que las tcnicas paramtricas, aunque tienen la ventaja que se pueden
aplicar ms fcilmente.

Pruebas paramtricas:
Las pruebas estadsticas paramtricas, como la de la de Student o el anlisis de la varianza
(ANOVA), se basan en que se supone una forma determinada de la distribucin de valores,
generalmente la distribucin normal, en la poblacin de la que se obtiene la muestra
experimento.

Anlisis de la varianza (anova)

La tcnica del Anlisis de la Varianza, introducida en los aos cincuenta por Sir Ronald Fisher,
es utilizada, fundamentalmente, en el anlisis de datos procedentes de experimentos, los cuales,
por otra parte, son diseados teniendo en cuenta el futuro anlisis de la varianza que se har de
sus resultados. El investigador, antes de realizar su experimento, identifica aquellas fuentes de
variacin que considera importantes y elige un diseo que le permita medir la importancia de la
contribucin de cada una de estas fuentes a la variacin total.

Ejemplo
Los miembros de un equipo ciclista se dividen al azar en tres grupos que entrenan con mtodos
diferentes. El primer grupo realiza largos recorridos a ritmo pausado, el segundo grupo realiza
series cortas de alta intensidad y el tercero trabaja en el gimnasio con pesas y se ejercita en el
pedaleo de alta frecuencia. Despus de un mes de entrenamiento se realiza un test de rendimiento
consistente en un recorrido cronometrado de 9 Km. Los tiempos empleados fueron los
siguientes:

28

Mtodo I

Mtodo II
15
16
14
15
17

Mtodo III
14
13
15
16
14

13
12
11
14
11

A un nivel de confianza del 95% Puede considerarse que los tres mtodos producen resultados
equivalentes? O por el contrario Hay algn mtodo superior a los dems?

Solucin:
Comenzamos calculando los totales y los cuadrados de los totales divididos por el nmero de
observaciones:

Suma
Suma2
Suma2/5

Met 1
77
5929
1185.8

Met 2
72
5184
1036.8

Met 3
61
3721
744.2

Total
=210
=2966.8

A continuacin calculamos los cuadrados de las observaciones y su total

225
256
196
225
289
1191

196
169
225
256
196
1042

169
144
121
196
121
751

2984

A partir de estas cantidades bsicas calculamos las Sumas de Cuadrados

() = 2984 2940 = 44
() = 2984 2966,8 = 17.2
() = 2966,8 2940 = 26.8
Los cuadrados medios sern:
26,8
= 13.4
2
17,2
() =
= 1.43
12

() =

Por consiguiente el estadstico de contraste vale

29

Suma2/15
=2940

13.4
= 9.37
1.43

El valor de la F terica con 2 y 12 grados de libertad, a un nivel de confianza del 95% es 3,89.
Por consiguiente se rechaza la hiptesis nula y se concluye que los tres mtodos de
entrenamientos producen diferencias significativas.
RESUMEN EN EXCEL
Anlisis de varianza de un factor
Grupos

Cuenta

Suma

Promedio

Varianza

Columna 1

77

15.4

1.3

Columna 2

72

14.4

1.3

Columna 3

61

12.2

1.7

ANLISIS DE VARIANZA
Origen de las
variaciones
Entre grupos

Suma de
cuadrados
26.8

Grados de
libertad
2

Promedio de los
cuadrados
13.4

Dentro de los grupos

17.2

12

1.4333

Total

44

14

F
9.348

Probabili
dad
0.00356

Valor crtico
para F
3.885293835

Distribucin t de Student
Las distribuciones t de Student fueron descubiertas por William S. Gosset (1876-1937) en 1908
cuando trabajaba para la compaa de cervezas Guinness en Dubln (Irlanda). No pudo publicar
sus descubrimientos usando su propio nombre porque Guinness haba prohibido a sus
empleados que publicaran informacin confidencial.

Es una distribucin de probabilidad que surge del problema de estimar la media de una
poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. sta es la base
de la popular prueba t de Student para la determinacin de las diferencias entre dos medias
mustrales y para la construccin del intervalo de confianza para la diferencia entre las medias
de dos poblaciones.

30

En la generalidad de los casos, no disponemos de la desviacin standard de la poblacin, sino

de una estimacin calculada a partir de una muestra extrada de la misma y por lo tanto no
podemos calcular Z.

( )2
=
( 1)

=

Ejemplo 1.
La compaa USA produce focos. El presidente de la Ca. dice que sus focos duran 300 das.
Entonces la competencia va a varios supermercados y compra 15 focos para probar esa
afirmacin. Los focos de la muestra duran en promedio 290 das con una desviacin estndar
de 50 das. Entonces, si quieren desmentir al presidente de USA necesita saber cul es la
probabilidad de que 15 focos seleccionados al azar tengan una vida promedio o no mayor de
290 das.
Primero calculamos

290300
50
15

10

= 12.91 = 0.7746

Donde es la media de la muestra, la media de la poblacin, es la desviacin estndar de la

muestra y el tamao de la muestra.
Grados de libertad (): 15 - 1 = 14.
* El valor t que obtuvimos = - 0.7746
31

El resultado nos da: 0.2340. Esto significa que si la verdadera vida de un foco es de 300 das,
hay una probabilidad de 23.4% de que la vida promedio de 15 focos seleccionados al azar sea
menor o igual a 290 das y nosotros ha sabramos a qu atenernos si queremos poner en ridculo
al Presidente.

Ejemplo 2.
Supongamos que las calificaciones de una prueba estn distribuidas normalmente con una media
de 100. Ahora supongamos que seleccionamos 20 estudiantes y les hacemos un examen. La
desviacin estndar de la muestra es de 15.
Cul es la probabilidad de que el promedio en el grupo de muestra sea ms 110?

Nmero de grados de libertad: 1 = 20 1 = 19

La media de la poblacin es igual a 100

La media de la muestra es igual a 110

La desviacin estndar de la muestra es igual a 15

=

110 100
= 2.9814
15
20
32

Usando estos valores nos da un resultado de probabilidad acumulada de 0.00496. Esto implica
que hay una probabilidad de 0.42% de que el promedio en una muestra sea mayor de 110.

Ejemplo

Las puntuaciones en un test que mide la variable creatividad siguen, en la poblacin general de
adolescentes, una distribucin Normal de media 11,5. En un centro escolar que ha implantado
un programa de estimulacin de la creatividad una muestra de 30 alumnos ha proporcionado las
siguientes puntuaciones.
11
10

9
17

12
17

17
8

8
23

11
8

9
6

4
14

5
16

9
6

14
7

9
15

17
20

24
14

19
15

1.-A un nivel de confianza del 95% Puede afirmarse que el programa es efectivo?
= 11.5
1: > 11.5
2.-Se calcula media y la desviacin estndar
=

( )
(12.47 11.5)
=
= 1.00

5.3
1
29

3.-Como el contraste es unilateral, buscamos en las tablas de la t de Student, con 29 grados de

libertad, el valor que deja por debajo de s una probabilidad de 0.95, que resulta ser 1.699.
4.-El valor del estadstico es menor que el valor crtico, por consiguiente se acepta la hiptesis
nula
5.-La interpretacin sera que no hay evidencia de que el programa sea efectivo

2.2.1 De uniformidad. (Chi cuadrada, Kolmogorov-Smimov).

Chi-cuadrado
La prueba de independencia Chi-cuadrado, nos permite determinar si existe una relacin entre
dos variables categricas. Es necesario resaltar que esta prueba nos indica si existe o no una
33

relacin entre las variables, pero no indica el grado o el tipo de relacin; es decir, no indica el
porcentaje de influencia de una variable sobre la otra o la variable que causa la influencia.

Propiedades de la Distribucin Chi-cuadrado

1.-Los valores de X2 son mayores o iguales que 0.

2.-La forma de una distribucin X2 depende del = 1. En consecuencia, hay un

nmero infinito de distribuciones X2.

3.-El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.

4.-Las distribuciones X2 no son simtricas. Tienen colas estrechas que se extienden a la

derecha; esto es, estn sesgadas a la derecha.

5.-Cuando n >2, la media de una distribucin X2 es n-1 y la varianza es 2( 1).

6.-El valor modal de una distribucin X2 se da en el valor ( 3).

Supongamos que tenemos un nmero k de clases en las cuales se han ido registrados un total de
n observaciones (n ser pues el tamao muestral). Denotaremos las frecuencias observadas en
cada clase por 1 + 2 + . . . + ( es el nmero de valores en la clase ). Se cumplir:
1 + 2 + . . . + =
Lo que queremos es comparar las frecuencias observadas con las frecuencias esperadas
(tericas), a las que denotaremos por 1 , 2 , . . . , . Se cumplir:
Clase
Clase 1
Clase 2

Frecuencia Observada
O1

Frecuencia Esperada
E1

Clase n
Total

Ok
n

Ek
N

Se tratar ahora de decidir si las frecuencias observadas estn o no en concordancia con las
frecuencias esperadas (es decir, si el nmero de resultados observados en cada clase corresponde
aproximadamente al nmero esperado). Para comprobarlo, haremos uso de un contraste de
hiptesis usando la distribucin Chi-cuadrado:
34

( )
=

=1

En cierta mquina Expendedora de Refrescos existen 4 canales que expiden el mismo tipo de
bebida. Estamos interesados en averiguar si la eleccin de cualquiera de estos canales se hace
de forma aleatoria o por el contrario existe algn tipo de preferencia en la seleccin de alguno
de ellos por los consumidores. La siguiente tabla muestra el nmero de bebidas vendidas en
cada uno de los 4 canales durante una semana. Contrastar la hiptesis de que los canales son
seleccionados al azar a un nivel de significacin del 5%.

Canal
1
2
3
4
Total

Numero de bebidas consumidas mediante este expendedor

13
22
18
17
70

Para realizar el contraste de Chi cuadrada debemos calcular las frecuencias esperadas de cada
suceso bajo la hiptesis de uniformidad entre los valores. Si la seleccin del canal fuera
aleatoria, todos los canales tendran la misma probabilidad de seleccin y por lo tanto la
frecuencia esperada de bebidas vendidas en cada uno de ellos debera ser aproximadamente la
misma. Como se han vendido en total 70 refrescos, la frecuencia esperada en cada canal es
= = 70 = 17.5

=
=1

= 1, . . . ,

(131 17.5)2 (22 17.5)2 (18 17.5)2 (17 17.5)2

+
+
+
= 2.34.28
17.5
17.5
17.5
17.5

Este valor debemos compararlo con el valor crtico de la distribucin 2 con (4-1)=3 grados de
libertad. Este valor se busca en tabla y es: 2 0.95 (3) = 7.81 2
Prueba de Kolmogorov Smirnov

La prueba de Kolmogorov es considerada para el anlisis de una muestra un procedimiento de

bondad de ajuste, es decir, permite la medicin del grado de concordancia existente entre la
distribucin de un conjunto de datos y una distribucin terica especfica.
35

Metodologa
1. Formular la hiptesis nula, Ho. Teniendo en cuenta que los nmeros que se van a generar
provienen de una distribucin uniforme.
2. Se selecciona una muestra de tamao n de nmeros Pseudoaleatorios n.
3. Se hallan los parmetros de acuerdo a la distribucin que se est utilizando y dems
datos que sirvan de base para la realizacin de la prueba. Ej.: para el caso de una
distribucin normal se deben hallar los parmetros respectivos (Media, desviacin
estndar) y otros datos de utilidad.
4. Se debe calcular la funcin de distribucin acumulada para despus hallar las frecuencias
respectivas.
5. Antes de poder hallar el estadstico de prueba se debe hallar la frecuencia observada y
la frecuencia relativa de cada uno de los intervalos establecidos de acuerdo al rango.
6. Se aplica la ecuacin D= Frecuencia observada relativa-Frecuencia esperada
relativa para hallar la discrepancia de las mismas o error estadstico.
7. Posteriormente, se halla el estimador Smirnov-Kolmogorov que es: Valor mximo entre
todos los valores hallados para cada intervalo. En Excel sera =Mx. [Frecuencia
observada relativa-Frecuencia esperada relativa].

8. Se hallan tambin los grados de libertad de acuerdo a la distribucin estadstica utilizada.

A su vez se establece un nivel de significancia de acuerdo al planteamiento.
9. Con base a lo anterior se consulta la tabla de lmites de aceptacin para la prueba de
Kolmogorov-Smirnov para un tamao de muestra n y un determinado nivel de riesgo
alfa, Si el estimador de la prueba es menor al valor buscado en la tabla se acepta H0 o
hiptesis nula, en caso contrario se rechaza.

36

Variable y formulas de la prueba de Kolmogorov

=
=
=
Estadstico de prueba
= ( )
=
EJEMPLO 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

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

Ri
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

F(i/n)
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

37

F(i/n)- (Ri)
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

() ( )/
0.000
-0.023
-0.037
-0.060
-0.073
-0.097
-0.090
-0.123
-0.117
-0.120
-0.083
-0.117
-0.140
-0.123
-0.137
-0.160
-0.193
-0.137
-0.120
-0.143
-0.117
-0.110
-0.133
-0.087
-0.100
-0.063
-0.057
-0.070
-0.013
0.003

Siguiendo con el paso 4

= |+
, ( )| = |(. , . )| = .

Comparamos el valor Dn (calculado) contra el valor en tablas de la distribucin KolmogorovSmirnov con n = 30 y un nivel de significancia alfa = 5%, el cual es d30, 5% = 0.242. Como 0.230
es menor que 0.242, entonces, no se puede rechazar la uniformidad de los nmeros aleatorios.
La muestra se acepta.

2.2.2 De aleatoriedad. (C., arriba y debajo de la media y longitud de corridas)1.

Prueba de las Medias
En la prueba de los promedios se establecen las siguientes hiptesis:

: = (Los nmeros Pseudoaleatorios generados provienen de una distribucin

(0,1) = 0.50)

Ha: (los nmeros Pseudoaleatorios generados no provienen de una distribucin

(0,1) = 0.50)

=1

= +

(/ )

(/ )

Ejemplo. Determinar si la muestra de 30 datos aleatorios presenta un comportamiento

uniformemente distribuidos; se utiliza el estadstico /2 , el cual se determina por medio de la
tabla de distribucin normal estndar. 0.025 =1.96

Corridas arriba y debajo de la media y longitud de corridas

38

Tabla de nmeros aleatorios

0.
0.
0.
0.
0.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

1 (/2 ) 1
1.96
+
= +
= 0.5298
2 12
2 12 30

1 (2 ) 1
1.96

=
= 0.4701
2 12 2 12 30

.
.
.
.
.

Ecuacin para determinar el valor estadstico

=

)
(

Sustituyendo valores y comprando ambos valores de Z de tabla y el calculado, si el valor de

es menor que valor de Z de tabla, no se puede rechazar
=

1) 30
(0.507
2
1
12

0.0383
= 0.13267
0.2886

Y como entonces no se puede rechazar de la muestra de los nmeros aleatorios estn

normalmente distribuidos entre (0,1)

Prueba de las frecuencias

Esta prueba consiste en dividir el intervalo (0,1) en n sub-intervalos para luego comparar para
cada sub-intervalo la frecuencia esperada con la frecuencia observada. Si estas frecuencias son
bastante parecidas entonces la muestra proviene de una distribucin uniforme.
Las hiptesis son:

Ho: Los nmeros Pseudoaleatorios provienen de una distribucin U (0,1).

Ha: Los nmeros Pseudoaleatorios no provienen de una distribucin U (0,1).

39

2 =

=1( )2

= frecuencia observada del i-esimo sub-intervalo

= Frecuencia esperada del i-esimo sub-intervalo
= Tamao de la muestra
= Nmero de su-intervalo
0.82663
0.73748
0.56663
0.95757
0.67208
0.81381
0.97394
0.12404
0.27809
0.69858
0.54125
0.76028
0.03713
0.29025
0.40276
0.17434
0.71957
0.36474
0.27223
0.31974

0.41139
0.89560
0.45352
0.67382
0.96900
0.76395
0.60976
0.35960
0.08951
0.78127
0.93738
0.47596
0.28384
0.78377
0.74116
0.42252
0.84566
0.56183
0.23400
0.23641

0.50401
0.55539
0.12979
0.98986
0.93208
0.64551
0.56826
0.86559
0.30814
0.16585
0.34762
0.25384
0.07877
0.10184
0.68255
0.57261
0.42448
0.71793
0.07764
0.86060

0.54860
0.58461
0.71470
0.30483
0.67359
0.57957
0.55440
0.85091
0.55353
0.78562
0.39295
0.94603
0.05370
0.24963
0.61969
0.51144
0.29796
0.81251
0.85689
0.40582

0.00026
0.14318
0.97389
0.47850
0.64561
0.27479
0.42556
0.98150
0.67700
0.67231
0.34631
0.74919
0.52661
0.50416
0.98574
0.85281
0.41094
0.40407
0.98148
0.80703

No Clases

LIM INF

LIM SUP

PMEDIO

FO

FE

PM*F

FR REL

FR ACUM

0.000

0.198

0.0992

12

20

1.19

0.12

0.120

0.198

0.396

0.2971

18

20

5.35

0.18

0.300

0.396

0.594

0.49506

26

20

12.87

0.26

0.560

0.594

0.792

0.69298

22

20

15.25

0.22

0.780

0.792

0.990

0.89090

22

20

19.60

0.22

1.000

100

100

= /
2

2 =

(12 20) + (18 20) + (26 20)2 + (22 20)2 + (22 20)2
= 1.12
(5(20))

40

2
Buscando en tabla .05,4
= 9.49 > 02 entonces no se puede rechazar la hiptesis de que los

nmeros Pseudoaleatorios provienen de una distribucin uniforme.

Prueba de Series
Esta prueba se utiliza para comprobar el grado de aleatoriedad entre nmeros sucesivos. La
prueba consiste en formar parejas de nmeros, las cuales son consideradas como coordenadas
en un cuadrado unitario dividido en 2 celdas. En la prueba de series se generan N nmeros
Pseudoaleatorios de los cuales se forman parejas entre +1 , es decir si se generan 5
nmeros, las parejas que se forman serian: (1 , 2), (2 , 3), (3 , 4), (4 , 5).

En seguida se determina la celda a la que pertenece cada pareja ordenada, con lo cual se
determina la frecuencia observada de cada celda.

Paso 1. Crear un histograma de dos dimensiones con m intervalos, clasificando cada pareja de
nmeros consecutivos ( , +1 ) dentro de las casillas de dicho histograma de frecuencias. El
nmero total de pares ordenados en cada casilla formar la frecuencia observada:
Paso 2 Calcular la frecuencia esperada en cada casilla FE de acuerdo con = / donde
nm. es el nmero total de parejas ordenadas.
Paso 3 Calcular el error 02 , con la ecuacin

2
2
0 =

1
=1

( 1)
(
)
2
=1

Pas 4 Si el valor de 12 es menor o igual al estadstico de tablas 12 con (m-1) grados de libertad
y una probabilidad de rechazo a, entonces aceptamos que estadsticamente los nmeros son
independientes.

41

Ejemplo: Realice la prueba de series a los siguientes 30 nmeros con un 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

Se forman las parejas de coordenadas

(0.72484, 0.48999); (0.48999, 0.50502); (0.50502, 0.39528) ;..( 0.98953, 0.73231)
La clasificacin en una tabla de frecuencias de dos dimensiones de 4 x 4, (m=16), queda

1.00
0.75
0.50
0.25
0

3
1
1
2
0.25

2
1
3
2
0.50

1
1
3
1
0.75

2
3
1
2
1.00

Se suman de acuerdo al tipo por ejemplo hay 7 unos (1)

Tomando en cuenta que se tienen 29 parejas ordenadas clasificadas uniformemente en 16
casillas, la frecuencia esperada FE en cada una es 1.8125 y al calcular el error con la ecuacin
del paso 3, para cada una de las 16 celdas o intervalos de la tabla anterior se tiene:
12

1 7(1.81 1)2 + 5(1.81 2)2 + (1.81 3)2

=
[
] = 5.75
1.81
1

El valor de la tabla 2 con un nivel de confianza del 95% y con (16-1)=15 grados de libertad es
igual a 25. Si se compara 12 =5.75 con este valor, se acepta la independencia de la secuencia de
nmeros.
2
12 ,05,15

Por consiguiente Ho se acepta

Prueba de las corridas

La prueba de las corridas sirve para probar la aleatoriedad de los nmeros generados. Esta
prueba se basa en el nmero de corridas o secuencias ascendentes y descendentes. Una corrida
es una secuencia ascendente o descendente de nmeros Pseudoaleatorios adyacentes.
42

Las hiptesis son:

Ho: Los nmeros son Pseudoaleatorios U (0,1).

Ha: Los nmeros no son Pseudoaleatorios U (0,1).

En este mtodo se coloca el signo + o en cada par de nmeros adyacentes. Se puede

demostrar que:
Si:

R = nmero total de corridas (arriba y abajo)

N = tamao de la muestra

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 , es:

FEi =

(N i + 3)
2+1

+1
2

EJEMPLO 1. 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
0.70
0.77
0.68
0.03

0.48
0.31
0.04
0.97
0.59

43

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 la longitud de corridas.

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

Longitud de la
corrida

=1
=2
=3
=4
=5

( )2

Frecuencia
observada
FO
9
3
2
1
1

FE
8
3.875
1.875
0.906
0.438

Resultado
0.125
0.197
0.008
0.010
0.721

Como para las longitudes de corrida = 1,2, 3, 4, 5; las frecuencias observadas son menores o
igual a cinco, agrupamos estas longitudes de corridas en una sola longitud de corrida.
( )2

Longitud de la
Frecuencia
corrida
observada
li
FO
FE
Resultado
1
9
8
0.125
>2
7
7.4
0.936
2
El valor en tablas de 1;5% = 3.84 ; entonces no se puede rechazar la independencia de los
nmeros aleatorios.

44

Corridas ascendentes y descendentes

Procedimiento
1. Generar la muestra de tamao N de nmeros aleatorios.
2. Construir la sucesin binaria de acuerdo al siguiente criterio:
Si es menor o igual a +1entonces asignarle a el smbolo 0.
Si es mayor que +1 entonces asignarle al el smbolo 1.
Con base en la distribucin 2, efectuar la prueba, donde la frecuencia esperada de las longitudes
de corrida se calcular con:
2|( 2 + 3 + 1) ( 3 + 3 2 4)|
=
( + 3)!
EJEMPLO 2. Aplicar la prueba de las corridas ascendentes y descendentes a la muestra de 30
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

0
1
1
1
0

1
0
1
0

Ahora la sucesin binaria es la siguiente como se muestra en la tabla

0
0
0
0
1

0
0
0
1
1

1
0
1
0
0

1
1
0
1
1

Obsrvese que la ltima celda se deja en blanco, pues no hay con qu nmero comparar. (Aqu
N = 29)

45

Tabla de clculos
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

Tabla simplificada
i
1
>=2

FE
11.500
6.483

FO
11
7

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

Como el valor 0.024 es menor que el valor en tablas de Ji-cuadrada 2 1,5%= 3.84, no se puede
rechazar la independencia de los nmeros aleatorios.

2.2.3 De independencia. (A-C, P-H, P-P, prueba de Yule).2

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:

Ho independiente
Hi Dependiente

Para realizar esta prueba de hiptesis existen varios mtodos, puede seleccionarse cualquiera de
la siguiente lista:
Prueba de hueco
Consiste en suprimir de un texto una serie de palabras seleccionadas en virtud que representan
los aspectos que se requieren medir. La tarea del candidato es deducir, por el contexto, la palabra
eliminada y reescribirla para determinar la palabra dada es correcta o incorrecta.

Auto-correlacin, prueba de huecos, prueba del pquer, prueba de Yule

46

Prueba de Yule
Es una medida de asociacin creada por el estadstico escoces George Udny Yule, se utiliza en
cuadros estadsticos llamado contingencia.

Variables nominales
Restricciones:

Tener en cuenta que son nmeros positivos, solo pueden tomar valores comprendidos
entre cero y uno.

Cuando se acercan a un cero, indican independencia o asociacin muy dbil entre las
variables.

2.3 Mtodo de Monte Carlo

La simulacin de Monte Carlo es una tcnica cuantitativa que hace uso de la estadstica y los
ordenadores para imitar, mediante modelos matemticos, el comportamiento aleatorio de
sistemas reales no dinmicos (por lo general, cuando se trata de sistemas cuyo estado va
cambiando con el paso del tiempo, se recurre bien a la simulacin de eventos discretos o bien a
la simulacin de sistemas continuos).

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.

Definicin
Es el proceso de disear y desarrollar un modelo computarizado de un sistema o proceso y
conducir experimentos con este modelo con el propsito de entender el comportamiento del
sistema o evaluar varias estrategias con las cuales se puede operar el sistema.
47

2.3.1 Caractersticas.
Ventajas
1. Es un mtodo directo y flexible
2. Existe un amplio abanico de programas y lenguajes destinados a simular.
3. Cuando el modelo matemtico es demasiado complicado la simulacin permite obtener
una aproximacin.
4. La simulacin nos permite formular condiciones extremas con riesgos nulos.
5. La simulacin no interfiere con el mundo real. Permite experimentar.
6. Permite estudiar la interaccin entre las diferentes variables del problema.
7. Mediante la simulacin podemos influir en el tiempo de los procesos.
8. La simulacin permite resolver problemas que no tienen solucin analtica.

Desventajas
1. Una buena simulacin puede resultar muy complicada, gran nmero de variables.
2. La simulacin no genera soluciones ptimas globales.
3. No proporciona la decisin a tomar, sino que resuelve el problema mediante
aproximacin para unas condiciones iniciales.
4. Cada simulacin es nica, interviene el azar.

2.3.2 Aplicaciones.

Criptografa

Cromo dinmica cuntica

Densidad y flujo de trfico

Diseo de reactores nucleares

Ecologa

Econometra

Evolucin estelar

Fsica de materiales

Teora de colas

Mtodos cuantitativos de la organizacin industrial

48

Pronsticos

Sistema de inventarios

Portafolios de valores

Sistemas de ventas

2.3.3 Solucin de problemas

El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de
nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las
distribuciones acumuladas de frecuencias

Determinar las V.A. y sus distribuciones acumuladas (F)

Generar un nmero aleatorio uniforme I (0,1).

Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases
que tengamos.

Calcular media, desviacin estndar error y realizar el histograma.

Analizar resultados para distintos tamaos de muestra.

Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulacin o tenemos relaciones entre variables es la
siguiente:

Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias relevantes.

Incluir posibles dependencias entre variables.

Muestrear valores de las variables aleatorias.

Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el
resultado

Repetir el proceso hasta tener una muestra estadsticamente representativa

Obtener la distribucin de frecuencias del resultado de las iteraciones

Calcular media, desvo.

Analizar los resultados

49

Las principales caractersticas a tener en cuenta para la implementacin o utilizacin del

algoritmo son:
El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad (fdp)
Generador de nmeros aleatorios: como se generan los nmeros aleatorios es importante para
evitar que se produzca correlacin entre los valores mustrales.

Ejemplo.
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y queremos ver
qu sucede con el promedio de la demanda en varias iteraciones.

Frecuencia
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0

0.4
0.2

0.2

0.1
42

0.10
45

48

51

54

Tabla de datos
Consultas

Frecuencias
absolutas (das)

Frecuencia

Frecuencia
acumulada

Intervalo

10
20
48
51
54

.10
.20
.40
.20
.10

.10
.30
.70
.90
1.00

0.0- 0.10
0.10-0.30
0.30-0.70
0.70-0.90
0.90-1.00

50

Frecuencia acumulada
0.9

1.00

0.7
0.3
0.1
42

45

48

51

54

Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada
da, interesndonos en este caso como es el orden de aparicin de los valores. Se busca el nmero
aleatorio generado en la tabla de probabilidades acumuladas, una vez encontrado (si no es el
valor exacto, ste debe ser menor que el de la fila seleccionada pero mayor que el de la fila
anterior), de esa fila tomada como solucin se toma el valor de las unidades (Cuando trabajamos
en Excel debemos tomar el lmite inferior del intervalo para busca en las acumuladas, para poder
emplear la funcin BUSCAR (), para 42 sera 0, para 43; 0.100001 y as sucesivamente).

Supongamos que el nmero aleatorio generado sea 0.52, a qu valor de unidades corresponde?
Nos fijamos en la columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente
mayor es 0.70 y corresponde a 48 unidades.

Se puede apreciar mejor en el grfico, trazando una recta desde el eje de la frecuencia hasta que
intersecta con la lnea de la funcin acumulada, luego se baja a la coordenada de unidades y se
obtiene el valor correspondiente; en este caso 48.

Cuando trabajamos con variables discretas la funcin acumulada tiene un intervalo o salto para
cada variable (para casos prcticos hay que definir los intervalos y luego con una funcin de
bsqueda hallar el valor). Para funciones continuas se puede hallar la inversa de la funcin
acumulada.

51

Numero de simulacin
1
2
3
4
5
6
n

Numero aleatorio
0.92
0.71
0.85

Valor de la demanda
54
51
51

0.46

48

Eficiencia del Nmero de simulaciones

Numero de simulaciones

Media

Desviacin estndar

Error residual

10

48.6

3.4

1.08

100

48,13

3.16

0.32

1000

47.87

3.29

0.11

10000

47,88

3.30

0.04

Ejemplo 2.

Se muestra un anlisis histrico de 200 das sobre el nmero de consultas diarias realizadas a un
sistema de informacin empresarial (EIS) residente en un servidor central. La tabla incluye el
nmero de consultas diarias (0 a 5) junto con las frecuencias absolutas (nmero de das que se
producen 0, 1,..., 5 consultas), las frecuencias relativas (10/200 = 0,05,...), y las frecuencias
relativas acumuladas.
Tabla de resultado
Consultas

Frecuencias
absolutas (das)

Frecuencia
relativa

Frecuencia
acumulada

Intervalo

10

0.05

0.050

0.0- 0.05

20

0.10

0.150

0.05-0.15

40

0.20

0.350

0.15-0.35

60

0.30

0.650

0.35-0.65

40

0.20

0.850

0.65-0.85

30

0.15

1.000

0.85-1.00

200

1.00

52

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso

asociado, en este caso, la probabilidad de un determinado nmero de consultas (as, p.e., la
probabilidad de que se den 3 consultas en un da sera de 0,30), por lo que la tabla anterior nos
proporciona la distribucin de probabilidad asociada a una variable aleatoria discreta (la variable
aleatoria es el nmero de consultas al EIS, que slo puede tomar valores enteros entre 0 y 5).

Supongamos que queremos conocer el nmero esperado (o medio) de consultas por da. La
respuesta a esta pregunta es fcil si recurrimos a la teora de la probabilidad.
Denotando por X a la variable aleatoria que representa el nmero diario de consultas al EIS,
sabemos que

() = ( = ) = . + . + . + . + . + . = .
=

Cuando se conozca la distribucin de probabilidad asociada a una variable aleatoria discreta,

ser posible usar la columna de frecuencias relativas acumuladas para obtener los llamados
intervalos de nmeros aleatorios asociados a cada suceso.

Coonsultas
0.35

Ttulo del eje

0.30
0.25
0.20
0.15
0.10
0.05
0.00
0

Total de consultas

53

FRECUENCIA ACUMULADA
1.200

Ttulo del eje

1.000
0.800
0.600
0.400
0.200
0.000
0

3
Numero de consultas

54

Unidad 3
Generacin de variables aleatorias
Objetivo
Con base a los instrumentos que existen el alumno podr generar variables aleatorias de tipo
continua y discreta
Conocer los valores de las variables aleatorias con diferentes distribuciones
Conocer el tipo de variable aleatoria que da como resultado el mtodo de transformada inversa
con diferentes distribuciones.

55

Generacin de variables aleatorias

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

3.1 Conceptos bsicos

Se llama variable aleatoria (V.A) a toda aplicacin que asocia a cada elemento del espacio
muestral () de un experimento, un nmero real.
:
Una variable aleatoria o variable estocstica es una variable estadstica cuyos valores se obtienen
de mediciones en experimento aleatorio.
Se llama variable aleatoria a toda funcin que asocia a cada elemento del espacio muestral E un
nmero real.
Se utilizan letras maysculas X, Y,... para designar variables aleatorias, y las respectivas
minsculas (x, y,...) para designar valores concretos de las mismas.

3.2 Variables aleatorias discretas

Una variable aleatoria discreta es aquella que slo puede tomar valores enteros.
Ejemplo: El nmero de hijos de una familia, la puntuacin obtenida al lanzar un dado

56

3.3 Variables aleatorias continuas

Este tipo de variable se representa mediante una ecuacin que se conoce como funcin de
probabilidad de densidad. Dada esta condicin se cambia el uso de la sumatoria por la de una
integral para conocer la funcin acumulada de la variable aleatoria.

Sea X una variable aleatoria diremos que es continua cuando toma un nmero infinito no
numerable de valores, es el caso de los intervalos de R o todo R.
Una variable aleatoria continua es aquella que puede tomar todos los valores posibles dentro de
un cierto intervalo de la recta real.
Ejemplo: La altura de los alumnos de una clase, las horas de duracin de una pila.

Ejemplo Se puede expresar de la siguiente forma:

() 0 , ( = 0) = 0

() = 1

( ) = ( < < ) = ()

Entre las distribuciones de probabilidad se la uniforme continua, la exponencial, la normal, la

Weibull, la Chi-cuadrada y la Erlang.

3.4 Mtodos para generar variables aleatorias

Mtodo de la transformada inversa: Consiste en emplear la distribucin acumulada () de
la distribucin de probabilidad a simular por medio de integracin; como el rango de () se
encuentra en el intervalo de cero (0) a uno (1), se debe generar un nmero aleatorio para luego
determinar el valor de la variable aleatoria cuya distribucin acumulada es igual a . El
problema de este mtodo radica en el hecho que algunas veces se dificulta demasiado la
consecucin de la transformada inversa.

57

Mtodo de convolucin: Permite generar una distribucin a partir de la suma de distribuciones

ms elementales o mediante la transformada Z.
Mtodo de aceptacin y rechazo: Cuando () es una funcin acotada y tiene un rango
finito, como a

, se utiliza este mtodo para encontrar los valores de las variables

aleatorias.
El mtodo consiste en normalizar el rango de f mediante un factor de escala c, luego definir a x
como una funcin lineal de r, despus se generan parejas de nmeros aleatorios 1, 2 y por
ltimo si el nmero encontrado se elige al azar dentro del rango (, )

() se acepta,

en caso contrario se rechaza. El problema de este mtodo es la cantidad de intentos que se

realizan antes de encontrar una pareja exitosa.

Mtodo de composicin: Con este mtodo la distribucin de probabilidad f(x) se expresa como
una mezcla o composicin de varias distribuciones de probabilidad fi(x) seleccionadas
adecuadamente.

Procedimientos especiales: Existen algunas distribuciones estadsticas de probabilidad en las

cuales es posible emplear sus propiedades para obtener expresiones matemticas para la
generacin de variables aleatorias en forma eficiente. En varios casos se aplica el Teorema
Central del Lmite y en otros se utiliza el mtodo directo para encontrar las variables aleatorias.

3.4.1 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 () y la generacin de nmeros
Pseudoaleatorios ~ (0,1).

Definir la funcin de Densidad () que representa la variable a modelar.

Calcular la funcin acumulada ().

Despejar la variable aleatoria y obtener la funcin acumulada inversa ()1

58

Generar las variables aleatorias , sustituyendo valores con nmeros Pseudoaleatorios

~ (0,1) en la funcin acumulada inversa. () = = 1 ()

Ejemplo: La distribucin uniforme

A partir de la funcin de la densidad de las variables aleatorias uniformes entre a y b
() =

Se obtiene la funcin acumulada

() =
0

Igualando la funcin acumulada () con el nmero Pseudoaleatorios y despejando a

= + ( )
Ejemplo1
La temperatura de un calefactor se comporta unifrmenme dentro del rango de 95-100 Co.
Compruebe esta condicin utilizando la ecuacin de la distribucin uniforme.
Datos: a= 95 C, b= 100 C.
59

Al generar los nmeros aleatorios y sustituir en la ecuacin se obtienen las siguientes mediciones
que se muestran en la tabla siguiente 3.4.1, adems se muestra la grfica de los rangos dentro
de los lmites permitidos de temperatura.
Comportamiento de la medicin

Variacion de la Temperatura
101
100
99.852
99.459
99.197
99
98.68
98.243
98
97.43897.552
97.357
97
96.859
96.41796.525
96.298
96.197
96
95.461
95.157
95
94
93
92
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15
Temperatura

Figura 3.4.1
= 95 + (100 95)
Tabla 3.41
Datos del problema
Medicin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

A=95 B=100
No Aleatorio
0.092153592
0.471401819
0.970380946
0.648670514
0.735904367
0.259601273
0.891811735
0.487690208
0.51033388
0.839493295
0.031388969
0.283466358
0.305078094
0.371888104
0.239365786
60

Temperatura
95.461
97.357
99.852
98.243
98.680
96.298
99.459
97.438
97.552
99.197
95.157
96.417
96.525
96.859
96.197

Ejemplo prctico. Aplicando la distribucin exponencial

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 Pseudoaleatorios ~ (0,1) y la ecuacin
generadora exponencial = 3 (1 ) nos permite simular el comportamiento de la
variable aleatoria

Cliente
1
2
3
4
5
6
7
8
9
10
11
12
Distribucin de Bernoulli

Aleatorio
0.13498128
0.78029698
0.59452072
0.44125147
0.94712341
0.69025104
0.91437197
0.9660856
0.87115293
0.58708028
0.58706789
0.08833466

T servicio(min)
0.435
4.546
2.708
1.746
8.819
3.516
7.373
10.152
6.147
2.654
2.653
0.277

A partir de la distribucin de probabilidad de las variables aleatorias de Bernoulli con media

() = (1 )1 = 0,1
Se calculan las probabilidades para = 0, , = 1, para obtener
x
()

0
1-p

1
p

Para calcular el valor acumulado

x
()

0
1-p

1
1

Generando nmeros Pseudoaleatorios ~(0,1) se aplica la regla

= {

(0,1 ) = 0
(1 , 0) = 1
61

Ejemplo. Los datos histricos sobre la frecuencia de cierta maquina muestra que existe una
probabilidad de 0.20 de que la maquina falle (x=1), y una probabilidad de 0.80 de que siga
funcionando (x=0) en un tiempo determinado. Genere una secuencia aleatoria y simule el
comportamiento
x
()
()

0.8
0.8

0.2
1.0

La regla para generar las variables aleatorias est dada por la siguiente funcin.
= {

(0, 0,80) = 0
(0.80 1) = 1

Evaluando para 10 das se obtiene un comportamiento favorable

Da

Ri

Xj

Suceso

1
2
3
4
5
6
7
8
9
10

0.67236364
0.61566166
0.9446116
0.45160881
0.78865119
0.58441702
0.60997286
0.8116595
0.24880213
0.36531886

0
0
1
0
0
0
0
1
0
0

En servicio
En servicio
fallo
En servicio
En servicio
En servicio
En servicio
fallo
En servicio
En servicio

Distribucin Poisson
El nmero de piezas que entran a un sistema de produccin sigue una distribucin de Poisson
con media de 2 piezas por hora. Simular el comportamiento de la llegada de las piezas al
sistema
() =

,
!

= 0,1,2,3, , ,,

62

Sustituyendo valores en la ecuacin se tiene

2 2
() =
= 0,1,2,3, , ,,
!
Evaluando la ecuacin con respecto a se tiene:
x
0
1
2
3
4
5
6
7
8
9
10
11

p(x)
0.13534
0.27067
0.27067
0.18045
0.09022
0.03609
0.01203
0.00344
0.00086
0.00019
0.00004
0.00001

P(x) acumulada
0.13534
0.40601
0.67668
0.85712
0.94735
0.98344
0.99547
0.99890
0.99976
0.99995
0.99999
1.00000

Intervalos
0.00000- 0.13534
0.13534- 0.40601
0.40601- 0.67668
0.67668- 0.85712
0.85712- 0.94735
0.94735- 0.98344
0.98344- 0.99547
0.99547- 0.99890
0.99890- 0.99976
0.99976- 0.99995
0.99995- 0.99999
0.99999- 1.00000

Al general nmeros aleatorios y buscar en el rango de intervalos se tiene en nmero de piezas

que llegan por hora.
Hora
1
2
3
4
5

Aleatorio Piezas/hora
0.01879799
0
0.43158529
2
0.51428224
2
0.73651129
3
0.19912868
2

Por lo tanto la grfica de distribucin de probabilidad tiene el siguiente comportamiento.

Dist. Prob.de Poisson

0.30000
0.20000
0.10000
0.00000
1

Grafica No.1
63

10 11 12

Grafica de datos acumulados

Dist. prob Acum Poisson

1.20000
1.00000
0.80000
0.60000
0.40000
0.20000
0.00000
0

10

12

14

Grafica No.2
3.4.2 Mtodo de convolucin.

1 {, } , = ()( )
0

Suponiendo que es el producto de dos transformada son, y aplicando el teorema de convolucin

1
1 {
} 3 2()
( 3)( 2
0

Integrando la transformada y aplicando algebra

3 2 2

= 2 [ ]0 = 2 [ 1] = 3 2
0

Igualando a R la funcin de densidad y despejando a t.

En algunas distribuciones de probabilidad la variable aleatoria a simular Y, puede generarse

mediante la suma de otras variables aleatorias X de manera ms rpida que a travs de otros
mtodos como se muestra a continuacin.
= 1 + 2 + +
64

Para este ejemplo se utilizara de distribucin de probabilidad Erlang

= 1 + 2 + +
=

1
1
1
ln(1 ) ln(1 2 ) ln(1 )

Factorizando la ecuacin
=

1
[ln(1 ) + ln(1 2 ) + + ln(1 )]

Aplicando propiedad de logaritmo natural

=
Simplificando ecuacin

1
[ln((1 )

(1 2 )

(1 ))]

= = [ln =1(1 )]

Ejemplo
1

El tiempo de proceso de una pieza sigue una distribucin 3-erlang con media = 8 /.
Realice una Simulacin para ver el comportamiento.
Sustituyen valores en la ecuacin se tiene la siguiente expresin
8
= [ln((1 )
3
Tabla de No. 3.4.2

Pieza
1
2
3
4
5
6
7
8
9
10

(1 2 )

(1 ))]

Simulacin del tiempo de proceso

1-ri
0.7095
0.1839
0.1368
0.3338
0.3497
0.5914
0.1273
0.9980
0.6312
0.6307

1-ri
0.1182
0.4395
0.6144
0.0294
0.4844
0.0989
0.7429
0.4340
0.7757
0.5769

65

1-ri
0.7671
0.8532
0.6321
0.0666
0.7250
0.1370
0.5826
0.2236
0.1438
0.8005

Tiempo de proceso
min/pza
7.52
7.20
5.60
1.35
6.36
3.06
6.32
18.71
7.06
9.25

3.4.3 Mtodo de composicin.

Otro mtodo para generar valores de variables aleatorias no uniforme es el mtodo de

composicin. Mediante el mtodo de la distribucin de probabilidad () y se expresa como
una mezcla de varias distribuciones seleccionadas adecuadas.
El procedimiento para la seleccin de las () se basa en el objetivo de minimizar el tiempo
de computacin requerido para generacin de valores de la variable aleatoria analizada.
Los pasos para esta aplicacin son los siguientes.
1. Dividir la distribucin de probabilidad original en sub-reas tal como se muestra en la
siguiente figura 3.4.1.
2. Definir una distribucin de probabilidad para cada sub-rea
3. Expresar la distribucin de probabilidad original de la forma siguiente
4. Obtener la distribucin acumuladas de las reas
5. Generar dos nmeros aleatorios
6. Seleccionar la distribucin de probabilidad
7. Utilizar el nmero aleatorio para simular por mtodo de la transformada inversa
() = 1 1 () + 2 2 () + . + () = 1

Figura 3.4.1

66

Figura 3.4.2
El mtodo de composicin se basa en expresar la densidad de la variable a simular como una
suma ponderada de densidades para las cuales sea sencillo aplicar el mtodo de inversin. El
proceso de simulacin se dividir en dos partes; en primer lugar, se elige de acuerdo con los
pesos de cada densidad, una de ellas, y en segundo lugar, se aplica el mtodo de inversin
utilizando la funcin de distribucin correspondiente a la densidad elegida.

Teorema: Sea / (/) la funcin de densidad de una variable X condicionada a otra

variable Y con una distribucin () y densidad (). Si simulamos un valor y de Y y luego
simulamos un valor de X utilizando la densidad obtenida a partir de / para = , entonces
la distribucin de los valores de X tienen una densidad de:

= /()()

Si Y es discreta con funcin masa de probabilidad (), entonces

() =

/( ) ()

67

Ejemplo. Distribucin Triangular

A partir de la funcin de densidad triangular

1 =

2 =

Se determina las distribuciones de probabilidad y la distribucin acumuladas

rea 1

1() =

2
( )
( )2

1 () =

( )2
( )2

68

rea 2

2() =

2
( )
( )2

( )2
2 () = 1
( )2
2
( )
( )2
() =
2
( )
{ ( )2
Sumando las dos funciones de distribucin de probabilidad y multiplicando por sus reas
respectivas se tiene.

2
() = (
)
( + (
)
( )
2
( )
( )2
Simplificando la ecuacin
() =

2
( )( )

( ) +

2
( )
( )( )

Calculo de la funcin de densidad por integracin de cada uno de los segmento

( )2
=
( )2

69

 = + ( )

( )
( )

( )2
1
=
( )2
= ( ) >

( )
( )

Ejemplo. Generar una muestra de 7 variables con distribucin triangular a partir de los
parmetros, valor mnimo 5, moda 10y valor mximo 20
Variable
1
2
3
4
5
6
7

0.18487676
0.79471215
0.10892633
0.81508469
0.03782456
0.24536204
0.81798245

0.32863419
0.11195084
0.77060772
0.23027449
0.26985786
0.94327697
0.90381079

+ ( )
7.15

( )

6.65

15.21

5.97
7.48

11.31
15.73

3.5 Procedimientos especiales

Existen diferentes tipos de mtodos para generar variables aleatorias, pero tambin existen casos
especiales para generar estas los cuales son:

La Distribucin De Poisson

La Distribucin Binomial

La Distribucin Erlang

La Distribucin Erlang es una distribucin de probabilidad continua con una amplia

aplicabilidad debido principalmente a su relacin con la exponencial y la distribucin gamma
dada por la suma de un nmero de variables aleatorias independientes que poseen la misma
distribucin exponencial.

70

3.6 Pruebas estadstica. (Pruebas de bondad de ajuste)

Cuando se realizan investigaciones, con frecuencias importantes obtener informacin a travs
de una muestra. Algunos estudios producen resultados sobre los que no podemos afirmar que se
distribuyen.

En estos casos debemos emplear tcnicas no paramtricas que se utilizan ampliamente en las
aplicaciones de las ciencias sociales, cuando se pueden asumir a priori que los datos de una
muestra se ajusten a una distribucin normal. Ahora nos ocuparemos del problema de verificar
si de un conjunto de datos se pueden afirmar que proviene de un conjunto de datos
uniformemente distribuidos.
Ejemplo
Una moneda fue lanzada al aire 1000 en series de 5 veces cada serie y se observ el nmero de
caras de cada serie. El nmero de series en los que se presentaron 0, 1, 1, 3, 4 y 5 caras como se
muestra en la siguiente tabla.
Nmero de caras

Nmero de series (frecuencia observada)

38

144

342

287

164

25

Total

1000

Ajustar una distribucin binomial a los datos con un = 0.05.

Solucin:

H0; Los datos se ajustan a una distribucin binomial.

H1; Los datos no se ajustan a una distribucin binomial.

71

Para obtener los valores esperados se tiene que utilizar la frmula de la distribucin binomial

( ) (1 ) donde n en este ejercicio vale 5, p y q son las probabilidades respectivas

de cara y sello en un solo lanzamiento de la moneda. Para calcular el valor de p, se sabe que

= en una distribucin binomial, por lo que = = 5.

Para la distribucin de frecuencias observada, la media del nmero de caras es:
=

2470
=
= 2.47
1000

Tomando la ecuacin = 5 y despejando se determina el valor de p y q

=

2.47
=
= 0.494
5
5

5
( ) . 494 (1 .494)5

Al seguir esta frmula se calcula la probabilidad de obtener caras, segn el valor de la variable
aleatoria. La probabilidad multiplicada por 1000 nos dar el valor esperado. Se resumen los
resultados en la tabla siguiente. = 1000
Nmero de caras (x)

P(x caras)

Frecuencia observada

Frecuencia esperada

0.0332

38

33.2

0.1619

144

161.9

0.3162

342

316.2

0.3087

287

308.7

0.1507

164

150.7

0.0294

25

29.4

Para los grados de libertad el valor de =1, ya que se tuvo que estimar la media de la poblacin
para poder obtener el valor de p y as poder calcular los valores esperados.
Grados de libertad: 1 = 6 1 1 = 4

72

Regla de decisin:
Si 2 9.49 no se rechaza Ho.
Si 2 > 9.49 se rechaza Ho.
2 =

((38 33.2)2 + (144 161.9)2 + (342 316.2)2 + (287 308.7)2 + (164 150.7)2 + (25 29.4)2 )
33.2 + 161.9 + 316.2 + 308.7 + 150.7 + 29.4
2 = 7.54

Como el 7.54 no es mayor a 9.49, no se rechaza Ho y se concluye con un

= 0.05 que el ajuste de los datos a una distribucin binomial es bueno.

73

Unidad 4
Lenguajes de simulacin
Objetivo.
Conocer la diferencia entre los lenguajes de propsito general y de propsitos especiales para
aplicarse en simulacin.

74

Lenguajes de simulacin
4.1 Lenguaje de simulacin y simuladores
En un principio, los programas de simulacin se elaboraban utilizando algn lenguaje de
propsito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la dcada de
1960 hacen su aparicin los lenguajes especficos para simulacin como GPSS, GASP,
SIMSCRIPT, SLAM. En la ltima dcada del siglo pasado la aparicin de las interfaces grficas
revolucionaron el campo de las aplicaciones en esta rea, y ocasionaron el nacimiento de los
simuladores.

En lo prctico, es importante utilizar la aplicacin que mejor se adece al tipo de sistema a

simular, ya que de la seleccin del lenguaje o simulador depender el tiempo de desarrollo del
modelo de simulacin. Las opciones van desde las hojas de clculo, lenguajes de tipo general
(como Visual Basic, C++ o Fortan), lenguajes especficos de simulacin (como GPSS, SLAM,
SIMAN, SIMSCRIPT, GAS y SSED), hasta simuladores especficamente desarrollados para
diferentes objetivos (como SIMPROCESS, ProModel, Witness, Taylor II y Cristal Ball).

4.2 Aprendizaje y uso lenguaje de simulacin o un simulador

Los lenguajes de simulacin facilitan enormemente el desarrollo y ejecucin de simulaciones
de sistemas complejos del mundo real. Los lenguajes de simulacin son similares a los lenguajes
de programacin de alto nivel pero estn especialmente preparados para determinadas
aplicaciones de la simulacin. As suelen venir acompaados de una metodologa de
programacin apoyada por un sistema de smbolos propios para la descripcin del modelo por
ejemplo mediante diagramas de flujo u otras herramientas que simplifican notablemente la
modelizacin y facilitan la posterior depuracin del modelo.

Caractersticas de los lenguajes de simulacin:

Los lenguajes de simulacin proporcionan automticamente las caractersticas

necesarias para la programacin de un modelo de simulacin, lo que redunda en una
reduccin significativa del esfuerzo requerido para programar el modelo.
75

Proporcionan un marco de trabajo natural para el uso de modelos de simulacin. Los

bloques bsicos de construccin del lenguaje son mucho ms afines a los propsitos de
la simulacin que los de un lenguaje de tipo general.

Los modelos de simulacin son mucho ms fcilmente modificables.

Proporcionan muchos de ellos una asignacin dinmica de memoria durante la

ejecucin.

Facilitan una mejor deteccin de los errores.

Los paquetes de software especialmente diseados para simulacin contienen

aplicaciones diversas que facilitan al simulador las tareas de comunicaciones, la
depuracin de errores sintcticos y de otro tipo de errores, la generacin de escenarios,
la manipulacin on-line de los modelos, etc.

Son muy conocidos y en uso actualmente

Aprendizaje lleva cierto tiempo

Simuladores de alto nivel

Muy fciles de usar por su interface grfica

Restringidos a las reas de manufactura y comunicaciones

Flexibilidad restringida puede afectar la validez del modelo

4.3 Casos prcticos de simulacin

Un caso prctico de una simulacin podemos decir en esta parte, la simulacin del Mtodo de
Monte Carlo.
Algoritmos

El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de

nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las
distribuciones acumuladas de frecuencias:

Determinar las V.A. y sus distribuciones acumuladas (F)

Generar un nmero aleatorio uniforme U (0,1).

76

Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases
que tengamos.

Calcular media, desviacin estndar error y realizar el histograma.

Analizar resultados para distintos tamaos de muestra

4.3.1 Problemas con lneas de espera.

Parte de nuestra vida diaria es la de esperar algn servicio. Esperamos para entrar a un
restaurante, hacemos cola en la caja de algn almacn y nos formamos y nos formamos
para recibir un servicio en la oficina de correos. Y el fenmeno de la espera no es una experiencia
que se limite solo a los humanos. Los trabajos esperan a ser procesados en una mquina, los
aviones vuelan en crculo hasta que la torre de control les da permiso de aterrizar y los
automviles se detienen ante la luz roja de los semforos.

4.3.2 Problemas con sistemas de inventario.

Las empresas mantienen inventarios de materias primas y de productos terminados. Los
inventarios de materias primas sirven como entradas al proceso de produccin y los inventarios
de productos terminados sirven para satisfacer la demanda de los clientes. Puesto que estos
inventarios representan frecuentemente una considerable inversin, las decisiones con respecto
a las cantidades de inventarios son importantes. Los modelos de inventario y la descripcin
matemtica de los sistemas de inventario constituyen una base para estas decisiones.

4.4 Validacin de un simulador

A travs de esta etapa es valorar las diferencias entre el funcionamiento del simulador y el
sistema real que se est tratando de simular. Las formas ms comunes de validar un modelo son:

La opinin de expertos sobre los resultados de la simulacin.

La exactitud con que se predicen datos histricos.

La exactitud en la prediccin del futuro.

La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar al
sistema real.

77

La aceptacin y confianza en el modelo de la persona que har uso de los resultados que
arroje el experimento de simulacin.

4.4.1 Pruebas paramtricas (V. del modelo, pruebas de hipt y pruebas de estimacin)3.
Las pruebas estadsticas paramtricas, como la de la t de Student o el anlisis de la varianza
(ANOVA), se basan en que se supone una forma determinada de la distribucin de valores,
generalmente la distribucin normal, en la poblacin de la que se obtiene la muestra
experimental.

En contraposicin de la tcnicas no paramtricas, las tcnicas paramtricas si presuponen una

distribucin terica de probabilidad subyacente para la distribucin de los datos. Son ms
potentes que las no paramtricas.

Dentro de las pruebas paramtricas, las ms habituales se basan en la distribucin de

probabilidad normal, y al estimar los parmetros del modelo se supone que los datos constituyen
una muestra aleatoria de esa distribucin, por lo que la eleccin del estimador y el clculo de la
precisin de la estimacin, elementos bsicos para construir intervalos de confianza y contrastar
hiptesis, dependen del modelo probabilstico supuesto.

Cuando un procedimiento estadstico es poco sensible a alteraciones en el modelo probabilstico

supuesto, es decir que los resultados obtenidos son aproximadamente vlidos cuando ste vara,
se dice que es un procedimiento robusto.

4.4.2 Pruebas no paramtricas

Las pruebas estadsticas no paramtricas son las que, a pesar de basarse en determinadas
suposiciones, no parten de la base de que los datos analizados adoptan una distribucin normal.

Tcnica estadstica que no presupone ninguna distribucin de probabilidad terica de la

distribucin de nuestros datos.

Validacin del modelo, pruebas de hiptesis y pruebas de estimacin

78

1. Contraste de signos e intervalo de confianza

2. Contraste de signos de muestras pareadas o enlazadas
3. Aproximaci6n normal
4. Contraste de signos de una mediana poblacional
5. Intervalo de confianza de la mediana
6. Contraste de Wilcoxon basado en la ordenaci6n de las diferencias Minitab (contraste de
Wilcoxon)
7. Aproximaci6n normal
8. Contraste U de Mann-Whitney
9. Contraste de la suma de puestos de Wilcoxon
10. Correlaci6n de orden de Spearman

Se denominan pruebas no paramtricas aquellas que no presuponen una distribucin de

probabilidad para los datos, por ello se conocen tambin como de distribucin libre (distribucin
free).

En la mayor parte de ellas los resultados estadsticos se derivan nicamente a partir de

procedimientos de ordenacin y recuento, por lo que su base lgica es de fcil comprensin.

Cuando trabajamos con muestras pequeas (n < 10) en las que se desconoce si es vlido suponer
la normalidad de los datos, conviene utilizar pruebas no paramtricas, al menos para corroborar
los resultados obtenidos a partir de la utilizacin de la teora basada en la normal.
En estos casos se emplea como parmetro de centralizacin la mediana, que es aquel punto para
el que el valor de X est el 50% de las veces por debajo y el 50% por encima.

Las pruebas no paramtricas no requieren asumir normalidad de la poblacin y en su mayora

se basan en el ordenamiento de los datos, la poblacin tiene que ser continua.

El parmetro que se usa para hacer las pruebas estadsticas es la Mediana y no la Media.
Son tcnicas estadsticas que no presuponen ningn modelo probabilstico terico.
79

Son menos potentes que las tcnicas paramtricas, aunque tienen la ventaja que se pueden
aplicar ms fcilmente.

Ejemplo: Contraste de signos de muestras pareadas o enlazadas

Un restaurante italiano cercano a un campus universitario est considerando la posibilidad de
utilizar una nueva receta para hacer la salsa que utiliza en las pizzas. Se elige una muestra
aleatoria de 8 estudiantes y se pide a cada uno que valore en una escala de 1 a 10 su opinin
sobre la salsa original y sobre la salsa propuesta. La Tabla 4.2.2 muestra las valoraciones
obtenidas en la comparacin; los nmeros ms altos indican que gusta ms el producto. Indican
los datos una tendencia general a preferir la nueva salsa a la original?

La Tabla 4.2.2 tambin muestra las diferencias de valoracin de los estudiantes y los signos de
estas diferencias. As!, se asigna un + si se prefiere la salsa original, un si se prefiere la nueva y
si se valoran los dos productos por igual. En este experimento, dos estudiantes prefieren la salsa
original y cinco la nueva; uno las valora por igual.

Estudiante
A
B
C
D
E
F
G
H

Producto
original
6
4
5
8
3
6
7
5

Producto
nuevo
8
9
4
7
9
9
7
9

Diferencia
(original-nuevo)
-2
-5
1
1
-6
-3
0
-4

Signo
de la diferencia
(-)
(-)
(+)
(+)
(-)
(-)
0
(-)

La hiptesis nula de inters es que en la poblacin en general no hay una tendencia general a
preferir un producto al otro. Para evaluar esta hiptesis, comparamos los nmeros que expresan
una preferencia por cada producto, descartando los que valoran los productos por igual.

80

En este ejemplo, los valores del estudiante G se omiten y el tamao efectivo de la muestra se
reduce a n = 7. La nica informacin muestral en la que se basa nuestro contraste es que dos de
los siete estudiantes prefieren el producto original. Por 10 tanto, el estadstico del contraste es
S= 2

La hiptesis nula puede concebirse como la hiptesis de que la mediana poblacional de las
diferencias es 0. Si la hiptesis nula fuera verdadera, nuestra secuencia de diferencias + y podra concebirse como una muestra aleatoria extrada de una poblacin en la que las
probabilidades de + y - son 0,5 cada una.

Ho: P = 0,5 No hay una tendencia general a preferir uno de los productos al otro
Se utiliza un contraste de una cola para averiguar si existe una tendencia general a preferir la
nueva salsa a la original. La alternativa de inters es que la mayora de la poblacin prefiere el
nuevo producto.

H1: P < 0,5 La mayora prefiere el nuevo producto (0 menos del 50% prefiere el producto
original).

A continuacin, hallamos la probabilidad de observar en la muestra un resultado tan extremo 0

ms que el que se obtendra si la hiptesis nula fuera, en realidad, verdadera. Este valor es e! pvalor del contraste. Si representamos por medio de P(x) la probabilidad de observar x xitos
(+) en n = 7 pruebas binomiales, cada una con una probabilidad de xito de 0,5, entonces la
probabilidad binomial acumulada de observar dos o menos + puede obtenerse utilizando la
formula binomial, una tabla binomial 0 un programa informtico como Microsoft Excel.
= ( 2) = ( = 0) + ( = 1) + ( = 2)
= 0,0078 + 0,0547 + 0,1641 = 0,2266
Con un p-valor tan grande, no podemos rechazar la hiptesis nula y concluimos que los datos
no son suficientes para sugerir que los estudiantes prefieren la nueva salsa. Asimismo,
podramos haber dicho que si adoptamos la regia de decisin rechazar Ho si hay dos 0 menos
+ en la muestra, entonces la probabilidad de que la hiptesis nula se rechace cuando en realidad
es verdadera es 0,2266.
81

Unidad 5
Proyecto Integrador
Objetivo.
Aplicar los lenguajes de propsito general y especial para resolver problemas de simulacin en
modelos de lneas de espera, inventarios, produccin y mantenimiento en las empresas.

82

Proyecto Integrador
5.1 Anlisis, modelado y simulacin de un sistema o subsistema de
servicios o productivo de una empresa para detectar las mejoras posibles
a realizar.
Metodologa del proyecto
I.- EL PROBLEMA.
A. Ttulo descriptivo del proyecto.
B. Formulacin del problema.
C. Objetivos de la investigacin.
D. Justificacin.
E. Limitaciones
II.-MARCO DE REFERENCIA.
A. Fundamentos tericos.
B. Antecedentes del problema.
C. Elaboracin de Hiptesis.
D. Identificacin de las variables.
III.-METODOLOGA.
A. Diseo de tcnicas de recoleccin de informacin.
B. Poblacin y muestra.
C. Tcnicas de anlisis.
D. ndice analtico tentativo del proyecto.
E. Gua de trabajo de campo.
IV. Solucin del problema
A. Propuestas de mejora
V.-ASPECTOS ADMINISTRATIVOS.
A. Recursos humanos.
B. Presupuesto.
C. Cronograma.
VI. Conclusin y recomendaciones
Bibliografa

83

Realizar un cronograma de las actividades y el tiempo como ser ira entregando los avances del
proyecto.
Actividades

Tiempo de realizacin
Agosto

Septiembre

Octubre

84

Noviembre

Diciembre

Cuestionario 1
1. A qu se le llama nmero(s) Pseudoaleatorios(s)?
A una sucesin determinstica de nmeros en el intervalo [0, 1] que tiene las mismas propiedades
estadsticas que una sucesin de nmeros aleatorios.
2. Por qu se les llama nmeros Pseudoaleatorios?
Porque con predecibles y se pueden reproducir, dado el nmero aleatorio generador que se use.
3. Qu son los nmeros aleatorio?
Son un elemento bsico en la simulacin de la mayora de los sistemas discretos.
4. Qu quiere decir ri?
Significa Nmero aleatorio
5. Qu representa cada nmero aleatorio ri?
Es una muestra independiente de una distribucin uniforme y continua en el intervalo (0, 1).
6. Qu punto en el rango tiene posibilidad de ser elegido?
Todo punto en el rango tiene igual probabilidad de ser elegido.
7. Qu se necesita para empezar a calcular los nmeros aleatorios?
Son calculados a partir de una semilla (Seed) y una frmula.
8. Cuntas y cuales hiptesis debe de cumplir la secuencia de nmeros generados?
Son 2 hiptesis y son:

Distribucin Uniforme.

Independencia (No Correlacionados).

9. Cuntos y cules aspectos son importantes?

Son 3 aspectos y son:

Las subsecuencias tambin deben cumplir las 2 hiptesis.

85

Deben ser secuencias largas y sin huecos (Densas).

Algoritmos rpidos y que no ocupen mucha memoria.

10. En cuntas categoras se pueden dividir los nmeros aleatorios?

En 2 categoras principales.
11. Menciona y explica cules son las 2 categoras principales en las que se pueden dividir los
nmeros aleatorios?

NMEROS ALEATORIOS ENTEROS: Es una observacin aleatoria de una

distribucin uniforme discretizada en el intervalo n, n + 1

Por lo general, n = 0 1 donde estos son valores convenientes para la mayora de las
aplicaciones.

NMERO ALEATORIOS UNIFORMES: Es una observacin aleatoria a partir de una

distribucin uniforme (Continua) en un intervalo [a, b].

12. Cuntas propiedades mnimas deben satisfacer los nmeros Pseudoaleatorios?

Son 6 propiedades mnimas las que tienen que cumplir.
13. Menciona 4 propiedades mnimas que deben cumplir los nmeros Pseudoaleatorios?

Ajustarse a una distribucin del intervalo (0, 1).

Ser estadsticamente independientes (no debe deducirse un nmero conociendo otros ya

generados).

Ser reproducibles (la misma semilla debe dar la misma sucesin).

Ciclo repetitivo muy largo.

Facilidad de obtencin.

Ocupar poca memoria.

14. Cuntas y cules son las condiciones que deben satisfacer los nmeros Pseudoaleatorios?
Son 6 condiciones y son:

Uniformemente distribuidos.

Estadsticamente independientes.

86

Reproducibles.

Sin repeticin dentro de una longitud determinada de la sucesin.

Generacin a grandes velocidades.

Requerir el mnimo de capacidad de almacenamiento.

15. Cmo se encuentra el primer nmero aleatorio?

La mayora de los mtodos (Generadores) comienzan con un nmero inicial (Semilla o Seed),
al cual se le aplica un determinado procedimiento para as obtener el primer nmero aleatorio.
16. Cmo funciona el mtodo del cuadrado medio?
Se comienza con un nmero inicial (Semilla), el cual se eleva al cuadrado, despus de elevarlo
al cuadrado se seleccionan los nmeros del centro (los dgitos que se deseen), los cuales se
pondrn despus de un punto decimal y este ser el nmero que conformara el primer nmero
aleatorio.

Unidad 2
1.-Por ejemplo, compruebe con valores = 25 = 32, = 5, = 1 = 3 obtiene la
siguiente secuencia de nmeros, de longitud mxima:
+1 = ( + )
1

11

26

28

15

14

16

19

13

23

22

17

24

27

10

21

12

31

30

25

18

29

20

2.- El standard define para la funcin de generacin de nmeros Pseudoaleatorios los valores
de = 12345, = 32768 = 1103515245 . Calcule los 10 primeros nmeros
Pseudoaleatorio.

87

FUENTE DE INFORMACIN
Bibliografa
Eduardo Garca Dunna, Heriberto Garca Reyes, Leopoldo E Crdenas. Simulacin y anlisis
de sistemas con ProModel. Mxico. Editorial Pearson.
Charles Harrell, Birman K. Ghosh, Royce Bowden. Uso de simulacin ProModel. Mxico.
McGraw-Hill College.
Diaz Redondo, Rebeca; Pazos Arias, Jos Juan; Surez Gonzlez, Andrs. Teora de Colas y
Simulacin de Eventos Discretos. Espaa: Pearson Publicacin. 2004
(ISBN: 842053675x).
Guasch, Antoni; Piera, Miguel ngel; Figueras, Jaime; Casanovas, Joseph. Modelado y
Simulacin. Aplicacin a Procesos Logsticos de Fabricacin y Servicios. Espaa. Ediciones
UPC. 2003.
Banks, Jerry; Carson, John; Nelson, Barry L; Nicol, David. Discrete Event System Simulation.
Estados Unidos de Amrica. Prentice Hall. 2004.
Banks, Jerry; Carson, John; Discrete Event System Simulation. Estados Unidos de Amrica.
Prentice Hall. 1984.
Banks, Jerry; Carson, John; Ngo Sy, John. Getting Started With GPSS/H. Estados Unidos de
Amrica. Wolverine Software Corporation. 1995.
Scheaffer, Richard; McClave, James. Probability and Statistics for Engineers. Estados Unidos
de Amrica. Duxbury Press. 1995.
Banks, Jerry. Principles of Quality Control. Estados Unidos de Amrica. Editorial Wiley. 1989.
Spiegel, Murria. Estadstica. Espaa. McGraw Hill. 1991.
Hillier, Frederick; Lieberman, Gerald. Introduccin a la Investigacin de Operaciones. Mxico.
McGraw Hill. 1992.

88

D. MATHO - R. KARBA - B. ZUPANCIC. Simulation and Modelling of Continuous Systems.

A Case Study Approach. Prentice Hall, Inc., 1992
J. Banks, J.S. Carson, B.L. Nelson, D.M. Nicol. Discrete-event system simulation. Prentice Hall,
3 Edicin, 2001
S.M. Ross. Simulacin. 2 Edicin. Prentice Hall, 1999
ARACIL, J.: Introduccin a la dinmica de sistemas. Alianza Editorial, 1986.
MARTN, J.: Teora y ejercicios prcticos de Dinmica de Sistemas. , 2003.
MARTNEZ, S. y REQUENA, A.: Dinmica de sistemas. Vol. 1. Simulacin por ordenador.
Vol. 2. Modelos. Alianza Editorial, 1986.
ALFONSO URQUA (2007): "Modelado de Sistemas mediante DEVS - Teora y Prctica".
B.P. ZEIGLER y H. S. SARJOUGHIAN (2005): Introduction to DEVS Modeling and
Simulation with JAVA: Developing Component-Based Simulation Models.
J.M Gonzlez Rodrguez. Teora General de Sistemas. Simulacin dinmica de sistemas socioeconmico. Consejera de Educacin, Cultura y Deportes. Direccin General de Universidades
e Investigacin. Coleccin Textos Universitarios, 1997
D. Ros Insua y S. Ros Insua. Simulacin. Mtodos y aplicaciones. RA-MA, 1997
Mohammad R. Azarang y E. Garca Dunna. Simulacin y anlisis de modelos estocsticos.
McGraw-Hill, 1996
Modelling of dynamical Systems, Ljung, L., Glad J. , Prentice Hall 1994
Fundamentos de simulacin de procesos. Cesar de Prada. (en prensa)
Martn Jimnez, Jacinto. "Simulacin Mtodos y Aplicaciones". Ra-Ma.
Pardo, Leandro Valds, Tefilo. "Simulacin. Aplicaciones prcticas en la Empresa". Daz de
Santos, 1987.

89

90