Instituto Tecnolgico de Iguala SIMULACIN

Apuntes Generales
M. C. Pascual Felipe Prez Ca rera! pro"esor.

Aula F#$! %rupo &. ANA NA'(LI %M() %*N)+L() ,*S( LUIS M*LINA SAL%A-* (-UA.-* N+,(.A %*N)+L() M(LISA /(.N+N-() SALINAS (LIU- A..*'* A&A.CA Ingenier0a en Siste1as Co1putacionales Mircoles! 2342343523

Si1ulacin
NDICE
Objetivo 1 Competencias especficas 1 Competencias instrumentales 1 Competencias interpersonales 1 Competencias sitmicas 1

1. UNIDAD I INTRODUCCIN A LA SIMULACIN 1.1. 1.2. 1. . 1.#. 1.". 1.'. 1.(. Definicin e importancia de la simulacin en la ingeniera. 2 Conceptos bsicos de simulacin. !etodologa de la simulacin. " !odelos $ control " %structura $ etapas de estudio de simulacin & %tapas de un pro$ecto de simulacin & %lementos bsicos de un simulador de eventos discretos 12

2. UNIDAD II NMEROS PSEUDOALEATORIOS 2.1. 2.2. 2. . !todos de generacin de n)meros *seudoaleatorios 1" *ruebas estadsticas 2 !todo de !onte Carlo 1

3. UNIDAD III GENERACIN DE VARIABLES ALEATORIAS .1. .2. . . .#. .". .'. Conceptos bsicos ' +ariables aleatorias discretas ' +ariables aleatorias continuas ( !todos para generar variables aleatorias , *ruebas estadstica. -*ruebas de bondad de ajuste. & *rocedimientos especiales #2

4. UNIDAD IV LENGUAJES DE SIMULACIN #.1. #.2. #. . #.#. /enguaje de simulacin $ simuladores #( 0prendi1aje $ uso de lenguaje de simulacin o un simulador "1 Casos prcticos de simulacin "1 +alidacin de un simulador ""

5. UNIDAD V PROYECTO INTEGRADOR ".1. 0nlisis2 modelado $ simulacin de un sistema o subsistema de

servicios o productivo de una empresa para detectar las mejoras posibles a reali1ar. "'

REFERENCIAS Y BIBLIOGRAFA

'&

Simulacin

Mircoles 12122012

COMPETENCIAS ESPECFICAS
Analizar, modelar, desarrollar y experimentar sistemas Productivos y de servicios, reales o hipotticos, a travs de la simulacin de eventos discretos, con el fin de conocerlos con claridad o mejorar su funcionamiento, aplicando herramientas matemticas.

COMPETENCIAS INSTRUMENTALES Capacidad de anlisis y sntesis Capacidad de organizar y planificar Conocimientos bsicos de la carrera Comunicacin oral y escrita Toma de decisiones Comunicacin oral y escrita en su propia lengua Conocimiento de una segunda lengua Habilidad para buscar y analizar Informacin proveniente de fuentes diversas Plantear soluciones de problemas Toma de decisiones Habilidades bsicas de manejo de la computadora

COMPETENCIAS INTERPERSONALES Trabajo en equipo Habilidades interpersonales Capacidad de trabajo en un equipo interdisciplinario Compromiso tico

COMPETENCIAS SISTMICAS Capacidad de aplicar los conocimientos en la prctica Habilidades de investigacin Capacidad de aprender Capacidad de adaptarse a nuevas situaciones Capacidad de generar nuevas ideas (creatividad) Liderazgo Capacidad para disear y gestionar proyectos Iniciativa y espritu emprendedor Preocupacin por la calidad Bsqueda del logro

Apuntes Generales

- 1 -

Simulacin

Mircoles 12122012

UNIDAD I INTRODUCCIN A LA SIMULACIN

Segn

el

diccionario

de

la

RAE

simular

es:

Representar

algo,

fingiendo o imitando lo que no es. Segn el Handbook of Simulation (1998) es una imitacin de las

operaciones de un sistema o proceso (Sistemas complejos). Involucra la generacin del sistema de y a una

real a lo largo del tiempo

historia de

artificial historia

del se

comportamiento

partir

dicha

efectan inferencias relativas a las caractersticas operacionales del sistema real que representa. Permite describir y analizar el comportamiento del sistema real, y

responder ciertas interrogantes para apoyar el diseo de sistemas reales. En el caso de algunos es una

problemas metodologa

reales

indispensable

para resolverlos. Es una metodologa apoyar la toma que de

permite

decisiones. ya sea en el diseo de Sistemas, antes que

stos sean construidos ya sea probando

polticas de funcionamiento, antes que stas sean implantadas La Simulacin, no resuelve los problemas por s misma, sino que ayuda a: Identificar los problemas relevantes Evaluar cuantitativamente las soluciones alternativas.

Por qu son necesarios los modelos de simulacin o prototipos? La experimentacin de un sistema o procesos ... Puede generar problemas ticos ... puede generar problemas econmicos ... o puede llevarlo a colapsos ... o puede ser simplemente imposible

Apuntes Generales

- 2 -

Simulacin

Mircoles 12122012

Por ejemplo; en el desarrollo de un nuevo

producto.

Es un trmino muy amplio, en realidad existen varios enfoques para analizar problemas. La Simulacin requiere de MODELOS (validez).

No es una solucin analtica No obtiene resultados exactos (desventaja) Permite modelar sistemas complejos (ventaja)

Es mejor una respuesta aproximada al problema correcto que una respuesta correcta al problema aproximado Es la tcnica de modelado estocstico ms til, de mayor reconocimiento en diversos campos de aplicacin Un modelo es una representacin de un sistema pensada para unos objetivos. Un mismo sistema real puede tener varios modelos.

Un ejemplo de la importancia de la simulacin es: La universidad de Barcelona ha incorporado la simulacin para mejorar la enseanza mdica. Mejorar la prctica mdica de los estudiantes de tercer ciclo y ampliar su experiencia asistencial con enfermos crticos es el objetivo del nuevo laboratorio,

considerado como uno de los ms avanzados en simulacin mdica dentro del mbito universitario espaol. herramienta esencial y disciplinaria, La simulacin es una

donde en una simple corrida del programa podemos predecir cualquier

comportamiento dinmico de una empresa o una maquina que se est diseando, de igual manera podemos ser los pronsticos para la demanda y utilidad de nuestro producto o bien ver cuando el mecanismo puede fallar por condiciones diversas

del ambiente donde funcionara.

Apuntes Generales

- 3 -

Simulacin

Mircoles 12122012

CONCEPTOS BSICOS

SISTEMA. Cualquier parte del universo que existe y funciona en el espacio y el tiempo. MODELO. sistema Un en modelo un es una representacin de tiempo o simplificada espacio del

instante

concreto

realizada para comprender el sistema real. Simulacin Una simulacin es una manipulacin de un modelo de forma que funcione en el espacio o en el tiempo para comprimir ste, percibir las interacciones que no seran

permitindonos

fcilmente apreciables por su separacin en espacio.

el tiempo o el

El Modelado y la simulacin son disciplinas para la consecucin de un nivel de comprensin de la interaccin entre las partes del

sistema y del sistema como un todo. El nivel de comprensin que se puede obtener mediante esta disciplina sera difcil de conseguir utilizando otra disciplina.

Metodologa de la simulacin.

Apuntes Generales

- 4 -

Simulacin

Mircoles 12122012

MODELOS Y CONTROL

Apuntes Generales

- 5 -

Simulacin

Mircoles 12122012

VENTAJAS DE LA SIMULACIN

Beneficio general de la simulacin

Laboratorio

de

aprendizaje-fcil

de

modificar.

Se

puede

experimentar con nuevos diseos sin que tengan que construirse.

Algunos sistemas

beneficios reales

especficos

Mejorar

el

funcionamiento y gastos

de de

complejos

Disminuir

inversiones

operacin Reducir el tiempo de desarrollo de un sistema Asegurar que el sistema se comportar como se desea Conocer oportunamente hechos relevantes y efectuar cambios en el momento oportuno. A

veces es lo nico que se puede hacer para estudiar un sistema real (no existe; se destruye; muy caro). Un modelo de simulacin puede ser ms amplio y de robusto los con respecto de a los cambios que un en las

caractersticas

parmetros

entrada

modelo

analtico que solo es vlido bajo un

conjunto

de suposiciones

Flexibilidad para modelar las cosas tal como son (no importa si son difciles de explicar y complicadas), Comprender porqu.

Explorar posibilidades Diagnosticar problemas Permite modelar la incertidumbre La nica cosa segura es que nada es seguro

Peligro de ignorar la variabilidad y la incertidumbre

Validez del modelo

Apuntes Generales

- 6 -

Simulacin

Mircoles 12122012

DESVENTAJAS DE LA SIMULACIN

Puede ser costosa

y consumir mucho tiempo inicialmente.

Construir modelos precisa un entrenamiento especial. Algunas veces soluciones mejores y ms fciles son pasadas por alto.

Los resultados pueden ser difciles de interpretar Por lo general son ignorados los factores humanos y

tecnolgicos. Peligro de poner demasiada confianza en los resultados de

la simulacin. Es difcil verificar si los resultados son vlidos. (Proceso de validacin como tema de estudio)

TIPOS DE SIMULACIN Entidad: Objeto u elemento de inters para el sistema considerado. Puede ser dinmica o esttica. Atributo: Propiedad de una entidad. Son variables locales a la entidad. Actividad: Perodo de tiempo de longitud especificada. Estado: Conjunto de variables necesario para describir o caracterizar el sistema en cualquier instante, considerando los objetivos del estudio. La evolucin de las variables de estado puede ser continua o producirse en determinados eventos. Evento: Ocurrencia instantnea de algo que puede cambiar el estado del sistema. Reloj de simulacin: Una variable que proporciona el valor actual del tiempo simulado. Indicador de evento: Un registro que representa cuando se produce un evento. Lista de eventos futuros: Lista enlazada de los indicadores de eventos ordenados por tiempo. (Algunos autores lo denotan como FEL y otros como FES). Rutina de temporizacin: Procedimiento para mantener y avanzar la lista de eventos futuros.

Apuntes Generales

- 7 -

Simulacin

Mircoles 12122012

TABLA DE DISTRIDUCIN Y CARACTERISTICAS

FRMULA CARACTERSTICAS La curva tiene un solo pico, por consiguiente es unimo al Se encuentra en el centro e su curva normal La Me iana ! la mo a se encuentran en el cent ro "ste tipo e $%it os &usca os son e%presa os por uni a , e 'rea, e tiempo, pie(as, etc) Se t iene como gra os e li&erta ) No tiene valores negativos el valor m+nimo es , To as las curvas son asim$tricas) "ste tipo e $%it os &usca os son e%presa os por uni a , e 'rea, e tiempo, pie(as, etc) Se t iene como gra os e li&erta No tiene valores negativos el valor m+nimo es , To as las curvas son asim$tricas La istri&uci/n es cont inua La ra(/n mas pe0ue1a es , La ra(/n mas pe0ue1a, no pue e ser negat iva Su en3o0ue es en 3orma triangular "s total asim$trica Se usa como una apro%imaci/n e otros Su i3erencia principal ra ica en las a$reas e los e%tremos "n muc4as ocasiones no se conoce "l numero e o&servaciones es n56,

NOMBRE

DI STRIBUCIN NORMAL

Z=X-M/T

DI STRIBUCIN D" #OI SON

T=-/(Y-M)^2/(N-1)

DI STRIBUCIN *I CUADRADA

X^2=(N-1)S^2/(T^2)

DI STRIBUCIN D" -I S."R

F=(U1/D2)/(U2/D2)

DI STRIBUCIN *I CUADRADA

X^2=(N-1)S^2/(T^2)

DI STRIBUCIN - D" -IS."R

F=(U1/D2)/(U2/D2)

DI STRIBUCIN TRIAN2ULAR

F(X)=2(X-A)/(C-A)* (B-A) SI a= ! = "

DI STRIBUCIN T STUD"NTS

Z/(#/#)

Apuntes Generales

- 8 -

Simulacin

Mircoles 12122012

ETAPAS DE UN ESTUDIO DE SIMULACIN

1.- Formulacin del problema. 2.- Planteamiento de los objetivos y plan global del proyecto. 3.- Conceptualizacin del modelo 4.- Recogida de datos 5.- Traduccin del modelo 6.- Verificacin del modelo. 7.- Validacin del modelo. 8.- Diseo experimental. 9.- Ejecuciones y anlisis de los resultados. 10.- Ejecuciones suplementarias? 11.- Documentacin e informes. 12.- Implementacin

Apuntes Generales

Simulacin

Mircoles 12122012

TOMA DE DECISIONES

1. Determinar la necesidad de una decisin: El proceso de toma de decisiones comienza con el reconocimiento de la necesidad de tomar una decisin, el mismo genera un problema o una disparidad entre cierto estado deseado y la condicin real del momento. 2. Identificar los criterios de decisin: Una vez determinada la necesidad de tomar una decisin, se deben identificar los criterios que sean importantes para la misma. Vamos a

considerar un ejemplo. 3. Asignar peso a los criterios: Los criterios enumerados en el paso previo no tienen mayor importancia. Es necesario

ponderar cada uno de ellos y priorizar su importancia en la decisin. 4. Desarrollar todas las alternativas: Es la base de la toma de decisiones y no es ms que desplegar las alternativas. El tomador de la decisin tiene que confeccionar una lista de todas las alternativas posibles que resolver el problema. 5. Evaluar las alternativas: Una vez identificadas las podran utilizarse para

alternativas, el analista de las decisiones tiene que evaluar de manera crtica cada una de ellas. Las ventajas y

desventajas de cada alternativa resultan evidentes cuando son comparadas. 6. Seleccionar la mejor alternativa (Toma de decisiones): Una vez seleccionada la alternativa mejor, se llega al final del proceso de la toma de decisiones, en el proceso racional. Esta seleccin es bastante simple. El tomador de decisiones tiene que escoger la alternativa que tuvo la calificacin ms alta en el paso nmero cinco. La toma de decisiones debe ser totalmente objetiva y lgica a la hora de tomarlas, tiene que tener una meta clara y todas las acciones en el proceso de toma de decisiones llevan de manera consistente a la

seleccin de aquellas alternativas que maximizarn la meta.

Apuntes Generales

- 10 -

Simulacin

Mircoles 12122012

MODELOS Y CONTROL PARA LA TOMA DE DECISIONES

La buena toma de decisiones permite vivir mejor. Nos otorga algo de control sobre nuestras vidas. De hecho, muchas de las frustraciones que sufrimos con nosotros mismos se deben a no poder usar la propia mente para entender el problema de decisin, y el coraje para actuar en consecuencia. Una mala decisin puede

obligarnos a tomar otra mala decisin, como dijo Harry Truman: Toda mala decisin que tomo va seguida de otra mala decisin.

Un buen analista de sistemas debe tomar muchas decisiones todos los das. Algunas de ellas son decisiones de rutina o

intrascendentes mientras que otras tienen una repercusin drstica en las operaciones de la organizacin a la cul investigan o trabajan. Algunas de estas decisiones podran involucrar la

ganancia o prdida de los objetivos cumplimiento o incumplimiento de la misin y las metas de la organizacin.

Un

modelo

de

decisiones

ms

simple

que

tiene

solo

dos

alternativas se denomina Maniquesmo, adaptado por Zaratustra y luego adoptado por otras religiones organizadas. El maniquesmo es el concepto de dualidad que divide todo lo que forma parte del universo en dos alternativas distintas o dos polos opuestos, como por ejemplo el bien y el mal, blanco y negro, da y noche, mente (o alma) y cuerpo, etc. Este concepto de dualidad fue un modelo suficiente de la realidad para aquella poca para que el mundo fuera manejable y calculable. Sin embargo, hoy en da sabemos con certeza que todos los sistemas cambian y todos tienen un amplio espectro continuo. No existen los opuestos en la naturaleza.

Debemos ver el mundo a travs de los ojos de nuestra mente vivida; de lo contrario, no comprendemos bien las ideas complejas. La toma de decisiones y la experiencia es un elemento clave puesto que las decisiones deben tomarse sobre una realidad altamente compleja debido al enorme nmero de variables que entran en juego.

Apuntes Generales

- 11 -

Simulacin

Mircoles 12122012

La

acumulacin

de

experiencia

es

larga

costosa.

Si

consideramos que cuando mas se aprende es como consecuencia de los propios errores, el alcanzar un elevado nivel de experiencia en el mundo empresarial puede llegar a tener un costo terriblemente

alto. La consecuencia inmediata es que toda la experiencia que pueda ganarse sin los efectos que pudieran derivarse de una

decisin errnea o, simplemente de uan decisin no optima, ser bien recibida y ms econmica, sea cual sea su costo.

Estructura y etapas de estudio de simulacin

Efectos futuros: Tiene que ver con la medida en que los compromisos relacionados con la decisin afectar el futuro. Una decisin que tiene una influencia a largo plazo, puede ser considerada una decisin de alto nivel, mientras que una decisin con efectos a corto plazo puede ser tomada a un nivel muy inferior.

Reversibilidad:

Se

refiere

la

velocidad

con

que

una

decisin puede revertirse y la dificultad que implica hacer este cambio. Si revertir es difcil, se recomienda tomar la decisin a un nivel alto; pero s revertir es fcil, se requiere tomar la decisin a un nivel bajo.

Impacto: Esta caracterstica se refiere a la medida en que otras reas o actividades se ven afectadas. Si el impacto es extensivo, es indicado tomar la decisin a un nivel alto; un impacto nico se asocia con una decisin tomada a un nivel bajo.

Calidad: Este factor se refiere a las relaciones laborales, valores ticos, consideraciones legales, principios bsicos de conducta, imagen de la compaa, etc. Si muchos de estos factores estn involucrados, se requiere tomar la decisin a

Apuntes Generales

- 12 -

Simulacin

Mircoles 12122012

un nivel alto; si solo algunos factores son relevantes, se recomienda tomar la decisin a un nivel bajo.

Periodicidad: Este elemento responde a la pregunta de si una decisin se toma frecuente o excepcionalmente. Una decisin excepcional es una decisin de alto nivel, mientras que una decisin que se toma frecuentemente es una decisin de nivel bajo.

Apuntes Generales

- 13 -

Simulacin

Mircoles 12122012

Apuntes Generales

- 14 -

Simulacin

Mircoles 12122012

UNIDAD II NMEROS PSEUDOALEATORIOS

Un elemento importante en simulacin es tener rutinas que generen variables aleatorias con distribuciones especficas: uniforme,

normal, etc.

Para ello la base es generar una secuencia de nmeros aleatorios distribuidos uniformemente entre 0 y 1.

Y para ello la clave es generar nmeros enteros aleatorios y uniformemente distribuidos en un cierto intervalo de una manera eficiente.

MTODOS DE GENERACIN DE NMEROS PSEUDOALEATORIOS

La mayora de los mtodos (generadores) comienzan con un nmero inicial (semilla), a este nmero se le aplica un determinado

procedimiento y as se encuentra el primer nmero random.

Usando este nmero como entrada, el procedimiento es repetido para lograr un prximo nmero random. Comienza con un nmero inicial (semilla). Este nmero es elevado

al cuadrado. Se escogen los dgitos del medio de este nuevo nmero (segn los dgitos que se deseen) y se colocan despus del punto decimal. Este nmero conforma el primer nmero random. Ejemplo: X0 = 5497 X02 = (5497)2 = 30,217,009 ===> X1 = 2170 R1 = 0.2170 X12 = (2170)2 = 04,708,900 ===> X2 = 7089 R2 = 0.7089 X22 = (7089)2 = 50,253,921 ===> X3 = 2539 OPERACIN MOD

Apuntes Generales

- 15 -

Simulacin

Mircoles 12122012

k mod m es el residuo de hacer la divisin de k entre m Sea x un entero grande 45 mod 12 = (5+55x) mod 5 = (5+55x) mod 11 = Mtodo de la Congruencia Lineal

Apuntes Generales

- 16 -

Simulacin

Mircoles 12122012

El nmero aleatorio se encuentra de la siguiente manera: R = x / m

Usar Excel para calcular los nmeros aleatorios que se producen para m = 15, a = 12 y c = 0 con las semillas x0 = 0, hasta 14.

Apuntes Generales

- 17 -

Simulacin

Mircoles 12122012

a = 12 x0 x1 x2 x3 x4 x5 x6 x7 x8 x9 x 10 x 11 x 12
0 0 0 0 0 0 0 0 0 0 0 0 0

c= 0
1 12 9 3 6 12 9 3 6 12 9 3 6 2 9 3 6 12 9 3 6 12 9 3 6 12

m = 15
3 6 12 9 3 6 12 9 3 6 12 9 3 4 3 6 12 9 3 6 12 9 3 6 12 9 5 0 0 0 0 0 0 0 0 0 0 0 0 6 12 9 3 6 12 9 3 6 12 9 3 6 7 9 3 6 12 9 3 6 12 9 3 6 12 8 6 12 9 3 6 12 9 3 6 12 9 3 9 3 6 12 9 3 6 12 9 3 6 12 9 10 0 0 0 0 0 0 0 0 0 0 0 0 11 12 9 3 6 12 9 3 6 12 9 3 6 12 9 3 6 12 9 3 6 12 9 3 6 12 13 6 12 9 3 6 12 9 3 6 12 9 3 14 3 6 12 9 3 6 12 9 3 6 12 9

Ejercicio Usar Excel para calcular los nmeros aleatorios que se producen para m = 15, a = 12 y c = 0

con las semillas x0 = 0, hasta 14. Para x0 = 1: Cul es el perodo, la longitud es del ciclo longitud de la cola ?. R: 5, 4, 1. y la

Ejercicio Usar Excel para calcular los nmeros aleatorios que se producen para m = 15, a = 12 y c = 0

con las semillas x0 = 0, hasta 14.

Apuntes Generales

- 18 -

Simulacin

Mircoles 12122012

GCL Multiplicativos

Periodo completo = Cuando tiene el mximo periodo posible, m 1. Los hay con m potencia de 2 (m = 2k ) que son rpidos pues el residuo en divisiones con potencia de 2 puede hacerse rpidamente. Aunque tienen la desventaja que no son de periodo completo pueden ser suficientes para muchas aplicaciones. Cuando m no es potencia de 2 el generador es menos rpido; se acostumbra elegir un nmero m que sea primo y la relacin entre m y a debe ser especial para que el generador tenga un periodo completo o al menos grande.

Apuntes Generales

- 1

Simulacin

Mircoles 12122012

Ejercicio 2 Suponiendo aleatorios. que se utilice el generador de nmeros seudo-

y que la semilla se escoge eligiendo al azar un entero entre 1 y 26 1 inclusive, determine el promedio de la longitud del periodo y su desviacin estndar.

Apuntes Generales

- 20 -

Simulacin

Mircoles 12122012

Probando generadores de nmeros aleatorios Es importante asegurarse de que el generador usado produzca una secuencia suficientemente aleatoria. Para esto se somete el

generador a pruebas estadsticas. Si no pasa una prueba, podemos asumir que el generador es malo. Pasar una prueba es una condicin necesaria pero no suficiente. Un generador puede pasar una prueba y luego no pasarla si se usa otra semilla u otro segmento del ciclo.

Cmo sabemos que nuestro generador es bueno?

PRUEBAS GRFICAS Grfica de Serie de Tiempo. Tablas de frecuencias e histogramas PRUEBA ESTADSTICA Prueba Ji-cuadrada Usar el ejemplo: xn+1 = (75 xn) mod 231 1

Con semilla = 1, los primeros 200 nmeros generados.

Grfica de Serie de Tiempo

1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 1 11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171 181 191 201

Apuntes Generales

- 21 -

Simulacin

Mircoles 12122012

1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 20 40 60 80 100 120 140 160 180 200

Es importante observar que NO exista ningn patrn o tendencia.

Tabla de frecuencias e histograma

Intervalo Frecuencia [0, 0.1) [0.1, 0.2) [0.2, 0.3) [0.3, 0.4) [0.4, 0.5) [0.5, 0.6) [0.6, 0.7) [0.7, 0.8) [0.8, 0.9) [0.9, 1.0) 21 19 20 16 25 20 20 17 20 22 200

Apuntes Generales

- 22 -

Simulacin

Mircoles 12122012

Histograma
30 25

Frecuencias

20 15 10 5 0 [0, 0.1) [0.1, 0.2) [0.2, 0.3) [0.3, 0.4) [0.4, 0.5) [0.5, 0.6) [0.6, 0.7) [0.7, 0.8) [0.8, 0.9) [0.9, 1.0)

Intervalo

Nmeros aleatorios entre 0 y 1 * La probabilidad de observar un valor en un particular intervalo es independiente del valor previo observado. * Todo punto en el rango tiene igual probabilidad de ser elegido. * Si el intervalo (0,1) es dividido en n sub-intervalos de igual longitud, el nmero esperado de observaciones en cada intervalo es N/n. (N nmero de observaciones totales). El objetivo de cualquier esquema de generacin (generador), es

producir una secuencia de nmeros entre 0 y 1 que simule las propiedades ideales de distribucin uniforme y de independencia.

PRUEBAS ESTADSTICAS

Esta es la prueba ms comnmente usada. En general, puede ser usada para cualquier distribucin. A partir de un histograma, se comparan las frecuencias observadas con las frecuencias obtenidas de la distribucin especfica (frecuencias esperadas).

Apuntes Generales

- 23 -

Simulacin

Mircoles 12122012

Intervalo I1 I2 Ik

Frecuencia !"erva#a O1 O2 Ok Total

Frecuencia $"%era#a E1 E2 Ek Total

Prueba estadstica Ji-cuadrada

Hiptesis nula. y esperadas.

Ho: no hay diferencia entre frecuencias observadas

Hiptesis alternativa. Ha Estadstico de prueba: Si el ajuste es exacto, c02 ser. k-1 grados de libertad.

o H1 :

existe una diferencia entre

frecuencias observadas y esperadas.

es cero, pero por aleatoriedad no lo

Se puede demostrar que tiene distribucin ji-cuadrado con

Apuntes Generales

- 24 -

Simulacin

Mircoles 12122012

Apuntes Generales

- 25 -

Simulacin

Mircoles 12122012

Ejercicio: Determine el 95 percentil de la distribucin ji-cuadrada con 6 grados de libertad

2 2 Los grados de libertad son iguales a: nmero de filas - 0 > , k 1

En esta prueba se debe cuidar que las frecuencias esperados sean mayores o iguales a 5.

Prueba Ejercicio 3 Generador: xn+1 = (75 xn) mod 231 1

estadstica

Ji-cuadrada

Con semilla = 1, los primeros 200 nmeros generados. Realizar la prueba estadstica ji-cuadrada para probar si los valores vienen de una distribucin uniforme. Usar nivel de significancia = a = 0.05 Ho: Los valores provienen de una distribucin uniforme. Ha: Los valores NO provienen de una distribucin uniforme

Apuntes Generales

- 26 -

Simulacin

Mircoles 12122012

Frecuencia Intervalo !"erva#a [0, 0.1) [0.1, 0.2) [0.2, 0.3) [0.3, 0.4) [0.4, 0.5) [0.5, 0.6) [0.6, 0.7) [0.7, 0.8) [0.8, 0.9) [0.9, 1.0) Total 21 19 20 16 25 20 20 17 20 22 200

Frecuencia $"%era#a 20 20 20 20 20 20 20 20 20 20 200

&o!"erva#o - e"%era#o) e"%era#o 0.05 0.05 0 0.8 1.25 0 0 0.45 0 0.2 2.8

02 =
i =1

10

(Oi Ei )2
Ei

= 2.8

Estadstico de prueba Regin de Rechazo:

2 2 , k 1 = 0.05, 9

= 16.919

Apuntes Generales

- 27 -

Simulacin

Mircoles 12122012

2.8 no es mayor que 16.919, por lo que el estadstico de prueba NO cae en la regin de rechazo.

Conclusin: Ho NO se rechaza. Los valores generados s parecen venir de una distribucin uniforme

Generador: xn+1 = (57 xn) mod 215 1 Con semilla = 1, considere los primeros 100 nmeros generados entre 0 y 1. Realizar la prueba estadstica ji-cuadrada para probar si los valores vienen de una distribucin uniforme. Usar 10 intervalos. Usar nivel de significancia = a = 0.05.

Usando el mtodo del cuadrado medio y semilla = 5896, se generaron los primeros 80 nmeros aleatorios.

Apuntes Generales

- 28 -

Simulacin

Mircoles 12122012

Realizar la prueba estadstica ji-cuadrada para probar si los valores provienen de una distribucin uniforme. Usar 8 intervalos y un nivel de significancia = a = 0.05.

Intervalo [0, 0.125) [0.125, 0.25) [0.25, 0.375) [0.375, 0.5) [0.5, 0.625) [0.625, 0.75) [0.75, 0.875) [0.875, 1.0)

Frecuencia 16 12 11 11 8 6 7 9 80

Generador: xn+1 = (57 xn) mod 215 1 Con semilla = 14, considere los primeros 100 nmeros generados entre 0 y 1. Realizar la prueba estadstica ji-cuadrada para probar si los valores vienen de una distribucin uniforme. Usar 8 intervalos. Usar nivel de significancia = a = 0.05.

Apuntes Generales

- 2

Simulacin

Mircoles 12122012

Intervalo [0, 0.125) [0.125, 0.25) [0.25, 0.375) [0.375, 0.5) [0.5, 0.625) [0.625, 0.75) [0.75, 0.875) [0.875, 1.0)

Frecuencia 22 7 18 13 21 4 9 6 100

Para esto, se necesitan nmeros aleatorios R entre 0 y 1. Usar el generador: xn+1 = (57 xn) mod 215 1 Con semilla = 1.

Generar 100 valores de la distribucin: Utilizar la prueba ji-cuadrada para decidir si los valores

generados realmente parecen tener la distribucin de probabilidad anterior (a = 0.05). Usar 20 semillas y observar en cuntos casos la prueba se rechaza.

Generacin de variables aleatorias discretas Suponga que un determinado fenmeno aleatorio tiene la siguiente distribucin de probabilidad: Variable 18 cm. 19 cm. 20 cm. Probabilidad 0.3 0.4 0.3 Acumulada 0.3 0.7 1

Apuntes Generales

- 30 -

Simulacin

Mircoles 12122012

MTODO DE MONTE CARLO

La simulacin de Monte Carlo es una tcnica que combina conceptos estadsticos (muestreo aleatorio) con la capacidad que tienen los nmeros pseudoaleatorios y automatizar

ordenadores para generar clculos.

Recibi el nombre de Monte Carlo en referencia al Casino de Monte Carlo, ubicado en el Principado de Mnaco, al la capital del juego de azar. La que es se considera

ruleta

un generador

de nmeros aleatorios. El mtodo de Monte Carlo se remonta a fines de 1940, cuando John von Neumann y Stanislaw Ulam acuaron el trmino anlisis de Monte Carlo para aplicarlo a una tcnica matemtica que usaban entonces para resolver ciertos problemas de proteccin nuclear. El mtodo de Monte Carlo1 es un mtodo no o estadstico numrico, y usado para de aproximar con

determinstico expresiones

matemticas

complejas

costosas

evaluar

exactitud. El mtodo se llam as en referencia al Casino de Monte Carlo (Principado de Mnaco) por ser la capital del juego de azar, al ser la ruleta un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora.

El

uso

de

los

mtodos

de

Monte

Carlo

como

herramienta

de

investigacin, proviene del trabajo realizado en el desarrollo de la bomba atmica durante de la Segunda lamos de a la en Guerra EE. Mundial Este en el

Laboratorio conllevaba

Nacional la

Los

UU.

trabajo de el

simulacin

problemas difusin posee

probabilsticos de neutrones un en

hidrodinmica material de

concernientes fisin. Esta

difusin

comportamiento

eminentemente aleatorio. En la actualidad es parte fundamental de los algoritmos de Raytracing para la generacin de imgenes 3D.

Apuntes Generales

- 31 -

Simulacin

Mircoles 12122012

En la primera etapa de estas investigaciones, John von Neumann y Stanislaw Ulam refinaron esta ruleta rusa y los mtodos "de

divisin" de tareas. Sin embargo, el desarrollo sistemtico de estas ideas tuvo que esperar al trabajo de Harris y Herman Kahn en 1948. Aproximadamente en el mismo ao, Enrico Fermi, Nicholas Metropolis y Ulam obtuvieron estimadores para los valores

caractersticos de la ecuacin de Schrdinger para la captura de neutrones a nivel nuclear usando este mtodo. El mtodo de Monte Carlo proporc iona soluciones aproximadas a una gran variedad de problemas matemticos posibilitando la realizacin de experimentos con muestreos de nmeros pseudoaleatorios en una computadora. El mtodo es aplicable a cualquier tipo de problema, ya sea

estocstico o determinista. A diferencia de los mtodos numricos que se basan en evaluaciones en N puntos en un espacio M-

dimensional para producir una solucin aproximada, el mtodo de Monte Carlo tiene un error absoluto de la estimacin que decrece como en virtud del teorema del lmite central.

La invencin del mtodo de Monte Carlo se asigna a Stanislaw Ulam y a John von Neumann. Ulam ha explicado cmo se le ocurri la idea mientras jugaba un solitario durante una enfermedad en 1946.

Advirti que resulta mucho ms simple tener una idea del resultado general del solitario haciendo pruebas mltiples con las cartas y contando las proporciones de los resultados que computar todas las posibilidades de combinacin formalmente. Se le ocurri que esta misma observacin deba aplicarse a su trabajo de Los lamos sobre difusin imposible gobiernan consista de neutrones, las para la cual resulta prcticamente que idea de

solucionar la en

ecuaciones la absorcin

ntegro-diferenciales y la fisin. las La miles

dispersin, probar con

experimentos

mentales

posibilidades, y en cada etapa, determinar por casualidad, por un nmero aleatorio distribuido segn las probabilidades, qu

sucedera y totalizar todas las posibilidades y tener una idea de la conducta del proceso fsico.

Apuntes Generales

- 32 -

Simulacin

Mircoles 12122012

Podan utilizarse mquinas de computacin, que comenzaban a estar disponibles, para efectuar las pruebas numricas y en efecto

reemplazar el aparato experimental del fsico. Durante una de las visitas de von Neumann a Los lamos en 1946, Ulam le mencion el mtodo. Despus de cierto escepticismo inicial, von Neumann se entusiasm con la idea y pronto comenz a desarrollar sus

posibilidades en un procedimiento sistemtico. Ulam expres que Monte Carlo comenz a tener forma concreta y empez a

desarrollarse con todas sus fallas de teora rudimentaria despus de que se lo propuse a Johnny.

A principios de 1947 Von Neumann envi una carta a Richtmyer a Los lamos en la que expuso de modo influyente tal vez el primer informe por escrito del mtodo de Monte Carlo. Su carta fue

encuadernada junto con la respuesta de Richtmyer como un informe de Los lamos y distribuida entre los miembros del laboratorio. Von Neumann sugera aplicar el mtodo para rastrear la generacin istropa de neutrones desde una composicin variable de material activo a lo largo del radio de una esfera. Sostena que el

problema era adecuado para el ENIAC y estimaba que llevara 5 horas calcular la accin de 100 neutrones a travs de un curso de 100 colisiones cada uno.

Ulam estaba particularmente interesado en el mtodo Monte Carlo para evaluar integrales mltiples. Una de las primeras

aplicaciones de este mtodo a un problema determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando

consideraron los valores singulares de la ecuacin de Schrdinger.

Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda, debemos previamente asignarle un intervalo de nmeros aleatorios a CARA y otro a CRUZ, de manera de poder interpretar el resultado de la simulacin. Tales intervalos se asignan en funcin de las probabilidades de ocurrencia de cada cara de la moneda. Tenemos as:

Apuntes Generales

- 33 -

Simulacin

Mircoles 12122012

CARA Probabilidad: 0,50 Nmeros aleatorios: 0,000 al 0,499

CRUZ Probabilidad: 0,50 Nmeros aleatorios: 0,500 al 0,999

Despus, al generar un nmero aleatorio a partir de la funcin RAN de la calculadora, por ejemplo, obtenemos el resultado simulado. As, si obtenemos el nmero aleatorio 0,385, observamos que est incluido en el intervalo asignado a CARA.

En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las probabilidades de ocurrencia de los eventos a simular.

PROCEDIMIENTO GENERAL DEL MTODO DE SIMULACIN MONTE CARLO

1. Identificacin del sistema complejo 2. Deteccin de una situacin de toma de decisiones 3. Identificacin de la variable aleatoria y su espacio de

muestreo 4. Recoleccin de datos de la variable aleatoria 5. Identificacin de la funcin de probabilidad o construccin del cuadro de frecuencias absolutas y relativas. 6. Construccin de la funcin de probabilidad acumulada. 7. Determinacin o construccin del cuadro de la inversa de la funcin de la probabilidad acumulada. 8. Generacin de un nmero aleatorio. 9. Simulacin de un valor aleatorio especfico de la variable aleatoria transformada

Apuntes Generales

- 34 -

Simulacin

Mircoles 12122012

Apuntes Generales

- 35 -

Simulacin

Mircoles 12122012

UNIDAD III GENERACIN DE VARIABLES ALEATORIAS

La generacin de cualquier variable aleatoria se va a basar en la generacin previa de una distribucin visto en el tema anterior. En o este uniforme captulo que (0,1), vamos nos a van

estudiar a

ciertas transformaciones dichos nmeros

algoritmos en

transformar

generados

valores

de otras

distribuciones.

Variables aleatorias discretas

Caso discreto En discontinua y

este tiene

caso una

la forma

funcin

de

distribucin

es

escalonada.

Su frmula es

Al ser discreta no hay frmula de su inversa y puede ocurrir que dado un u no se encuentre imagen x de la funcin, sino que este valor est entre dos valores posibles.

Lo que se va a hacer en este caso es que dado un

u se va obtener

como salida un sigue:

x j

tal que

El algoritmo queda como

Apuntes Generales

- 36 -

Simulacin

Mircoles 12122012

Este mtodo es un mtodo sencillo de aplicar, siempre y cuando la funcin de distribucin no tenga una frmula complicada y utiliza slo un nmero aleatorio aleatoria. ara calcular un valor de la variable

Variables aleatorias continuas

En este caso la funcin de distribucin es continua. Vamos a utilizar un nmero aleatorio (0,1) funcin y vamos a suponer u, uniformemente que es el valor distribuido en que toma la

de distribucin en un punto

x. Tal punto va a ser el

valor de la variable que queremos generar. Al ser la funcin de distribucin cualquier u. continua, vamos a encontrar un valor de x para

Apuntes Generales

- 37 -

Simulacin

Mircoles 12122012

MTODOS PARA GENERAR VARIABLES ALEATORIAS

Procedimientos especiales. Mtodo de Aceptacin Rechazo

Los mtodos

mtodos de

de

inversin, directos, funcin de

composicin en el

convolucin en El que

son

generacin con la

sentido

tratan de

directamente

distribucin.

mtodo

aceptacin-rechazo es menos directo en su aproximacin. Nosotros vamos a aplicar este mtodo en el caso de que la variable aleatoria sea continua, el caso discreto es anlogo y est tratado en Prob. 8.9???? En este caso tenemos la funcin de densidad f(x) de la variable y necesitamos una funcin t(x) que la acote, es decir t(x)f(x) "x. Hay que notar que t(x) no es, en general, una funcin de densidad pero la funcin r(x)=t(x)/c, si es

claramente una funcin de densidad. (Suponemos que t es tal que c<). Debemos de poder generar (esperamos que de forma fcil y rpida) un valor de la variable aleatoria que sigue la funcin r(x). El algoritmo general queda como sigue:

Generar x

que siga la distribucin r(x)

Generar u~U(0,1), independiente de x

Si

entonces devolver x si no volver a repetir el algoritmo

El algoritmo contina repitindose hasta que se genera un valor que es aceptado. Para hacer que se rechacen el menor nmero de t(x) debe ser la mnima funcin que

puntos posibles la funcin acote a f(x).

Apuntes Generales

- 38 -

Simulacin

Mircoles 12122012

PRUEBAS ESTADSTICA. (PRUEBAS DE BONDAD DE AJUSTE).

En la construccin del modelo de simulacin es importante decidir si un conjunto de datos se ajusta apropiadamente a una

distribucin especfica de probabilidad. Al probar la bondad del ajuste de un conjunto de datos, se comparan las frecuencias

observadas FO realmente en cada categora o intervalo de clase con las frecuencias esperadas tericamente FE. La prueba Ji cuadrada hace uso de la distribucin del mismo nombre para probar la bondad del ajuste al comparar el estadstico de prueba Xo2 con el valor en tablas de la mencionada distribucin Ji cuadrada con v grados En la de libertad y un nivel de esta

significancia alfa.

siguiente

seccin

aplicaremos

prueba para probar la hiptesis nula de que los nmeros aleatorios (provenientes de un generador) se ajustan a la distribucin

terica uniforme continua. Sea X una variable aleatoria discreta con valores x1, x2,......., xn Se propone la hiptesis nula H0, de que la distribucin de donde proviene la muestra se comporta segn un modelo terico especfico tal como la uniforme, la exponencial, la normal, etc. Entonces FOi, representa el nmero de veces que ocurre el valor xi mientras que FEi, es la frecuencia esperada proporcionada por el modelo terico propuesto. A menudo ocurre que muchas de las

frecuencias FEi, (y tambin las FOi) son muy pequeas, entonces, como regla prctica adoptamos el criterio de agrupar los valores consecutivos de estas frecuencias esperadas hasta que su suma sea de al menos cinco. La medida estadstica de prueba para la

hiptesis nula es

Apuntes Generales

- 3

Simulacin

Mircoles 12122012

Para n grande

este

estadstico

de

prueba

tiene

una

distribucin X2 aproximada con V grados de libertad dados por V = (k 1) (nmero de parmetros estimados) as, si se estiman dos parmetros como la media y la varianza, la medida estadstica tendr (k 3) grados de libertad. Se puede aplicar esta prueba a variables continuas agrupando

adecuadamente los valores en un nmero adecuado de subintervalos o clases k. Una regla emprica para seleccionar el nmero de clases es:

EJEMPLO. La siguiente muestra de tamao 50 ha sido obtenida de una poblacin que registra la vida til (en unidades de tiempo) de bateras alcalinas tipo AAA. Prubese la hiptesis nula de que la variable aleatoria vida til de las bateras un sigue nivel una de

distribucin

exponencial

negativa.

Considrese

significancia alpha de 5%. 8.223 0.836 2.634 4.778 0.406 0.517 2.330 2.563 0.511 6.426 2.230 3.810 1.624 1.507 2.343 1.458 0.774 0.023 0.225 3.214 2.920 0.968 0.333 4.025 0.538 0.234 3.323 3.334 2.325 7.514 0.761 4.490 1.514 1.064 5.088 1.401 0.294 3.491 2.921 0.334 1.064 0.186 2.782 3.246 5.587 0.685 1.725 1.267 1.702 1.849

SOLUCIN. Calculamos

los

valores

min

0.023

max

8.223.

Resultando ser el rango o recorrido igual a 8.2. El valor promedio es de 2.3. A continuacin ordenamos los valores de manera

ascendente y construimos el histograma de frecuencias relativas con seis clases cada una de longitud 1.5. (esto es debido a que 8.2 / 6 = 1.3)

Apuntes Generales

- 40 -

Simulacin

Mircoles 12122012

k 1 2 3 4 5 6

Clase 0.0 - 1.15 1.15 - 3.0 3.0 - 4.5 4.5 - 6.0 6.0 - 7.5 7.5 - 9.0

FO absoluta FO relativa 21 15 8 3 1 2 0.42 0.30 0.16 0.06 0.02 0.04

Re agrupamos las clases de modo que la FO sea de al menos 5 k 1 2 3 4 Clase 0.0 - 1.15 1.15 - 3.0 3.0 - 4.5 4.5 - 9.0 FO absoluta FO relativa 21 15 8 6 0.42 0.30 0.16 0.12

Como nuestra hiptesis nula es que los datos se ajustan a la funcin funcin de probabilidad calcular exponencial mediante negativa, el emplearemos porcentaje tal de

para

integracin

probabilidad esperado para cada subintervalo. Ya vimos que el valor promedio es de 2.3, sin embargo para fines prcticos lo consideraremos como 2.0. El clculo de la integral para la primer clase es:

Apuntes Generales

- 41 -

Simulacin

Mircoles 12122012

k Clase 1 0.0 - 1.5 2 1.5 - 3.0 3 3.0 - 4.5 4 4.5 - 9.0

FO relativa 0.42 0.30 0.16 0.12

FE terica 0.528 0.249 0.118 0.105

(FO-FE)2FE 0.022 0.010 0.015 0.002

Entonces se tiene el valor

Ahora compararemos este valor calculado contra el valor tabulado de la distribucin Ji cuadrada con un nivel de significancia alpha de 5% y el nmero de grados de libertad

V = (k 1) 1 = (4 1) 1 = 2. (Obsrvese que se estimo el parmetro promedio ?). Entonces

Como vemos el valor calculado es menor que el valor tabulado, por tanto la conclusin es que no se puede rechazar la hiptesis nula de que la muestra proviene de una distribucin exponencial con media 2.0.

Apuntes Generales

- 42 -

Simulacin

Mircoles 12122012

Prueba de Kolmogorov - Smirnov Otra prueba para la bondad de ajuste se apoya en la distribucin de Kolmogorov Smirnov la que al ser desarrollada para variables continuas la hace ms poderosa por ejemplo, en el caso de los nmeros aleatorios, que la Ji cuadrada. Por esta razn, en esta seccin la presentamos para un caso distinto al de la distribucin continua. Definamos la siguiente funcin de distribucin emprica. Supngase que Y es una variable aleatoria continua que tiene una funcin de distribucin F(y). Una muestra aleatoria de n realizaciones

de Y produce las observaciones y1, y2, ..., yn. Reordenemos esos valores observados de menor a mayor, y las yi ordenadas Es decir, se

representan

mediante y(1) y(2) ...,

y(n).

si y1 =

7, y2 = 9 y y3 = 3, entonces y(1) = 3, y(2) = 7 y y(3) = 9. Ahora bien, la funcin de distribucin acumulada emprica esta definida por: F n(y) = fraccin de la muestra menor o igual a y Supngase que se toma una variable aleatoria continua Y, bajo la hiptesis nula, que tiene una funcin de distribucin representada por F (y). La hiptesis alterna es que F (y) no es la funcin verdadera de distribucin de Y. Despus de de es la funcin una verdadera de

distribucin

observar

muestra

aleatoria

de n valores de Y, F (y) debe estar cerca de F n(y) siempre y cuando sea verdadera la hiptesis nula. Por lo tanto, la medida estadstica debe apreciar la cercana de F(y) a Fn(y) en todo el intervalo de valores de y. La medida estadstica D de K-S se basa en la distancia mxima entre F(y) y Fn(y), es decir, D = mx F(y) - Fn(y)

Apuntes Generales

- 43 -

Simulacin

Mircoles 12122012

Se rechaza la hiptesis nula si D es demasiado grande. Como F(y) y Fn(y) no son decrecientes y Fn(y) es constante entre observaciones de muestra, la desviacin mxima entre F(y) y Fn(y), se presentar ya sea en uno de los puntos de observacin y1 , ... yn , o inmediatamente a la izquierda de uno de ellos. Para

determinar el valor observado de D, se necesita entonces comprobar tan slo

D+ = mx y

D- = mx Ya que D = mx (D+ , D-) Si en H0 se supone la forma de F (y), pero se deja sin especificar algunos de los parmetros, entonces stos se deben estimar a parir de los datos de la muestra antes de poder llevar a cabo la prueba. Stephens (1974) dio valores de corte de reas superiores de 0.15, 0.10, 0.05, 0.025 y 0.01 para una forma modificada de la tabla K S para D (presentada en el apndice de este libro), los cuales se muestran en la siguiente tabla para tres casos. Estos casos son para la hiptesis nula de una F(y) completamente y variancia especificada, y

una F(y) normal

con

promedio

desconocidos,

una F(y) exponencial con promedio desconocido.

Apuntes Generales

- 44 -

Simulacin

Mircoles 12122012

TABLA DE KOLMOGOROV SMIRNOV DE STEPHENS. Puntos porcentuales del extremo superior para D modificada

EJEMPLO. Considrese que las diez observaciones siguientes son una muestra aleatoria hiptesis de que de una distribucin continua. Probar la datos provienen de una distribucin

esos

exponencial con promedio 2, en el nivel de significacin 0.05. 0.406, 2.343, 0.538, 5.088, 5.587, 2.563, 0.023, 3.334, 3.491, 1.267. Solucin. entonces Se se ordenan calcula, que F las diez observaciones cada y(i), el ascendentemente valor y

para

de F(yi), por

donde H0 establece

(y) es

exponencial

con teta=2.

tanto, F(yi) = 1 - e-yi/2 Registraremos los datos ordenados as como los clculos en la siguiente TABLA (i I 1 2 3 4 5 y(i) 0.023 0.406 0.538 1.267 2.343 F(yi) i/n 1)/n 0.0114 0.1 0.1838 0.2 0.2359 0.3 0.4693 0.4 0.6901 0.5 0.0 0.1 0.2 0.3 0.4 0.0886 0.0162 0.0641 -0.0693 -0.19801 i/n - F(yi) 1)/n 0.0114 0.0838 0.0359 0.1693 0.2901 F(yi) (i

Apuntes Generales

- 45 -

Simulacin

Mircoles 12122012

6 7 8 9 10

2.563 3.334 3.491 5.088 5.587

0.7224 0.6 0.8112 0.7 0.8254 0.8 0.9214 0.9 0.9388 0.10

0.5 0.6 0.7 0.8 0.9

-0.1224 -0.1112 -0.0254 -0.0214 0.0612

0.2224 0.2112 0.1254 0.1214 0.0388

D+ es el valor mximo en la columna 6 y D- el mximo en la columna 7. Entonces D + = 0.0886 y D = 0.2901, lo cual da D = 0.2901. Para determinar el valor crtico a partir de la tabla K - S, se necesita calcular

En el nivel de significacin alfa = 0.05, el valor de D calculado es menor que el valor del valor de D modificado. Por lo tanto, no se rechaza la hiptesis nula. Ms adelante, aplicaremos esta

prueba de K S, sin la modificacin de Stephens.

Apuntes Generales

- 46 -

Simulacin

Mircoles 12122012

UNIDAD IV LENGUAJES DE SIMULACIN

LENGUAJE DE SIMULACIN DE PROPSITO ESPECFICO

Los lenguajes de simulacin facilitan enormemente el desarrollo y ejecucin de simulaciones de sistemas complejos del mundo real. El lenguaje de simulacin de propsito especfico es un paquete de computadora que permite realizar la simulacin para un ambiente especfico, no requiriendo esfuerzo en programacin, es decir, produce un cdigo mas legible, modificable y menos largo.

Estos lenguajes permiten una orientacin

basada en procesos o

basados en eventos. Los eventos son los instantes de tiempo en los cuales un cambio en el sistema ocurre y coincide con el inicio o terminacin de las actividades y la orientacin basada en procesos es desarrollada desde el punto de vista de las

entidades(transacciones) que fluyen en el sistema.

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 redaccin significativa del esfuerzo requerido para programar el modelo. 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.

Apuntes Generales

- 47 -

Simulacin

Mircoles 12122012

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 interfaz grfica Restringidos a las reas de manufactura y comunicaciones Flexibilidad restringida puede afectar la validez del modelo

ALGUNOS TIPOS DE LENGUAJES DE SIMULACIN ESPECIFICOS

Simulacin SIMAN En Ingles SIMAN significa Anlisis, modelacin y simulacin

(Simulation Modeling and Anlisis). Este lenguaje fue desarrollado por C. Dennos Pedgen, Systems Modeling Corp.,Sewickley, PA. EUA.

Simulador SIMSCRIPT II.5 El SIMSCRIPT II.5 de la compaa de productos CACI, es un lenguaje que permite modelar y que puede ser orientado a eventos o

orientado a procesos.

Simulador SLAM II SLAM II (simulacin lenguaje For Alternative Modeling) es un

lenguaje de simulacin por el cual se pueden construir modelos con orientacin al proceso o al evento.

Apuntes Generales

- 48 -

Simulacin

Mircoles 12122012

VENTAJAS DE LENGUAJES ESPECFICOS:

Programas ms cortos:

Estn preparados para llevar la contabilidad de los distintos parmetros.

Tienen

mdulos

para

generar

nmeros

aleatorios

de

las

distintas distribuciones,

reloj, etc.

Al tener menos lneas de cdigo:

Es ms fcil detectar posibles errores.- Se de programacin.

reduce el tiempo

Es

ms

fcil

cambiarlo

si

queremos

introducir

alguna

variacin. Existen una serie de errores tpicos que suelen ser

identificados y chequeados de forma automtica accesibles. Integra funciones como generacin de nmeros aleatorios,

anlisis estadstico y grficas. Tienen una alta fiabilidad que conduce a una validacin de resultados sencilla y rpida.

Desventajas/Inconvenientes de lenguajes especficos:

Son

menos

flexibles,

su

sintaxis

tiende

ser

menos

natural. Las ejecuciones son ms lentas. Son menos conocidos por analistas y programadores, y los compiladores son menos accesibles.

Es necesario invertir en la adquisicin del software.

Apuntes Generales

- 4

Simulacin

Mircoles 12122012

LENGUAJE DE SIMULACIN SIMAN

Versin original (Simulation and Analysis) desarrollada por Dennis Pegden, en la Universidad de Alabama. Cuando era lder del grupo de desarrollo de la versin original de SLAM (basada en los

software de GASP y Q~GER-r de Pristker and Associates). Ms tarde, Pegden Inicia su trabajo en el Pennissylvania State University donde lo disea como un lenguaje de modelamiento para propsitos generales. Desde su implementacin inicial en 1994, ha sido

continuamente refinado por System Modeling Corporation , y en 1998 y 1989 el lenguaje fue completamente rediseado dando origen a SIMAN/Cinema.

El ambiente de modelamiento en SIMAN se desarrolla entre:

El

Modeling,

se

describen sistema y

los sus

componentes

del

interacciones.

El Experiment, donde se definen las condiciones del experimento (longitud de la corrida,

condiciones iniciales).

SIMAN modela un sistema discreto usando la orientacin al proceso; es decir, en un modelo de sistema particular, se estudian las entidades que se mueven a travs del sistema. Una entidad para SIMAN es un cliente. Un objeto que se mueve en la simulacin y que posee caractersticas nicas conocidas como atributos.

Apuntes Generales

- 50 -

Simulacin

Mircoles 12122012

Aprendizaje y uso de lenguaje de simulacin o un simulador

PROGRAMA GENERADOR DE NUMEROS ALEATORIOS

Apuntes Generales

- 51 -

Simulacin

Mircoles 12122012

Apuntes Generales

- 52 -

Simulacin

Mircoles 12122012

Apuntes Generales

- 53 -

Simulacin

Mircoles 12122012

Apuntes Generales

- 54 -

Simulacin

Mircoles 12122012

VALIDACIN DE UN SIMULADOR

travs

de

esta del

etapa

es

valorar y el

las

diferencias real que

entre se

el

funcionamiento

simulador

sistema

est

tratando de simular.3 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.

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

simulacin.

Experimentacin. La experimentacin con el modelo se realiza despus que este haya sido validado. La experimentacin

consiste en generar los datos deseados y en realizar un anlisis de sensibilidad de los ndices requeridos.

Interpretacin. En esta etapa del estudio, 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 ayuda a soportar decisiones del tipo semi-estructurado.

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.

Apuntes Generales

- 55 -

Simulacin

Mircoles 12122012

UNIDAD V PROYECTO INTEGRADOR PROGRAMA MTODO MONTE CARLO EN C++

// Este programa calculara valores aleatorios segun las veces que . #include<iostream> #include<iomanip> #include<cmath>

using namespace std; double aleatoria (double, double, long int, long int); int main() { long int acertados = 0, lanzados = 1 ; double x = 0 , y = 0; cout<<"Este progrma estima el valor de Pi usando el metodo de Monte Carlo.\n"; //Ejecuta el programa hasta que el usuario escriba 0 while(lanzados!=0) { cout<<"\nEntra el numero de dardos que quieres lanzar(0 para terminar): "; cin>>lanzados; //si el valor es diferente de 0 continua if (lanzados!=0) { //resetear el valor de acertados para realizar otro problema acertados = 0; aleatoria(x, y, lanzados, acertados);

//Para estimar el valor de pi //Multiplicamos el numero de acertados por 4 y lo dividimos //por el numero de lanzados. double Pi = acertados / lanzados; cout<<"Para "<<lanzados<<" lanzados "; cout<<"El valor aproximado de Pi es "<<4 * Pi<<"\n"; } //end if (lanzados!=0) }//end while lanzados != 0 return 0; } double aleatoria (double x, double y, long lanzados, long acertados) {

Apuntes Generales

- 56 -

Simulacin

Mircoles 12122012

for (int j = 0; j < lanzados; j++) { //Genera un valor a la Random para x & y entre 1 y 0 //con una precision tipo double x *= pow(10.0, 2); y *= pow(10.0, 2); int range = static_cast<int>(y - x) + 1; static_cast<double>(static_cast<int>(x) + rand() % range) ; //Si x & y estan dentro de un circulo (x^2+y^2 <= 1) //Entonces aumenta el hit if (x * x + y * y <= 1) acertados = acertados ++; return acertados; } }

APLICACIN DE SIMULACIN MONTE CARLO EN UN SISTEMA DE INVENTARIOS DINMICO

Objetivo del trabajo

El objetivo de este trabajo es: Demostrar cmo la tcnica de simulacin toma de Monte Carlo en computadora en un digital coadyuva a una sistema dinmico de

decisiones

adecuada

inventarios.

Metodologa

El personal

mtodo donde

que los

se

sigui

fue,

primero, sus

una

entrevista

dueos

expresaron

opiniones respecto

del problema sentido y sus experiencias, segn su memoria, sin recurrir a la revisin de documentacin. Despus anlisis, sobre la base de de un primer

la informacin proporcionada, y

ante resultados adversos, se procedi a revisar una muestra de sus registros; con estos datos se determin nuevamente la demanda semanal y el nmero de semanas desde que se coloca el pedido hasta que se entregan los juegos de amortiguadores en la

Apuntes Generales

- 57 -

Simulacin

Mircoles 12122012

Refaccionaria. Por ltimo, se propusieron valores para el punto de pedido y la cantidad pedida con el propsito de observar la

variacin en el comportamiento del sistema de inventario. En cada uno de las simulaciones se realizaron corridas que comprenden diez aos de operacin, es decir, 520 semanas simuladas, y se

obtuvieron las estadsticas correspondientes.

Marco conceptual

La simulacin en computadora es una tcnica cuya aplicacin tiene como fin obtener conocimiento nuevo o resolver problemas de decisin imitando la operacin o comportamiento sistema, realidad, que se est proponiendo o que dinmico existe de en un la

mediante la construccin de un dispositivo experimental

numrico o un modelo matemtico y/o lgico, donde se sustituyen las propiedades esenciales de aquellos por expresiones

matemticas o lgicas, para luego representar su conducta en una computadora a travs de la dimensin tiempo.

La simulacin actualmente es una tcnica relevante de la Investigacin desarrollo de Operaciones, que se debido ha dado principalmente en el mbito al de gran las

tecnolgico

computadoras en los ltimos sesenta aos. En los procedimientos cuantitativos ampliamente el de la Investigacin de Operaciones se utiliza ordenador electrnico por la flexibilidad con que

pueden representarse los modelos matemticos y/o lgicos, ms la gran capacidad que de procesamiento. tiene de almacenar datos y su rapidez

Cuando se quiere conocer, mejorar o cambiar el funcionamiento de un sistema, la mejor manera de hacerlo es observndolo y luego simulndolo en un procesador electrnico de datos. La observacin permite analizar al sistema en su estado actual y recopilar datos, generalmente proporciona en un intervalo importante de acerca tiempo de la dado. operacin Esto del

informacin

Apuntes Generales

- 58 -

Simulacin

Mircoles 12122012

proceso o comportamiento del sistema bajo estudio. Despus, se puede representar como un conjunto de relaciones matemticas

y lgicas entre los elementos y subconjuntos que lo conforman con el fin de simular su comportamiento; esto es, para imitar al sistema es necesario contar con un modelo de simulacin. Este modelo posteriormente es traducido a lenguaje de computadora,

construido en un paquete de simulacin o representado en una hoja de clculo electrnica para ser ejecutado en un ordenador

electrnico, donde se simular el desempeo real del sistema a travs del tiempo.

La simulacin de un sistema en computadora se considera como un experimento de tipo estadstico o de muestreo cuyos

resultados adecuadas.

deben La

analizarse de la

mediante simulacin

pruebas no es

estadsticas mtodo de

tcnica

un

optimizacin, su aplicacin implica realizar estudios donde se hace la pregunta: Qu sucedera si...? En particular, la tcnica de la simulacin se emplea ampliamente todo tipo de en la administracin de organizacin para estudiar o analizar sistemas

donde no se pueden usar mtodos analticos que permitan determinar con exactitud soluciones ptimas. Es decir, apoyndose en esta tcnica y haciendo uso de ordenadores electrnicos se puede imitar la operacin de sistemas para proporcionar, a quien es responsable de tomar decisiones, de alternativas de solucin, no ptimas, para los problemas que se generan en dichos sistemas.

El

procesador de

electrnico alta velocidad

de y

datos, gran

dada capacidad

sus de

caractersticas

memoria, como ya se mencion, puede simular la operacin de un sistema por mucho tiempo, inclusive por varios aos, en tan slo algunos minutos. Al registrar el desempeo de la operacin

simulada de un sistema se podrn considerar varios tipos de diseo del sistema o cursos de operacin de un proceso perteneciente al sistema, que permitirn evaluar varias alternativas antes de

decidirse por una de ellas.

Apuntes Generales

- 5

Simulacin

Mircoles 12122012

Las ventajas de la simulacin son: su aplicacin directa, que no afecta al sistema en su operacin; menor costo que la

sustitucin del sistema real por un nuevo diseo propuesto; ms fcil de aplicar que los mtodos analticos y; una vez construido el modelo de simulacin, ste se puede ejecutar en una computadora cuantas veces se desee para analizar diferentes valores de los parmetros, diversas polticas propuestas o algunos nuevos diseos del sistema. Al realizar la simulacin mediante un ordenador electrnico, los valores de inicio son de tipo controlado y los proporciona problema mientras mediante o generalmente quien los toma quien las est interesado para en resolver el

decisiones de tipo

que

se

solucione; se generan de una

que algn

valores

probabilstico El proceso

proceso

aleatorio.

general

corrida de simulacin en computadora se muestra en la grfica #1.

Apuntes Generales

- 60 -

Simulacin

Mircoles 12122012

RESULTADOS

En el momento de la entrevista, los dueos expresan que su proveedor no les surte adecuadamente. Segn su opinin, la cantidad que se vende de juegos de amortiguadores para este tipo de auto por semana, es la que se expresa en el cuadro #1.

Respecto al tiempo que transcurre entre la colocacin de un pedido y la entrega de la mercanca por parte del proveedor,

estiman que flucta entre dos y cinco semanas, como se puede observar en el siguiente cuadro:

Apuntes Generales

- 61 -

Simulacin

Mircoles 12122012

Se

determinan

los

intervalos

de

nmeros

aleatorios

para

simular la cantidad

demandada de juegos de amortiguadores para

autos Chevy de la marca Chevrolet y, en el cuadro, se especifican los intervalos de nmeros aleatorios para simular el nmero de semanas de entrega de los juegos de amortiguadores por parte del

Apuntes Generales

- 62 -

Simulacin

Mircoles 12122012

Para

llevar

cabo

la

primera

simulacin

en

computadora se ha considerado el punto de pedido (R = 5), la cantidad por pedido (Q = 10) y la existencia en inventario (II = 15) de juegos de amortiguadores. En el cuadro se puede observar

una muestra de los resultados inciales y finales de la primera simulacin en computadora, realizada con datos la apreciacin subjetiva de los dueos, del inventario semanal de juegos aos. completos recolectados segn comportamiento del

de amortiguadores para

autos Chevy durante diez

Despus de un nmero suficientemente grande de intentos se dedujo que la apreciacin que tenan los dueos en la entrega del producto por parte del proveedor en el momento en que la

proporcionaron era probablemente errnea. Un nuevo acercamiento con ellos condujo a la posibilidad de recabar datos registros de la Refaccionaria. de los

Apuntes Generales

- 63 -

Simulacin

Mircoles 12122012

El comportamiento que se detect de la juegos de amortiguadores vara con dueos.

demanda semanal de

respecto a la opinin de los

Apuntes Generales

- 64 -

Simulacin

Mircoles 12122012

Con

la

informacin

sustrada

de

los

registros

de

la

Refaccionaria se procedi entonces a elaborar nuevos intervalos de nmeros aleatorios y realizar nuevas corridas de simulacin de diez aos (520 semanas). Los resultados se pueden ver en el cuadro #9 a continuacin.

Apuntes Generales

- 65 -

Simulacin

Mircoles 12122012

Con modific

el la

fin

de

ver

si

se

poda de

mejorar juegos

la

situacin

se

cantidad a

pedida

(Q)

de amortiguadores

disminuyndola

siete

juegos, manteniendo sin variar el punto

de pedido (R =5) y el inventario inicial (II = 15). El resultado de la simulacin, tambin de 520 semanas, es el que se expone en el cuadro a continuacin.

Apuntes Generales

- 66 -

Simulacin

Mircoles 12122012

Para continuar con ensayos se determin reducir el punto de pedido R a cuatro unidades, manteniendo la cantidad pedida Q en siete juegos y el inventario a inicio de semana II en 15.

Se muestran los resultados de la simulacin de 520 semanas con estos datos. En trminos absolutos los valores promedio son los mismos que los de la simulacin anterior: cinco juegos de inventario inicial, tres juegos de demanda y un juego de prdida por semana.

La variabilidad es prcticamente la misma, de acuerdo a los valores de la que la moda desviacin estndar. Lo relevante en este cuadro es

disminuye de diez unidades a cero.

Apuntes Generales

- 67 -

Simulacin

Mircoles 12122012

CONCLUSIONES

La tcnica de Simulacin Monte Carlo, realizada en hoja de clculo Excel de una que computadora se digital, en coadyuva a la toma de

decisiones

requieren

sistemas dinmicos.

El mtodo de simulacin Monte Carlo en hoja de clculo Excel permite corregir la apreciacin subjetiva de un evento cuando no es la adecuada por parte de quienes toman decisiones, pues el juicio o memoria de las personas no siempre es correcto. En este caso, la abstraccin mental de la demanda semanal y las semanas de entrega de los juegos para autos Chevy, de amortiguadores

marca Chevrolet, por los dueos de la se distorsion por

Refaccionaria Almaraz posiblemente alguna De experiencia reciente. con las

acuerdo

simulaciones

realizadas

se

recomienda disminuir el punto de pedido R a cuatro y la cantidad pedida Q a siete juegos completos de

amortiguadores.

Se propone llevar a cabo un estudio ms minucioso que abarque los costos del inventario de juegos completos de

amortiguadores para esta clase de autos.

Apuntes Generales

- 68 -

Simulacin

Mircoles 12122012

REFERENCIAS Y BIBLIOGRAFA

Banks, J. [1994),Software for simulation, en 1994 winter Simulation S.Manivannan, Conference D.A. Proceedings, A.F. ed. J.D. Tew, for

Sadowski,

Seila,

Association

computing Machinery, New York, NY, pag. 26-33. http://es.wikipedia.org/wiki/Simulaci%C3%B3n http://www.google.com.mx/imgres?um=1&hl=es&tbo=d&rlz=1C1SFXN_ enMX500MX500&biw=1366&bih=624&tbm=isch&tbnid=9jsBs5FTXSA6M:&imgrefurl=http://simulacionupolijosy.wordpress.com/page/2/ &docid=VzkljyRH4Bm36M&imgurl=http://simulacionupolijosy.files .wordpress.com/2011/03/simulacion.gif&w=600&h=432&ei=eTTKUKOe LIf62AXdwIGIAQ&zoom=1&iact=hc&vpx=372&vpy=120&dur=3916&hovh=1 90&hovw=265&tx=137&ty=72&sig=109249713460006535469&page=1&tbn h=122&tbnw=170&start=0&ndsp=23&ved=1t:429,r:2,s:0,i:83 https://www.google.com.mx/search?q=METODO+MONTE+CARLO&rlz=1C1 SFXN_enMX500MX500&sugexp=chrome,mod%3D7&um=1&ie=UTF8&hl=es&tbm=isch&source=og&sa=N&tab=wi&ei=sDHKULCMGrCA2AWR2oH QAQ&biw=1366&bih=624&sei=sjHKUNqMM8eY2AX8woHgDw https://www.google.com.mx/search?q=CURSOS+PRACTICOS+DE+SIMULA CION&rlz=1C1SFXN_enMX500MX500&oq=CURSOS+PRACTICOS+DE+SIMULACI ON&sugexp=chrome,mod=7&sourceid=chrome&ie=UTF-8 http://simulacionitca.blogspot.mx/2012/04/lenguaje-de-loslenguajes-de-facilitan.html https://www.google.com.mx/search?q=TIPOS+DE+LENGUAJE+DE+SIMUL ACION&rlz=1C1SFXN_enMX500MX500&oq=TIPOS+DE+LENGUAJE+DE+SIMULA CION&sugexp=chrome,mod=7&sourceid=chrome&ie=UTF-8 https://www.google.com.mx/search?q=prueba+de+la+bondad+del+aj uste&rlz=1C1SFXN_enMX500MX500&aq=0&oq=PRUEBA+DE+LA+BON&sugexp =chrome,mod=7&sourceid=chrome&ie=UTF-8 https://www.google.com.mx/search?q=LENGUAJE+DE+SIMULACION&rlz =1C1SFXN_enMX500MX500&sugexp=chrome,mod%3D7&um=1&ie=UTF8&hl=es&tbm=isch&source=og&sa=N&tab=wi&ei=0CzKUI8YpfDaBem4gdg O&biw=1366&bih=624&sei=0izKUKbHDOWi2wWR9YDoBA

Apuntes Generales

- 6

Simulacin

Mircoles 12122012

http://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo https://www.google.com.mx/search?q=METODO+DE+MONTE+CARLO&rlz= 1C1SFXN_enMX500MX500&oq=METODO+DE+MONTE+CARLO&sugexp=chrome,m od=7&sourceid=chrome&ie=UTF8#hl=es&tbo=d&rlz=1C1SFXN_enMX500MX500&spell=1&q=METODO+DE+MO NTECARLO&sa=X&ei=-SvKUPiLATB2QWqx4DwDg&ved=0CC0QBSgA&bav=on.2,or.r_gc.r_pw.r_cp.r_qf.&b vm=bv.1355272958,d.b2I&fp=b92b2a6542dd0cc6&bpcl=39942515&biw= 1366&bih=624

http://www.facmed.unam.mx/deptos/salud/censenanza/planunico/s pii/antologia2012/3.pdf

http://148.204.211.134/polilibros/portal/Polilibros/P_termina dos/SimSist/doc/SIMULACI-N-128.htm

https://www.google.com.mx/search?q=PRUEBAS+DE+BONDAD+DE+AJUST E&rlz=1C1SFXN_enMX500MX500&oq=PRUEBAS+DE+BONDAD+DE+AJUSTE&sug exp=chrome,mod=7&sourceid=chrome&ie=UTF-8

Apuntes Generales

- 70 -