UNIDAD 1.

INTRODUCCIÓN A LA SIMULACION
1.1 DEFINICIONES E IMPORTANCIA DE
LA SIMULACIÓN

Introducción a la simulación en la ingeniería

Con la llegada de las computadoras una de las mas importantes herramientas para
analizar el diseño y operación de sistemas o procesos complejos es la simulación.

Aunque la construcción de modelos arranca desde el renacimiento, el uso moderno de la

palabra simulación data de 1940, cuando los científicos Von Neuman y Ulam que
trabajaban en el proyecto Monte Carlos, durante la segunda guerra mundial, resolvieron
problemas de reacciones nucleares cuya solución experimental seria muy cara y
el análisis matemático demasiado complicado.

Simulación es una técnica numérica para conducir experimentos en una

computadora digital. Estos experimentos comprenden ciertos tipos de relaciones
matemáticas y lógicas, las cuales son necesarias para describir el comportamiento
y la estructura de sistemas complejos del mundo real a través de largos periodos
de tiempo.

Importancia de la simulación en la Ingeniería.

• A través de un estudio de simulación, se puede estudiar el efecto de cambios

internos y externos del sistema, al hacer alteraciones en el modelo del sistema y
observando los efectos de esas alteraciones en el comportamiento del sistema.

• Una observación detallada del sistema que se está simulando puede conducir a
un mejor entendimiento del sistema y por consiguiente a sugerir estrategias que
mejoren la operación.

• La simulación de sistemas complejos puede ayudar a entender mejor la

operación del sistema, a detectar las variables más importantes que interactúan en
el sistema y a entender mejor las interrelaciones entre estas variables.

• La técnica de simulación puede ser utilizada para experimentar con nuevas

situaciones, sobre las cuales tiene poca o ninguna información. A través de esta
experimentación se puede anticipar mejor a posibles resultados no previstos.

• Cuando nuevos elementos son introducidos en un sistema, la simulación puede

ser usada para anticipar cuellos de botella o algún otro problema que puede surgir
en el comportamiento del sistema.

Aplicaciones de la Simulación

Las áreas de aplicación de la simulación son muy amplias, numerosas y diversas,

basta mencionar sólo algunas de ellas: Análisis del impacto ambiental causado por
diversas fuentes Análisis y diseño de sistemas de manufactura. Análisis y diseño
de sistemas de comunicaciones. Análisis de grandes equipos de cómputo. Análisis
de un departamento dentro de una fábrica. Adiestramiento de operadores. Análisis
financiero de sistemas económicos. Evaluación de sistemas tácticos o de defensa
militar.

1.2 CONCEPTOS BÁSICOS DE LA SIMULACIÓN

¿Qué es simulación?

Aunque la mayoría de la gente tiene una ligera idea de lo que es la simulación, existe
mucha confusión de términos y conceptos que se aclararán en esta etapa. Por ejemplo,
podemos pensar en los juegos de niños donde actúan como si fuesen vaqueros
(cowboys) en un pueblo del Oeste Americano de hace un siglo. Pero esta intuición a
menudo no se corresponde con la definición formal de simulación. Lo que usualmente sí
se tiene claro es que cada vez resulta más importante en el mundo de la ciencia y la
tecnología, la economía, las ciencias sociales, etc.

El Modelo

Mientras que en simulación fuera del ordenador se requiere montar una réplica física de lo
que se quiere estudiar, lo que se conoce por maqueta, en simulaciones por ordenador es
necesario definir un modelo a partir de reglas matemáticas y/o lógicas.
Un modelo de simulación adquiere importancia y significado en virtud de su similitud con
un fenómeno de interés determinado. La similitud del modelo respecto al fenómeno de
origen se clasifica en los siguientes tipos:

Similitud Física: este es el tipo de similitud que más se asocia cuando se habla de
simulación en general y concretamente en realidad virtual aplicada a la simulación,
aunque no por esto es más importante que los otros tipos. Este tipo comprende diversas
componentes de similitud que pueden ser o no importantes en cada caso: visual, sonora,
mecánica, química, táctil, etc.
Similitud Probabilística: este tipo proviene del comportamiento del fenómeno de origen.
La disciplina de la estadística conocida por análisis de probabilidad se encarga de
estudiar la probabilidad con que un fenómeno tiende a manifestarse. Por lo tanto,
la similitud probabilística hace referencia a las propiedades funcionales del fenómeno de
estudio.

Similitud Conceptual: esta similitud hace referencia a las estructuras internas del
fenómeno de estudio y a como están organizadas. Por esta razón, se pueden definir la
siguientes propiedades de la similitud conceptual: asociativa, por analogía, estructural,
etc.

La simulación, por lo general, intenta responder la pregunta:

 Que se puede aplicar cuando no es práctico experimentar con el sistema real en

su entorno natural, ya sea por cuestiones de seguridad, de tamaño, de tiempo, etc.
 Que la simulación es el único medio que permite investigar las características de
diseño de un sistema determinado, es decir, que permite descomponerlo y analizarlo por
partes. Por lo tanto fuerza la especificación detallada del sistema y en consecuencia del
problema.
 Que se puede aplicar cuando no existen técnicas matemáticas o analíticas para el
problema tratado. Debido a esto se experimentan nuevas técnicas, algoritmos, etc.
 Que se puede aplicar cuando se ha de evaluar un sistema utilizando medidas
estadísticas.
 Que se puede aplicar cuando es necesario simular un período de tiempo muy
largo de forma comprimida, o viceversa.
 Que permite detectar problemas no previstos debido al análisis que se realiza del
funcionamiento del modelo.

Existen diversas clasificaciones de modelos según el enfoque deseado:

Clasificación Formal de modelos (WHICKER, SIGELMAN, 1991):

Modelos Físicos: Son aquellos que pretenden ser una réplica física del sistema estudiado.
Por ejemplo: un túnel de viento, el cual puede ser construido tanto físicamente como
mediante una aplicación de realidad virtual. En los dos casos, son un modelo de un
mismo fenómeno de estudio; concretamente la dinámica de fluidos del aire.

Modelos Esquemáticos: Son aquellos que presentan ciertas características del sistema.
Por ejemplo: el plano de un edificio, donde se está perdiendo cierta información
volumétrica, de materiales, etc., pero en cambio nos aporta una información de
organización espacial.

Modelos Simbólicos: Son aquellos que codifican mediante algún lenguaje matemático o
informático las características del sistema. Por ejemplo, unas fórmulas de comportamiento
económico, donde el fenómeno de origen no tiene unas propiedades físicas, sino que es
fruto de una organización social.

1.3 METODOLOGÍA DE LA SIMULACIÓN

 DEFINICIÓN DEL SISTEMA
 FORMULACIÓN DEL MODELO
 COLECCIÓN DE DATOS
 IMPLEMENTACIÓN DEL MODELO CON LA COMPUTADORA
 VALIDACIÓN
 LA OPINIÓN DE EXPERTOS SOBRE LOS RESULTADOS DE
LA SIMULACIÓN.
 LA EXACTITUD CON QUE SE PREDICEN DATOS HISTÓRICOS.
 LA EXACTITUD EN LA PREDICCIÓN DEL FUTURO.
 LA COMPROBACIÓN DE FALLA DEL MODELO DE SIMULACIÓN AL
UTILIZAR DATOS QUE HACEN FALLAR AL SISTEMA REAL.
 LA ACEPTACIÓN Y CONFIANZA EN EL MODELO DE LA PERSONA
QUE HARÁ USO DE LOS RESULTADOS QUE ARROJE EL EXPERIMENTO
DE SIMULACIÓN.
 EXPERIMENTACIÓN
 INTERPRETACIÓN
 DOCUMENTACIÓN
1.4 MODELOS Y CONTROL

Los objetivos que se persiguen al estudiar uno o varios fenómenos en función de

un sistema son aprender cómo cambian los estados, predecir el cambio y
controlarlo, todo sistema consta de 3 características; Tienen fronteras, existe
dentro de un medio ambiente y tiene subsistemas, el medio ambiente es el
conjunto de circunstancias dentro de las cuales esta una situación problemática,
mientras que las fronteras distinguen las entidades dentro de un sistema de las
entidades que constituyen su medio ambiente.
1.5 ESTRUCTURA Y ETAPAS DEL ESTUDIO DE LA

SIMULACIÓN

Tipos de simulaciones
En este punto, en que ya se ha definido lo que se entiende por modelo y por simulación,
se pasará a ver qué tipos generales de simulación se definen habitualmente:

Persona - Persona: Simulaciones de tipo social en las que se estudian las reacciones de
personas o colectivos. Por ejemplo: entrenamiento de entrevistas de trabajo. Se sitúa a
dos personas en los papeles de entrevistador y entrevistado y después de actuar durante
un período de tiempo, se intercambian los papeles para poder entender los procesos
inversos.

Tipos de simulaciones por ordenador

Tal y como se ha expuesto ya, las simulaciones por ordenador son simulaciones en las
que no interviene la interacción de una persona. Así pues, estos procesos en los que se
definen unos datos iniciales (el estado inicial) y a partir de unos algoritmos se les hace
evolucionar durante un tiempo determinado, se pueden clasificar en tres tipos principales
(MCHANEY, 1991):

Tipo Monte Carlo: En estas, en realidad no interviene el tiempo y se basan en la

aleatoriedad y la probabilidad.

Simulaciones Continuas: Sistemas modelados por ecuaciones diferenciales o

algebraicas que dependen del paso del tiempo de forma continua.

Por Eventos discretos: Se caracterizan por el paso de bloques de tiempo en los que se
considera que “no pasa nada” y donde se puntúan eventos que cambian el estado del
sistema. Sobre todo se basan en teoría de colas.

Para tener una definición exacta del sistema que se desea simular, es necesario hacer
primeramente un análisis preliminar de este, con el fin de determinar la interacción con
otros sistemas, las restricciones del sistema, las variables que interactuan 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 esperan obtener del estudio.
Una vez definidos con exactitud los resultados que se esperan obtener del estudio, se
define y construye el modelo con el cual se obtendrán los resultados deseados. En
la formulación del modelo es necesario definir todas las variables que forman parte de el,
sus relaciones lógicas y los diagramas de flujo que describan en forma completa el
modelo.

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

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

A través de esta etapa es posible detallar deficiencias en la formulación del modelo o en

los datos alimentados al modelo. Las formas mas comunes de validar un modelo son:

Se realiza después de que el modelo haya sido validado, consiste en generar los datos
deseados y en realizar un análisis de sensibilidad de los indices requeridos.

Se interpretan los resultados que arroja la simulación y con base a esto se toma
una decisión Es obvio que los resultados que se obtienen de un estudio
de simulación ayuda a soportar decisiones del tipo semi-estructurado.

Dos tipos de documentación son requeridos para hacer un mejor uso del modelo
de simulación La primera se refiere a la documentación del tipo técnico y la segunda se
refiere al manual del usuario, con el cual se facilita la interacción y el uso del modelo
desarrollado.
El concepto de sistema en general está sustentado sobre el hecho de que ningún
sistema puede existir aislado completamente y siempre tendrá factores externos
que lo rodean y pueden afectarlo.
Conceptos Básicos de Sistemas

Entidad: "Una entidad es algo que tiene realidad física u objetiva y distinción de
ser o de carácter".
Las entidades tienen ciertas propiedades que los distinguen a unas de otras.
Relación:"Relación es la manera en la cual dos o más entidades dependen entre
sí". Relación es la unión que hay entre las propiedades de una o más entidades;
por consiguiente, el cambio en alguna propiedad de una entidad ocasiona un
cambio en una propiedad de otra entidad.
Estructura: Es un conjunto de relaciones entre las entidades en la que cada
entidad tienen una posición, en relación a las otras, dentro del sistema como un
todo.
Estado: El estado de un sistema en un momento del tiempo es el conjunto de
propiedades relevantes que el sistema tiene en este momento. Cuando se habla
del estado de un sistema, entiende los valores de los atributos de sus entidades.
Analizar un sistema supone estudiar sus cambios de estado conforme transcurre
el tiempo.

Moderación de sistemas

Puede ser una representación formal de la teoría o una explicación formal de la

observación empírica, a menudo es una combinación de ambas. Los propósitos de
usar un modelo son los siguientes:
Hace posible que un investigador organice sus conocimientos teóricos y sus
observaciones empíricas sobre un sistema y deduzca las consecuencias lógicas
de esta organización.

Al analizar un sistema podemos observar, que al cambiar un aspecto del mismo,

se producen cambios o alteraciones en otros. Es en estos casos en los que la
simulación, representa una buena alternativa para analizar el diseño y operación
de complejos procesos o sistemas.

Describir el comportamiento de sistemas.

Hipótesis que expliquen el comportamiento de situaciones problemáticas.
Predecir un comportamiento futuro, es decir, los efectos que se producirán
mediante cambios en el sistema o en su método de operación.

Un modelo se utiliza como ayuda para el pensamiento al organizar y clasificar

conceptos confusos e inconsistentes. Al realizar un análisis de sistemas, se crea
un modelo del sistema que muestre las entidades, las interrelaciones, etc. La
adecuada construcción de un modelo ayuda a organizar, evaluar y examinar la
validez de pensamientos.

FORMULACIÓN DEL MODELO: Una vez que están definidos con exactitud los resultados
que se desean obtener del estudio el siguiente paso es definir y construir el modelo con el
cual se obtendrán los resultados deseados. Aquí es necesario definir las variables que
forman parte del modelo, sus relaciones lógicas y los diagramas de flujo que describan en
forma completa al modelo.
COLECCIÓN DE DATOS: Es posible que la facilidad de obtención de algunos datos o la
dificultad de conseguir otros, pueda influenciar el desarrollo y formulación del modelo. Por
ello es importante que se defina con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados.
IMPLEMENTACIÓN DEL MODELO EN LA COMPUTADORA: Aquí se define cual es el
lenguaje que se va a utilizar algunos de estos pueden ser de propósito general como:
Visual basic, Java, Delphi o se pueden usar unos paquetes como: GBSS, SIMULA,
PROMODEL.
VALIDACIÓN: A través de esta etapa es posible detallar definiciones en la formulación del
modelo o en los datos alimentados al modelo. Las formas más comunes de validar un
modelo son:
a)Opinión de expertos b)La exactitud con la que se predicen los datos C)Exactitud de la
predicción del futuro d)Comprobación de la falla del modelo de simulación al utilizar datos
que hacen fallar al sistema. e) Aceptación y confianza en el modelo de la persona que lo
usara.
EXPERIMENTACIÓN: La experimentación con el modelo se realizara después de que
este ha sido validado. La experimentación consiste en generar los datos deseados y en
realizar análisis de sensibilidad de los índices requeridos.
INTERPRETACIÓN: A que se interpretan los resultados que arroja la simulación y en
base a esto se toma una decisión.
DOCUMENTACIÓN: Existen dos tipos de documentación que son requeridos para hacer
un mejor uso del modelo de simulación.
Documentación Técnica: Es la documentación que con el departamento de procesamiento
de datos debe tener del modelo. Manual del Usuario: Es la documentación que facilita la
interpretación y el uso del modelo desarrollado a través de una terminal de computadora.
1.6 ETAPAS DE UN PROYECTO DE SIMULACIÓN
FORMULACIÓN DEL PROBLEMA.

Otro importante aspecto abordado en la investigación es la identificación y estudio de las

técnicas de integración para la formulación de las tareas docentes. Sin pretender
profundizar en las complejidades que encierra una investigación pedagógica sobre el
tema, a continuación se describen muy brevemente algunas técnicas utilizadas para la
formulación de problemas químicos de integración estructural, que son los más
importantes:

1.-Modelación. Fijado el objetivo que se persigue en la creación de un problema,

inmediatamente se activan los componentes intelectuales básicos: sensaciones,
percepciones, memoria, pensamiento e imaginación. Con ellos se comienzan a dibujar en
el cerebro nuevas ideas en forma de imágenes, con la necesidad de ser exteriorizadas
mediante la construcción de modelos gráficos, es por ello que los elementos estructurales
del problema son plasmados en el papel antes de su redacción en el formato final.

2.-Tanteo-error. Consiste en un proceso continuo de adecuación y ajuste por búsqueda y

prueba de los datos y/o las incógnitas según las condiciones del problema, hasta
encontrar las más adecuadas. La búsqueda puede ser de tipo inteligente o arbitrario, y en
ocasiones es utilizada para modificar las condiciones y con ella reordenar los elementos
estructurales. Se evidencia su utilización en el gran número de operaciones de cálculo
que son realizadas, así como en tachaduras y borrones que generalmente aparecen
sobre el papel del formulador.

3.Asociación por analogía. En esta técnica se hace uso de la reproducción en una primera
fase. Consiste en establecer nuevos nexos entre datos e incógnitas siguiendo formatos y
textos guardados en la memoria para obtener otras por medio de la innovación. 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, sí constituye una nueva tarea.

4.-Integración por inclusión. Es una técnica muy sencilla, cuyo procedimiento es asequible
a cualesquier sujeto. Consiste en elaborarla de forma tal que las incógnitas de los
diferentes incisos mantengan una dependencia sucesiva en forma de cadena, como el
ejemplo de la página 37, donde fueron caracterizados los sistemas semiabiertos, para
luego eliminar los iniciales y solo dejar la incógnita final.

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

procesos de innovación. Se diferencia de la analogía 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.-Fusión de tareas (o contenidos) auxiliares. Como parte de las estrategias de

integración, la fusión de tareas docentes auxiliares constituye una de las más importantes.
Es poco empleada, debido a la elevada complejidad que implica el establecimiento de
relaciones múltiples entre datos e incógnitas que proceden de ejemplos diferentes,
aunque también pueden ser integrados diversos contenidos previamente seleccionados,
que guarden una relación directa o indirecta. Consiste en fusionar dos o más contenidos
(que pueden o no proceder de otras tareas), mediante los mecanismos de la integración
externa o interna, para obtener otra con un mayor nivel de complejidad.

1.-Partir del análisis de los objetivos de los programas, siguiendo un enfoque sistémico en
su derivación gradual, desde los más generales de la enseñanza hasta la clase.

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

3.-Desarrollar una adecuada variedad, concebida la variedad no sólo en términos de

enfoque que propicien reflexión, estimulen el debate y permitan crear motivos
cognoscitivos, sino también en relación con las funciones, habilidades, niveles de
asimilación y complejidad, entre otros.

4.-Presentar la información tanto en términos positivos y familiares como con complejidad

lógico lingüística, ir desde la simple descripción del lenguaje simbólico hasta la exigencia
de complicadas transformaciones, como por ejemplo negaciones o varias premisas con
diferentes enlaces lógicos, textos complejos a interpretar o informaciones no utilizables,
entre otras.

5.-Redactar las tareas de forma tal que expresen siempre más de una función. Además
de la función cognoscitiva, incorporar situaciones nuevas, con diferentes niveles de
complejidad, tanto de la vida diaria, la orientación profesional o el cuidado del medio
ambiente, como de la actualidad político- ideológica del país.

6.-Establecer un adecuado equilibrio entre los problemas que serán formulado, dejando
un espacio a los problemas experimentales y cualitativos, que son insuficientes en los
textos de la enseñanza media.
1.7 ELEMENTOS BÁSICOS DE UN SIMULADOR DE
EVENTOS DISCRETOS.

I. Facilidad de modelamiento:

En general la simulación de eventos discretos permite modelar situaciones de alto nivel de

complejidad con funciones relativamente sencillas, de esta forma es posible construir
modelos que representen la realidad en el nivel de detalle deseado, por ejemplo el diseño
de un modelo de un centro de distribución con recibo, almacenamiento, picking de
estibas, zona de fast picking, alistamiento y despacho.

II. Estadísticas e indicadores

Dada la estructura de la simulación de eventos discretos es posible obtener todo tipo de
estadísticas e indicadores relevantes a la operación modelada, inclusive se puede obtener
información que muchas veces en los sistemas reales sería inimaginable tener, como por
ejemplo: diagramas de gantt de las piezas en proceso, utilización de los recursos
humanos, diagrama de gantt de los recursos utilizados, tiempos de ciclo de piezas en
proceso).

I. Entidades

Son los objetos que fluyen a través del sistema, podrían ser: clientes, productos, cajas,
camiones y pallets entre otros

II. Atributos

Son las diferentes características que definen a las entidades: tipo, edad, género, peso,
volumen, tiempo de inicio de un proceso.

III. Variables

Son aquellas que definen el modelo y sus estados como un conjunto: número de
entidades en proceso, número de entidades entrantes, número de entidades salientes,
costo de proceso unitario.

IV. Reloj de simulación

Variable que lleva control del tiempo virtual de simulación, no se debe confundir con el
tiempo real de ejecución, es decir mientras en mi reloj de mano pasaron 5 minutos desde
que se ejecutó la simulación, en el modelo el reloj de simulación podría haber avanzado
días, meses o inclusive años.

V. Eventos

Diferentes tipos de acontecimientos que ocurren a través de la simulación, que hacen que
el reloj de simulación avance, tales como: llegada de un paciente, daño de una máquina,
inicio de operación de un trabajador, finalización de un proceso de fabricación.

VI. Recursos
Objetos a los que se les asocia algún tipo de gasto o de consumo de los mismos para
realización de tareas de operación o transporte: operarios, montacargas, máquinas,
buffers de almacenamiento, bandas transportadoras.
UNIDAD 2. NÚMEROS PSEUDOALEATORIOS

2.1 MÉTODOS DE GENERACIÓN DE NÚMEROS ALEATORIOS

Números pseudoaleatorios y aleatorios

Los números pseudoaleatorios son una sucesión determinista de números en el intervalo

[0,1] y tiene las mismas probabilidades estadísticas que
una sucesión de números aleatorios. Los números seudoaleatorios se obtienen a partir de
una semilla de "P" números y se aplica una función "D".

Los números aleatorios generados por una computadora son predecibles y se pueden
reproducir por eso se llaman "Números Pseudoaleatorios"

La secuencia de los números generados de cumplir con la hipótesis:

* Distribución
*Independencia

Ademas son importantes los siguientes aspectos:

a) Las sub-secuencias también deben cumplir el 1 y 2.

b) Deben ser secuencias largas y sin huecos.
c) Algoritmos rápidos y que no ocupen mucha memoria.
Los números aleatorios se dividen en:

* Números aleatorios enteros: es una observación aleatoria de una distribución uniforme

discretizada en el intervalo N+1, N ... , donde por lo general n=0:1.
UNIDAD 3. GENERACIÓN DE VARIABLES ALEATORIAS

MÉTODO DE GENERACIÓN
DE NÚMEROS ALEATORIOS

MÉTODO CONGRUENCIAL MIXTO

ESTE GENERA UNA SUCESIÓN DE NÚMEROS ENTEROS ALEATORIOS EN EL CUAL

EL PROXIMO NÚMERO PSEUDOALEATORIO, ES DETERMINADO A PARTIR DEL
ÚLTIMO NÚMERO GENERADO, ES DECIR, EL NÚMERO PSEUDOALEATORIO XN+1,
ES DERIVADO A PARTIR DEL NUMERO PSEUDOALEATORIO XN. PARA EN CASO
PARTICULAR DEL GENERADOR CONGRUENCIAL MIXTO, LA RELACIÓN DE
RECURRENCIA ES LA SIGUIENTE: XN+1 = (AXN + C) MOD M, DONDE:
Xo = la semilla (Xo > 0)
A = el multiplicador (a > 0)
C = constante aditiva (c > 0)
M = modulo (m > Xo, m > 0 y m > c )

a = 5, c = 7, Xo = 4, m = 8

a = 7, c = 7, Xo = 7, m =10
a = 8, c = 16, Xo = 15, m =100

Medios al cuadrado
Este algoritmo no congruencial requiere un numero entero denotador (llamado semilla)
con D dígitos el cual es elevado al cuadrado para seleccionar del resultado los
D dígitos del centro; el primer numero ri se determina simplemente anteponiendo el cero a
esos dígitos.

Para obtener el segundo r se sigue el mismo procedimiento, solo que ahora se eleva al
cuadrado los d dígitos del centro que se seleccionaron para obtener el primer r. Este
método se repite hasta obtener n números r.

Pasos:

Seleccionar una semilla (Xo) con d digitos (D > 3).

Sea X0 = resultado de elevar Xo al cuadrado; sea X1 digitos del centro, y sea ri = 0, d

digitos del centro.

Sea yi = resultado de elevar Xi al cuadrado; sea Xi+1 = a los dígitos del centro, y sea ri =
0, d dígitos del centro para toda i = 1, 2, 3, …n.

Repetir el paso tres hasta obtener los n números ri deseados.

Generar los primeros 14 números a partir de 3825, con 4 digitos.

 Método multiplicativo

Para este generador se recomienda una selección adecuada para los valores de los
parámetros a, Xo y m; con el fin de asegurar un periodo máximo para las sucesiones
generadas por este método:

Número Decimal (sistema); los valores de los parámetros deben ser seleccionadas de
acuerdo a los siguientes criterios:

El valor de la semilla puede ser cualquiera entero impar no divisible entre 2 o 5.

Debe ser relativamente primo a “m”.

El valor seleccionado de “a”, debe ser obtenido de acuerdo a la siguiente identidad

a = 200 t + p, donde “t”, es cualquier entero y “p” es cualquiera de los siguientes valores:
3, 11, 13, 19, 21, 27, 29, 37, 53, 59, 61, 67, 69, 77, 83, 91.

El valor seleccionado de “m” puede ser 10^d. Si m es igual a 10 y d > = 5, el periodo del
generador es 5 x 10 ^d-2.
Xn+1 = 3Xn mod 100 y Xo = 17

Prueba de poker

Examina en forma individual los dígitos del numero pseudo-aleatorio. La forma como esta
prueba se realiza es tomando numeros decimales con 5 digitos a la vez y clasificándolos
como; par, dos pares, tercia, poker, quintilla, y todos diferentes. La prueba poker se puede
realizar con 2, 4 y 5 decimales.

Procedimiento:

 Determinar la categoría de cada numero del conjunto ri

 Contabilizar los numeros ri de la misma categoría o clase para obtener la
frecuencia observada (Oi)
 Calcular el estadístico de la prueba X^2n
 Finalmente comparar el estadístico de X^2º
0.06141(1P) 0.72484(1P) 0.94107(TD) 0.56766(T) 0.14411(TP) 0.01792(TD) 0.48999(T)
0.18590(TD) 0.06060(TP) 0.11223(2P) 0.52953(1P) 0.50502(2P) 0.30444(T) 0.70688(1P)
0.25357(1P) 0.04127(TD) 0.67347(1P) 0.28103(TD) 0.99367(1P) 0.44598(1P)
0.27813(TD) 0.62182(1P) 0.87648(1P) 0.64794(1P) 0.31555(T) 0.73997(2P) 0.09099(TP)

Chi-Cuadrada

 Se usa cuando se trabaja con variables nominales (categorías o grupos).

 Responder la pregunta: si las frecuencias observadas, difiere de la frecuencia
esperada.
 Utiliza los recuentros.

Kolmogorov-Smirnov
Es una prueba estadísitca que sirve para determinar si un conjunto ri cumple la propiedad
de uniformidad.

Es recomendable aplicarla en conjuntos pequeños, por ejemplo n<20.

Procedimiento es el siguiente:

Ordenar de menor a mayor los números del conjunto ri.

Determinar los valores de D+, D- y D con las siguientes ecuaciones.

Las fórmulas son:

Determinar el valor crítico Dα,n de acuerdo con la tabla de valores críticos de Kolmogorov-
Smirnov par aun grado de confianza α, y según el tamaño de la muestra n.

Si el valor crítico D es mayor que el valor crítico Dα,n se concluye que los números del
conjunto ri, no siguen una distribución uniforme. Caso contrario no existiría diferencia
significativa.

D>Dan

Prueba de independencia

Las pruebas de independencia consiste en demostrar que los números generados son
estadísticamente independientes entre si, esto es, que no dependen uno de otro. Para
esto se propone la siguiente hipótesis:

 HO independiente
 Hi Dependiente
Para realizar esta prueba de hipótesis existen varios métodos, puede seleccionarse
cualquiera de la siguiente lista:

 Prueba de poker
 Prueba de corridas arriba y abajo
 Pruebas de corridas arriba y debajo de la media
 Prueba de la longitud de las corridas
 Prueba de distancia
 Prueba de series
 Prueba de huecos

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.

Prueba de Yule

Es una medida de asociación creada por el estadístico escoces George Udny Yule, se
utiliza en cuadros estadísticos llamado contingencia.

Variables nominales

Restricciones:

 Tener en cuenta que son números positivos, solo pueden tomar valores
comprendidos entre cero y uno.
 Cuando se acercan a un cero, indican independencia o asociación muy débil entre
las variables.
Método de Monte Carlos

Se agrupan una serie de procedimientos que alcanzan distribuciones de variables

aleatorias usando una simulación de números aleatorios. Da solución a una gran variedad
de problemas matemáticos haciendo experimentos con muestreos estadísticos en una
computadora. Se usa para analizar problemas que no tienen un componente aleatorio
explicito.

Fue creada para resolver integrales que no se pueden resolver por

métodos analíticos para solucionar estos integrales se usaron números aleatorios.
Posteriormente se utilizo para cualquier esquema que emplee números aleatorios, usando
variables aleatorias con distribuciones de probabilidad conocidos, para resolver problemas
estocásticos y determiniticos.

Método de composición
Genera valores de variables aleatorias no- uniformes usando también el método de
composición, en la cual la distribución de probabilidad f(x) se expresa como una mezcla
de varias distribuciones de probabilidad f(x), seleccionadas adecuadamente.

Este procedimiento se basa en el objetivo de minimizar el tiempo de computación

requerida para la generalización de valores de la variable aleatoria analizada.

También conocida como método mixto, permite generar variables aleatorias “x”, cuando
estas provienen de una función de densidad fx que pueda expresarse como la
combinación convexa de distribuciones de probabilidad fi(x).

Algunas de las distribuciones mas conocidas que pueden expresarse como una
combinación convexa son: triangular, Laplace, y trapezoidal. Procedimiento general de
generación es el siguiente:

 Calcular la probabilidad de cada una de las distribuciones fi(x)

 Asegurar que cada función fi(x) sea función de densidad
 Obtener mediante el método de la transformada inversa, las expresiones para
generar variables aleatorias de cada una de las distribuciones fi(x)
 Genera un numero pseudoaleatorio ri que permita definir el valor de IA(x)
 Seleccionar la función generadora correspondiente a la función fi(x)
 Generar un segundo numero pseudoaleatorio y sustituirlo en la funión generada
anteriormente para obtener y.
Prueba de bondad de ajuste

Cuando se realizan investigaciones, con frecuencias importante obtener información a

través de una muestra. Algunos estudios producen resultados sobre los que no podemos
afirmar que se distribuyen.

En estos casos debemos emplear técnicas no paramétricas 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 distribución normal. Ahora nos ocuparemos del
problema de verificar si de un conjunto de datos se pueden afirmar que proviene de que
proviene.

Estadística No Parametrica

 La estadística no paramétrica es una rama de la estadística las pruebas y modelos

estadísticos cuya distribución subyacente no se ajuste a los llamados criterios
paramétricos. Las pruebas no paramétricas no asumen ningún parámetro de distribución
de las variables muestrales.
 Las pruebas paramétricas no asumen ningún parámetro de distribución de las
variables muéstrales. Las pruebas paramétricas asumen los parámetros de las variable
(media y varianza) y un tipo de distribución normal.
Para resolver este problema utilizaremos unas pruebas estadísticas que reciben el
nombre general de pruebas de bondad de ajuste.

Este calculo de pruebas es sencillo, desde el punto de vista manual y matemático, sin
embargo y siguiendo con nuestra practica, facilita el trabajo hacerlo con la hoja de calculo
de Excel.

Prueba Fisher

Es la prueba estadística de elección cuando la prueba de Chi-cuadrada no puede ser

empleada por tamaño muestral insufiente.

Prueba de Chi-Cuadrada

Se basa en la hipótesis nula (Ho) de que no hay diferencias significativas entre la

distribución muestral y la teoría. Mientras que la hipótesis alternativa (H1), siempre se
enuncia como que los datos no siguen la distribución supuesta.

Estadístico de Prueba

El estadístico de prueba esta definido como la sumatoria de los residuos expresados en

términos de las frecuencias esperadas para cada una de las clases.
Interpretación. Cuanto mayor sea el valor de , menos verosímil es que la hipótesis Ho sea
correcto. De la misma forma, cuanto más se aproxima a cero el valor de Chi-cuadrada.

Si = 0. La frecuencia teórica y observada concuerda exactamente.

Si > 0. Mientras mayor es la diferencia mayor es la discrepancia.

En la practica: si Ho = 0 no existe diferencia significativa es la distribución de la frecuencia

observada y la distribución teórica específicamente los mismos parámetros.

Metodo de convolucion

La distribución de la suma de dos o mas variables aleatorias independientes es llamada la

convolución de las distribuciones de las variablesoriginales. El método de convolución es
entonces la suma de dos variables aleatorias para obtener una variable aleatoria con la
distribución de probabilidad deseada. Puede ser usada para obtener variables con
distribuciones Erlang y binomiales.

Antes de comenzar con el método, identifiquemos los valores de cada señal.

Una vez que tenemos identificados los valores de cada señal, comenzamos a resolver.

Primero, hacemos una tabla que contendrá:

 Cantidad de columnas = cantidad de puntos a[n]+1

 Cantidad de filas = cantidad de puntos de a[n]+ de puntos de b[n]
 En el ejemplo que estamos realizando quedaría:
 Cantidad de columnas = 6+1 = 7
 Cantidad de filas = 6+4 = 10
 Segundo, hay que llenar la tabla. En la primera fila, colocamos los valores de a[n]
 Para calcular el elemento de y[0], tomamos en cuenta siempre la primera fila la
que continué los elementos de a[n] y la fila correspondiente al elemento que estamos
calculando.
UNIDAD 4.LENGUAJES DE SIMULACION
4.1 LENGUAJES DE SIMULACIÓN Y
SIMULADORES
En un principio, los programas de simulación se elaboraban utilizando algún lenguaje de
propósito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la década
de 1960 hacen su aparición los lenguajes específicos para simulación como GPSS,
GASP, SIMSCRIPT, SLAM. En la última década del siglo pasado la aparición de las
interfaces gráficas revolucionaron el campo de las aplicaciones en esta área, y
ocasionaron el nacimiento de los simuladores.

En el terreno práctico, es importante utilizar la aplicación que mejor se adecúe al tipo de

sistema a simular, ya que de la selección del lenguaje o simulador dependerá el tiempo de
desarrollo del modelo de simulación. Las opciones van desde las hojas de cálculo,
lenguajes de tipo general (como Visual Basic, C++ o Fortan), lenguajes específicos de
simulación (como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y SSED), hasta simuladores
específicamente desarrollados para diferentes objetivos (como SIMPROCESS, ProModel,
Witness, Taylor II y Cristal Ball).

4.2 APRENDIZAJE Y USO DE UN

SIMULADOR
REHABILITACIÓN ENERGÉTICA DE EDIFICIOS

La eficiencia energética es un factor de gran importancia para hablar de sostenibilidad en

la edificación. Incluso sin la fuerte subida y la inestabilidad de los precios del petróleo que
han llevado a una disminución del crecimiento económico.El ahorro energético es, sin
duda, el medio más rápido, el más eficaz y el más rentable de reducir emisiones de gases
y de mejorar la calidad del aire y hace necesario impulsar la aplicación de nuevas políticas
y nuevas tecnologías.

Se trata de definir opciones, proponiendo una serie de actuaciones clave, como:

1. Establecer planes de acción anuales de eficiencia energética a nivel nacional, regional

y local, controlando posteriormente sus efectos tanto en lo que se refiere a la mejora de
la eficiencia energética como a la relación coste - eficacia.
2. Dar a los ciudadanos, mejor información, por ejemplo, a través de campañas de
publicidad orientadas de manera precisa.

3. Mejorar la fiscalidad a fin de garantizar que el contaminador paga realmente, sin

aumentar por ello, la presión fiscal global.

4. Orientar mejor las ayudas públicas cuando estén justificadas y sean proporcionadas y
necesarias para incentivar el rendimiento energético.

5. Utilizar la contratación pública como palanca de las nuevas tecnologías.

6. Utilizar instrumentos de financiación nuevos o instrumentos mejorados a escala

comunitaria y nacional.

7. Ir más lejos en materia de construcción de edificios cuando sea aplicable alguna

directiva comunitaria en vigor.

8 de 8: Medianerías y paredes zonas no calefactoras

Paso 1. Medianerías, se elige su tipo de actuación de mejora energética.

Paso 2. Paredes zonas no calefactoras, se elige su tipo de actuación de mejora

energética.

Al terminar la selección, se aceptan los datos y se calculan, o si el usuario así lo quiere

puede cambiar los datos para mejores resultados.

4.3 CASOS PRÁCTICOS DE SIMULACIÓN

La siguiente es una colección de problemas semi-resueltos sobre simulación básica. El

enfoque de esta guía, por lo menos en esta pequeña y modesta primera versión, es
presentar un enfoque a la simulación desde el punto de vista “learn by doing it” que no es
el mejor método, pero parece ser el único método por el cual se le puede enseñar a el
estudiante de ingeniería. Es por esta razón que no se pretende perder el tiempo en
intentar desarrollar un método para resolver los problemas, sino que se apela a el instinto
del estudiante. Aun así hay ciertos concejos que se pueden aplicar a la gran mayoría de
problemas de simulación. Estos son:
Identifique que sucesos son aleatorios.

Identifique que sucesos no lo son.

Identifique las decisiones que se deben tomar en el problema.

Intente al menos en el primer enfrentamiento al problema, en entregar la solución mas
larga posible.

realice un diagrama de flujo (de ser posible).

A continuación los problemas

Fold

Table of Contents

Aguja de Buffon1.

El problema del borrachito.

Lavador de auto.

peluquero.

Aguja de Buffon1.

El siguiente extracto esta sacado de wikipedia.

"…La aguja de Buffon es un clásico problema de probabilidad geométrica, de inmediata

realización práctica y cuyo interés radica en que es un método sencillo para ir
aproximando el valor del número Pi a partir de sucesivos intentos. Fue planteado por el
naturalista francés Buffon en 1733 y reproducido por él mismo ya resuelto en 1777… "

La versión más simple de este problema es la siguiente:

Se trata de lanzar una aguja de largo L, sobre una hoja de papel, en donde se han
dibujado infinitas líneas paralelas, separadas una distancia L. De esta manera al lanzar la
aguja esta puede caer tanto sobre las líneas del papel, o entre las líneas del papel. Se
puede verificar que π=2nA , donde n es el número total de lanzamientos, A es la cantidad
de veces que la aguja cae sobre una línea. El ejercicio consiste en encontrar el valor de π
El problema del borrachito.

Este es un problema que debe ser conocido por muchos. Consiste en un borrachito que
quiere llegar a su pieza. Para llegar a esta, debe pasar por un pasillo de piso de baldosas
(cuadradas) grandes. El pasillo tiene 5 baldosas de ancho y 7 baldosas de largo, y a cada
lado una pared.

Los posibles movimientos del borrachito son:

Cuando el borrachito esta en la baldosa 1 avanza en diagonal (como si rebotara por la

pared) hacia la baldosa 2 que esta delante de el.

Cuando el borrachito esta en la baldosa 5 avanza en diagonal (como si rebotara por la

pared) hacia la baldosa 4 que esta delante de el.

En cualquier otro caso puede avanzar por el pasillo hacia delante o en diagonal solo una
baldosa a la vez, con igual probabilidad entre estas opciones.

Se pide:

Encuentre el porcentaje de veces que el borrachito puede termina el recorrido en la

tercera baldosa, cuando parte de la tercera baldosa.

¿De que baldosa le convendrá partir si la puerta de su habitación esta en la baldosa 2?

Que porcentaje de veces el borrachito termina su recorrido en la baldosa 5 cuando parte

de la 1.

Lavador de auto.

Un dueño de una lavadora de autos, desea saber si es necesario poner una nueva
maquina lavadora de autos. Actualmente la frecuencia de llegada de los clientes es:

Tiempo Probabilidad
5 0,05

10 0,05

15 0,1

20 0,1

25 0,3

30 0,2

35 0,15

40 0,05

Donde cada tiempo esta medido con respecto al cliente anterior, es decir el tercer valor de
la
tabla se lee así: "la probabilidad de que un cliente llegue 15 minutos después del anterior
es 10%2". En la Lavadora de autos, se ofrecen 4 servicios, que difieren en duración y en
precio. El resumen de esto, junto con la probabilidad de que un cliente solicite el servicio,
se encuentra en la siguiente tabla:
tiempo dinero probabilidad
10 5000 0,15
20 7000 0,25
30 9000 0,4
40 11000 0,2

Finalmente la lavadora solo esta abierta 5 horas diarias. El dueño de la Lavadora de autos
pide:
Ganancias diarias.
¿Sera necesario otra maquina?

La planilla esta disponible en Excel y openOfficepeluquero.

Un peluquero desea instalarse con otra peluquería, en un sector muy parecido en el que
ya esta instalado, por esto estima que los datos de clientes que posee sobre su local, se
aplicaran correctamente en el nuevo local. En el nuevo local solo contara con un
peluquero que es un poco mas lento que el, y que se demora aproximadamente 12
minutos por corte de pelo.
El peluquero desea saber si este nuevo peluquero dará abasto para la nueva clientela.
Los datos sobre la frecuencia de llegada es
tiempo probabilidad
10 0,15
20 0,15
30 0,5
40 0,2

Estoy preparando la planilla para ustedes….!!!

La planilla esta disponible en Excel y openOfficeFootnotes

1. En honor a Georges Louis Leclerc, conde de Buffon.
2. 10%=0,1

4.3.1 MODELOS DE INVENTARIO

El diseño de sistema de inventarios toma en cuenta las características másrelevantes del
mundo real, es decir, aquellas variables cuya presencia tieneefectos significativos sobre el
objeto fijado. Desde este punto de vista elsistema presenta una simplificación o
abstracción de una realidad. Por otraparte, la operación del sistema se facilita con el
empleo de modelos, que enforma directa o indirecta dan elección más conveniente, según
los supuestosque han llevado a su formulación.El desarrollo de modelo no es un trabajo
reciente en el campo de la administración.

Los esquemas de balance de la empresa representan modelos generales que simplifican

la realidad de la empresa, pero que son capaces de proveer información para la toma de
decisiones de los ejecutivos. En otros casos los modelos, según los supuestos de su
construcción dan una o más alternativas que permiten si la realidad se comporta como
establece el modelo,lograr el mejor desempeño del sistema.Se distinguen dos tipos de
modelo que son los empíricos y matemáticos.

Los modelos empíricos corresponden a los que utilizan las empresas para administrar sus
inventarios, cuando no se encuentra una función o objetivo claramente cuantificado que
trate de optimizar, y en que la información que se provee a los ejecutivos no permite
fácilmente establecer cuál es la estrategia de mayor eficiencia económica.Por otro lado
los modelos matemáticos se caracterizan por representar la realidad que les preocupa en
símbolos y relaciones matemáticas. Dentro de los modelos matemáticos se distinguen dos
grupos de modelos, los modelos de optimización y los modelos de simulación.

Los modelos de simulación parten de una función objetiva expresada en forma

matemática y por su construcción es posible obtener la o las estrategias quelogran el nivel
más alto de eficiencia del objetivo. En general, la optimizacióndel modelo será real en la
medida que sea una representación adecuada delmundo que está en estudio.A su vez,
los modelos de optimación se agrupan en modelo deterministicos ymodelos aleatorios o
estocásticos.

Los modelos deterministicos reciben a un conjunto de variables, cuyo comportamiento o

valor en el futuro se suponecierto, es decir, no sujetos a variación. En cuanto a los
modelos estocásticos,se caracterizan por que uno o más variables pueden tener
diferentes valoresfuturos, y cada uno de ellos tiene una cierta probabilidad de ocurrencia.

4.3.2 MODELOS DE LINEA DE ESPERA

Una línea de espera es el efecto resultante en un sistema cuando la demanda de un

servicio supera la capacidad de proporcionar dicho servicio. Este sistema está formado
por un conjunto de entidades en paralelo que proporcionan un servicio a las transacciones
que aleatoriamente entran al sistema.Dependiendo del sistema que se trate, las entidades
pueden ser cajeras,máquinas, semáforos, grúas, etcétera, mientras que las transacciones
pueden ser: clientes, piezas, autos, barcos, etcétera.Tanto el tiempo de servicio como las
entradas al sistema son fenómenos que generalmente tienen asociadas fuentes de
variación que se encuentran fuera del control del tomador de decisiones, de tal forma que
se hace necesaria la utilización de modelos estocásticos que permitan el estudio de este
tipo de sistemas.Una línea de espera puede modelarse como un proceso estocástico en
el cualla variable aleatoria se define como el número de transacciones en el sistema en un
momento dado; el conjunto de valores que puede tomar dicha variable es{O, 1, 2, . . . , N\
y cada uno de ellos tiene asociada una probabilidad de ocurrencia.