EVALUACIÓN

PARCIAL X SEGUIMIENTO FINAL

ESTUDIANTE: Jonny Alexander Arboleda Montoya CÓDIGO 201520024

ESTUDIANTE: Natalia Ruiz Balaguera CÓDIGO 201410385
ASIGNATURA: Simulación PROGRAMA:
DOCENTE: Juan Gonzalo Mantilla Jiménez FECHA: Agosto 31 de 2020

1. Consultar qué diferencia hay entre un modelo estático y uno dinámico.

ESTÁTICO
Son aquellos que no toman en cuenta, explícitamente, a la variable tiempo.
Ejemplo: costo para cantidad de camas reservadas (en un hospital)
DINÁMICO
Los modelos dinámicos son una representación de la conducta dinámica de un sistema,
mientras un modelo estático involucra la aplicación de una sola ecuación, los modelos
dinámicos, por otro lado, son reiterativos.

2. Consultar que son las variables endógenas y variables exógenas.

Una variable endógena es aquella cuyo valor está determinado por las relaciones establecidas
dentro del modelo en el que está incluida.

Algo endógeno es algo que se forma en el interior de algo. Por tanto, de ahí deducimos que
una variable endógena es aquella que se forma en el interior de un modelo.

Las variables exógenas están presentes en muchos casos en la economía. Factores externos
que no podemos controlar y que afectan a la evolución de la economía. Es decir, son variables
que se encuentran preestablecidas

3. Una variable de estado de un sistema dinámico es una señal del sistema, es decir, una
magnitud medible del mismo: Temperatura, posición, velocidad, capacidad, tensión y no
necesitan ser medibles u observables.

Página 1 de 13 Simulación – Primer Parcial

 También lo podemos definir como una otra presentación de un sistema dinámico, además de
las funciones de transferencia, sabemos que un sistema lineal tiene entradas y las convierte en
salidas, en este tipo de representación, se tienen variables de estado y conociendo el valor de
estas es un tiempo, se puede conocer el estado de todo el sistema, de lo anterior viene el
concepto de estado, ya que puede predecir el comportamiento del sistema con saber sólo un
estado.

Ecuaciones de Estado
Son las ecuaciones que modelan un sistema en variables de estado, por medio de entradas “x”
y salidas “y”.

Forma de las ecuaciones de estado

Continua Discreto
x(t) = Ax(t) + Bu(t) x(n+1) = Ax(n) + Bu(n)
y(t) = Cx(t) + Du(t) y(n) = Cx(n) + Du(n)

A: Matriz de estados x: variables de estado

B: Matriz de entrada y: salidas del sistema
C: Matriz de salida u: entradas
D: Matriz de transición

Estado Transitorio Estado Estable

Página 2 de 13 Simulación – Primer Parcial

 4. Que representa los números aleatorios de [0 – 1] en los modelos de simulación, consulte que
tipo de distribución deben seguir estos, su función de probabilidad, su valor esperado y su
varianza.

Un generador de números aleatorios es un algoritmo determinístico, usado para crear valores

reales distribuidos entre 1 y O, tal que O <= X < l. Se debe considerar lo siguiente:

La ocurrencia de cualquier valor es equiprobable o uniforme.

El valor de la muestra previa no afecta la probabilidad del valor de la próxima muestra
(independencia).

Estos números pueden ser transformados en valores que se ajustan a una determinada
distribución de probabilidad. Existen varios métodos que son utilizados para generar números
aleatorios, los más populares son los métodos congruenciales, que pueden ser: aditivos,
multiplicativos o mixtos.

Método Congruencial Aditivo: Este algoritmo requiere una secuencia previa de n números
enteros X 1, X 2, X 3, X 4,…, X n para generar una nueva secuencia de números enteros que
empiezan en X n+1, X n+2, X n+3, X n+4 … Su ecuación recursiva es: X i = (X i-1 + X i-n ) mod (m)
i= n+1, n+2, n+3…,N Los números r i, pueden ser generados mediante la ecuación: r i = X i /(m-
1)

Los generadores congruenciales lineales: Estos generan una secuencia de numero

pseudoaleatorios en la cual el próximo número pseudoaleatorios es determinado a partir del
número generado, es decir el numero pseudoaleatorios Xn+1 es derivado a partir del número
pseudoaleatorios Xn.
Para el caso particular del generador Congruencial mixto, la relación de decurrencia es la
siguiente:
Xn+1 =( aXn + C) mod m

Donde:
X0 = la semilla (X0 > 0)
a= el multiplicador (a>0)
c= constante aditiva (c>0)
m= el modulo (m>X0 , m>a y m>c)

Esta relación de recurrencia nos dice que Xn+1 es el residuo de dividir aXn + c entre el modulo.

Página 3 de 13 Simulación – Primer Parcial

 El generador congruencial lineal multiplicativo:

Al igual que el generador Congruencial mixto, el generador Congruencial multiplicativo

determina el próximo número pseudoaleatorio a partir del último número generado, de
acuerdo a la siguiente recurrencia:

Xn+1 = aXn mod m

Para realizar la prueba de varianza en números pseudoaleatorio se realizan los siguientes

pasos:

Paso 1. Obtener la varianza

Paso 2. Obtener los límites inferior y superior.

Si la varianza se encuentra entre los límites, el conjunto de números pasa la prueba.

La varianza se calcula con la siguiente fórmula:

v(r)=\frac{\sum_{i=1}^{n}(r_{i}-\bar{r})^{2}}{n-1}v(r)=n−1∑i=1n(ri−r¯)2

Y los límites superior e inferior, emplean las siguientes formula:

 LI_{v(r)}=\frac{\chi^{2}_{\alpha/2,n-1}}{12(n-1)}LIv(r)=12(n−1)χα/2,n−12
 LS_{v(r)}=\frac{\chi^{2}_{1-\alpha/2,n-1}}{12(n-1)}LSv(r)=12(n−1)χ1−α/2,n−12
Donde n-1 representa los grados de libertad, en este ejemplo, 39 (pues hay 40 datos en el
conjunto).
De nuevo, si el nivel de confianza es 95%, \alpha/2 = 0.025α/2=0.025, por lo que los valores a
buscar en la tabla de distribucion chi cuadrada serán:
0.025 con 39 grados de libertad
Y 0.975 con 39 grados de libertad.

Consultando las tablas correspondientes se obtienen los siguientes valores.

 v(r)=0.0869v(r)=0.0869
 LI_{v(r)}=\frac{\chi^{2}_{0.05/2,39}}{12(39)}=\frac{58.12}{468}=0.1241LIv(r)
=12(39)χ0.05/2,392=46858.12=0.1241
 LS_{v(r)}=\frac{\chi^{2}_{1-0.05/2,39}}{12(39)}=\frac{23.65}{468}=0.0505LSv(r)
=12(39)χ1−0.05/2,392=46823.65=0.0505

Página 4 de 13 Simulación – Primer Parcial

 5. Consulte los pasos para la construcción de un modelo de simulación por eventos discretos,
señale en que puntos debe aplicarse estadística y que resultados se esperan.

La simulación de eventos discretos es una herramienta de análisis que se difunde rápidamente

en el ambiente empresarial, comprobando su utilidad para apoyar la toma de decisiones
relacionadas con la planeación de la producción y los inventarios.

El concepto de sistema de evento discreto tiene por finalidad identificar a sistemas en los que
los eventos que cambian el estado del mismo ocurren en instantes espaciados en el tiempo, a
diferencia de los sistemas cuyo estado puede cambiar continuamente en el tiempo, estos
dependen de la caracterización de los resultados pedidos al modelo. Al final de la simulación,
se usan para obtener el resultado final, y las medidas de éstos. Por ejemplo, los inventarios de
cualquier producto sólo se alteran ante la ocurrencia de alguno de dos eventos: (1) ingreso de
un lote de abastecimiento, o (2) retiro de cierta cantidad del producto para satisfacer el
pedido de un cliente.

Pasos de un modelo de simulación por eventos discretos:

 Definir los objetivos y el alcance claramente, pero en algunas ocasiones los resultados
se desvían del propósito inicial

 Conocer aspectos metodológicos y de ingeniería. Para esto es necesario tener

conocimiento de diferentes áreas como ingeniería de procesos, proyectos,
investigación de operaciones, programación, probabilidad, estadística, procesos
estocásticos y teoría de colas, entre otros

 Definir la estructura del modelo antes de comenzar a modelarlo. La efectividad en la

construcción de un modelo está estrechamente ligada a la claridad en la descripción
del sistema y los datos de entrada.

 Validar y verificar. La verificación del modelo consiste en asegurar que los flujos y
cantidades procesadas son correctas.

En el proceso de validación se pueden ver los siguientes aspectos:

1. Comparar los datos de entrada contra los estimativos del sistema.

2. Realizar una comparación del modelo, incluyendo la información de la realidad, se
debe revisar antes para asegurar que el modelo sea representado de manera
adecuada.

 Se debe iniciar con un modelo sencillo. Un modelo es una representación simplificada

de la realidad y ésta sólo se vive cuando ocurre.
Página 5 de 13 Simulación – Primer Parcial
  Modelar la variabilidad de manera razonable. La simulación discreta es la técnica por
excelencia para analizar situaciones donde la variabilidad y dinámica son críticas a la
situación, por ende se debe modelar la variabilidad de una forma razonable, del
sistema de modelado dependen muchos elementos de la variabilidad.

6. Una empresa dedicada a la fabricación de tuercas para tubería, requiere analizar el flujo del
proceso de una operación a otra, para esto se tomaron los tiempos que demoraban las piezas
en llegar de un centro de trabajo al siguiente y se tomaron 50 observaciones. Los resultados
de la muestra fueron:

Frecuencia Obs
LI LS
(Oi)
0,13 2,74 17
2,74 5,36 12
5,36 7,97 4
7,97 10,58 6
10,58 13,19 6
13,19 15,81 2
15,81 18,42 1
18,42 21,03 2

Promedio: 7,22541618
Varianza: 103,243108

a) ¿La variable en estudio es discreta o continua?

Esta variable la podemos definir como continua, dado que estamos hablando de un rango de
tiempo y pueden tomar infinitos valores.
b) De acuerdo al tipo de variable y lo que muestra el histograma que tipo de distribución pueden
seguir estos datos.
Al observar el histograma podemos evidenciar que se trata de una distribución exponencial, ya
que se visualizan mas datos al inicio y van disminuyendo hacia el valor más pequeño, también
logramos identificar un sesgo hacia a la derecha, confirmando que es una distribución
exponencial.

7. Se quiere simular el juego con tres dados para mil lanzamientos, realice la simulación y
responda lo siguiente:
a. Realice un análisis descriptivo de la variable resultado del lanzamiento y elabore un
diagrama de barras.

Página 6 de 13 Simulación – Primer Parcial

 Resultado del Lanzamiento
   
Media 10,623
Error típico 0,094179301
Mediana 11
Moda 11
Desviación estándar 2,978210997
Varianza de la muestra 8,869740741
Curtosis -0,41051986
Coeficiente de asimetría -0,068260939
Rango 15
Mínimo 3
Máximo 18
Suma 10623
Cuenta 1000

b. Si usted fuera un apostador a que números apostaría y por que

Al realizar un análisis estadístico en los resultados de los lanzamientos de los dados, tomo
como referencia el resultado en la moda (valor que mas se repite) y son los que escogería,
en este caso así:
Dado 1: 5 Dado 2: 2 Dado 3: 3

Dado 1 Dado 2 Dado 3

           
Media 3,574 Media 3,498 Media 3,551

Página 7 de 13 Simulación – Primer Parcial

Error típico 0,054859216 Error típico 0,054322619 Error típico 0,052365458
Mediana 4 Mediana 3 Mediana 4
Moda 5 Moda 2 Moda 5
Desviación estándar 1,734800719 Desviación estándar 1,717832049 Desviación estándar 1,655941165
Varianza de la muestra 3,009533534 Varianza de la muestra 2,950946947 Varianza de la muestra 2,742141141
Curtosis -1,307796753 Curtosis -1,289159648 Curtosis -1,210465477
Coeficiente de asimetría -0,067691454 Coeficiente de asimetría 0,019427647 Coeficiente de asimetría -0,030153377
Rango 5 Rango 5 Rango 5
Mínimo 1 Mínimo 1 Mínimo 1
Máximo 6 Máximo 6 Máximo 6
Suma 3574 Suma 3498 Suma 3551
Cuenta 1000 Cuenta 1000 Cuenta 1000

c. Analice la diferencia en la forma de la distribución de las frecuencias del resultado del

lanzamiento un dado, dos dados y tres dados.

Tabla de Frecuencias para Dado 1

Límite Límite Frecuencia Frecuencia Frecuencia

Clase Inferior Superior Punto Medio Frecuencia Relativa Acumulada Rel. Acum.
menor o igual 0 0 0,0000 0 0,0000
1 0 0,266667 0,133333 0 0,0000 0 0,0000
2 0,266667 0,533333 0,4 0 0,0000 0 0,0000
3 0,533333 0,8 0,666667 0 0,0000 0 0,0000
4 0,8 1,06667 0,933333 166 0,1660 166 0,1660
5 1,06667 1,33333 1,2 0 0,0000 166 0,1660
6 1,33333 1,6 1,46667 0 0,0000 166 0,1660
7 1,6 1,86667 1,73333 0 0,0000 166 0,1660
8 1,86667 2,13333 2,0 158 0,1580 324 0,3240
9 2,13333 2,4 2,26667 0 0,0000 324 0,3240
10 2,4 2,66667 2,53333 0 0,0000 324 0,3240
11 2,66667 2,93333 2,8 0 0,0000 324 0,3240
12 2,93333 3,2 3,06667 156 0,1560 480 0,4800
13 3,2 3,46667 3,33333 0 0,0000 480 0,4800
14 3,46667 3,73333 3,6 0 0,0000 480 0,4800
15 3,73333 4,0 3,86667 157 0,1570 637 0,6370
16 4,0 4,26667 4,13333 0 0,0000 637 0,6370
17 4,26667 4,53333 4,4 0 0,0000 637 0,6370
18 4,53333 4,8 4,66667 0 0,0000 637 0,6370
19 4,8 5,06667 4,93333 182 0,1820 819 0,8190
Página 8 de 13 Simulación – Primer Parcial
 20 5,06667 5,33333 5,2 0 0,0000 819 0,8190
21 5,33333 5,6 5,46667 0 0,0000 819 0,8190
22 5,6 5,86667 5,73333 0 0,0000 819 0,8190
23 5,86667 6,13333 6,0 181 0,1810 1000 1,0000
24 6,13333 6,4 6,26667 0 0,0000 1000 1,0000
25 6,4 6,66667 6,53333 0 0,0000 1000 1,0000
26 6,66667 6,93333 6,8 0 0,0000 1000 1,0000
27 6,93333 7,2 7,06667 0 0,0000 1000 1,0000
28 7,2 7,46667 7,33333 0 0,0000 1000 1,0000
29 7,46667 7,73333 7,6 0 0,0000 1000 1,0000
30 7,73333 8,0 7,86667 0 0,0000 1000 1,0000
mayor de 8,0 0 0,0000 1000 1,0000
Media = 3,574 Desviación Estándar = 1,7348

Tabla de Frecuencias para Dado 2

Límite Límite Frecuencia Frecuencia Frecuencia

Clase Inferior Superior Punto Medio Frecuencia Relativa Acumulada Rel. Acum.
menor o igual 0 0 0,0000 0 0,0000
1 0 0,266667 0,133333 0 0,0000 0 0,0000
2 0,266667 0,533333 0,4 0 0,0000 0 0,0000
3 0,533333 0,8 0,666667 0 0,0000 0 0,0000
4 0,8 1,06667 0,933333 164 0,1640 164 0,1640
5 1,06667 1,33333 1,2 0 0,0000 164 0,1640
6 1,33333 1,6 1,46667 0 0,0000 164 0,1640
7 1,6 1,86667 1,73333 0 0,0000 164 0,1640
8 1,86667 2,13333 2,0 177 0,1770 341 0,3410
9 2,13333 2,4 2,26667 0 0,0000 341 0,3410
10 2,4 2,66667 2,53333 0 0,0000 341 0,3410
11 2,66667 2,93333 2,8 0 0,0000 341 0,3410
12 2,93333 3,2 3,06667 164 0,1640 505 0,5050
13 3,2 3,46667 3,33333 0 0,0000 505 0,5050
14 3,46667 3,73333 3,6 0 0,0000 505 0,5050
15 3,73333 4,0 3,86667 159 0,1590 664 0,6640
16 4,0 4,26667 4,13333 0 0,0000 664 0,6640
17 4,26667 4,53333 4,4 0 0,0000 664 0,6640
18 4,53333 4,8 4,66667 0 0,0000 664 0,6640
19 4,8 5,06667 4,93333 164 0,1640 828 0,8280
20 5,06667 5,33333 5,2 0 0,0000 828 0,8280
21 5,33333 5,6 5,46667 0 0,0000 828 0,8280
22 5,6 5,86667 5,73333 0 0,0000 828 0,8280
23 5,86667 6,13333 6,0 172 0,1720 1000 1,0000
24 6,13333 6,4 6,26667 0 0,0000 1000 1,0000
Página 9 de 13 Simulación – Primer Parcial
 25 6,4 6,66667 6,53333 0 0,0000 1000 1,0000
26 6,66667 6,93333 6,8 0 0,0000 1000 1,0000
27 6,93333 7,2 7,06667 0 0,0000 1000 1,0000
28 7,2 7,46667 7,33333 0 0,0000 1000 1,0000
29 7,46667 7,73333 7,6 0 0,0000 1000 1,0000
30 7,73333 8,0 7,86667 0 0,0000 1000 1,0000
mayor de 8,0 0 0,0000 1000 1,0000
Media = 3,498 Desviación Estándar = 1,71783

Tabla de Frecuencias para Dado 3

Límite Límite Frecuencia Frecuencia Frecuencia

Clase Inferior Superior Punto Medio Frecuencia Relativa Acumulada Rel. Acum.
menor o igual 0 0 0,0000 0 0,0000
1 0 0,266667 0,133333 0 0,0000 0 0,0000
2 0,266667 0,533333 0,4 0 0,0000 0 0,0000
3 0,533333 0,8 0,666667 0 0,0000 0 0,0000
4 0,8 1,06667 0,933333 141 0,1410 141 0,1410
5 1,06667 1,33333 1,2 0 0,0000 141 0,1410
6 1,33333 1,6 1,46667 0 0,0000 141 0,1410
7 1,6 1,86667 1,73333 0 0,0000 141 0,1410
8 1,86667 2,13333 2,0 171 0,1710 312 0,3120
9 2,13333 2,4 2,26667 0 0,0000 312 0,3120
10 2,4 2,66667 2,53333 0 0,0000 312 0,3120
11 2,66667 2,93333 2,8 0 0,0000 312 0,3120
12 2,93333 3,2 3,06667 179 0,1790 491 0,4910
13 3,2 3,46667 3,33333 0 0,0000 491 0,4910
14 3,46667 3,73333 3,6 0 0,0000 491 0,4910
15 3,73333 4,0 3,86667 171 0,1710 662 0,6620
16 4,0 4,26667 4,13333 0 0,0000 662 0,6620
17 4,26667 4,53333 4,4 0 0,0000 662 0,6620
18 4,53333 4,8 4,66667 0 0,0000 662 0,6620
19 4,8 5,06667 4,93333 181 0,1810 843 0,8430
20 5,06667 5,33333 5,2 0 0,0000 843 0,8430
21 5,33333 5,6 5,46667 0 0,0000 843 0,8430
22 5,6 5,86667 5,73333 0 0,0000 843 0,8430
23 5,86667 6,13333 6,0 157 0,1570 1000 1,0000

Página 10 de 13 Simulación – Primer Parcial

 24 6,13333 6,4 6,26667 0 0,0000 1000 1,0000
25 6,4 6,66667 6,53333 0 0,0000 1000 1,0000
26 6,66667 6,93333 6,8 0 0,0000 1000 1,0000
27 6,93333 7,2 7,06667 0 0,0000 1000 1,0000
28 7,2 7,46667 7,33333 0 0,0000 1000 1,0000
29 7,46667 7,73333 7,6 0 0,0000 1000 1,0000
30 7,73333 8,0 7,86667 0 0,0000 1000 1,0000
mayor de 8,0 0 0,0000 1000 1,0000
Media = 3,551 Desviación Estándar = 1,65594

Resumen Estadístico

Dado 1 Dado 2 Dado 3

Recuento 1000 1000 1000
Promedio 3,574 3,498 3,551
Desviación Estándar 1,7348 1,71783 1,65594
Coeficiente de Variación 48,5395% 49,109% 46,6331%
Mínimo 1,0 1,0 1,0
Máximo 6,0 6,0 6,0
Rango 5,0 5,0 5,0
Sesgo Estandarizado -0,873893 0,25081 -0,389278
Curtosis Estandarizada -8,44179 -8,32149 -7,81352

Página 11 de 13 Simulación – Primer Parcial

En relación con la función aleatoria con la que se corrieron los lanzamientos de los dados, podemos
evidenciar que unos coeficientes de variación que son muy diferentes, también vemos que su
desviación estándar y su promedio son muy parecidos y están en condiciones optimas siguiendo una
distribución normal de los resultados obtenidos.

Página 12 de 13 Simulación – Primer Parcial

Página 13 de 13 Simulación – Primer Parcial