Universidad Nacional Autónoma de

Honduras

Teoría de la simulación (IS-910)

Investigación: aleatoriedad en la simulación

Alumno: Kevin Moisés Maradiaga

N° de cuenta: 20111004179

Sección: 1800

Catedrático: Ricardo López

Tegucigalpa M.D.C viernes 06 de septiembre de 2019

 Introducción
En la presente investigación se da a conocer la importancia de la aleatoriedad en los
modelos de simulación, especialmente modelos discretos.

La aleatoriedad es un elemento que se da siempre en la vida real, dado que no todo puede
ser controlado en su totalidad. Estos elementos aleatorios deben ser tomados en cuenta a
la hora de realizar una simulación.

A continuación, se verá cómo se deben tratar estos elementos dentro de un modelo y como
interactúan con el modelo en sí.

También se verá como deben formularse estas variables aleatorias para lograr la mayor
proximidad y control posible de dicho elemento.
 Aleatoriedad en la simulación
Una característica fundamental de la mayor parte de los sistemas discretos, que interesa
estudiar por simulación, es la presencia de la aleatoriedad como atributo intrínseco de
algunas o todas sus componentes. Todos los sistemas reales suelen contener al menos
una, pero en general más de una, fuente de aleatoriedad.

En consecuencia, de acuerdo con la metodología de los estudios de simulación que hemos

propuesto, en la primera etapa, la de conocimiento, en la que se recoge información sobre
el sistema para formular las Hipótesis de modelización que permitirán construir el modelo,
uno de los aspectos más importantes es el que concierne a la obtención de información
sobre las componentes del sistema que exhiben un comportamiento aleatorio, y la
identificación del tipo de aleatoriedad que posibilite la formulación de Hipótesis para su
modelización o, en otros términos, la determinación de la distribución de probabilidad que
reproduzca lo más adecuadamente posible el comportamiento aleatorio observado.

Identificar la aleatoriedad en los sistemas es equivalente a identificar las fuentes de

aleatoriedad de las componentes de los sistemas y el tipo de distribuciones de probabilidad
que las representan. Así, por ejemplo, en todos aquellos sistemas en los que subyace una
estructura de fenómenos de espera, simples o de red, que constituyen una de las clases
más numerosas a estudiar por simulación, los procesos de llegada y de servicio, es decir
cómo van llegando al sistema las entidades que han de recibir un servicio, y la duración del
mismo son, en general, procesos aleatorios que hay que identificar y modelizar.

La reproducción de las fuentes de aleatoriedad en la simulación del comportamiento de un

sistema exige la capacidad de generar muestras de números aleatorios que correspondan
adecuadamente a la distribución de probabilidad que gobierna la componente particular de
conducta aleatoria que se está simulando.

El mecanismo generador de tales muestras ha de ser capaz de producir variables aleatorias

de cualquier tipo, continuas o discretas. El término «generar una variable aleatoria» se
refiere a la actividad de obtener una observación, o realización, de una variable aleatoria a
partir de la distribución especificada.
 Identificación de patrones de comportamiento aleatorio

Identificar la aleatoriedad en los sistemas es equivalente a identificar las fuentes de

aleatoriedad de las componentes de los sistemas y el tipo de distribuciones de probabilidad
que las representan. La identificación y modelización adecuada de las fuentes de
aleatoriedad es crucial para la corrección del modelo y evitar muchos de los fallos, las
observaciones que se pueden recoger sobre las variables aleatorias relevantes para el
estudio de simulación pueden utilizarse de diferentes maneras a la hora de especificar la
distribución de probabilidad correspondiente.

La simulación ha de incorporar, por lo tanto, la aleatoriedad presente en el mundo real que

el modelo ha de representar. Siempre que sea posible hay que recoger observaciones de
las variables aleatorias de entrada. Las decisiones y especificaciones a que nos estamos
refiriendo han de hacerse a partir de los datos disponibles, y podemos encontrarnos con
una gran variedad de situaciones. En unos casos tendremos un exceso de datos, mientras
que en otros dispondremos de muy pocos, y en ambos casos la procedencia de los datos
puede ser o bien directamente la distribución de interés o indirectamente una distribución
relacionada.

Tener pocos datos significa que nos encontramos en una de las situaciones siguientes, o
en alguna combinación de las mismas: la muestra de que disponemos es pequeña, o solo
tenemos un resumen estadístico, por ejemplo, media, variancia, valores mínimo y máximo,
mediana, moda, etc., o la información disponible es de tipo cualitativo, consistente, por
ejemplo, en entrevistas con personas informadas o con experiencia sobre situaciones
relacionadas. De todas maneras, en el dilema distribuciones empíricas- distribuciones
teóricas, no hay que perder de vista que una distribución empírica puede tener ciertas
irregularidades, particularmente cuando solo se dispone de pocos datos, mientras que una
distribución teórica suaviza los datos y puede proporcionar información sobre la distribución
subyacente.

Las dificultades para generar datos fuera del intervalo de valores observados puede ser una
limitación importante a la hora de utilizar una distribución empírica si tenemos en cuenta
que muchas de las medidas del rendimiento de los sistemas que se simulan dependen
fuertemente de la probabilidad de que ocurran sucesos.
 Generación de muestras de distribuciones aleatorias

La reproducción de las fuentes de aleatoriedad en la simulación del comportamiento de un

sistema exige la capacidad de generar muestras de números aleatorios que correspondan
adecuadamente a la distribución de probabilidad que gobierna la componente particular de
conducta aleatoria que se está simulando.

El mecanismo generador de tales muestras ha de ser capaz de producir variables

aleatorias de cualquier tipo, continuas o discretas. El término generar una variable aleatoria
se refiere a la actividad de obtener una observación, o realización, de una variable aleatoria
a partir de la distribución especificada.

Como vamos a ver a continuación, el ingrediente básico para todo procedimiento de

generación de variables aleatorias a partir de cualquier distribución o proceso aleatorio, es
una fuente de producción de variables aleatorias independientes, idénticamente distribuidas
según una distribución uniforme en el intervalo (0,1).

Esto es consecuencia de un importante resultado de la teoría de probabilidades en función

del cual las muestras de diferentes variables de una gran variedad de distribuciones, tanto
teóricas como empíricas pueden generarse a partir de muestras de variables aleatorias
independientes uniformemente distribuidas en el intervalo (0,1).
 Introducción a los métodos de Montecarlo

Este procedimiento para generar una variable aleatoria según una distribución dada a partir
de variables aleatorias uniformemente distribuidas recibe el nombre de método de la
transformación inversa, basado en la integración numérica de la función de probabilidad
para obtener F:

1. Integrar numéricamente la función de probabilidad f(x) para obtener F

2. Decidir como efectuar una partición de (0,1), el dominio de F-1, en intervalos de
longitud desigual basados en las características de la función F.
3. Determinar la forma y los coeficientes de la función de interpolación para cada uno
de los subintervalos.

A pesar del coste computacional los resultados numéricos indican que este método es uno
de los mejores.

El método de rechazo es uno de los procedimientos básicos del conjunto de procedimientos

conocidos como Métodos de Monte Carlo que combina propiedades de la integración de
funciones con la generación de muestras de variables aleatorias uniformemente distribuidas
para calcular integrales numéricamente.
Generación de números pseudo-aleatorios uniformemente
distribuidos en (0,1)
 Generación de dígitos aleatorios

¿Cuán aleatoria es la secuencia generada?

Está técnica de generación de dígitos es evidentemente muy fácil de programar, y es obvio

que genera secuencias reproducibles, la cuestión de si es adecuada o no como fuente de
generación de dígitos aleatorios a partir de los cuales formar números de varios dígitos por
el método habitual que se utiliza con las tablas de dígitos aleatorios, depende de otros
factores. Un criterio que se puede utilizar es comprobar si los números son aceptablemente
aleatorios, para lo cual tendríamos que someterlos a los test.

Procedimientos generales

Los métodos más generalizados en estos momentos, por su especial adecuación a los
computadores digitales, y la longitud de las secuencias que proporcionan, son los
Generadores Congruenciales Lineales
 Conclusión
as
 Bibliografía
http://aleatoriedadalfredoygustavo.blogspot.com/