SIMULACIÓN

Es una técnica numérica para realizar experimentos en una computadora digital. Estos experimentos
involucran ciertos tipos de modelos matemáticos y lógicos que describen el comportamiento de un
sistema de negocios, económicos, sociales, biológicos, físicos o químicos a través de largos
periodos de tiempo.
La simulación debe entenderse como un experimento estadístico, sus resultados son observaciones
que están sujetos a error experimental. La simulación es un recurso extremo al que se recurre
cuando no se pueden plantear modelos matemáticos, optimizantes o descriptivos debido a la
complejidad del problema.
Es la construcción de una historia secuencial (proceso estocástico)
Etapas
Se deberá tener muy claro cual es el objetivo de la simulación, luego se deberá observar la realidad
para levantar supuestos (llegadas, atención, paciencia, orden, prioridad, etc.) y luego se levantaran
supuestos sobre los subsistemas, cual es la mejor distribución de probabilidad que explica el
fenómeno (luego hago test de bondad de ajuste, si no rechaza puedo decir que explica bien el
fenómeno)
• Definición del sistema.
• Formulación del modelo.
• Recolección de datos.
• Implementación del modelo en computadora.
• Validación.
• Experimentación.
• Interpretación.
• Documentación.
Clases de modelos de simulación
• Modelos continuos: Manejan sistemas cuyo comportamiento cambia continuamente en el
tiempo. Suelen usar ecuaciones diferenciales (Ej: Demográfica Mundial)
• Modelos discretos: Relacionados principalmente con el estudio de líneas de espera, cuyo
objetivo es medir tiempo de espera promedio, tamaño de colas. Estas medidas solo cambian
cuando entra o sale alguien de sistema, cambios discretos.
Generación de números aleatorios
• Números aleatorios: se pueden generar con dispositivos electrónicos que se activan con leyes
al azar.
• Números pseudoaleatorios: Se generan basándose en operaciones aritméticas. No son
verdaderamente aleatorios ya que pueden ser generados con anticipación.
Método congruente multiplicativo
Un
Un = 1 +
(b.U n − C) m
od
( m) Rn =
m
n=1, 2, 3, .....
Generación de números no aleatorios
• Método de la transformada inversa
Paso 1º: Generar el número aleatorio (0,1), R
Paso 2º: Calcular la muestra deseada x = F −1 ( R )
o Distribución uniforme (0,1)

1
1 E (r ) =
2

1
σ2 =
12
0 1

1
o Método de la transformada inversa para variables discretas
f(x)
0.4
0.3
0.1 0.2
x f(x) F(x) R
0123 x 0 0.1 0.1 0.00-0.09
1 F(x) 1 0.3 0.4 0.10-0.39
2 0.2 0.6 0.40-0.59
3 0.4 1.0 0.60-1.0

0123 x
o Método de la transformada inversa para variables continuas

F ( x) = r f(x) Valor simulado x`= F −1 (r `)

x = F −1 ( r )

x
r F(x)

r`

f(r) x` x

Distribución triangular

(b − a )
2/(c-a) x = a + (c −a ).( b −a ). r Si ..r ≤
(c − a )

(b − a )
x =c − (c −a ).( c −b).( 1 −r ) Si ..r ≥
(c − a )
a b c

Distribución Poisson
La probabilidad de encontrar x eventos en un tiempo t es
(e −λ .λx )
f ( x) = El tiempo entre eventos es exponencial f (t ) = λ.e −λ.t
x!
Aplicando el método de la transformada inversa

1 1
t= . ln( )
λ r

o Método de la convolución

2
 La distribución normal no es integrable analíticamente, por lo que no es posible aplicar el
método de la transformada inversa.
Para simular valores normales se puede optar por usar tablas de números normales al azar,
algún procedimiento de integración numérica (Simpson) o aplicando el TLC (teorema del
límite central). El cual establece que la suma de n variables aleatorias independientes e
idénticamente distribuidas se vuelven asintóticamente normal cuando n se vuelve
suficientemente grande.
Se usará este resultado para generar muestras de la distribución normal con media µ y desvío
estándar σ.
R.
. U (0.1) x =R1 +R2 +........ +Rn

1 n 1 n
E ( R) = ⇒E ( x ) = σ2 ( R) = ⇒σ 2 ( R ) =
2 2 2 12

n
x−
y = µ + σ .( 2)
n
12

En la practica se supone n = 12

⇒ µσ
y = +.( x −6)

La desventaja de este proceso esta en que se requiere 12 números aleatorios para cada muestra
normal. Un procedimiento es usar la transformación

x1 = − 2. ln( R1 ) .Cos ( 2.π.R2 )

Box - Muller
x2 = − 2. ln( R1 ) .sen ( 2.π.R2 )
Donde con dos números aleatorios genero dos muestras normales.

Mecanismo de avance del proceso

• Avance del tiempo de la simulación por eventos
Consiste en indicar el estado del sistema cada vez que se produce un evento. No se representan
instantes entre eventos por que entre ellos el estado del sistema sigue siendo igual al que se
produjo al concretarse el último evento simulado.
• Avance del tiempo de la simulación por incrementos fijos
Se representa el estado del sistema en t y se determinan los eventos producidos en un lapso ∆t
prefijado, y con base en el estado anterior y los eventos producidos se determina el estado del
sistema en un t + ∆t .

Determinación de la cantidad de iteraciones para cada distribución

2.σ.Z α 2.S .t α
2 Si conozco σ y σ.
( n −1),
Intervalo de confianza: 2 si no conozco
n n