Cuadernillo de

Simulacin

M. en C.Luis Ignacio
Sandoval Paz

ndice
Introduccin a la simulacin.
1.1 Definiciones e importancia de la simulacin en la
Ingeniera.
1.2 Conceptos bsicos de modelacin.
1.3 Metodologa de la simulacin.
1.4 Sistemas, modelos y control.
1.5 Estructura y etapas de un estudio de simulacin.
1.6 Etapas de un proyecto de simulacin.

Pgina
3
3
5
7
7
10
11

Nmeros pseudoaleatorios
2.1 Mtodos de generacin de nmeros pseudoaleatorios.
2.2 Pruebas estadsticas de aleatoriedad.
2.3 Mtodo de Monte Carlo.

15
15
18
21

Generacin de variables aleatorias

3.1 Introduccin.
3.2 Variables aleatorias discretas.
3.3 Variables aleatorias continuas.
3.4 Mtodos para generar variables aleatorias.

24
24
25
29
31

Lenguajes de simulacin
4.1 Lenguajes de simulacin y simuladores.
4.2 Aprendizaje y uso de un simulador.
4.3 Casos prcticos de simulacin.

32
32
33
34

Unidad Integradora
5.1 Caso de estudio: anlisis, modelado y simulacin de
un sistema o subsistema de servicios o productivo de una
empresa para detectar las mejoras posibles a realizar.
5.2 Validacin del sistema de simulacin.

34
34

Referencias

45

43

Introduccin a la simulacin.

1.1 Definiciones e importancia de la simulacin en la Ingeniera.

El verbo simular cada vez toma mayor auge en diversas disciplinas cientficas,
para describir el viejo arte de la construccin de modelos. Aun cuando esta
palabra se aplica a diversas formas de construccin de modelos, tales como:
Los de la escultura y pintura del Renacimiento; Los modelos a escala de
aviones; Los modelos en computadora de los procesos cognoscitivos, e incluso
en las ciencias fsicas y en las del comportamiento.
Su empleo moderno se remonta hacia fines de 1940, cuando Von Neumann y
Ulam acuaron el trmino "ANLISIS DE MONTE CARLO" para aplicarlo a una
tcnica matemtica que usaban entonces en la resolucin de ciertos problemas
de proteccin nuclear que eran, o demasiado costosos para resolverse
experimentalmente o de enorme complejidad para un tratamiento analtico.
El anlisis de Monte Carlo involucraba la solucin de un problema matemtico,
no probabilstico mediante la simulacin de un proceso estocstico, cuyos
momentos o distribuciones de probabilidad satisfacen las relaciones
matemticas del problema no probabilstico.
Con la llegada de computadoras de gran velocidad, la simulacin tom otro
significado an, al surgir la posibilidad de experimentar con modelos
matemticos (que describen algn sistema de inters) en la computadora.
Por vez primera, los socilogos al igual que los fsicos encontraron que podran
realizar experimentos controlados de laboratorio.
Al simular en computadoras, surgieron innumerables aplicaciones y con ello, un
nmero mayor de problemas tericos y prcticos.

Definiciones
Desgraciadamente, no existe acuerdo respecto a una definicin precisa de la
palabra simulacin, la propuesta por C. West Churchman es estrictamente
formal:
" X simula a Y" s y solo s:
a. X e Y son sistemas formales.
b. Y se considera como sistema real
c. X se toma como una aproximacin del sistema real

d. Las reglas de validez en X no estn exentas de

error.
La definicin de Shubik es la definicin tpica entre las ms populares:
Simulacin de un sistema (o un organismo) es la operacin de un modelo
(simulador), el cual es una representacin del sistema. Este modelo puede
sujetarse a manipulaciones que seran imposibles de realizar, demasiado
costosas o imprcticas.
La operacin de un modelo puede estudiarse y con ello, inferirse las
propiedades concernientes al comportamiento del sistema o subsistema real.

Roger Schroeder planteaba: La simulacin es una tcnica que puede utilizarse

para resolver una amplia gama de modelos. Su aplicacin es tan amplia que se
ha dicho: "Cuando todo falle, utilice simulacin".
La simulacin es, esencialmente, una tcnica que ensea a construir el modelo
de una situacin real aunada a la realizacin de experimentos con el modelo.
Definicin bastante amplia, que puede comprender situaciones aparentemente
no relacionadas entre s, como los simuladores de vuelo, juegos militares,
juegos de gerencia, modelos fsicos de ros, modelos economtricos, etc.,
desde la perspectiva de la ingeniera, nos interesa una definicin ms
restringida, solamente a experimentos con modelos lgicos o matemticos,
pero adems no nos interesan aquellos experimentos con elementos
de microeconoma, que ocurren bajo condiciones dadas de equilibrio esttico y
producen soluciones completamente determinsticas.
En consecuencia, bajo estas restricciones, la definicin que plantea Thomas
Naylor es bastante adecuada:
Simulacin, es una tcnica numrica para conducir experimentos en una
computadora digital, las cuales requieren ciertos tipos de modelos lgicos y
matemticos, que describen el comportamiento de un negocio o un sistema
econmico (o algn componente de ellos) en perodos extensos de tiempo real.
Simulacin es una tcnica numrica para conducir experimentos en una
computadora digital. Estos experimentos comprenden ciertos tipos de
relaciones matemticas y lgicas, las cuales son necesarias para describir el
comportamiento y la estructura de sistemas complejos del mundo real a travs
de largos periodos de tiempo.
Thomas H. Taylor
Simulacin es el proceso de disear y desarrollar un modelo computarizado de
un sistema o proceso y conducir experimentos con este modelo con el
propsito de entender el comportamiento del sistema o evaluar varias
estrategias con las cuales se puede operar el sistema.
4

Robert e. Shannon
Importancia de la simulacin en la Ingeniera. Recientes avances en las
metodologas de simulacin y la gran disponibilidad de software que
actualmente existe en el mercado, han hecho que la tcnica de simulacin sea
una de las herramientas ms ampliamente usadas en el anlisis de sistemas.
Adems de las razones antes mencionadas, Thomas H. Naylor ha sugerido
que un estudio de simulacin es muy importante para la ingeniera de sistemas
porque presenta las siguientes ventajas en el diseo de estos:
A travs de un estudio de simulacin, 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 observacin detallada del sistema que se est simulando puede conducir
a un mejor entendimiento del sistema y por consiguiente a sugerir estrategias
que mejoren la operacin y eficiencia del sistema.
La simulacin de sistemas complejos puede ayudar a entender mejor la
operacin del sistema, a detectar las variables ms importantes que interactan
en el sistema y a entender mejor las interrelaciones entre estas variables.
La tcnica de simulacin puede ser utilizada para experimentar con nuevas
situaciones, sobre las cuales tiene poca o ninguna informacin. A travs de
esta experimentacin se puede anticipar mejor a posibles resultados no
previstos.
Cuando nuevos elementos son introducidos en un sistema, la simulacin
puede ser usada para anticipar cuellos de botella o algn otro problema que
puede surgir en el comportamiento del sistema.
En simulacin cada variable puede sostenerse constante excepto algunas
cuya influencia est siendo estudiada. Como resultado el posible efecto de
descontrol de las variables en el comportamiento del sistema necesitan no ser
tomados en cuenta. Como frecuentemente debe ser hecho cuando el
experimento est desarrollado sobre un sistema real.

1.2 Conceptos bsicos de simulacin

5

Aplicaciones de la Simulacin
Las reas de aplicacin de la simulacin son muy amplias, numerosas y
diversas, basta mencionar slo algunas de ellas: Anlisis del impacto ambiental
causado por diversas fuentes Anlisis y diseo de sistemas de manufactura
Anlisis y diseo de sistemas de comunicaciones. Evaluacin del diseo de
organismos prestadores de servicios pblicos (por ejemplo: hospitales, oficinas
de correos, telgrafos, casas de cambio, etc.). Anlisis de sistemas de
transporte terrestre, martimo o por aire. Anlisis de grandes equipos de
cmputo. Anlisis de un departamento dentro de una fbrica. Adiestramiento de
operadores (centrales carboelctricas, termoelctricas, nucleoelctricas,
aviones, etc.).Anlisis de sistemas de acondicionamiento de aire. Planeacin
para la produccin de bienes. Anlisis financiero de sistemas econmicos.
Evaluacin de sistemas tcticos o de defensa militar.
La simulacin se utiliza en la etapa de diseo para auxiliar en el logro o
mejoramiento de un proceso o diseo o bien a un sistema ya existente para
explorar algunas modificaciones.
Se recomienda la aplicacin de la simulacin a sistemas ya existentes cuando
existe algn problema de operacin o bien cuando se requiere llevar a cabo
una mejora en el comportamiento. El efecto que sobre el sistema ocurre
cuando se cambia alguno de sus componentes se puede examinar antes de
que ocurra el cambio fsico en la planta para asegurar que el problema de
operacin se soluciona o bien para determinar el medio ms econmico para
lograr la mejora deseada.
Todos los modelos de simulacin se llaman modelos de entrada-salida. Es
decir, producen la salida del sistema si se les da la entrada a sus subsistemas
interactuantes. Por tanto los modelos de simulacin se corren en vez de
resolverse, a fin de obtener la informacin o los resultados deseados. Son
incapaces de generar una solucin por s mismos en el sentido de los modelos
analticos; solo pueden servir como herramienta para el anlisis del
comportamiento de un sistema en condiciones especificadas por el
experimentador. Por tanto la simulacin es una teora, si no una metodologa
de resolucin de problemas. Adems la simulacin es solo uno de varios
planteamientos valiosos para resolver problemas que estn disponibles para el
anlisis de sistemas.
Pero Cundo es til utilizar la simulacin? Cuando existan una o ms de las
siguientes condiciones:
1.- No existe una completa formulacin matemtica del problema o los mtodos
analticos para resolver el modelo matemtico no se han desarrollado an.
Muchos modelos de lneas de espera corresponden a esta categora.

2.- Los mtodos analticos estn disponibles, pero los procedimientos

matemticos son tan complejos y difciles, que la simulacin proporciona un
mtodo ms simple de solucin.
3.- Las soluciones analticas existen y son posibles, pero estn ms all de la
habilidad matemtica del personal disponible El costo del diseo, la prueba y la
corrida de una simulacin debe entonces evaluarse contra el costo de obtener
ayuda externa.
4.- Se desea observar el trayecto histrico simulado del proceso sobre un
perodo, adems de estimar ciertos parmetros.
5.- La simulacin puede ser la nica posibilidad, debido a la dificultad para
realizar experimentos y observar fenmenos en su entorno real, por ejemplo,
estudios de vehculos espaciales en sus vuelos interplanetarios.
6.- Se requiere la aceleracin del tiempo para sistemas o procesos que
requieren de largo tiempo para realizarse. La simulacin proporciona un control
sobre el tiempo, debido a que un fenmeno se puede acelerar o retardar segn
se desee.

1.3 Metodologa de la simulacin.

La Metodologa de la Simulacin por Computadora
El diseo y la implantacin de una simulacin por computadora dependen
del sistema que se est modelando y tambin del lenguaje o paquete de
computadora especfico de que se disponga. En cada simulacin se realizan
ciertos pasos generales.
Clasificacin del sistema
El diseo de una simulacin depende de clasificar al sistema como uno
de los dos tipos.

1.4 Sistemas, modelos y control.

Sistema de eventos discretos: es un sistema cuyo estado cambia slo en
ciertos puntos en el tiempo. Por ejemplo, en el modelo de la operacin de un
banco, el estado del sistema se describe mediante el nmero de clientes en
lnea y cul de los pagadores est en ese momento ocupado. El estado de este
sistema cambia slo en aquellos puntos en el tiempo en lo que:

a) un nuevo cliente llega o;

b) un cliente deja de ser atendido y sale del banco.
Este a su vez se clasifica como uno de los siguientes dos tipos:
Sistemas de Terminacin: es aquel en el existen puntos de inicio y
terminacin precisos y conocidos
Sistemas de no Terminacin: es aquel que est en curso y que carece de
puntos de inicio y terminacin precisos y conocidos.
Sistemas continuos: es aquel cuyo estado cambia continuamente a cada
momento en el tiempo.
Identificacin de los componentes de una simulacin por computadora.
Salida: es el objetivo de un estudio de simulacin que tiene la forma de un
valor numrico especfico.
Entrada: es un valor numrico que es necesario para determinar las salidas de
una simulacin
Antes de disear los detalles de una simulacin por computadora es decisivo
tener una clara comprensin de los objetivos del estudio en la forma de salidas
numricas especficas.
Con las salidas identificadas, el siguiente paso es identificar las entradas. Estas
entradas caen en tres categoras generales:
Condicin inicial: un valor que expresa el estado del sistema al principio de
una simulacin.
Datos determinsticos: son valores conocidos necesarios para calcular las
salidas de una simulacin.
Datos probabilsticos: son magnitudes numricas cuyos valores son inciertos
pero necesarios para obtener las salidas de la simulacin.

Diseo de la simulacin por computadora. Una vez que se hayan

identificado las salidas y las entradas necesarias, la simulacin real consiste en
generar nmeros aleatorios y en la contabilidad.
Paso 1: Generacin de nmeros aleatorios: consiste en obtener las entradas
probabilsticas para el modelo generando nmeros aleatorios de acuerdo con
las distribuciones conocidas asociadas.

Paso 2: Contabilidad: consiste en el diseo de un mtodo sistemtico para

almacenar y procesar todos los valores de entrada y para realizar los clculos
necesarios para obtener los valores de salida.

Aspectos estadsticos de la simulacin

Un conjunto de valores de entrada para un modelo de simulacin es el
conjunto de condiciones inciales que describe el estado del sistema en el
momento en que comienza la simulacin. En muchos casos, estos valores son
fijos y se determinan fcilmente debido a la naturaleza del sistema. Por
ejemplo, simular la operacin diaria de un banco, los valores iniciales que
describen el inicio de la simulacin (esto es, el inicio del da) son que todava
no hay clientes en el sistema y, en consecuencia, que todos los pagadores
disponibles estn ociosos. En contraste, en algunos problemas las condiciones
inciales no estn tan fcilmente disponibles o, de hecho, no se conocen. En
estos casos, los valores inciales generalmente se escogen de una de las
siguientes formas:
1. Asignando valores sobre la base de su conocimiento de cmo trabaja el
sistema que y de lo que sera ms probable esperar en el momento
correspondiente al inicio de la simulacin.
2. Asignando cualesquier valores inciales razonables ejecutando la simulacin
el tiempo suficiente como para minimizar la influencia de las condiciones
inciales.
Asignando cualesquier valores inciales razonables y ejecutando la simulacin
durante algn periodo inicial, digamos T. Despus descartar todas las
estadsticas acumuladas durante este periodo excepto las condiciones finales. Use estas condiciones finales como las condiciones inciales para efectuar otra
simulacin Entonces se compila y registra un segundo conjunto de estadsticas
El anlisis estadstico se usa para determinar la longitud adecuada de la
ejecucin de la simulacin en el paso 2 y el periodo inicial T en el paso 3. Esto
anlisis estn ms all de nuestro alcance pero pueden encontrarse en
cualquier libro sobre simulacin por computadora
La obtencin del valor de salida de una sola corrida de simulacin es
estadsticamente anloga a extraer una sola muestra de una poblacin. Esto se
debe a que la secuencia de nmeros aleatorios usados en la ejecucin de la
simulacin se basa en el nmero aleatorio uniforme inicial elegido y es slo uno
de muchos resultados posibles.

1.5 Estructura y etapas de un estudio de simulacin

Para llevar a cabo un experimento de simulacin se requiere realizar las
siguientes etapas:
Definicin del sistema: Para tener una definicin exacta del sistema que se
desea simular, es necesario hacer primeramente un anlisis preliminar del
mismo, con el fin de determinar la interaccin del sistema con otros sistemas,
las restricciones del sistema, las variables que interactan 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.
Formulacin del modelo: Una vez que estn definidos con exactitud los
resultados que se desean obtener del estudio el siguiente paso es definir y
construir el modelo con el cual se obtendrn los resultados deseados. Aqu es
necesario definir las variables que forman parte de el modelo, sus relaciones
lgicas y los diagramas de flujo que describan en forma completa al modelo.
Coleccin de datos: Es posible que la facilidad de obtencin de algunos datos o
la dificultad de conseguir otros, pueda influenciar el desarrollo y formulacin 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.
Implementacin del modelo en la computadora: Aqu se define cual es el
lenguaje que se va a utilizar algunos de estos pueden ser de propsito general
como: Visual basic, Java, Delphi o se pueden usar unos paquetes como:
GBSS,SIMULA,PROMODEL.
Validacin: Atreves de esta etapa es posible detallar definiciones en la
formulacin del modelo o en los datos alimentados al modelo. Las formas ms
comunes de validar un modelo son:
a) Opinin de expertos
b) La exactitud con la que se predicen los datos
c) Exactitud de la prediccin del futuro
d) Comprobacin de la falla del modelo de simulacin al utilizar datos que
hacen fallar al sistema.
e) Aceptacin y confianza en el modelo de la persona que lo usara.
10

Experimentacin: La experimentacin con el modelo se realizara despus de

que este ha sido validado. La experimentacin consiste en generar los datos
deseados y en realizar anlisis de sensibilidad de los ndices requeridos.
Interpretacin: Se interpretan los resultados que arroja la simulacin y en base
a esto se toma una decision.
Documentacin: Existen dos tipos de documentacin que son requeridos para
hacer un mejor uso del modelo de simulacin.
Documentacin Tcnica: Es la documentacin que con el departamento de
procesamiento de datos debe tener del modelo.
Manual del Usuario: Es la documentacin que facilita la interpretacin y el uso
del modelo desarrollado a travs de una terminal de computadora.

1.6 Etapas de un proyecto de simulacin

Formulacin del problema.
Otro importante aspecto abordado en la investigacin es la identificacin y
estudio de las tcnicas de integracin para la formulacin de las tareas
docentes. Sin pretender profundizar en las complejidades que encierra una
investigacin pedaggica sobre el tema, a continuacin se describen muy
brevemente algunas tcnicas utilizadas para la formulacin de problemas de
integracin estructural, que son los ms importantes:
1.- Modelacin. Fijado el objetivo que se persigue en la creacin de un
problema, inmediatamente se activan los componentes intelectuales bsicos:
sensaciones, percepciones, memoria, pensamiento e imaginacin. Con ellos se
comienzan a dibujar en el cerebro nuevas ideas en forma de imgenes, con la
necesidad de ser exteriorizadas mediante la construccin de modelos grficos,
es por ello que los elementos estructurales del problema son plasmados en el
papel antes de su redaccin en el formato final.
La tcnica de modelacin es un recurso asociativo de gran valor en la fluidez
de los procesos lgicos de anlisis y sntesis del pensamiento que se
desarrollan en el acto de creacin. Es el reflejo grfico en el papel de las
asociaciones que van conformndose como estructuras cognitivas, y los
dibujos, esquemas, trazos, etc que inicialmente viene apareciendo de forma
aislada y sucesiva, luego se integran en forma de sistema para la formulacin
final del problema. Esta tcnica constituye un buen instrumento en manos del
formulador porque facilita la asociacin de ideas, ayuda a agrupar los
11

elementos estructurales del problema y facilita la redaccin en forma

coherente.
La construccin de los diagramas de Euler para estudiar las distintas relaciones
que se establecen entre los conocimientos, es una actividad que ayuda a
desarrollar la habilidad de modelacin. Estos diagramas tambin son utilizados
en la metodologa como situacin inicial para la construccin de tareas que
respondan a determinadas caractersticas.
2.-Tanteo-error. Consiste en un proceso continuo de adecuacin y ajuste por
bsqueda y prueba de los datos y/o las incgnitas segn las condiciones del
problema, hasta encontrar las ms adecuadas. La bsqueda 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
utilizacin en el gran nmero de operaciones de clculo que son realizadas, as
como en tachaduras y borrones que generalmente aparecen sobre el papel del
formulador.
3.- Asociacin por analoga. En esta tcnica se hace uso de la reproduccin en
una primera fase. Consiste en establecer nuevos nexos entre datos e
incgnitas siguiendo formatos y textos guardados en la memoria para obtener
otras por medio de la innovacin. Es evidente que sobre las ideas inciales,
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, s constituye una nueva tarea.
Estas tres primeras tcnicas son tipificadas como complementarias en el acto
de creacin de las tareas docentes, porque actan de forma combinada y ms
bien son instrumentos de ayuda, segn la situacin inicial que se tome como
punto de partida.
Otras, como las siguientes, son denominadas bsicas por su gran influencia y
jerarqua en la formulacin, sin embargo, tanto las complementarias como las
bsicas se utilizan de forma combinada en la prctica.
4.-Integracin por inclusin. Es una tcnica muy sencilla, cuyo procedimiento
es asequible a cualesquier sujeto. Consiste en elaborarla de forma tal que las
incgnitas de los diferentes incisos mantengan una dependencia sucesiva en
forma de cadena.

12

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

mediante procesos de innovacin. Se diferencia de la analoga 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.
Durante su utilizacin se requiere de la imaginacin y el pensamiento creativo
para introducir los cambios, que de forma general pueden ser:
- introducir nuevas condiciones o modificar las viejas.
- cambiar las magnitudes de los datos.
- sustituir los datos cuantitativos por cualitativos.
- incorporar datos cualitativos sobre las sustancias involucradas para su
identificacin.
- incorporar datos adicionales (o en exceso) como distractores.
- reducir los datos a un mnimo o dejarlos en defecto.
- utilizar datos compuestos.
- redactar incgnitas compuestas.
- emplear incgnitas de varias soluciones, indefinidas o sin solucin.
Con ella se han formulado problemas muy novedosos, con relaciones
complejas entre los elementos estructurales. Por lo regular la calidad est
determinada por la capacidad del formulador para redactar de una forma
coherente y original los cambios introducidos.
6.- Fusin de tareas (o contenidos) auxiliares. Como parte de las estrategias de
integracin, la fusin de tareas docentes auxiliares constituye una de las ms
importantes. Es poco empleada, debido a la elevada complejidad que implica el
establecimiento de relaciones mltiples entre datos e incgnitas que proceden
de ejemplos diferentes, aunque tambin pueden ser integrados diversos
contenidos previamente seleccionados, que guarden una relacin directa o
indirecta. Consiste en fusionar dos o ms contenidos (que pueden o no
proceder de otras tareas), mediante los mecanismos de la integracin externa o
interna, para obtener otra con un mayor nivel de complejidad. Para poner en
13

prctica las tcnicas analizadas, es necesario aclarar que casi nunca se

emplean de forma aislada, ms bien en forma asociada como conjunto, por
ejemplo cuando se selecciona la reformulacin, ella va acompaada de otras
complementarias como la modelacin y el tanteo-error, entre otras.

Verificacin y validacin
Se pueden producir errores en cualquiera de las fases del proceso de
desarrollo de un programa:
Validacin: consiste en comprobar que tanto el algoritmo como el programa
cumplen la especificacin del problema; responde a la pregunta: estamos
resolviendo el problema correcto?
Verificacin: se refiere a la comprobacin de que son correctos y completos;
responde a la pregunta: estamos resolviendo el problema de forma correcta?
Una parte importante de la verificacin y la validacin es la ejecucin del
programa con distintos conjuntos de datos:
Modo interactivo: el usuario introduce los valores de los datos durante la
ejecucin del programa (desde el teclado), y se muestra la salida producida por
el programa directamente al usuario (normalmente en una pantalla).
Procesamiento por lotes: el usuario debe preparar un archivo que contenga el
programa, los datos y quiz ciertas ordenes; la ejecucin se lleva a cabo sin
ninguna interaccin con el usuario.
Los errores pueden detectarse en distintas fases del procesamiento del
programa y provocar la detencin del proceso.
Errores sintcticos o errores en tiempo de compilacin: por ejemplo, puntuacin
incorrecta o palabras claves escritas incorrectamente; se detectan en tiempo de
compilacin y normalmente hacen imposible completar la compilacin y
ejecutar el programa.
Errores en tiempo de ejecucin: por ejemplo, dividir por cero en una expresin
aritmtica; pueden no ser detectados hasta que ha comenzado la ejecucin del
programa.
14

Errores lgicos: surgen en el diseo del algoritmo o en la codificacin del

programa que implemente el algoritmo; no ocurre ningn error durante la
compilacin o la ejecucin del programa, pero la salida producida no es
correcta.
El proceso de prueba consiste en ejecutar un programa varias veces con
datos de entrada distintos para los que se conoce los resultados correctos.
Este proceso es importante para evaluar la correccin de un programa. Los
datos de prueba deben seleccionarse cuidadosamente, de forma que se
pruebe cada parte del programa.

2.- nmeros pseudoaleatorios

2.1 Mtodos de generacin de nmeros pseudoaleatorios.

Un nmero pseudoaleatorio es un nmero generado en un proceso que

parece producir nmeros al azar, pero no lo hace realmente. Las secuencias de
nmeros pseudoaleatorios no muestran ningn patrn o regularidad aparente
desde un punto de vista estadstico, a pesar de haber sido generadas por un
algoritmo completamente determinista, en el que las mismas condiciones
inciales producen siempre el mismo resultado.
Los mecanismos de generacin de nmeros aleatorios que se utilizan en la
mayora de los sistemas informticos son en realidad procesos
pseudoaleatorios.
Una de las utilidades principales de los nmeros pseudoaleatorios se lleva a
cabo en el llamado mtodo de Monte Carlo, con mltiples utilidades, por
ejemplo para hallar reas, volmenes encerradas en una grfica y cuyas
integrales son muy difciles de hallar o irresolubles; mediante la generacin de
puntos basados en estos nmeros, podemos hacer una buena aproximacin de
la superficie, volumen total , encerrndolo en un cuadrado, cubo , aunque no lo
suficientemente buena. Asimismo, tambin destacan en el campo de la
Criptografa . Por ello se sigue investigando en la generacin de dichos
nmeros, empleando por ejemplo medidores de ruido blanco o analizadores
atmosfricos, ya que experimentalmente se ha comprobado que tienen una
aleatoreidad bastante alta.
Mtodos de generacin nmeros Pseudoaleatorios.
Existen un gran nmero de mtodos para generar los nmeros aleatorios
uniformes entre 0 y 1. Algunas formas de obtener estos nmeros son:
15

Utilizando tablas de nmeros aleatorios.

Utilizando calculadoras (algunas incluyen una funcin para generarlos ).
Los lenguajes de programacin y las hojas electrnicas incluyen una funcin
para generarlos.
Utilizando Generadores Congruenciales.
El mtodo a utilizar, en s mismo, no tiene importancia: la importancia radica en
los nmeros que genera, ya que estos nmeros deben cumplir ciertas
caractersticas para que sean validos. Dichas caractersticas son:
1. Uniformemente distribuidos.
2. Estadsticamente independientes.
3. Su media debe ser estadsticamente igual a 1/2.
4. Su varianza debe ser estadsticamente igual a 1/12.
5. Su periodo o ciclo de vida debe ser largo.
6. Deben ser generados a travs de un mtodo rpido.
7. Generados a travs de un mtodo que no requiera mucha capacidad de
almacenamiento de la computadora.
Mtodos para generar nmeros aleatorios no uniformes
En los modelos estocsticos existirn una o ms variable aleatorias
interactuando. Estas variables siguen distribuciones de probabilidad tericas o
empricas, diferentes a la distribucin uniforme (01). Para generar nmeros
que sigan el comportamiento de stas variables, se pueden utilizar algunos
mtodos como los siguientes:
1. Mtodo de la transformada inversa
2. Mtodo de rechazo
3. Mtodo de composicin.

16

4. Procedimientos especiales
Mtodo de la transformada inversa.
El mtodo de la transformada inversa utiliza la distribucin acumulada F(x) de
la distribucin que se va a simular. Puesto que F(x) est definida en el intervalo
(01), se puede generar un nmero aleatorio uniforme R y tratar de determinar
el valor de la variable aleatoria para cual su distribucin acumulada es igual a
R, es decir, el valor simulado de la variable aleatoria que sigue un distribucin
de probabilidad f(x), se determina al resolver la siguiente ecuacin.
F(x) = R x = F-1(R)
La dificultad principal de este mtodo descansa en el hecho de que en algunas
ocasiones es difcil encontrar la transformada inversa. Sin embargo si esta
funcin inversa ya ha sido establecida, generando nmeros aleatorios
uniformes se podrn obtener valores de la variable aleatoria que sigan la
distribucin de probabilidad deseada.
Un mtodo sencillo para generar nmeros pseudoaleatorios es el de Neumann.
1. ELEGIR UN NUMERO INICIAL DE 10 CIFRAS.
2. ELEVARLO AL CUADRADO
3. ELEGIR LOS CINCO CENTRALES.
X0= (1234567890)2
X0=1524157875019052100
X0=87501
X1=(87501)2.

Otro mtodo sencillo es el llamado congruencial que utiliza la siguiente

relacin:
X i = (Ax i-1 +C) mod M
Un Generador de nmeros aleatorios es un componente o funcionalidad que
crea nmeros o smbolos para un programa software en una forma que carezca
de un patrn evidente, y que as parezcan ser nmeros aleatorios.
La mayor parte de los generadores de nmeros aleatorios son, en realidad,
pseudoaleatorios: se calcula (o introduce internamente) un valor X0, que
llamaremos semilla, y, a partir de l, se van generando X1, X2, X3, ...

17

Siempre que se parta de la misma semilla, se obtendr la misma secuencia de

valores.
El algoritmo bsico es el mtodo congruencial, que genera valores en el
intervalo [0,1), mediante el siguiente esquema: Se fijan A, B, enteros positivos
(deben tener ciertas propiedades para obtener un buen generador), y, a partir
de una semilla X0 en el conjunto 0,1,...,(m-1), se generan:
X1 = (AX0+B) mod m
X2 = (AX1+B) mod m
X3 = (AX2+B) mod m
Xk+1= (AXk+B) mod m
Donde (AXi+B) mod m es el resto de la divisin entera de (AXi+B) entre m. Por
ejemplo, 16 mod 7 es 2 (se divide 16 entre 7, toca a 2 y sobran 2).
A partir del mtodo congruencial, es posible tomar valores pseudoaleatorios
en el intervalo [0,1) como sigue: Se toma m, entero, muy grande, se toman A, B
adecuados, y una semilla X0 en 0,1,..,(m-1). A partir de ella, se generan
X1,X2,X3,... por el mtodo congruencial, y a partir de ellos, Y0,Y1,Y2,Y3,...
mediante la frmula Yk = Xk /m

2.2 Pruebas estadsticas de aleatoriedad.

Prueba de Kolmogorov-Smirnov para una muestra
La prueba de Kolmogorov-Smirnov para una muestra se considera un
procedimiento de bondad de ajuste, es decir, permite medir el grado de
concordancia existente entre la distribucin de un conjunto de datos y una
distribucin terica especfica. Su objetivo es sealar si los datos provienen de
una poblacin que tiene la distribucin terica especificada.
Mediante la prueba se compara la distribucin acumulada de las frecuencias
tericas (ft) con la distribucin acumulada de las frecuencias observadas (fobs),
se encuentra el punto de divergencia mxima y se determina qu probabilidad
existe de que una diferencia de esa magnitud se deba al azar.
En las tareas de investigacin se pudo obtener un conjunto de observaciones,
en las cuales se supone que tienen una distribucin normal, binomial, de
Poisson, etc. Para el caso, las frecuencias de las distribuciones tericas deben

18

contrastar con las frecuencias observadas, a fin de conocer cul distribucin se

adecua mejor al modelo.
Pasos:
1. Calcular las frecuencias esperadas de la distribucin terica especfica por
considerar para determinado nmero de clases, en un arreglo de rangos de
menor a mayor.
2. Arreglar estos valores tericos en frecuencias acumuladas.
3. Arreglar acumulativamente las frecuencias observadas.
4. Aplicar la ecuacin D = ft fobs, donde D es la mxima discrepancia de
ambas.
5. Comparar el valor estadstico D de Kolmogorov-Smirnov en la tabla de
valores crticos de D.
6. Decidir si se acepta o rechaza la hiptesis.
Ecuacin:
D = ft fobs
En esta ecuacin se aprecia que el procedimiento es muy simple y quiz lo que
parezca ms complicado corresponde al clculo de la frecuencia esperada de
cada tipo de distribucin terica. Por lo tanto, en la marcha de los ejercicios se
presentar cada uno de ellos y la manera de aplicar la prueba estadstica.
Ejemplo:
En una investigacin, consistente en medir la talla de 100 nios de 5 aos de
edad (los datos van de 90 a 110), se desea saber si las observaciones
provienen de una poblacin normal.
Eleccin de la prueba estadstica.
El modelo experimental tiene una muestra y es factible un arreglo en el carcter
ordinal o en los rangos de las series de clases.
Planteamiento de la hiptesis.
19

 Hiptesis alterna (Ha). Los valores observados de las frecuencias para cada
clase son diferentes de las frecuencias tericas de una distribucin normal.
Hiptesis nula (Ho). Las diferencias entre los valores observados y los
tericos de la distribucin normal se deben al azar.
Nivel de significacin.
Para todo valor de probabilidad igual o menor que 0.05, se acepta Ha y se
rechaza Ho.
Zona de rechazo.
Para todo valor de probabilidad mayor que 0.05, se acepta Ho y se rechaza Ha.
Los valores X + son 99.2 2.85.
Aplicacin de la prueba estadstica.
Primero se elaboran los clculos de los valores tericos esperados para la
distribucin normal.
Inicialmente se determina el valor Z de los lmites de cada clase en la serie, por
ejemplo: en la primera clase se determinan el lmite inferior y el superior (90 y
93), y en las subsecuentes slo los lmites superiores (97, 101, 105 y 109).
Para cada valor de Z, se localiza el rea bajo la curva norma tipificada.
Los clculos de valores Z, son de la forma siguiente:
Y as sucesivamente.
Para cada valor Z, se localiza el rea de la curva tipificada de la tabla de
nmeros aleatorios. A partir de estos valores, se obtiene la diferencia entre los
lmites de clases entre el superior y el inferior, por ejemplo: 0.4997 - 0.4793 =
0.020, 0.4793 - 0.2357 = 0.2436, 0.2357 - (0.2794) = 0.5151, 0.2794 (0.4854) = 0.206 y 0.4854 - (0.4994) = 0.014.
Estos resultados de diferencias se multiplican por el tamao de la muestra (100
nios), luego se obtienen las frecuencias tericas y despus se arreglan en
frecuencias acumuladas.
Clculos de los valores tericos.
20

Las frecuencias acumuladas tericas y las observadas se arreglan en los

rangos correspondientes, y posteriormente se aplica la frmula de KolmogorovSmirnov.
Clculo estadstico D de Kolmogorov-Smirnov.
D = ft - fobs = - 0.036
La diferencia mxima D es igual0.049,
a
valor que se compara con los
valores crticos de D en la prueba muestral de Kolmogorov-Smirnov y se
obtiene la probabilidad de la existencia de esa magnitud de acuerdo con la
prueba de Kolmogorov-Smirnov. El valor N es 100 y el mayor nmero de N en
la tabla es 35, por lo cual se aplica la frmula al pie de la tabla:
Para la probabilidad de
Lo anterior quiere decir que para todo valor menor que el crtico para una
probabilidad de 0.05, la probabilidad correspondiente es mayor que 0.05, y todo
valor mayor que D al calculado tienen una probabilidad menor que 0.05, o sea,
es inversamente proporcional al crtico determinado o localizado en la tabla.
Decisin.
En virtud de lo anterior, el estadstico de Kolmogorov-Smirnov obtendo es
menor que el crtico y su probabilidad mayor que 0.05, por lo tanto, se acepta
Ho y se rechaza Ha.
Interpretacin.
Las frecuencias observadas y las tericas calculadas no difieren
significativamente. Por lo tanto, las observaciones tienen una distribucin
normal.

2.3 Mtodo de Montecarlo

El mtodo de Monte Carlo es un mtodo no determinstico o estadstico
numrico usado para aproximar expresiones matemticas complejas y
costosas de evaluar con exactitud. El mtodo se llam as en referencia al
Casino de Montecarlo (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
21

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 la
segunda guerra mundial en el Laboratorio Nacional de Los lamos en EE.UU.
Este trabajo conllevaba la simulacin de problemas probabilsticos de
hidrodinmica concernientes a la difusin de neutrones en el material de fusin,
la cual posee un comportamiento eminentemente aleatorio. En la actualidad es
parte fundamental de los algoritmos de trazado de rayos para la generacin de
imgenes sintticas.
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 el trabajo
de Harris y Herman Kahn en 1948. Aproximadamente en el mismo ao, Enrico
Fermi, Metrpolis 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 proporciona 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.

Orgenes del mtodo

La invencin del mtodo de Monte Carlo se asigna a Stan 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 de neutrones, para la cual resulta prcticamente imposible solucionar
las ecuaciones ntegro-diferenciales que gobiernan la dispersin, la absorcin y
la fisin. La idea consista en probar con experimentos mentales las miles de
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.
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
22

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 le 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.
Ejemplo
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:

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.

23

3.- Generacin de variables aleatorias

3.1 Introduccin.
En estadstica, un nmero aleatorio es un resultado de una variable al azar
especificada por una distribucin. Los algoritmos para la generacin de valores
uniformemente distribuidos estn presentes en todas las calculadoras y
lenguajes de programacin, y suelen estar basados en congruencias numricas
del tipo:

El xito de este tipo de generadores de valores de una variable aleatoria

depende de la eleccin de los cuatro parmetros que intervienen inicialmente
en la expresin anterior:

El valor inicial o semilla: x0

La constante multiplicativa: a
La constante aditiva: c
El nmero m respecto al cual se calculan los restos

Estos cuatro valores deben ser nmeros enteros no negativos y que cumplan la
siguiente condicin: x0,a,c < m
Por la condicin anterior, es evidente que todos los valores generados por este
procedimiento son nmeros enteros entre 0 y m-1. El nmero mximo de cifras
distintas que pueden obtenerse con el procedimiento descrito es m, as que
llegar un momento en que el primer nmero generado se repetir
producindose un ciclo.
El ciclo dnde inevitablemente caer el generador interesa que sea de la mayor
longitud posible (como mximo m), para evitar que se repitan pronto los valores
aleatorios. Por ejemplo, para los valores a = 3, c = 5, x0 = 2 y m = 32 se obtiene
la siguiente secuencia de valores:
2-11-6-23-10-3-14-15-18-27-22-7-26-19-30-31-2-11-6
La secuencia generada tiene como longitud 16 nmeros (el nmero generado
en la decimosptima posicin es el 2 inicial, por lo que toda la secuencia se
repite a partir de ah), muy inferior a la longitud mxima que podra tener
(m=32). Determinadas elecciones de parmetros del generador (x0 , a , c y m)
conducen a ciclos de amplitud mxima.

Si c!=0:
o m.c.m.(c,m) = 1
24

para cada primo p de m

si 4 es divisor de m
Si c=0:
m es primo
para cada factor primo p de m-1
Por ejemplo, tomando como valores m = 25 = 32, a = 5, x0 = 1 y c = 3 se
obtiene la siguiente secuencia de nmeros, que tiene longitud mxima:
1-8-11-26-5-28-15-14-9-16-19-2-13-4-23-22-17-24-27-10-21-12-31-30-25-0-318-29-20-7-6-1

3.2 Variables aleatorias discretas

Mtodo de la transformacin inversa
Sea X una variable aleatoria discreta con funcin de distribucin F y
probabilidades puntuales

Considerando la funcin F, que es escalonada, se tiene el siguiente algoritmo:

1.
Se hace s=p1, i=1.
2.
Se genera u = U (0,1) .
Si u < s , entonces x=xi es el valor que se genera y finaliza el algoritmo.
Si u>s, entonces se hace i=i+1, s=s+pi y se repite el paso 2.

25

Distribuciones concretas
Distribucin geomtrica

Representa el nmero de fracasos hasta que se produce el primer xito en un

experimento de Bernouilli de parmetro p.
La variable geomtrica se puede relacionar fcilmente con la variable
exponencial:

Sea

Sea x>0.

Como

, tomemos

tal que

para conseguir la expresin

de probabilidad puntual de una distribucin G(p). Basta tomar

Tras esto se toma un valor y generado segn una
x=[y]. Ya se vio que para ello hay que hacer
lo que se concluye que

.
y se toma

, con

, por

Distribucin binomial negativa

Representa el nmero de fracasos antes del r-simo xito en un experimento
de Bernouilli de parmetro p.

26

Existen varias formas de simular variables con distribucin binomial negativa: la

ms inmediata es ir simulando experimentos de Bernouilli de parmetro p y
contabilizar los fracasos hasta que se obtiene el xito r-simo. Otro modo
consiste en observar que una variable BN(p,r) es suma de r variables
geomtricas G(p) independientes, por lo que basta simular r veces una
geomtrica con parmetro p y sumar los valores obtenidos.
Veamos tambin un algoritmo directo basado en el mtodo de composicin.

Sean

(Poisson) y

Luego esta composicin es

. Como nosotros queremos simular una

BN(p,r), entonces debemos tomar

algoritmo:

, resultando el siguiente

1.
Se genera

2.
Se genera

Este valor x est distribuido segn una distribucin binomial negativa

BN(p,r).

27

Distribucin de Poisson
En la primera parte de la asignatura se vio que si los tiempos entre sucesos
consecutivos son

, entonces el nmero de sucesos por unidad de

tiempo sigue una distribucin de Poisson de parmetro

para generar una variable
generan valores
corresponder

, podemos proceder del siguiente modo: se

tales que

una

. Ese valor x
variable

Como los valores Tj son exponenciales de parmetro

, con

. En consecuencia,

, entonces se tiene que

, por lo que

En resumen, el algoritmo es el siguiente:

1.
Sean k=1, x=1.
2.
28

Se genera

y se hace k=kui.

3.
Si
, entonces x-1 es el valor buscado. En caso contrario se hace
x=x+1 y se va al paso 2.

3.3 Variables aleatorias continuas

Distribucin exponencial
Un mtodo que ya se usado varias veces consiste en tomar

con
. Otro mtodo, basado en los estadsticos ordenados y que
permite generar n valores a la vez, es el siguiente: se generan

Ordenando
u(0)=0, u(n)=1. Ahora se hace

obtenemos

y definimos

Estos valores corresponden a una variable Exp(1) y son independientes.

Distribucin gamma
Sea

. Como esta distribucin es reproductiva respecto del

segundo parmetro y una variable

siguiente descomposicin:

es una

, consideramos la

29

Es por esto por lo que basta limitarse a simular variables

con
.
El siguiente teorema nos da un mtodo directo para simular estas variables. Si
y

son independientes, entonces

Distribucin beta

Si

, entonces f est acotada y se puede aplicar aceptacin y rechazo.

El valor mximo de f se alcanza en

para una cota de

Sin embargo, el mtodo slo es eficiente si tanto

como
estn prximos a
uno. En los dos siguientes teoremas veremos dos mtodos para simular
variables beta de modo
independientes, entonces

eficiente.

Si

son

30

Sean U1,
entonces

e independientes,

. Si

Distribucin normal
Para generar una variable

, basta generar una variable N(0,1), pues

Con el fin de generar una variable N(0,1) se considera el cambio de

coordenadas siguiente (cambio polar):

con
independientes.

e independientes. Las variables Z1, Z2 son N(0,1) e

3.4 Mtodos para generar variables aleatorios

Para la funcin triangular:

31

4 Lenguajes de simulacin
4.1 Lenguajes de simulacin y simuladores
El desarrollo de los lenguajes de Simulacin comenz a finales de los aos
cincuenta; inicialmente los lenguajes que se usaron en fueron los de propsito
general, los cuales tenan las siguientes ventajas:
La situacin a analizar se puede modelar en forma ms o menos sencilla para
el programador por el conocimiento del lenguaje.
El proceso se puede describir con tanta precisin como le sea posible en el
lenguaje conocido.
Se pueden realizar todas las depuraciones posibles.
Cualquier lenguaje de programacin puede ser empleado para trabajar en
Simulacin, pero los lenguajes especialmente diseados presentan las
siguientes propiedades:
Acaban la tarea de programacin.
Generan una gua conceptual.
Colaboran en la definicin de entidades en el sistema.
32

Manejan la flexibilidad en los cambios.

Ayudan a analizar y a determinar la relacin y el nmero de entidades en el
sistema.
Emshoff y Sisson consideran que la Simulacin Discreta requiere de ciertas
funciones comunes que diferencian un lenguaje de Simulacin de uno de
propsito general, entre las cuales se encuentran las siguientes:
Generar nmeros aleatorios.
Generar variables aleatorias.
Variar el tiempo hasta la ocurrencia del siguiente evento.
Registrar datos para salida.
Realizar anlisis estadstico sobre datos registrados.
Construir salidas en formatos determinados.
Detectar inconsistencias y errores.

4.2 Aprendizaje y uso de un simulador

Los lenguajes precursores en Simulacin fueron los de propsito general, entre
ellos por mencionar solo algunos tenemos: FORTRAN, ALGOL, COBOL, RPG,
BASIC, PASCAL, MODULA, PL/1, etc. Los principales lenguajes utilizados en
Simulacin son:
Simulacin de cambio continuo y de cambio discreto en computadoras hbridas
H01; Simulacin de incremento continuo con orientacin a ecuaciones directas
con nfasis en ecuaciones diferenciales DSL/90, MIMIC, BHSL, DIHYSYS y
S/360 CSMP; Simulacin de incremento continuo con simuladores orientados a
bloques con nfasis en ecuaciones diferenciales MIDAS, PACTOLUS, SCADS,
MADBLOC, COBLOC y 1130 CSMP; Simulacin de incremento continuo con
simuladores orientados a bloques con nfasis en ecuaciones de diferencias
DYNAMO, DYSMAP 2; Simulacin de incremento discreto con orientacin a
actividades CSL, CLP, GSP, GERT, FORSIM, ESP, MONTECODE y
MILITRAN; Simulacin de incremento discreto con orientacin a eventos
SIMSCRIPT, GASP, SIMCOM, SIMULATE y SIMPAC; Simulacin de
incremento discreto con orientacin a procesos SIMULA, OPS, SLAM y SOL;
Simulacin de incremento discreto con orientacin a flujo de transacciones
GPSS y BOSS.

33

4.3 Casos prcticos de simulacin

PAQUETES
Los paquetes son una versin depurada de los diferentes lenguajes de
propsito general y presentan algunas ventajas sobre los lenguajes de
programacin generales:
Reduccin de la tarea de programacin.
Definicin exacta del sistema.
Flexibilizacin mayor para cambios.
Diferenciacin mejor de las entidades que conforman el sistema.
Relacin estrecha entre las entidades del sistema.
Los paquetes de mayor utilizacin en Simulacin son:
EXCEL, STELLA, SIMAN, RISK, STORM, LINDO, CRYSTAL BALL, QSB,
MOR/DS, OR/MS, BEER GAME, GREENPACE, SIMULACION, TAYLOR II,
CAPRE, SIMNET II, PROMODEL, ITHINK, URBAN DYNAMICS y
POWERSIM.En Simulacin Gerencial podemos citar: FISH BANK,
FINANACAT, BUGA-BUGA y MARKOPS, TREE PLAN entre otros.

5 Caso prctico
5.1 Caso de estudio: anlisis, modelado y simulacin de un sistema o
subsistema de servicios o productivo de una empresa para detectar las
mejoras posibles a realizar.
PROCESAMIENTO DE DATOS DE VIENTO (comparacin entre datos
estadsticos y de simulacin)
Distribucin Probabilstica de la Velocidad del Viento
El recurso elico local es caracterizado por la probabilidad de las
diferentes velocidades de viento
Histograma de probabilidades de la velocidad de viento
Distribucin de la densidad de probabilidad
Distribucin de Rayleigh
34

Distribucin de Weibull
Representacin estadstica del viento:
Dadas las caractersticas tan dispersas y aleatorias de la energa elica,
es obvio que la nica manera de estudiar si un emplazamiento es
adecuado o no, es utilizando la estadstica. Para ello se recurre a la
representacin de la velocidad del viento como una variable aleatoria con
una cierta funcin de distribucin.
Normalmente se suele utilizar la distribucin de Weibull; se trata de una
distribucin de dos parmetros: un parmetro de escala c y un parmetro
factor de distribucin de forma k.
La distribucin estadstica de las velocidades del viento vara de un lugar
a otro del globo, dependiendo de las condiciones climticas locales, del
paisaje y de su superficie. La distribucin de Weibull utilizada puede
variar tanto en la forma como en el valor medio.
FACTOR k DE DISTRIBUCIN DE FORMA.- La energa que aportara el
viento si se desplazase con una velocidad igual a la media durante las
8760 horas del ao, sera:

Mientras que la energa realmente disponible en el ao es:

El factor de distribucin de forma de energa elica k, se define como la

relacin entre la energa obtenida en un ao Nanual , y la energa N que
se obtendra en ese ao si la velocidad del viento se mantuviera
constante e igual a la velocidad media v , es decir:

En dos lugares en los que la velocidad media del viento <v> sea la misma,
se tendr ms energa disponible en aquel en que el factor de distribucin
k sea mayor. El parmetro de forma k indica cmo de puntiaguda es la
35

distribucin de velocidades del viento; si siempre tienden a estar

prximas a un cierto valor, la distribucin tendr un alto valor de k y ser
muy puntiaguda.
Si los factores de distribucin son k1 y k2 y las energas disponibles N1 y
N2, se tiene que:

En la mayora de los casos los valores de k estn comprendidos entre 1.3

y 4.3; por ello, cuando no se dispone de muchos datos suele aceptarse la
simplificacin de hacer k = 2, que se conoce como distribucin de
Rayleigh.
DISTRIBUCIN DE RAYLEIGH.- Con los datos disponibles de la velocidad
del viento en un determinado lugar, se puede encontrar la ecuacin de
distribucin de Rayleigh que describe la distribucin de velocidades del
viento con una aproximacin razonable dentro de ciertos lmites, siendo
la velocidad media del mismo un parmetro a tener en cuenta, muy
caracterstico; en la siguiente tabla se dan datos de la velocidad del
viento en cierta regin:

36

Para velocidades del viento por debajo de 15 km/hora, la distribucin de

Rayleigh tiene poca precisin, no siendo til su aplicacin en lugares con
una velocidad media del viento inferior a 13 km/hora. El rea bajo
cualquier curva siempre vale la unidad, ya que la probabilidad de que el
viento sople a cualquiera de las velocidades, incluyendo el cero, debe ser del
100%.

La mitad del rea est a la izquierda de la vertical que pasa por el mximo,
y el valor correspondiente es la mediana de la distribucin, que significa
que la mitad del tiempo el viento soplar a menos de ese valor y la otra
mitad soplar a ms de ese valor. La velocidad del viento media es el
promedio de las observaciones de la velocidad del viento que tendremos
en ese emplazamiento; se observa que esta distribucin de las
velocidades del viento no es simtrica.
A veces las velocidades del viento sern muy altas, aunque muy raras,
siendo las velocidades del viento ms comunes las correspondientes al
valor medio, que se conoce como valor modal de la distribucin.
La distribucin de Rayleigh es de la forma:
37

Siendo: v la velocidad del viento en millas/seg, (1 milla 1. 6095 km)

v y
la velocidad media del viento.
Esta ecuacin proporciona el nmero total de horas al ao que se prev
pueda soplar el viento a la velocidad media del lugar. Su representacin
grfica se presenta en la Figura, en la que se ha considerado
el tiempo

sobre el eje de ordenadas en %, y la velocidad del viento v en millas por

hora sobre el eje de abscisas. La energa que lleva el viento es
proporcional al cubo de su velocidad, por lo que una velocidad ms
elevada implica un transporte energtico de mayor densidad.

38

Comparacin de la energa disponible con la curva de Rayleigh

correspondiente.
Si a los resultados obtenidos en un lugar determinado, por ejemplo con
una velocidad media de 26 km por hora (16,2 mph), (ver Fig de
distribucin de Rayleigh), se superpone una grfica de Rayleigh, se
observa que la distribucin de Rayleigh no coincide con la curva de
distribucin del viento en el lugar indicado, lo que indica que no se
pueden sustituir los datos obtenidos de la distribucin de Rayleigh como
medidas actualizadas y propias de la velocidad del viento del lugar, pero
s pueden servir como una aproximacin bastante razonable cuando los
nicos datos de que se dispone sean los promedios anuales de la
velocidad del viento.
Para una velocidad media del viento de 22,5 km/hora (14 mph), se puede
esperar que el mismo sople a 37 km/hora (23) mph, durante un 2,2% del
tiempo, 194 horas al ao. Para una velocidad media del viento de 10
mph, soplara a 23 mph durante un 0,6% del tiempo 53 horas al ao (ver
figura de comparacin de curvas).
La funcin de densidad de probabilidad de la distribucin de la velocidad
del viento de Rayleigh es de la forma:

Esta distribucin se ajusta haciendo coincidir

la velocidad media del
viento en el lugar en estudio, con la velocidad v . El empleo de un mtodo
ms elaborado requiere disponer de ms datos, caso en el que se
utilizara la distribucin general de Weibull.

39

Distribucin de Densidad de Probabilidades de Rayleigh

Parmetros de distribucin de Rayleigh

U = Promedio de velocidad de viento
U = Velocidad de viento
p(U) = Probabilidad de ocurrencia de la velocidad de viento U
U 2
U
p(U )= 2 exp
2 U
4 U

El nico parmetro es la velocidad de viento

40

DISTRIBUCIN DE WEIBULL.- La funcin de densidad de probabilidad de

la distribucin de la velocidad del viento f(v) es de la forma:

Se trata de una distribucin de dos parmetros en la que c es el

parmetro de escala y k es el factor de forma, que indican las
caractersticas promediadas del viento en el emplazamiento; un valor muy
utilizado es k = 2 (distribucin de Rayleigh).

La velocidad media del viento es el primer momento de la funcin de

densidad (n=1) siendo por tanto:

Si se multiplica la distribucin de la velocidad del viento f(v) por la

energa del viento Nviento se obtiene la distribucin de energa del viento;
la energa total E del viento es:

41

En determinadas situaciones, como en lugares tierra adentro, la energa

calculada por la distribucin de Weibull es un 10% superior a la calculada
experimentalmente.
Para determinar los parmetros c de escala y k de forma de la
distribucin, se puede utilizar una aproximacin de mnimos cuadrados;
partiendo de la funcin de distribucin de Weibull en la forma:

y tomando logaritmos dos veces se puede poner en la forma:

Distribucin de energa disponible para una velocidad media del viento

42

5.2 Validacin del sistema de simulacin

En la Tabla se indican unas velocidades medias anuales de viento
(correspondientes a un parque elico situado a 950 metros de altitud, con
unas prdidas del 8% por sombras, disponibilidad y transformacin), que
de acuerdo con la distribucin estadstica de Weibull, permiten conseguir
la generacin de electricidad en las horas de funcionamiento indicadas.

Velocidad del viento y horas de funcionamiento

Distribucin de Densidad de Probabilidades de Weibull

Parmetros de la distribucin de Weibull

c = Factor de escala relatecionado a la velocidad media
k = Factor de forma relacionado a la desviacin estndar de
los datos
Los sitios se caracterizan en general por medio de los parmetros
de Weibull

k U
p(U )=
c c

k 1

U k
exp
c

43

44

Referencias

John von Neumann y los orgenes de la computacin moderna de William

Aspray Gedisa Editorial 1992
Azarang, M. R. y Garca Dunna, E. Simulacin y Anlisis de Modelos
Estocsticos Mxico. McGrawHill/Interamericana 1996.
Pardo Leandro, Valdez Teofilo. Simulacin Aplicaciones Practicas en la
empresa. Ediciones Diaz Santos. 1987.

45