Simulacin de un modelo

aleatorio
En las ciencias, la simulacin es el artificio contextual que referencia
la investigacin de una hiptesis o un conjunto de hiptesis de
trabajo utilizando modelos.
Thomas T. Goldsmith Jr. y Estle Ray Mann la definen as: "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 perodos."
Una definicin ms formal, formulada por R. E. Shannon1 es: "La
simulacin es el proceso de disear un modelo de un sistema real y llevar a
trmino experiencias con l, con la finalidad de comprender el
comportamiento del sistema o evaluar nuevas estrategias -dentro de los
lmites impuestos por un cierto criterio o un conjunto de ellos - para el
funcionamiento del sistema."
En una simulacin las variables aleatorias son las entradas para el modelo.
Si se ejecutan la misma simulacin dos veces, cada vez cada vez con una
secuencia diferente de nmeros aleatorios, las dos simulaciones tienen
valores distintos. Debido a esto se debe utilizar mtodos estadsticos para el
anlisis.

Tipos de simulacin:
Simulacin de terminacin: donde se ejecuta en un tiempo T, donde E es un
evento especifico de detiene la simulacin, debido a esto la simulacin se
ejecuta durante una cantidad fija de tiempo
Simulacin de estado estable: donde este se ejecuta a lo largo del periodo,
la duracin de la simulacin se va al infinito

Modelo de lnea de espera (teora de dos colas)

Este modelo consiste en formular y relaciones matemticas que pueden
usarse para determinar las caractersticas operativas; parte de una
probabilidad de que no haya unidades o clientes, cantidad promedio de

unidades, cantidad promedio de unidades de sistemas, probabilidad que

tiene una unidad que llega de esperar por el servicio.
Ejemplo:
Los gerentes que tienen dicha informacin son ms capaces de tomar
decisiones que equilibren los niveles de servicio deseables con el costo de
proporcionar dicho servicio. Anlisis Estadstico para Simulaciones de
Terminacin
La media global X es simplemente el promedio de los valores de X
calculados en las n muestras y se puede usar como la mejor estimacin de
la medida de desempeo.
La cantidad S2 es la varianza muestral.
La probabilidad P(tn1 t(,n1)) = LINEA DE ESPERA DE UN SOLO
CANAL
Cada cliente debe pasar por un canal, una estacin para tomar y surtir el
pedido, para colocar el pedido, pagar la cuenta y recibir el producto.
Cuanto llegan ms clientes forman una lnea de espera y aguardan que se
desocupe la estacin para tomar y surtir el pedido.
DISTRIBUCIN DE LLEGADAS
Para determinar la distribucin de probabilidad para la cantidad de llegadas
en un perodo dado, se puede utilizar la distribucin de Poisson.
/= Media o cantidad promedio de ocurrencia en un intervalo
e= 2.17828
X= cantidad de ocurrencias en el interval

Simulacin de Montecarlo
La simulacin de Montecarlo es una tcnica que permite llevar a cabo la
valoracin de los proyectos de inversin considerando que una, o varias, de
las variables que se utilizan para la determinacin de los flujos netos de
caja no son variables ciertas, sino que pueden tomar varios valores. Por
tanto, se trata de una tcnica que permite introducir el riesgo en la
valoracin de los proyectos de inversin.
Se basa en simular la realidad a travs del estudio de una muestra, que se
ha generado de forma totalmente aleatoria. Resulta, por tanto, de gran
utilidad en los casos en los que no es posible obtener informacin sobre la
realidad a analizar, o cuando la experimentacin no es posible, o es muy
costosa.

La aplicacin del mtodo de Monte Carlo para valorar inversiones plantea

dos aspectos fundamentales; la estimacin de las variables y la
determinacin del tamao de la muestra.

La estimacin de las variables

Para la aplicacin de la simulacin de Monte Carlo se han de seguir los
siguientes pasos:
En primer lugar hay que seleccionar el modelo matemtico que se va a
utilizar, siendo en el caso de la valoracin de proyectos de inversin los
ms habituales el Valor Actual Neto (VAN), y la Tasa Interna de
Rentabilidad (TIR). Segn el valor obtenido para estos mtodos de
valoracin se tomar la decisin de si el proyecto es rentable y se lleva a
cabo, o no.
Z = f(x), donde "x" es la variable desconocida a simular

Estimacin del tamao de la muestra

Para determinar el tamao de la muestra, se empezar utilizando un nmero
no demasiado elevado de simulaciones, que se sustituirn en el modelo
matemtico seleccionado, y se calcular la media y la desviacin tpica
correspondiente al mismo. A continuacin, se ir ampliando el tamao de la
muestra hasta que la media y la desviacin tpica no varen
significativamente en relacin con los resultados obtenidos con la muestra
anterior.
Se pueden aplicar dos procedimientos:
Procedimiento aditivo:
Se parte de un nmero inicial de simulaciones (n), y se calcula la media y
la desviacin tpica del modelo matemtico utilizado. A continuacin se
procede a aadir un nmero de nuevas simulaciones equivalente al bloque
inicial (n), de tal forma que ahora se calcula la media y la desviacin tpica
del modelo matemtico utilizando para ello un nmero de simulaciones que
asciende a "2n". La nueva media y desviacin tpica as calculadas se
comparan con las anteriores, repitindose el proceso hasta que la media y la
desviacin tpica no diverjan en ms de un 0,5 1 por ciento. El
inconveniente que presenta este mtodo es que segn se van aadiendo
nuevos bloques de simulaciones, las simulaciones antiguas tienen mayor
peso que las nuevas.

Ejemplo:
Paso 1: Tamao del bloque de simulaciones "n".
Paso 2: Tamao del bloque de simulaciones "n+n = 2n". Si no hay
convergencia, entonces paso 3, sino finalizar.
Paso 3: Tamao del bloque de simulaciones "2n+n = 3n". Si no hay
convergencia, entonces paso 4, sino finalizar.
Y as, sucesivamente hasta alcanzar la convergencia.
Procedimiento multiplicativo:
Se parte de un nmero inicial de simulaciones (n), y se calcula la media y
la desviacin tpica del modelo matemtico utilizado. A continuacin se
procede a aadir un nmero de nuevas simulaciones equivalente a las
acumuladas hasta ese momento, de tal forma que ahora se calcula la media
y la desviacin tpica del modelo matemtico utilizando para ello un
nmero de simulaciones que es el doble de las utilizadas en el paso
anterior. La nueva media y desviacin tpica as calculadas se comparan
con las anteriores, repitindose el proceso hasta que la media y la
desviacin tpica no diverjan en ms de un 0,5 1 por ciento.
De esta forma se soluciona el inconveniente presentado por el
procedimiento anterior, dado que los nuevos bloques de simulaciones que
se van agregando tienen el mismo peso que el existente en el paso anterior,
por lo que la variabilidad del nuevo bloque de simulaciones tiene el mismo
peso sobre el total que la del bloque anterior, siendo por tanto en un mtodo
ms perfecto.
Ejemplo:
Paso 1: Tamao del bloque de simulaciones "n".
Paso 2: Tamao del bloque de simulaciones "2xn = 2n". Si no hay
convergencia, entonces paso 3, sino finalizar.
Paso 3: Tamao del bloque de simulaciones "2x2n = 4n". Si no hay
convergencia, entonces paso 4, sino finalizar.
Y as, sucesivamente hasta alcanzar la convergencia.

reas de Aplicacin
Sistemas de Computadoras. Evaluar hardware o requisitos de software.
Telecomunicaciones. Disear sistemas de comunicacin o protocolos para
mensajera, etc.
Transporte y Energa. Disear facilidades como autopistas, metros, puertos,
etc.
. Aplicaciones Militares y Navales. Evaluacin de nuevas armas o
tcticas.
Economa. Anlisis de sistemas econmicos o financieros.
Fabricacin. Disear y analizar polticas de planificacin, inventarios, etc.
. Personal en empresas de servicios Bancos, Comida Rpida, Correo, ..
. Distribucin y Logstica
Salud Salas de urgencias y de operaciones Planes de Emergencia
(terremotos, inundaciones) Distribucin de Servicios (juzgados,
hospitales)

Ventajas

Desventajas

Permite adquirir experiencia de

manera rpida con un bajo
costo y sin poner en riesgo la
productividad del sistema.

No es aplicable cuando
existan tcnicas analticas qu
e permitan corregir u
optimizar el sistema.

Permite identificar reas con

problemas en un proceso
complejo.

En ocasiones no es posible
asegurar que el modelo sea
valido.

Permite realizar un
estudio sistemtico de
alternativas aplicables al
sistema.

Es posible querer utilizar el

modelo fuera de los imites
para los que fue construido
causando una
falsa apreciacin del
problema.

No importa que tan complejo

sea el sistema ya que todo
sistema puede ser modelado y de
esta manera poder atacar el
problema

No existe ninguna
criterio cientfico sobre las
posibles alternativas a ser
simuladas

Puede ser aplicada en cualquier

punto de la vida de un sistema,
ya sea durante el diseo o
la produccin planteando
alternativas para el
mejoramiento del mismo.

La simulacin es imprecisa y
en ocasiones no proveen
soluciones optimas.

Precursores de su uso
Aunque la tcnica de simulacin generalmente se ve como un mtodo de
ltimo recurso, 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.
SE PODRA CONSIDERAR QUE LA SIMULACIN NACE EN 1777
CON EL PLANTEAMIENTO DEL PROBLEMA "LA AGUJA DE
BUFFON", UN MTODO MATEMTICO SENCILLO PARA IR
APROXIMANDO EL VALOR DEL NMERO A PARTIR DE
SUCESIVOS INTENTOS.

Este modelo matemtico se basa en una aguja de una longitud determinada

lanzada sobre un plano segmentado por lneas paralelas separadas por
unidades. Cul es la probabilidad que la aguja cruce alguna lnea?

En 1812 Laplace mejor y corrigi la solucin de Buffon y desde entonces

se conoce como solucin Buffon-Laplace. Posteriormente, el estadstico
William Sealy Gosset, que trabajaba en la destilera de Arthur Guinness, ya
aplicaba sus conocimientos estadsticos en la destilera y en su propia
explotacin agrcola. El especial inters de Gosset en el cultivo de la
cebada le llev a especular que el diseo de experimentos debera dirigirse
no slo a mejorar la produccin media, sino tambin a desarrollar
variedades de cebada cuya mayor robustez permitiese que la produccin no
se viese afectada por las variaciones en el suelo y el clima.
Para evitar futuras filtraciones de informacin confidencial, Guinness
prohibi a sus empleados la publicacin de cualquier tipo de artculo
independientemente de su contenido, de ah el uso que hizo Gosset en sus
publicaciones del seudnimo "Student" , para evitar que su empleador lo
detectara. Es por esta razn que su logro ms famoso se conoce como la
"distribucin t de Student", que de otra manera hubiera sido conocida como
la "distribucin t de Gosset".
Este hito histrico abri las puertas a la aplicacin de la simulacin en el
campo del proceso de control industrial as como a las sinergias que
generaba esta simulacin basada en la experimentacin y tcnicas de
anlisis para descubrir soluciones exactas a problemas clsicos de la
industria y la ingeniera.

La distribucin uniforme como base de la simulacin

Se denomina distribucin uniforme continua o rectangular a aquella
distribucin que surge al considerar una variable aleatoria que toma valores
equiprobables en un intervalo finito.
Su nombre se debe al hecho de que la densidad de probabilidad de esta
variable aleatoria es uniforme sobre todo su intervalo de definicin.
Para intervalo (A,B) la funcin de densidad est dada por f(x):

Su funcin de distribucin y grficos para un intervalo (A,B):

Con esperanza:

Con varianza:

Software disponible
GASP IV
Es una coleccin de subrutinas FORTRAN, diseadas para facilitar la
simulacin de secuencia de eventos. Cerca de 30 subrutinas y funciones
que proveen numerosas facilidades, incluyendo:
Rutinas de avance del tiempo,
Gestin de listas de eventos futuros,
Adicin y remocin de entidades.
Coleccin de estadsticas.
Generadores de variables aleatorias.
Reporte estndar.
El programador nicamente provee un program main, una rutina de
actualizacin, rutinas de eventos, generadores de reportes personalizados y
una subrutina denominada EVNTS. El programa main debe incluir la
sentencia CALL GASP; siendo GASP una subrutina que determina el
eminente evento, invocando a EVNTS escrita por el usuario y obtiene el

ndice NEXT.
GASP IV es un lenguaje de simulacin desarrollado por Alan B. Pristker y
N. Hurst en 1973. Es un lenguaje hbrido porque puede ser usado para
programadores de simulacin discretos, continuos y combinados; siendo el
primero en integrar completamente estos dos ambientes de funcin del
tiempo. GASP IV es un derivado del GASP II, y se diferencia por la
definicin del evento espacio-estado (state space event).

SIMSCRIPT II.5
Desarrollado en la RAND Corporation por H. Markowtz en los inicios de
los sesenta. SIMSCRIPT 11.5. Es un lenguaje de simulacin con
orientacin al evento y al proceso, es hbrido porque posee facilidades para
simulacin de sistemas discretos y continuos. Un programador
SIMSCRIPT 11.5 consiste de las siguientes partes:
Preamble
Main program
Rutinas de eventos.
Rutinas ordinarias.
SIMSCRIPT 11.5, producido por CACI Products Company (La Jolla,
California), fue utilizado en el pasado en grandes y complejas
simulaciones, como es el caso de los modelos no orientados a colas; por
ejemplo modelos de combates militares. Se encuentra disponible en versin
PC destacando su ambiente de S11VIGRAPHICS.
SIMSCRIPT 11.5 est basado en entidades, atributos y conjuntos. Visualiza

el mundo a ser simulado como un conjunto de entidades que pueden ser

descritas a travs de sus atributos y los eventos que aparecen en el tiempo.
SIMAN/Cinema
La versin original del SIMAN (Simulation and Analysis) fue desarrollada
por Dennis Pegden, en la Universidad de Alabama, cuando era lder del
grupo de desarrollo de la versin original de SLAM (basada en los software
de GASP y Q~GER-r de Pristker and Associates). Ms tarde, Pegden inicia
su trabajo en el Pennisylvania State University donde lo disea como un
lenguaje de modelamiento para propsitos generales, incluyendo
facilidades de manufactura muy tiles en modelamiento de sistemas
complejos de manufactura.
Desde su implementacin inicial en 1984, ha sido continuamente refinado
por System Modeling Corporation, y en 1998 y 1989 el lenguaje fue
completamente rediseado dando origen a SIMAN/Cinema.
El ambiente de modelamiento en SIMAN se desarrolla entre el Modeling y
el Experiment; en el primero se describe las componentes del sistema y sus
interacciones y en el segundo se definen las condiciones del experimento
(longitud de la corrida, condiciones iniciales).
SIMAN modela un sistema discreto usando la orientacin al proceso; es
decir, en un modelo de sistema particular, se estudian las entidades que se
mueven a travs del sistema. Una entidad para SIMAN es un cliente, un
objeto que se mueve en la simulacin y que posee caractersticas nicas
conocidas como atributos. Los procesos denotan la secuencia de
operaciones o actividades a travs del que se mueven las entidades, siendo
modeladas por el diagrama de bloques.
Usted construye un diagrama de bloque en un flowchart grfico,
seleccionando y combinando bloques. Despus, interactivamente, usando
un editor especial se activa el generador automtico de las sentencias del
modelo desde el ambiente grfico. Los bloques de SIMAN se clasifican en
10 tipos bsicos. (ver Fig. 3).
SLAM II

El SIMPSCRIPT y el GASP IV son los lenguajes de programacin de

eventos ms destacados.
SLAM es un descendiente de GASP IV que ofrece tambin recursos de
simulacin de redes y continuos, estando ambos codificados en
FORTRAN.
Desde los lenguajes orientados a los procesos, existen representacin de
modelos en bloques como GPSS y SIMAN y los basados en redes como QGERT y SLAM.
Con la llegada del PERT, se plantearon situaciones de redes complejas, en
tanto a ramificacin por efecto de una decisin y loop para conseguir que
varias actividades se realicen de modo repetitivo, trayendo consigo el
desarrollo del GERT (Graphical Evaluation and Review Technique), por
Pritoker y Elaghraby; quienes lo aplicaron para el programa Apolo. Figura
4
El lenguaje Q-GERT signific la respuesta al clculo de estimacin de
probabilidades de terminacin en cada nodo y la distribucin de tiempos y
costos para la realizacin de cualquier nodo, la estructura bsica de un
modelo de simulacin Q-GERT es una red compuesta de nodos y
actividades (bifurcaciones). SLAM es una variante de QGERT que ofrece
recursos de eventos de redes y discretos (y tambin simulacin continua).
SLAM II (Simulation Languaje for Alternative Modeling) es un lenguaje
de simulacin por el cual se pueden construir modelos con orientacin al
proceso o al evento. SLAM fue desarrollado en 1979 por Dennis Pedge y
Alan Pritsker y es distribuido por Pritsker Corporation (indianapolis,
Indiana). La parte de SLAM que se orienta a los procesos emplea una
estructura reticular compuesta por smbolos de nodos y ramas tales como
colas, servidores y puntos de decisin. Modelamiento significa incorporar
esos smbolos a un modelo de red que representa el sistema y en donde las
entidades (tems) pasan a travs de la red. SLAM contiene un procesador
que convierte la representacin visual del sistema a un conjunto de
sentencias. Tabla 3

La parte orientada a los eventos permite incluir rutinas en FORTRAN para

las relaciones lgicas y matemticas que describen los cambios en los
eventos.
Un modelo continuo es especificado por las ecuaciones diferenciales o de
diferencia, el que describe la conducta dinmica de las variables de estado.
El modelador codifica esas ecuaciones en FORTRAN, empleando un juego
especial de arreglos de almacn SLAM.
El SLAM simplifica el modelamiento de sistemas complejos, combinando
el uso fcil de lenguaje de proceso como GPSS y Q-GERT con la potencia
y flexibilidad del lenguaje de eventos GASP IV.

Bibiografia
https://es.wikipedia.org/wiki/Modelo_multinivel
http://www.udc.es/dep/mate/estadistica2/sec3_7.html
https://prezi.com/_4kluorbebhn/modelo-de-simulacion-estadistico/
http://ceur-ws.org/Vol-120/paper2.pdf
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_uniforme_continua
https://books.google.com.ec/books?
id=iY6dI3E0FNUC&pg=PA17&lpg=PA17&dq=ventajas+de+estudiar+sim
ulacion&source=bl&ots=uJRd3k-N7B&sig=snmRkfN1tzf-dud9xPegvtYfCE&hl=es-

419&sa=X&ved=0ahUKEwiNg9Wts8zJAhVGOT4KHdQ6A_QQ6AEIGj
AA#v=onepage&q&f=false
http://www.landersimulation.com/formacion-con-simulacion/el-mundo-enmovimiento/historia-de-la-simulacion/
http://sisbib.unmsm.edu.pe/bibvirtual/publicaciones/indata/v02_n1/software.
htm