TÍTULO:
“SIMULACIÓN DE SISTEMAS”
ORIENTADO A EVENTOS DISCRETOS
INDICE
1. INTRODUCCIÓN A LA SIMULACIÓN...................................................................................... 1
1.1. PRINCIPIOS BASICOS DE LA SIMULACION .................................................................... 2
1.1.1. INTRODUCCIÓN A LA SIMULACIÓN...................................................................... 2
1.1.2. DEFINICIONES ....................................................................................................... 3
1.1.3. DEFINICIÓN DE LA SIMULACIÓN DE SISTEMAS.................................................... 6
1.1.4. TIPOS DE SIMULACIÓN. ........................................................................................ 7
1.1.5. VENTAJAS Y DESVENTAJAS DE LA SIMULACIÓN .................................................. 9
1.1.6. ERRORES AL MOMENTO DE REALIZAR UN MODELO DE SIMULACIÓN ............. 10
1.1.7. ETAPAS DE LA SIMULACIÓN ............................................................................... 10
1.1.8. EJEMPLOS DE MODELO DE SIMULACIÓN........................................................... 13
1.1.9. TOMA DE DECISIONES ........................................................................................ 15
1.1.10. CLASIFICACIÓN DE MODELOS DE LA INVESTIGACIÓN DE OPERACIONES ......... 15
1.1.11. PASOS PARA REALIZAR UN ESTUDIO DE SIMULACIÓN ..................................... 16
1.2. EL MÉTODO DE MONTE CARLO .................................................................................. 19
1.2.1. APLICACIONES DE LA SIMULACIÓN .................................................................... 20
1.2.2. EL SIMULADOR POR COMPUTADORA................................................................ 23
1.2.3. RESOLUCIÓN ANALÍTICA VS SIMULACIÓN ......................................................... 23
2. NÚMEROS Y VARIABLES ALEATORIAS................................................................................ 35
2.1. LOS NUMEROS PSEUDO ALEATORIOS........................................................................ 37
2.1.1. NÚMEROS PSEUDO – ALEATORIOS .................................................................... 37
2.1.2. GENERACIÓN DE NÚMEROS PSEUDO – ALEATORIOS ....................................... 37
2.2. ALGORITMOS NO CONGRUENCIALES ........................................................................ 39
2.2.1. ALGORITMO DE CUADRADOS MEDIOS .............................................................. 39
2.2.2. ALGORITMO DE PRODUCTOS MEDIOS .............................................................. 40
2.2.3. ALGORITMO DE MULTIPLICADOR CONSTANTE ................................................. 41
2.3. ALGORITMOS CONGRUENCIALES ............................................................................... 42
2.3.1. ALGORITMO LINEAL............................................................................................ 42
2.3.2. ALGORITMO CONGRUENCIAL MULTIPLICATIVO ............................................... 44
2.3.3. ALGORITMO CONGRUENCIAL ADITIVO ............................................................. 45
2.4. ALGORITMOS CONGRUENCIALES NO LINEALES ........................................................ 46
2.4.1. ALGORITMO CONGRUENCIAL CUADRÁTICO ..................................................... 46
2.4.2. ALGORITMO DE BLUM, BLUM Y SHUB ............................................................... 47
2.5. PROPIEDADES DE LOS NÚMEROS PSEUDO - ALEATORIOS........................................ 47
2.5.1. PRUEBA DE MEDIAS ............................................................................................ 48
2.5.2. PRUEBA DE VARIANZA......................................................................................... 50
2.5.3. PRUEBA DE UNIFORMIDAD ................................................................................ 52
2.5.4. PRUEBA DE INDEPENDENCIA ............................................................................. 54
3. VARIABLES ALEATORIAS ................................................................................................. 57
3.1. DEFINICIÓN DE LAS VARIABLES ALEATORIA .............................................................. 59
3.1.1. TIPOS DE VARIABLES ALEATORIAS ..................................................................... 60
3.2. PRUEBAS PARA EL TIPO DE DISTRIBUCIÓN................................................................ 63
3.2.1. PRUEBAS CHI-CUADRADA .................................................................................. 63
3.2.2. PRUEBAS DE KOLMOGOROV – SMIRNOV .......................................................... 65
3.2.3. AJUSTE DE DATOS CON STAT - FIT...................................................................... 68
3.3. GENERACION DE VARIABLES ALEATORIAS. ............................................................... 68
3.3.1. MÉTODO DE LA TRANSFORMADA INVERSA ...................................................... 68
3.3.2. MÉTODO DE CONVOLUCIÓN .............................................................................. 73
4. CONSTRUCCIÓN DE MODELOS DE SIMULACIÓN ............................................................... 77
4.1. VERIFICACIÓN Y VALIDACIÓN DE LOS MODELOS DE SIMULACIÓN .......................... 79
4.1.1. SIMULACIONES TERMINALES ............................................................................. 79
4.1.2. SIMULACIONES NO TERMINALES O DE ESTADO ESTABLE ................................. 82
4.1.3. LONGITUD DE RÉPLICAS ..................................................................................... 82
4.2. MODELOS DE SIMULACIÓN ........................................................................................ 87
4.2.1. MODELO DE UNA LÍNEA DE ESPERA CON UN SERVIDOR .................................. 87
BIBLIOGRAFÍA
1. INTRODUCCIÓN A
LA SIMULACIÓN
1
1.1. PRINCIPIOS BASICOS DE LA SIMULACION
2
Esquema General de Modelamiento de Sistemas
1.1.2. DEFINICIONES
3
Evento: Es un cambio en el estado actual del sistema. Ejemplo: La entrada o
salida de una entidad, La finalización de un proceso en un equipo, La
interrupción o reactivación de una operación.
Eventos Actuales: Son aquellos que están sucediendo en el sistema en un
momento dado.
Eventos Futuros: Son cambios que se presentan en el sistema después del
tiempo de simulación.
Exógeno: Describe las actividades del medio ambiente que lo afectan al
sistema.
Localizaciones: Son todos aquellos lugares en los que la pieza puede detenerse
para ser transformada o esperar a serlo. Almacenes, bandas transportadoras,
máquinas, estaciones de inspección.
Modelos Continuos: Son aquellos en que las relaciones entre las variables
relevantes de la situación real se definen por medio de ecuaciones
diferenciales, dado que éstas permiten conocer el comportamiento de las
variables en un lapso de tiempo continuo. Ejemplo: flujo de un material dentro
de una tubería
Modelos Discretos: El comportamiento se representa por medio de
ecuaciones evaluadas en un punto determinado. Ejemplo: El número de
personas que llegaron a un Banco en un lapso de tiempo
Modelos Dinámicos: Son aquellos en los que el estado del sistema que
estamos analizando cambia respecto al tiempo. Ejemplo: El número de
personas que hacen fila para entrar a una sala de cine varía con el tiempo
Modelos Estáticos: Representan un resultado bajo un conjunto de situaciones
o condiciones determinado. Ejemplo: Al lanzar un dado los únicos valores que
se puede obtener son 1, 2, 3, 4, 5 ó 6 de manera que el resultado de la
simulación será uno de los tales valores posibles. (Simulación de Montecarlo)
Modelos Determinísticos: Relaciones constantes entre los cambios de las
variables del modelo. Ejemplo: Si las cajas empleadas en un proceso contienen
siempre 5 productos, cada vez que se añada una caja en el inventario este se
incrementará en 5 unidades.
Modelos Probabilísticas: Si algunas cajas contienen 3 productos, otras 4 y así
por el estilo, el inventario se modificará según el número de piezas de cada
caja y en consecuencia será necesario un modelo estocástico.
4
Estocástico: Actividad que cambia aleatoriamente en distintas salidas.
Modelos: Toda representación de un sistema real o abstracto. (Icónico,
Simbólico, Análogo y Matemático) Tipos: Físicos, Mentales, Simbólicos
Recursos: Son aquellos dispositivos (diferentes a las localizaciones) necesarios
para llevar a cabo una operación. Un montacargas que transporta una pieza de
un lugar a otro, una persona que realiza la inspección en una estación, una
herramienta necesaria para realizar un proceso pero que no forma parte de
una localización específica.
Reloj de Simulación: Es un contador del tiempo de simulación
Reloj de Simulación Absoluto: Que parte desde cero y termina en un tiempo
total de simulación definido.
Reloj de Simulación Relativo: Que solo considera el lapso de tiempo que
transcurre entre dos eventos.
Modelos: Representa situaciones reales de diferentes tipos: Modelos físicos y
Modelos matemáticos a la cual pertenecen los modelos de simulación de
eventos discretos.
Simulación: Es la imitación de la operación de un proceso o sistema del mundo
real en un determinado tiempo. Simulación es una técnica numérica para
conducir experimentos en una computadora digital; estos experimentos
comprenden ciertos tipos de relaciones matemáticas y lógicas, las cuales son
necesarias para describir el comportamiento y la estructura de sistemas
complejos del mundo real a través de largos períodos".
Simulación de Eventos Discretos: Conjunto de relaciones lógicas, matemáticas
y probabilísticas que integran el comportamiento del sistema bajo estudio
cuando se presenta un evento determinado.
Variables: Son condiciones cuyos valores se crean y modifican por medio de
ecuaciones matemáticas y relaciones lógicas.
Variables Continuas: El costo de operación de un sistema.
Variables Discretas: El número de unidades que deberá empacarse en un
contenedor.
Variables Exógenas: Son variables Independientes o de entradas del modelo.
Estas variables actúan sobre el sistema y no viceversa (por lo general)
Variables Endógenas: Son variables Dependientes o de salidas del sistema y
son generadas por la interacción de las variables exógenas con las del estado
5
Variables de Estado: Describen el estado de un sistema o uno de sus
componentes, estas variables Interaccionan con las variables exógenas y
endógenas.
6
sociales, biológicos, físicos o químicos a través de largos periodos de
tiempo.
Thomas H. Naylor: Es una técnica numérica para conducir
experimentos en una computadora digital. Estos experimentos
comprenden ciertos tipos de relaciones matemáticas y lógicas, las
cuales son necesarias para describir el comportamiento y la estructura
de sistemas complejos del mundo real a través de largos periodos de
tiempo
7
De acuerdo a la naturaleza del modelo empleado, la simulación puede ser por
(Fishman, 1978):
Identidad: Es cuando el modelo es una réplica exacta del sistema en
estudio. Es la que utilizan las empresas automotrices cuando realizan
ensayos de choques de automóviles utilizando unidades reales.
Cuasi-identidad: Se utiliza una versión ligeramente simplificada del
sistema real. Por ejemplo, los entrenamientos militares que incluyen
movilización de equipos y tropas pero no se lleva a cabo una batalla real.
Laboratorio: Se utilizan modelos bajo las condiciones controladas de un
laboratorio. Se pueden distinguir dos tipos de simulaciones:
o Juego operacional: Personas compiten entre ellas, ellas forman
parte del modelo, la otra parte consiste en computadoras,
maquinaria, etc. Es el caso de una simulación de negocios donde
las computadoras se limitan a recolectar la información
generada por cada participante y a presentarla en forma
ordenada a cada uno de ellos.
o Hombre-Máquina: Se estudia la relación entre las personas y la
máquina. Las personas también forman parte del modelo. La
computadora no se limita a recolectar información, sino que
también la genera. Un ejemplo de este tipo de simulación
es el simulador de vuelo.
Simulación por computadora: El modelo es completamente simbólico y
está implementado en un lenguaje computacional. Las personas quedan
excluidas del modelo. Un ejemplo es el simulador de un sistema de
8
redes de comunicación donde la conducta de los usuarios está modelada
en forma estadística. Este tipo de simulación a su vez puede ser:
o Digital: Cuando se utiliza una computadora digital.
o Analógica: Cuando se utiliza una computadora analógica. En este
grupo también se pueden incluir las simulaciones que utilizan
modelos físicos.
Ventajas:
Es muy buena herramienta para conocer el impacto de los cambios en
los procesos sin necesidad de llevarlos a cabo en la realidad.
Mejora el conocimiento del proceso actual al permitir que el analista
vea cómo se comporta el modelo generado bajo deferentes escenarios
Puede utilizarse como medio de capacitación para la toma de
decisiones.
Es más económico realizar un estudio de simulación que hacer muchos
cambios en los procesos reales.
Permite probar varios escenarios en busca de las mejores condiciones
de trabajo de los procesos que se simulan.
En problemas de gran complejidad, la simulación permite generar una
buena solución.
En la actualidad los paquetes de software para simulación tienden a
ser más sencillos, lo que facilita su aplicación.
Gracias a las herramientas de animación que forman parte de muchos
de esos paquetes es posible ver cómo se comportará un proceso una
vez que sea mejorado.
Desventajas:
Aunque muchos paquetes de software permiten obtener el mejor
escenario a partir de una combinación de variaciones posibles, la
simulación no es herramienta de optimización.
La simulación puede ser costosa cuando se quiere emplearla en
problemas relativamente sencillos de resolver, en lugar de utilizar
9
soluciones analíticas que se han desarrollado de manera específica
para ese tipo de casos.
Se requiere bastante tiempo para realizar un buen estudio de
simulación.
Es preciso que el analista domine el uso del paquete de simulación y
que tenga sólidos conocimientos de estadística para interpretar los
resultados.
10
Se debe establecer si el simulador será operado por el usuario o si el
usuario sólo recibirá los resultados. Finalmente, se debe establecer si
el usuario solicita un trabajo de simulación o un trabajo de
optimización.
Definición del Sistema: El sistema a simular debe estar perfectamente
definido. El cliente y el desarrollador deben acordar dónde estará la
frontera del sistema a estudiar y las interacciones con el
medioambiente que serán consideradas.
Formulación del Modelo: Esta etapa es un arte y será discutida más
adelante. La misma comienza con el desarrollo de un modelo simple
que captura los aspectos relevantes del sistema real. Los aspectos
relevantes del sistema real dependen de la formulación del problema;
para un ingeniero de seguridad los aspectos relevantes de un
automóvil son diferentes de los aspectos considerados por un
ingeniero mecánico para el mismo sistema. Este modelo simple se irá
enriqueciendo como resultado de varias iteraciones.
Colección de Datos: La naturaleza y cantidad de datos necesarios están
determinadas por la formulación del problema y del modelo. Los datos
pueden ser provistos por registros históricos, experimentos de
laboratorios o mediciones realizadas en el sistema real. Los mismos
deberán ser procesados adecuadamente para darles el formato exigido
por el modelo.
Implementación del Modelo por Computadora: El modelo es
implementado utilizando algún lenguaje de computación. Existen
lenguajes específicos de simulación que facilitan esta tarea; también,
existen programas que ya cuentan con modelos implementados para
casos especiales.
Verificación: En esta etapa se comprueba que no se hayan cometidos
errores durante la implementación del modelo. Para ello, se utilizan las
herramientas de debugging provistas por el entorno de programación..
Validación: En esta etapa se comprueba la exactitud del modelo
desarrollado. Esto se lleva a cabo comparando las predicciones del
modelo con: mediciones realizadas en el sistema real, datos históricos
o datos de sistemas similares. Como resultado de esta etapa puede
11
surgir la necesidad de modificar el modelo o recolectar datos
adicionales.
Diseño de Experimentos: En esta etapa se decide las características de
los experimentos a realizar: el tiempo de arranque, el tiempo de
simulación y el número de simulaciones. No se debe incluir aquí la
elaboración del conjunto de alternativas a probar para seleccionar la
mejor, la elaboración de esta lista y su manejo es tarea de la
optimización y no de la simulación. Debe quedar claro cuando se
formula el problema si lo que el cliente desea es un estudio de
simulación o de optimización.
Experimentación: En esta etapa se realizan las simulaciones de
acuerdo al diseño previo. Los resultados obtenidos son debidamente
recolectados y procesados
Interpretación: Se analiza la sensibilidad del modelo con respecto a los
parámetros que tienen asociados la mayor incertidumbre. Si es
necesario, se deberán recolectar datos adicionales para refinar la
estimación de los parámetros críticos.
Implementación: Conviene acompañar al cliente en la etapa de
implementación para evitar el mal manejo del simulador o el mal
empleo de los resultados del mismo.
Documentación: Incluye la elaboración de la documentación técnica y
manuales de uso. La documentación técnica debe contar con una
descripción detallada del modelo y de los datos; también, se debe
incluir la evolución histórica de las distintas etapas del desarrollo. Esta
documentación será de utilidad para el posterior perfeccionamiento
del simulador.
12
1.1.8. EJEMPLOS DE MODELO DE SIMULACIÓN
13
Sistemas y sus Componentes
Un taller recibe ciertas piezas, las mismas que son acumuladas en un almacén
temporal en donde esperan a ser procesadas. Esto ocurre cuando un operario
transporta las piezas dl almacén a un torno.
Desarrolle un modelo que incluya el número de piezas que hay en el almacén
esperando a ser atendidas en todo momento, y el número de piezas
procesadas en el torno
14
Entidades: Las piezas, que representan los flujos de entrada al sistema.
Estado del Sistema: en 1:10 min de simulación, se encuentran 9 piezas en
almacén esperando a ser procesadas, el torno no está trabajando en ese
momento, hay 4 piezas procesadas.
Eventos: El tiempo de descanso del aperador, la salida de una pieza tras ser
procesada etc.
Localizaciones: El almacén donde deben llegar las piezas, el almacén donde se
almacena las piezas procesadas.
Recursos: Operario que transporta las piezas del almacén al torno.
Atributos: Tamaño de las piezas.
Variables: El número de piezas en el almacén y El número de piezas
procesadas en el torno.
Reloj de la Simulación: En este momento recorrió 1:10 min y continuará
avanzando hasta terminar la simulación.
Se clasifican en:
Decisiones trascendentales
Decisiones triviales
15
Modelos Deterministas: Las variables no se obtienen por medio del azar, son
valores preestablecidos.
Modelos Estocásticos: Al menos una de las características de operación está
dada por la función de probabilidad, los valores de estas variables se obtienen
al azar.
Modelos Estáticos: Son aquellos que no toman en cuenta explícitamente a la
variable tiempo.
Modelos Dinámicos: Son los que tratan de la interacciones que varían con el
tiempo.
16
Generación del modelo de simulación base
- General un modelo de simulación básico.
- Conforme se va avanzando el modelo base se puede ir incluyendo las
variables aleatorias del sistema con sus respectivas distribuciones de
probabilidad asociadas.
17
Generación del modelo final
- Una vez validado el modelo, el analista está listo para realizar la simulación
y estudiar el comportamiento del proceso.
Análisis de sensibilidad
- Con los resultados de los escenarios importantes realizar pruebas
estadísticas que permitan comparar los escenarios con los mejores
resultados finales.
- Si dos de ellos tienen resultados similares, comparar sus intervalos de
confianza.
18
1.2.EL MÉTODO DE MONTE CARLO
Se considera la técnica estadística más usada en la simulación por ser usada para
problemas que tienen una base estocástica o probabilística.
19
En este curso nos dedicamos al caso probabilístico
20
Plantas industriales: Brinda información para establecer las
condiciones óptimas de operación, y para la elaboración de
procedimientos de operación y de emergencias.
Capacitación: Dado que el riesgo y los costos son casi nulos, una
persona puede utilizar el simulador para aprender por sí misma
utilizando el método más natural para aprender: el de prueba y error.
21
Impacto de la Simulación en algunos Trabajos
22
Simuladores de vuelos: Fue una de las primeras aplicaciones de los
simuladores. Actualmente se utilizan para entrenar pilotos de aviones
comerciales y de combate.
23
l
T
g
b b2 4ac
x1,2
2a
Esta solución analítica permite calcular fácilmente las nuevas raíces cuando se
varían los coeficientes del polinomio. También, es claro que habrá problemas
cuando el argumento de la raíz cuadrada se haga negativo.
Sin embargo, no siempre es posible obtener una solución analítica, ya sea por
la naturaleza del modelo o de los experimentos que se desean realizar. En este
caso, el modelo deberá ser tratado por algún tipo de método numérico. Esto
es, el modelo será resuelto para un caso particular, y la solución será un
número, un vector o una matriz; pero no se tendrá una función analítica.
Debido a esto, el análisis de los resultados es más complejo que el requerido
por una solución analítica. A continuación se da un ejemplo utilizando la
simulación de Monte Carlo.
24
Determinación del área de una figura
a r2
p 2 r
c c
acirculo acuadrado (4r 2 )
n n
25
Es importante notar que para un dado n, el resultado será distinto cada vez
que se realice la simulación. Es decir, que el resultado será un número
aleatorio. A medida que n aumente, la varianza del resultado disminuirá y el
valor medio se aproximará a la solución analítica. Para un n 100 , el resultado
de una simulación es 320 cm 2 ; mientras que para n 10000 , un resultado es
313 cm 2 .
Evaluación de Integrales
b
I g ( x)dx
a
Si bien para este caso en particular existen mejores métodos para hacerlo,
cuando se deben resolver integrales múltiples con integrandos mal
condicionados la simulación de Monte Carlo puede ser una buena alternativa.
b b 1 1 b I
E( y ) g ( x ) f ( x ) dx g ( x ) dx g ( x ) dx
a a ba ba a ba
Por lo tanto: I (b a) E( y )
26
Sin embargo, E y no es conocido; sólo puede ser estimado con el promedio de
una muestra, por el mismo motivo I sólo puede ser estimado por el número
aleatorio y se calcula de la siguiente manera:
n n
yi g ( xi )
Y (b a) i 1
(b a) i 1
n n
(b a)Var( y )
Note que E( y ) 1... y...Var( y )
n
Dónde: Var (o y ) es la varianza de y x
2
Ejemplo 1:
Hallar la siguiente Integral I sen( x )dx
0
Solución Analítica:
n n
yi g ( xi )
Y (b a) i 1
(b a) i 1
n n
I sen( x)dx
0
cos cos 0
0
n 10 20 40 80 160 320
y 2.213 1.951 1.948 1.989 1.993 ¿?
27
Modelo de simulación de 5 lanzamientos de un dado
Variables de
Sistema Entidades Atributos Actividades Eventos
Estado
Lanzamiento de Reposo, Número de
Dado caras lanzar
un Dado lanzamiento Lanzamientos
28
Aplicación del método de Monte Carlo
f x 1 para toda x X
6
29
Modelo de Simulación de Consultas en una Empresa
Se cuenta con los datos históricos de 200 días sobre el número de consultas
diarias realizadas en un sistema de información empresarial (EIS) residente en
un servidor central. La tabla siguiente incluye el número de consultas diarias (0
a 5) junto con las frecuencias absolutas, frecuencias relativas, y las frecuencias
relativas acumuladas.
Deseamos conocer el número esperado de consultas por día mediante la teoría
de la probabilidad y la Simulación de Monte Carlo
p x P X x
n
E x xi p x
i 0
x 0 1 2 3 4 5
P(x) 10/200 20/200 40/200 60/200 40/200 30/200
30
5
E x xi p x 0(0.05) 1(0.10) 2(0.20) 3(0.30) 4(0.20) 5(0.15) 2.95
i 0
Rango Consultas
0 < RND <= 0.05 X=0
0.05 < RND <= 0.15 X=1
0.15 < RND <= 0.35 X=2
0.35 < RND <= 0.65 X=3
0.65 < RND <= 0.85 X=4
0.85 < RND <= 1.00 X=5
31
MODELO DE SIMULACIÓN DE UN ALMACÉN INFORMÁTICO
Extremo Extremo
Cantidad Probabilidad
Probabilidad inferior del superior del
de licencias Acumulada
intervalo intervalo
100 0.30 0.30 0.00 0.30
150 0.20 0.50 0.30 0,50
200 0.30 0.80 0,50 0.80
250 0.15 0.95 0.80 0.95
300 0.05 1.00 0.95 1.00
Solución Analítica
E x 100 0.3 150 0.2 200 0.3 250 0.15 300 0.05 172.5
32
Licencias Compradas 150 200
Licencias vendidas 150 172
Beneficio por Lic. Vendidas S/. 15,000.00 S/. 17,200.00
Licencias devueltas 0 28
Beneficio por Lic. Devueltas S/. 0.00 S/. 700.00
Costo S/. 11,250.00 S/. 15,000.00
Beneficio Final S/. 3,750.00 S/. 2,900.00
Variables
Sistema Entidad Atributos Actividades Eventos
de estado
Precio N° licencias
Venta, Comprar, vendidas,
Compra,
Almacén Licencia de Precio vender, N° licencias
venta,
Informático Software Compra, devolver compradas,
devolución
Precio N° licencias
Devolución devueltas
x 0 1 2 3 4
f(x) 0.3 0.2 0.3 0.15 0.05 0.3
F(x) 0.05 0.15 0.35 0.65 0.85 0.05
33
Reloj Simulador: Tiempo entre compra y devolución de una licencia o
trimestre.
Variable aleatoria: N° de licencias compradas = {100, 150, 200, 250, 300}.
34
2. NÚMEROS Y
VARIABLES
ALEATORIAS
35
36
2.1.LOS NUMEROS PSEUDO ALEATORIOS
Para poder realizar una simulación que incluya variabilidad dentro de sus
eventos, es preciso generar una serie de números que sean aleatorios por si
mismos.
Una de las primeras tareas que es necesario llevar a cabo consiste en determinar
si los números que utilizaremos para ejecutar la simulación son realmente
aleatorios o no.
37
aproximadamente 50 clientes diarios y solamente considerando una sola
variable; se requiere 2500 números pseudo aleatorios.
generación, lo que resulta difícil es diseñar ese algoritmo que genere un conjunto
de ri grande y que además pase sin problema las pruebas de uniformidad e
independencia. Como:
Uniformemente distribuido.
Sean discretos en lugar de continuos.
La media del conjunto no sea muy alta o muy baja, es decir que esté por
La varianza no sea muy alta o muy baja, es decir, que se localice por
Algoritmos no congruenciales
Algoritmo de cuadrados medios.
Algoritmo de productos medios.
Algoritmo de multiplicador constante.
Algoritmos congruenciales
Algoritmo lineal.
Algoritmo congruencial multiplicativo.
Algoritmo congruencial aditivo.
Algoritmo congruencial aditivo.
38
2.2.ALGORITMOS NO CONGRUENCIALES
Nota: Si no es posible obtener los D dígitos del centro del número yi , agregue
39
y0 (5735) 2 32890225 x1 8902 r1 0.8902
y1 (8902) 79245604
2
x2 2456 r2 0.2456
y2 (2456) 0603193
2
x3 0319 r3 0.0319
y3 (0319) 101761
2
x4 0176 r4 0.0176
y4 (0176) 030976
2
x5 3097 r5 0.3097
Sea y0 x0 .x1 ; sea x2 los D dígitos del centro, y sea ri 0.D dígitos
del centro.
Sea yi xi .xi 1 ; sea xi 2 los D dígitos del centro, y
Nota: Si no es posible obtener los D dígitos del centro del número agregue
ceros a la izquierda del número yi .
40
Ejemplo: Generar los 5 primeros números ri a partir de una semilla
x0 5015 y x1 5734 , donde se puede observar que ambas semillas tienen
D 4 dígitos.
del centro.
Sea yi a.xi 1 ; sea xi 1 los D dígitos del centro, y
con una constante a 6965 , donde se puede observar que tanto la semilla como
la constante tienen D 4 dígitos.
41
y0 = 6 965 9 803 = 68 277 895 x1 2 778 r1 0.2778
y1 = 6 965 2 778 = 19 348 770 x2 3 487 r2 0.3487
y 2 = 6 965 3 487 = 24 286 955 x3 2 869 r3 0.2869
y 4 = 6 965 2 869 = 19 982 585 x4 9 825 r4 0.9825
y5 = 6 965 9 825 = 68 431 125 x5 4 311 r5 0.4311
2.3.ALGORITMOS CONGRUENCIALES
Este algoritmo congruencial fue propuesto por D. H. Lehmer en 1951. Según Law
y Kelton, este algoritmo ha sido el más usado. El algoritmo congruencial lineal
genera una secuencia de números enteros por medio de la siguiente ecuación
recursiva:
números enteros S 0,1, 2,3, ..., m 1 y que para obtener números pseudo
x
ri i 1, 2,3,..., n
m 1
42
Ejemplo: Generar los 4 primeros números ri con los siguientes
parámetros: x0 37 , a 19 , c 33 , y m 100 .
m 2
a 1 4k
k debe ser entero
c relativamente primo a m
g debe ser entero
43
a 1 4 3 13 y m=23 8
x0 6
x1 13 6 7 mod 8 5 r1 =5/7 = 0.714
x2 13 5 7 mod 8 0 r2 =0/7 = 0.000
x3 13 0 7 mod 8 7 r3 =7/7 = 1.000
x4 13 7 7 mod 8 2 r4 =2/7 = 0.285
x5 13 2 7 mod 8 1 r5 =1/7 = 0.142
x6 13 1 7 mod 8 4 r6 =4/7 = 0.571
x7 13 4 7 mod 8 3 r7 =3/7 = 0.428
x8 13 3 7 mod 8 6 r8 =6/7 = 0.857
x0 6
x1 12 6 7 mod 8 7 r1 =7/7 = 1.000
x2 12 7 7 mod 8 3 r2 =3/7 = 0.428
x3 12 3 7 mod 8 3 r3 =3/7 = 0.428
44
enteros y mayores que cero. Para transformar los números x1 en el intervalo
m 2
a 3 8k o a 5 8k
k 0,1, 2,3,...
x0 debe ser un número impar
g debe ser entero
a 5 8 2 21 y m 32
x0 17
x1 2117 mod 32 5 r1 5 31 0.1612
x8 2113 mod 32 17 r8 17 31 0.5483
45
Ejemplo: Generar 7 números pseudo aleatorios entre cero y uno a partir de la
siguiente secuencia de números enteros: 65, 89, 98, 03, 69 ; con m 100
m 100
x1 65, x2 89, x3 98, x4 03, x5 69,
Generar x6 , x7 , x8 , x9 , x10 , x11 , x12
Para generar r1 , r2 , r3 , r4 , r5 , r6 , r7
de N m son:
m 2g
a debe ser un número par
c debe ser un número impar
g debe ser entero
b 1 mod 4 1
46
De esta manera se logra un periodo de vida máximo N m .
La ecuación anterior fue propuesta por Blum, Blum y Shub como un nuevo
método para generar números que no tienen un comportamiento predecible.
Los números aleatorios generados serán utilizados en la simulación, es por ello que
debemos de conocer las propiedades que deben tener estos números aleatorios para
garantizar una buena simulación.
47
El valor esperado de la media debe ser igual a 0.5 .
El conjunto de números ri debe cumplir que el valor esperado sea igual a 0.5
H o : ri 1 2
H1 : ri 1 2
1 n
r ri
n i 1
Luego se calculan los límites de aceptación inferior y superior con las siguientes
ecuaciones:
1 1
LI r z 2
2 12n
1 1
LS r z 2
2 12n
48
Caso contrario se rechaza el conjunto ri .
1 n 1 40
r
n i1
ri ri
40 i1
1 1 1 1
LI r z 2 z
2 12n 2
0.05 2
12 40
1 1
1.96 0.410638649
2 12 40
1 1 1 1
LS r z 2 z
2 12n 2
0.05 2
12 40
1 1
1.96 0.589461351
2 12 40
Como el valor Promedio r 0.43250 se encuentra entre los Límites de
aceptación, se concluye que no se puede rechazar el conjunto ri .
49
2.5.2. PRUEBA DE VARIANZA
Otra de las propiedades que debe satisfacer el conjunto de números ri es que sus
números tengan una varianza de 1/12, que establece las siguientes hipótesis:
H o : ri 1 12
H1 : ri 1 12
r r
n 2
i
v r i 1
n 1
Luego se calculan los límites de aceptación inferior y superior con las siguientes
ecuaciones:
z2 2,n1
LI v r
2 n 1
z21 2,n1
LSv r
2 n 1
No se rechaza el conjunto ri
50
0.0449 0.1733 0.5746 0.049 0.8406 0.8349 0.92 0.2564
0.6015 0.6694 0.3972 0.7025 0.1055 0.1247 0.1977 0.0125
0.63 0.2531 0.8297 0.6483 0.6972 0.9582 0.9085 0.8524
0.5514 0.0316 0.3587 0.7041 0.5915 0.2523 0.2545 0.3044
0.0207 0.1067 0.3587 0.1746 0.3362 0.1589 0.3727 0.4145
Calculamos la varianza:
n40
r 0.43250
n 2
ri r
2
i
v r i 1
i 1
n 1 40 1
v r 0.08695062
39 ... 0.37266 0.43250 2 0.41453 0.43250 2
z2 2,n1 2
z0.05 58.1200541
LI v r 2,39
0.12418815
12 n 1 12 39 468
z21 2,n1 z210.05 2,39 23.6543003
LSv r 0.05054338
12 n 1 12 39 468
51
2.5.3. PRUEBA DE UNIFORMIDAD
hipótesis:
H 0 : ri U (0,1)
H1 : ri no sonuniformes
Prueba Chi-cuadrada
subintervalos, donde:
m n
n
Ei
m
m
( Ei Oi )
x02
i 1 Ei
52
2
Si el valor del estadístico x0 es menor al valor de tablas de x2 ,m1 entonces no se
contrario se rechaza.
Ejemplo1
Realizar la prueba Chi-cuadrada a los 40 números del conjunto ri ,considerando
Intervalo:
m n 40 6.3246
Frecuencia esperada:
n 40
Ei 8
m 5
( Ei Oi ) 2
Intervalo Oi Ei
Ei
[0.00-0.20) 12 8 2.000
[0.20-0.40) 10 8 0.500
[0.40-0.60) 4 8 2.000
[0.60-0.80) 7 8 0.125
[0.80-1.00) 7 8 0.125
[0.00-0.20) 12 8 2.000
4.7500
53
El estadístico:
5
( Ei Oi ) 2
x
2
0 4.7500
i 1 Ei
La Chi-Cuadrada:
2
x0.05,4 9.4880
2 2
Como el estadístico x0 es menor que la tabla x0.05,4 entonces no se puede
aceptación.
H 0 : los ri sonindependientes
H1 : los ri no sonindependientes
54
2n 1
c o
3
16n 29
c2o
90
co co
Z0
c o
0.34 0.83 0.96 0.47 0.79 0.99 0.37 0.72 0.06 0.18
0.67 0.62 0.05 0.49 0.59 0.42 0.05 0.02 0.74 0.67
0.46 0.22 0.99 0.78 0.39 0.18 0.75 0.73 0.79 0.29
0.11 0.19 0.58 0.34 0.42 0.37 0.31 0.73 0.74 0.21
S 1,1,0,1,1,0,1,0,1,1,0,0,1,1,0,0,0,1,0,0,0,1,0,0,0,1,0,1,0,0,1,1,0,1,0,0,1,1,0
2n 1 2 40 1
c 26.333
o
3 3
16n 29 16 40 29
c2o 6.788
90 90
co co 16 40 29
Z0
co
6.788
55
Ejercicios:
Determine el ciclo o periodo de vida de los siguientes generadores
congruenciales.
indica.
- Determine el ciclo o periodo de vida.
- Realice las pruebas de media, varianza y uniformidad.
Programe en una hoja de cálculo la generación automática de números pseudo
aleatorios con el método de cuadrados medios. Genere una muestra de 50
números con la semilla 5 735 ,y determine con un nivel de aceptación de
90% si son uniformes entre 0 y 1 .
Realice ¡as pruebas de media, varianza y uniformidad a los 50 números de la
tabla siguiente, con un nivel de aceptación de 95% .
0.8797 0.3884 0.6289 0.875 0.5999 0.8589 0.9996 0.2415 0.3808 0.9606
0.9848 0.3469 0.7977 0.5844 0.8147 0.6431 0.7387 0.5613 0.0318 0.7401
0.4557 0.1592 0.8536 0.8846 0.341 0.1492 0.8681 0.5291 0.3188 0.5992
0.917 0.2204 0.5991 0.5461 0.5739 0.3254 0.0856 0.2258 0.4603 0.5027
56
3. VARIABLES
ALEATORIAS
57
58
3.1.DEFINICIÓN DE LAS VARIABLES ALEATORIA
59
3.1.1. TIPOS DE VARIABLES ALEATORIAS
P x 0 pi 1
i 0
b
P a xb pi pa ... pb
i a
Ejemplo:
Si nuestro propósito al analizar un muestreo de calidad consiste en
decidir si la pieza es buena o mala. Este tipo de comportamiento está
asociado a Bernoulli.
Si lo que queremos modelar el número de usuarios que llamarán a un
teléfono de atención de clientes, el tipo de comportamiento puede llegar
a parecerse a una distribución de Poisson.
Puede darse el caso de que el comportamiento de una variable no se
pareciera a otras distribuciones de probabilidad conocida, si este fuera el
60
caso, es perfectamente válido usar una distribución empírica que se
ajuste a las condiciones reales de probabilidad, esta distribución puede
ser una ecuación o una suma de términos que cumplan con las
condiciones necesarias para ser consideradas una distribución de
probabilidad.
Por lo tanto las variables aleatorias continuas deben cumplir los siguientes
parámetros:
61
P( x ) 0 P( xa ) 0
f( x) 1
b
P( a xb ) P( a xb ) f ( x )
a
Ejemplo:
Es posible que el tiempo de llegada de cada cliente a un sistema tenga
una distribución de probabilidad muy semejante a una exponencial.
Es posible que el tiempo que toma un operario realizar una serie de
tareas se comporte de una manera muy similar a la dispersión que
presenta una distribución normal.
62
3.2.PRUEBAS PARA EL TIPO DE DISTRIBUCIÓN
Pasos:
Obtener al menos treinta datos de la variable aleatoria a analizar.
Calcular la media y la varianza de los datos.
propuesta.
m
( Ei Oi ) 2
Calcular el estadístico de prueba c
i 1 Ei
.
Ejemplo: Sean los datos de la tabla el número de automóviles que entran a una
gasolinera cada hora. Determinar la distribución de probabilidad con un nivel de
significancia 5% .
14 7 13 16 16 13 14 17 15 16
18 15 10 15 16 14 12 17 14 12
13 20 8 17 19 11 12 17 9 18
20 10 18 15 13 16 24 18 16 18
63
n 50 datos
m n 7.071
Para este ejemplo consideramos m 11 intervalos.
Crear un histograma
64
Calcular la frecuencia esperada Ei a partir de la función de probabilidad
xe
p( x ) ;...donde...x 0,1, 2,...
x!
15x e 15
p( x ) ;...donde...x 0,1, 2,...
x!
Calcular para todos los intervalos
150 e 15 157 e 15
p( x0,7) 0.01037
0! 7!
158 e 15 159 e 15
p( x8,9) 0.05185
8! 9!
m
( E Oi ) 2
c i 2.16053
i 1 Ei
distribución propuesta:
c 2.16053
X 2
0.05,1101 18.307
65
Obtener al menos 30 datos de la variable aleatoria a analizar
Calcular la media y la varianza de los datos
Calcular el estadístico de prueba c max PEAi , POAi ; donde
i 1, 2,3,..., k ,.., m
prueba de Kolmogorov_Smirnov).
Comparar el estadístico de prueba con el valor crítico. Si el estadístico de
prueba es menor que el valor crítico no se puede rechazar la hipótesis
nula.
4.33 1.67 2.16 2.88 0.7 0.44 1.59 2.15 8.59 7.36
9.97 7.86 5.49 0.98 4.52 2.12 4.44 0.82 6.96 3.04
2.81 14.39 3.44 9.92 4.38 8.04 2.18 6.19 4.48 9.66
4.34 1.79 2.3 5.24 11.65 10.92 12.16 6.6 0.85 4.82
1.36 3.53 6.58 1.45 8.42 3.69 2.44 0.28 1.9 2.89
66
Determinar la distribución de probabilidad con un nivel de significancia 5% .
H 0 : Weibull ( 1.38, 5.19) minutos / Producción
H1 : Otra distribución
N 50 datos
m 8 intervalos
Media 4.7336
Varianza 12.1991
Parámetro de forma = 1.38
Parámetro de escala = 5.19
67
3.2.3. AJUSTE DE DATOS CON STAT - FIT
68
Para simular variables continuas se sigue los siguientes pasos:
Definir la función de densidad f x que represente la variable a modelar.
inversa F( x ) 1 .
variable a modelar.
Calcular todos los valores de la distribución acumulada P x
.
Distribución Uniforme
A partir de la función de densidad de las variables aleatorias uniformes
entre a y b .
1
f x ;a x b
ba
x 1 xa
F x dx ;a x b
0 ba ba
despejando x se obtiene:
69
xi a (b a) F ( x)i
xi a (b a)ri
1 0.48 97.4
2 0.82 99.1
3 0.69 98.45
4 0.67 98.35
5 0.00 95.00
Distribución Exponencial
A partir de la función de densidad de las variables aleatorias exponenciales con
media 1 .
f ( x ) e x ; x 0
x
F( x ) e x dx 1 e x ; x 0
0
despejando x se obtiene:
70
1
xi ln(1 F ( x)i )
1
xi ln(1 ri )
1 0.1729 0.5697
2 0.3968 1.5164
3 0.5916 2.6868
4 0.8576 5.8464
5 0.1116 0.3550
Distribución de Bernoulli
A partir de la distribución de probabilidad de las variables aleatorias de Bernoulli
con media
p( x ) p x (1 p)1 x
x 0,1
Se calculan las probabilidades para x 0 y x 1 , para obtener:
x 0 1
p x 1 p p
x 0 1
p x 1 p 1
71
Generando números pseudo-aleatorios ri ;U (0,1) se aplica la regla:
Ejemplo:
Los datos históricos sobre la frecuencia de paros de cierta máquina muestran
que existe una probabilidad 0.2 de que esta falle x 1 , y 0.8 de que no
este comportamiento.
x 0 1
p x 0.8 0.2
P x 0.8 1
72
Si el número ri 0.8 , la máquina no fallará.
Y X i X 2 ... X k
Distribución Normal
La variable aleatoria normal con media y desviación estándar puede
Y X i X 2 ... X k ..... N (k x , k x2 )
73
1 1
Y ri r2 ... rk ..... N (k , k )
2 12
12 12
Y ri r2 ... rk ..... N ( , ) N (6,1)
2 12
Y Z (ri r2 ... r12 ) 6 N (0,1)
12
x
Z (ri ) 6 N (0,1)
i 1
12
X Ni (ri ) 6
i1
12
X Ni (ri ) 6 (0.4) (10)
i1
Nº 1 2 3 4 5 6 7 8 9 10 11 12
1 0.35 0.01 0.07 0.62 0.47 0.36 0.67 0.8 0.17 0.22 0.97 0.94
2 0.55 0.58 0.55 0.03 0.28 0.4 0.81 0.32 0.01 0.9 0.87 0.08
3 0.85 0.22 0.86 0.58 0.29 0.88 0.1 0.08 0.38 0.81 0.48 0.8
4 0.5 0.9 0.08 0.95 0.56 0.15 0.81 0.95 0.74 0.67 0.96 0.05
5 0.1 0.65 0.28 0.14 0.63 0.77 0.56 0.36 0.44 0.06 0.87 0.91
74
Botella Volumen en Onzas
12
12
(r ) (ri ) 6 12
X Ni (ri ) 6 (0.4) (10)
i
Nº i 1 i1
i1
Distribución Binomial
Solución
defectuosa.
75
0.....si.....ri (0, ,0.97)
BEi
1.....si.....ri (0.97, ,1)
Bi BE1 BE2 ... BE5
Ejemplo:
76
4. CONSTRUCCIÓN
DE MODELOS DE
SIMULACIÓN
77
78
4.1.VERIFICACIÓN Y VALIDACIÓN DE LOS MODELOS DE SIMULACIÓN
Por ejemplo: El número de piezas que se acumulan ante una máquina es tan solo el
promedio de una variable; dejando de lado un completo análisis estadístico de dicha
variable.
Para evitar que el alumno de Ing. de Sistemas se convierta en uno de esos usuarios, a
continuación se discutirán los aspectos mínimos que deben cuidarse de las variables
de salida.
79
Distribución de Probabilidad
Es necesario determinar la Distribución de Probabilidad de los datos en das
diferentes réplicas, esto se puede determinarse mediante las pruebas:
Chi cuadrada.
Kolmogorov-Smirnov.
Anderson-Darling.
Intervalos de Confianza
Es necesario determinar sus Intervalos de Confianza en las diferentes réplicas.
_ s _
s
IC x (t /2,r 1 ), x (t /2,r 1 ) t
r r
Intervalos de Confianza
Si la variable aleatoria sigue otro tipo de distribución, el intervalo de confianza es
relativamente más amplio, y se calcula como:
_ s _ s
IC x , x
r r
2 2
En ambas ecuaciones :
r Número de réplicas
Nivel de rechazo
_
1 r
x xi
r i1
1 r _
s(
r 1 i1
( xi x) 2 )1/2
80
Ejemplo: Los resultados de 10 réplicas de la simulación de un sistema de
inventario promedio en un almacén son: 190.3, 184.2, 182.4, 195.6, 193.2, 190.5,
191.7, 188.5, 189.3, 188.4. Determinar el intervalo de confianza con un nivel de
aceptación de 95%
_
x 189.41
s 3.916
_ s _
s
IC x (t /2,r 1 ), x (t /2,r 1 )
r r
3.916 3.916
IC 189.41 (t0.05/2,101 ),189.41 (t0.05/2,101 )
10 10
3.916 3.916
IC 189.41 (2.262),189.41 (2.262)
10 10
IC 186.61, ,192.21
_
s
_
s
IC x , x
r. r.
2 2
3.916 3.916
IC 189.41 ,189.41
10(0.025) 10(0.025)
IC 181.57, _,197.24
Piezas promedio en el almacén
81
4.1.2. SIMULACIONES NO TERMINALES O DE ESTADO ESTABLE
Para este tipo de simulación, podríamos modelar el sistema hasta que la variable
de interés llegara a un estado estable, en estos casos Surge la necesidad de
determinar la longitud de la corrida para asegurar la estabilización de los
resultados del modelo.
Para que el resultado de una variable aleatoria llegue al estado estable en una
simulación no terminal, es necesario garantizar que la longitud de la réplica, n,
sea lo suficientemente grande para que la variación entre réplicas no difiera de
cierta exactitud, €, del 100(1-α)% de las veces.
Z
2
n /2
e
82
2
4Z
n 0.05/2 (2(1.96)) 2 15.36
2
2
4Z
n 0.05/2 (2(1.96)) 2 15.36
2
n 16
La longitud de la réplica es 16
2
S
n (t /2,n1 )
e
83
Ejemplo: Se realizó una corrida inicial de tamaño n’=10 para estimar la desviación
estándar S=13.21 de una variable normal. Determinar la longitud de la réplica
para estimar el valor medio dentro de un rango de ±0.3 con un nivel de
aceptación de 90%.
2
S
n (t /2,n1 )
e
2
13.21
n (t0.05/2,101 ) (44.03(2.262)) 2 9920.83
0.3
n 9920
1
2
n
e
84
1
2 2
1S
n
e e
2
1 13.21
n 19389.3
0.1 0.3
n 19389.3
85
Ejemplo: Determinar la longitud de la réplica para estimar, dentro de un rango
de ±0.5 con un nivel de aceptación de 90%, el valor promedio de una variable
con σ=8. se desconoce la distribución de probabilidad de la variable.
2
1 8
n 2560
0.1 0.5
2
1 8
n 2560
0.1 0.5
n 2560
1
2
n
e
2
1 1 16
n (4)
2
320
1 0.05
4
n 320
86
Comportamiento del promedio de la variable aleatoria de Weibull; exactitud
lograda de 0.25σ.
Los resultados confirman los cálculos, ya que el valor final de las réplicas estuvo
entre 54.41 y 54.57. la diferencia de 0.16 equivale a una exactitud relativa a la
desviación estándar de apenas 0.1σ
4.2.MODELOS DE SIMULACIÓN
87
Construir una tabla de eventos en la que se describa la relación entre las
variables involucradas en el proceso.
Tiempo en el Sistema de
Variable de Estado
Inspección (7)
Entidades Piezas
Tiempo de llegada (2)
Eventos
Fin de la Inspección (5)
Evento secundario Inicio de la Inspección (3)
Tiempo entre llegadas (1)
Actividades
Tiempo de Inspección (4)
88
- La variable Tiempo de Inspección se calcula, finalmente, como la
diferencia entre el tiempo de llegada (2) y el fin de la inspección
(5).
89
Periodo de estabilización de tiempo promedio de permanencia en el
sistema.
Réplicas:
El análisis estadístico de las réplicas, permite concluir a través de una
prueba de bondad de ajuste, que el tiempo promedio de espera en el
proceso de inspección sigue una distribución de Erlang con los siguientes
parámetros: Localización 9, forma 3 y escala 1.06.
10.44 11.53 14.58 11.43 14.27
12.63 15.22 10.66 12.00 10.23
11.05 10.22 17.09 14.62 13.90
12.01 11.30 12.55 12.25 16.34
13.49 12.52 11.55 11.73 15.31
10.57 10.47 10.05 11.85 13.12
10.97 10.41 11.66 10.48 10.59
13.75 11.88 15.09 10.12 09.69
12.97 12.34 11.21 13.17 13.66
12.36 11.63 10.19 11.56 10.59
90
Además tenemos los siguientes estadísticos básicos:
- Media: 12:18 min/pieza
- Desviación Estándar: 1.76 min/pieza
- Intervalo de confianza con 1-α=0.95: {11.66, 12.69}min/pieza
- Valor mínimo en la muestra: 9.69 min/pieza
- Valor máximo en la muestra: 17.09 min/pieza
- Coeficiente de asimetría (skewness): 0.08177
- Curtosis: -0.071.
91
BIBLIOGRAFÍA
[1] Oscar Johanason , Introducción a la teoría General de Sistemas, Editorial Limusa – 1999
[2] Peter M. Senge, La Quinta Disciplina, Ediciones Granica 1998.
[3] Jaime Barceló, Simulación de Sistemas, IDEFE-1996 Madrid.
[4] Jerry Banks, John S. Carson, Barry L. Neslon Discrete-Event System Simulation, Prentice
Hall Inc., new Jersey 1996.
[5] José Pazos, Andrés Suárez, Rebeca Díaz, Teoría de Colas y Simulación de Eventos
Discretos, Prentice Hall , Madrid 2003.
[6] Arcil, Javier, Introducción a la Dinámica de Sistemas, Editorial Alizianza-Editorial,
España, 1995.
[7] Silvio Martínez y Alberto Requena, Simulación Dinámica por ordenador, Alianza
Editorial, Madri 1988.
[8] Eduardo García, Heriberto García, Leopoldo Cárdenas, Simulación y análisis de
sistemas con promodel, 1ra. Edición México 2006.
[9] Francisco García, Jorge Sierra, Virginia Guzmán, Simulación de sistemas para
administración e ingeniería, 1ra. Edición México 2005.
[10] Jaime Barceló, Simulación de eventos discretos.
[11] Universidad Nacional de Jujuy, Teoría de modelos y simulación.
[12] W. David Kelton, Randall P. Sadowski, David T. Syurrock, Simulación con software
arena.
[13] Manual BPWIN 4.0
[14] Manual Arena 5.0
[15] Manual Vensim 5.0
92