UNIVERSIDAD TECNICA NACIONAL

INGENIERÍA EN PRODUCCIÓN INDUSTRAL

CURSO DE SIMULACIÓN

PROYECTO INDIVIDUAL

Prof. NATALIA CORTÉS

Est. JOINER FLORES VEGA.

ABRIL, 2019
Introducción
El presente trabajo de investigación nace de la necesidad de poseer nuevos y mejores
conocimientos en materia de simulación de procesos, por ende, estudiaremos el método de
reducción recursiva de la varianza en simulación de confiabilidad de redes. Para explicar el
método, debemos destacar varios conceptos y la importancia de la reducción de la varianza
en un proceso y que es simulación de confiabilidad de redes.
Para la realización de este trabajo de investigación, la información obtenida y presentada se
obtuvo de un grupo de páginas web y libros que estarán debidamente citadas en la bibliografía
del informe.

Índice
Introducción ............................................................................................................................ 2
Índice ...................................................................................................................................... 2
Contenido ............................................................................................................................... 2
Conclusiones........................................................................................................................... 5
Bibliografía ............................................................................................................................. 5

Contenido
Teniendo en cuenta que la confiabilidad estadística es la encargada de estudiar el
comportamiento de las fallas que tienen las variables en estudio, para así determinar que un
sistema o proceso cumpla satisfactoriamente con la función de probabilidad a la que se
diseñó, y que una red está compuesta por una serie de nodos y aristas que busca una eficiente
comunicación entre sí, podemos deducir que la confiabilidad de una red nos refleja la
probabilidad que esta opere de forma eficiente al hacerle frente a algunos posibles fallos.
La varianza es la principal medida de variabilidad, por ende, nos indica que tan alejados están
los datos de la media. Una reducción de la varianza implica una mejora significativa en
cualquier sistema o proceso, ya que la poca variabilidad es sinónimo de buena calidad y
prestigio. Es por esta razón que se emplean algoritmos matemáticos para reducir la varianza
en busca de una mejor calidad.
El método a estudiar en esta investigación tiene entonces por objetivo reducir los niveles de
variabilidad de las probabilidades de éxito en un sistema de red simulado. El algoritmo de
reducción recursiva de la varianza es complejo de entender y se utiliza cuando se necesitan
excelentes niveles de confiabilidad en un sistema de redes. En este caso una simulación de
Monte Carlo estándar debería realizar un gran número de corridas para alcanzar un nivel de
confiabilidad aceptable, por ende, se desarrolla mejor este método cuando se quiere tener
niveles precisos de confiabilidad.
Para poder entender el modelo debemos tener ciertos conocimientos básicos en teoría de
grafos o redes. Un grafo G consta de dos partes principales (G(V,E)):
1. Conjunto V = V(G), el cual sus elementos se conocen principalmente como nodos,
pero también se les conoce con el nombre de vértices o puntos.
2. Conjunto E = E(G), son pares no ordenados de distintos vértices denominados aristas.
Los nodos están representados por puntos o círculos pequeños en la red (generalmente
denotados por letras en mayúscula) y las aristas son las curvas o rectas que unen dos vértices,
representadas por ei, donde i = 1,2,3… n aristas en la red. En la Figura #1 podemos observar
de manera visual las definiciones anteriores, el cual hace la relación de distancia de algunas
provincias en Costa Rica.

Figura #1: representación gráfica de una red

Fuente: elaboración propia

En este grafo o red G, V consta de los vértices A, H y S, y E consta de las aristas

e1={A,S}=17km, e2={H,S}=12km y e3={A,H}=12km.

Es importante indicar que un grafo G se considera conexo si existe un camino entre dos de
sus vértices, la figura #1 es un claro ejemplo de lo que es un grafo conexo y la figura #2
vendría siendo un grafo disconexo, ya que los vértices C y P solo se conectan con un vértice.
Figura #2: Grafo disconexo

Fuente: elaboración propia

En materia de redes y grafos existen ciertos vértices que se consideran puntos de corte, esta
propiedad establece que si G-vi vuelve a G disconexo, entonces vi sería un punto de corte.
En la figura #1 podemos deducir que cualquier vértice sería un punto de corte.

El algoritmo de reducción recursiva de la varianza nos indica que seleccionemos un punto de

corte C del grafo G, para denotarlo por qc = ΠeЄC qe como la probabilidad de que todos los
enlaces fallen.

Algoritmo de solución.
1- Evaluar la función de densidad que aplica:
1 Si G no tiene puntos de corte
F(G) 0 Si G solo tiene un punto de corte

𝑍(𝐺) = 𝑞𝑐 + (1 − 𝑞𝑐) ∑𝐶𝑗=1 1(𝐽=𝑗) 𝑍(𝐺𝑗 )

2- Encontrar un punto de corte C

3- Calcular qc
4- Tirar una muestra con variable aleatoria v
5- Construir Gv = (G - c1- c2 – c3…- cv-1)
6- Retornar qc + (1-qc) RVR (Gv)

La tercera manera de evaluar la función de densidad en el algoritmo de solución establece

que una muestra media basada en n ensayos independientes de forma recursiva está definida
como variable aleatoria: 𝑍(𝐺) = 𝑞𝑐 + (1 − 𝑞𝑐) ∑𝐶𝑗=1 1(𝐽=𝑗) 𝑍(𝐺𝑗 )
donde:
 J es una variable aleatoria definida en los enlaces de C, con P(J=j) = pj
 Gj es el grafo obtenido de G después de remover j-1, el primer enlace.

Para realizar una simulación que implique varias réplicas, la esperanza se estimaría como:
1
𝐸(𝐹) = ∑𝑁
𝑗=1 𝐹𝑗
𝑁

1
Y la varianza: 𝜎 2 = ∑𝑁
𝑗=1[𝐹𝑖 − 𝐸(𝐹)]
2
𝑁(𝑁−1)

Conclusiones
Cuando se buscan niveles de confiabilidad más precisos en redes se debe de simular con el
método de reducción recursiva de la varianza, ya que el logaritmo de Monte Carlo estándar
le tomaría muchas replicas llegar a ese nivel de precisión.
Se puede estimar la reducción de la varianza obtenida por el método de reducción recursiva
vs el logaritmo de Monte Carlo estándar; solo bastaría con dividir la varianza obtenida en la
simulación con Monte Carlo entre la varianza obtenida por el método de reducción recursiva.

Bibliografía
Héctor Cancela, M. E. (25 de Noviembre de 2013). Hal inria. Obtenido de
https://hal.inria.fr/
Lars, S. L. (2007). MATEMÁTICAS DISCRETAS (Vol. Tercera edición). Mexico D.F.:
McGRAW-HILL.
Mauttone, A. (Febrero de 2000). Facultad de ingeniería. Obtenido de
https://www.fing.edu.uy/