INSTITUTO TECNOLOGICO DE LA LAGUNA

ING: JORGE ANTONIO OROZCO PINEDA

ALUMNO: JUAN ROMAN GONZALEZ QUIRINO
Control: 15130168

UNIDAD 3 Y 4
 TEMARIO

3.1 Introducción.
3.2 Variables aleatorias discretas.
3.3 Variables aleatorias continuas.
3.4 Métodos para generar variables aleatorias.
3.5 Procedimientos especiales.

MÉTODO DE GENERACIÓN DE NUMEROS ALEATORIOS

Método Conguencial Mixto

Este genera una sucesión de números enteros aleatorios en el cual el proximo
número pseudoaleatorio, es determinado a partir del último número generado, es
decir, el número pseudoaleatorio Xn+1, es derivado a partir del numero
pseudoaleatorio Xn. Para en caso particular del generador congruencial mixto, la
relación de recurrencia es la siguiente: Xn+1 = (aXn + c) mod m, donde:
 Xo = la semilla (Xo > 0)
 a = el multiplicador (a > 0)
 c = constante aditiva (c > 0)
 m = modulo (m > Xo, m > 0 y m > c )
a = 5, c = 7, Xo = 4, m = 8

Medios al cuadrado

Este algoritmo no congruencial requiere un numero entero denotador (llamado

semilla) con D digitos, el cual es elevado al cuadrado para seleccionar del
resultado los D digitos del centro; el primer numero ri se determina simplemente
anteponiendo el cero a esos digitos.
Para obtener el segundo r se sigue el mismo procedimiento, solo que ahora se
eleva al cuadrado los d digitos del centro que se seleccionaron para obtener el
primer r. Este método se repite hasta obtener n números r.
Pasos:
1. Seleccionar una semilla (Xo) con d digitos (D > 3).
2. Sea X0 = resultado de elevar Xo al cuadrado; sea X1 digitos del centro, y
sea ri = 0, d digitos del centro.
3. Sea yi = resultado de elevar Xi al cuadrado; sea Xi+1 = a los dígitos del
centro, y sea ri = 0, d dígitos del centro para toda i = 1, 2, 3, …n.
4. Repetir el paso tres hasta obtener los n números ri deseados.
NOTA: si no es posible obtener los D dígitos del centro del numero yi, agregue
ceros a la izquierda del numero yi.
Generar los primeros 14 números a partir de 3825, con 4 digitos.

MÉTODO MULTIPLICATIVO
Para este generador se recomienda una selección adecuada para los valores de
los parámetros a, Xo y m; con el fin de asegurar un periodo máximo para las
sucesiones generadas por este método:
Número Decimal (sistema); los valores de los parámetros deben ser seleccionadas
de acuerdo a los siguientes criterios:
 El valor de la semilla puede ser cualquiera entero impar no divisible entre
2 o 5.
 Debe ser relativamente primo a “m”.
 El valor seleccionado de “a”, debe ser obtenido de acuerdo a la siguiente
identidad; a = 200 t + p, donde “t”, es cualquier entero y “p” es cualquiera de los
siguientes valores: 3, 11, 13, 19, 21, 27, 29, 37, 53, 59, 61, 67, 69, 77, 83, 91.
  El valor seleccionado de “m” puede ser 10^d. Si m es igual a 10 y d > = 5, el
periodo del generador es 5 x 10 ^d-2.

CHI-CUADRADA
• Se usa cuando se trabaja con variables nominales (categorías o grupos).
• Responder la pregunta: si las frecuencias observadas, difiere de la frecuencia
esperada.
• Utiliza los recuentros.
EJEMPLO:
 Si 20 de 40 escolares varones con hipoidismo primario (por defecto) los
niveles de TSH están elevados en suero y 5 de 38 varones normales muestran
elevaciones similares.
HIPOTESIS NULA
Pacientes con la enfermedad no tienen niveles altos de TSH en suero.

KOLMOGOROV
Es una prueba estadísitca que sirve para determinar si un conjunto ri cumple la
propiedad de uniformidad.
Es recomendable aplicarla en conjuntos pequeños, por ejemplo n<20.
— Procedimiento es el siguiente:
1. Ordenar de menor a mayor los números del conjunto ri.
2. Determinar los valores de D+, D- y D con las siguientes ecuaciones.
Las fórmulas son:

Determinar el valor crítico Dα,n de acuerdo con la tabla de valores críticos de

Kolmogorov-Smirnov par aun grado de confianza α, y según el tamaño de la
muestra n.
3. Si el valor crítico D es mayor que el valor crítico Dα,n se concluye que los
números del conjunto ri, no siguen una distribución uniforme. Caso contrario no
existiría diferencia significativa.
4. D>Dan
EJEMPLO
Realizar la prueba, con un nivel de confianza de 90%, al siguiente conjunto ri de
10 números
ri = (0.97, 0.11, 0.65, 0.26, 0.98, 0.03, 0.13, 0.89, 0.21, 0.69)
Ordenada es:
(0.03 – 0.11 – 0.13 – 0.21 – 0.26 – 0.65 – 0.69 – 0.89 – 0.97 – 0.98)
De acuerdo a las tablas de valores para la prueba, el valor crítico correspondiente n =
10 es:
D = 0.368, que resulta menor al valor D = 1.04, por tanto, se concluye que los
números del conjunto ri no se distribuyen uniformemente
D (1.04)> Dα,n (0.368) o hay uniformidad

PRUEBA DE INDEPENDENCIA
 Las pruebas de independencia consiste en demostrar que los números generados
son estadísticamente independientes entre si, esto es, que no dependen uno de
otro. Para esto se propone la siguiente hipótesis:
· HO : r independiente
· Hi
Dependiente
Para realizar esta prueba de hipótesis existen varios métodos, puede
seleccionarse cualquiera de la siguiente lista:
 Prueba de poker
 Prueba de corridas arriba y abajo
 Pruebas de corridas arriba y debajo de la media
 Prueba de la longitud de las corridas
 Prueba de distancia
 Prueba de series
 Prueba de huecos
Autocorrelación
Mide la correlación entre los valores de la serie distanciados en un lapso de
tiempo k. Se define como la correlación cruzada de la señal consigo misma.
Resulta de gran utilidad.

PRUEBAS DE HUECO

Consiste en suprimir de un texto una serie de palabras seleccionadas en virtud

que representan los aspectos que se requieren medir. La tarea del candidato es
deducir, por el contexto, la palabra eliminada y rescribirla para determinar la
palabra dada es correcta o incorrecta.

PRUEBA DE POKER

Examina en forma individual los dígitos del numero pseudo-aleatorio. La forma

como esta prueba se realiza es tomando numeros decimales con 5 digitos a la vez
y clasificándolos como; par, dos pares, tercia, poker, quintilla, y todos diferentes.
La prueba poker se puede realizar con 2, 4 y 5 decimales.
Procedimiento:
· Determinar la categoría de cada numero del conjunto ri
· Contabilizar los numeros ri de la misma categoría o clase para obtener la
frecuencia observada (Oi)
· Calcular el estadístico de la prueba X^2n
· Finalmente comparar el estadístico de X^2º

PRUEBA DE Q DE YULE

Es una medida de asociación creada por el estadístico escoces George Udny

Yule, se utiliza en cuadros estadísticos llamado contingencia.
 Variables nominales
Restricciones:
· Tener en cuenta que son numeros positivos, solo pueden tomar valores
comprendidos entre cero y uno.
· Cuando se acercan a un cero, indican independencia o asociación muy débil
entre las variables.

MÉTODO DE MONTE CARLO

Se agrupan una serie de procediemientos que alcanzan distribuciones de
variables aleatorias usando una simulación de numeros aleatorios. Da solución a
una gran variedad de problemas matemáticos haciendo experimentos con
muestreos estadísticos en una computadora. Se usa para analizar problemas que
no tienen un componente aleatorio explicito.
Fue creada para resolver integrales que no se pueden resolver por métodos
analíticos, para solucionar estos integrales se usaron números aleatorios.
Posteriormente se utilizo para cualquier esquema que emplee números aleatorios,
usando variables aleatorias con distribuciones de probabilidad conocidos, para
resolver problemas estocásticos y determinísticos.

MÉTODO DE COMPOSICIÓN

Genera valores de variables aleatorias no- uniformes usando también el método

de composición, en la cual la distribución de probabilidad f(x) se expresa como
una mezcla de varias distribuciones de probabilidad f(x), seleccionadas
adecuadamente.
Este procedimiento se basa en el objetivo de minimizar el tiempo de computación
requerida para la generalización de valores de la variable aleatoria analizada.
También conocida como método mixto, permite generar variables aleatorias “x”,
cuando estas provienen de una función de densidad fx que pueda expresarse
como la combinación convexa de distribuciones de probabilidad fi(x).
Algunas de las distribuciones mas conocidas que pueden expresarse como una
combinación convexa son: triangular, Laplace, y trapezoidal. Procedimiento
general de generación es el siguiente:
1. Calcular la probabilidad de cada una de las distribuciones fi(x)
2. Asegurar que cada función fi(x) sea función de densidad
3. Obtener mediante el método de la transformada inversa, las expresiones
para generar variables aleatorias de cada una de las distribuciones fi(x)
4. Genera un numero pseudoaleatorio ri que permita definir el valor de IA(x)
5. Seleccionar la función generadora correspondiente a la función fi(x)
6. Generar un segundo numero pseudoaleatorio y sustituirlo en la función
generada anteriormente para obtener y.

PRUEBA DE BONDAD DEL AJUSTE

Cuando se realizan investigaciones, con frecuencias importante obtener
información a través de una muestra. Algunos estudios producen resultados sobre
los que no podemos afirmar que se distribuyen.
En estos casos debemos emplear técnicas no paramétricas que se utilizan
ampliamente en las aplicaciones de las ciencias sociales, cuando se pueden
asumir a priori que los datos de una muestra se ajusten a una distribución normal.
Ahora nos ocuparemos del problema de verificar si de un conjunto de datos se
pueden afirmar que proviene de que proviene.

Estadística No Parametrica
La estadística no paramétrica es una rama de la estadística las pruebas y modelos
estadísticos cuya distribución subyacente no se ajuste a los llamados criterios
paramétricos. Las pruebas paramétricas no asumen ningún parámetro de
distribución de las variables muéstrales.
Las pruebas paramétricas asumen los parámetros de las variable (media y
varianza) y un tipo de distribución normal.
Las pruebas no paramétricas no asumen ningún parámetro de distribución de las
variables muéstrales.
Para resolver este problema utilizaremos unas pruebas estadísticas que reciben el
nombre general de pruebas de bondad de ajuste.
Este calculo de pruebas es sencillo, desde el punto de vista manual y matemático,
sin embargo y siguiendo con nuestra practica, facilita el trabajo hacerlo con la hoja
de calculo de Excel.
Prueba Fisher
Es la prueba estadística de elección cuando la prueba de Chi-cuadrada no puede
ser empleada por tamaño maestral insufiente.
Prueba de Chi-Cuadrada
Se basa en la hipótesis nula (Ho) de que no hay diferencias significativas entre la
distribución muestral y la teoría. Mientras que la hipótesis alternativa (H1),
siempre se enuncia como que los datos no siguen la distribución supuesta.
Estadístico de Prueba
El estadístico de prueba esta definido como la sumatoria de los residuos
expresados en términos de las frecuencias esperadas para cada una de las
clases.
Interpretación. Cuanto mayor sea el valor de , menos verosímil es que la hipótesis
Ho sea correcto. De la misma forma, cuanto más se aproxima a cero el valor de
Chi-cuadrada.
Si = 0. La frecuencia teórica y observada concuerda exactamente.
Si > 0. Mientras mayor es la diferencia mayor es la discrepancia.
En la practica: si Ho = 0 no existe diferencia significativa es la distribución de la
frecuencia observada y la distribución teórica específicamente los mismos
parámetros.

MÉTODO DE CONVOLUCIÓN
La distribución de la suma de dos o mas variables aleatorias independientes es
llamada la consolación de las distribuciones de las variables originales. El método
de con solución es entonces la suma de dos variables aleatorias para obtener una
variable aleatoria con la distribución de probabilidad deseada. Puede ser usada
para obtener variables con distribuciones Erlang y binomiales.
Antes de comenzar con el método, identifiquemos los valores de cada señal.

Una vez que tenemos identificados los valores de cada señal, comenzamos a
resolver.
Primero, hacemos una tabla que contendrá:
 Cantidad de columnas = cantidad de puntos a[n]+1
 Cantidad de filas = cantidad de puntos de a[n]+ de puntos de b[n]
 En el ejemplo que estamos realizando quedaría:
 Cantidad de columnas = 6+1 = 7
 Cantidad de filas = 6+4 = 10
Segundo, hay que llenar la tabla. En la primera fila, colocamos los valores de a[n]

Para calcular el elemento de y[0], tomamos en cuenta siempre la primera fila la

que continúe los elementos de a[n] y la fila correspondiente al elemento que
estamos calculando.
 TEMARIO

4.1 Lenguaje de simulación y simuladores

4.2 Aprendizaje y uso del lenguaje de simulación o un simulador

4.3 Casos prácticos de simulación

4.3.1 Problemas con líneas de espera

4.3.2 Problemas con sistemas de inventario

4.4 Validación de un simulador

4.4.1 Pruebas paramétricas (Validación del modelo, pruebas de hipótesis y pruebas de

estimación).

4.4.2 Pruebas no paramétricas

LENGUAJE DE SIMULACION Y SIMULADORES

En un principio, los programas de simulación se elaboraban utilizando algún

lenguaje de propósito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A
partir de la década de 1960 hacen su aparición los lenguajes específicos para
simulación como GPSS, GASP, SIMSCRIPT, SLAM. En la última década del siglo
pasado las apariciones de las interfaces gráficas revolucionaron el campo de las
aplicaciones en esta área, y ocasionaron el nacimiento de los simuladores.
En lo práctico, es importante utilizar la aplicación que mejor se adecúe al tipo de
sistema a simular, ya que de la selección del lenguaje o simulador dependerá el
tiempo de desarrollo del modelo de simulación. Las opciones van desde las hojas
de cálculo, lenguajes de tipo general (como Visual Basic, C++ o Fortan), lenguajes
específicos de simulación (como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y
SSED), hasta simuladores específicamente desarrollados para diferentes objetivos
(como SIMPROCESS, ProModel, Witness, Taylor II y Cristal Ball).

APRENDIZAJE Y USO LENGUAJE DE SIMULACIÓNOSIMULADOR

Los lenguajes de simulación facilitan enormemente el desarrollo y ejecución de

simulaciones de sistemas complejos del mundo real. Los lenguajes de simulación
son similares a los lenguajes de programación de alto nivel pero están
especialmente preparados para determinadas aplicaciones de la simulación. Así
suelen venir acompañados de una metodología de programación apoyada por un
sistema de símbolos propios para la descripción del modelo por ejemplo mediante
diagramas de flujo u otras herramientas que simplifican notablemente la
modelización y facilitan la posterior depuración del modelo.
Características de los lenguajes de simulación:

 Los lenguajes de simulación proporcionan automáticamente las

características necesarias para la programación de un modelo de simulación, lo
que redunda en una reducción significativa del esfuerzo requerido para programar
el modelo.
 Proporcionan un marco de trabajo natural para el uso de modelos de
simulación. Los bloques básicos de construcción del lenguaje son mucho más
afines a los propósitos de la simulación que los de un lenguaje de tipo general.
 Los modelos de simulación son mucho más fácilmente modificables.
 Proporcionan muchos de ellos una asignación dinámica de memoria
durante la ejecución,.
 Facilitan una mejor detección de los errores.
 Los paquetes de software especialmente diseñados para simulación
contienen aplicaciones diversas que facilitan al simulador las tareas de
comunicaciones, la depuración de errores sintácticos y de otro tipo de errores, la
generación de escenarios, la manipulación “on-line” de los modelos, etc.
 Son muy conocidos y en uso actualmente
 Aprendizaje lleva cierto tiempo
 Simuladores de alto nivel
 Muy fáciles de usar por su interface gráfica
 Restringidos a las áreas de manufactura y comunicaciones
 Flexibilidad restringida puede afectar la validez del modelo

Entre estos lenguajes específicos podemos nombrar los siguientes: MIDAS,

DYSAC, DSL , GASP, MIMIC, DYNAMO, GPSS, SIMULA, CSSL( Continuous
System Simulation Language) , CSMP, ACSL ( Advanced Conrinuous Simulation
Language), DARE-P and DARE-Interactive, C-Simscript, SLAM, SIMAN, SIMNON,
SIMSCRIPT-II-5, ADA, GASP IV, SDL.
Muchos de estos lenguajes dependen fuertemente de los lenguajes de propósito
general como es el caso de SLAM o SIMAN que dependen de Fortran para las
subrutinas.

Por otro lado, el GPSS es un caso especial de un lenguaje de simulación de

propósito especial, altamente estructurado que esta orientado a la transacción, un
caso especial de una orientación basada en procesos más general. El GPSS fue
diseñado para la simulación simple de sistemas de colas tales como trabajos de
taller. A diferencia de los otros lenguajes de simulación, GPSS tiene varias
implementaciones incluyendo GPSS/H y GPSS/PC, ambos de los cuales serán
discutidos mas adelante. El SIMAN V, SIMSCRIPT II.5, y el SLAM son lenguajes
de simulación de alto nivel que tienen constructor especialmente diseñados para
facilitar la construcción de modelos. Estos lenguajes proveen al analista de
simulación con una opción orientación basada en procesos o basada en eventos,
o un modelo usando una mezcla de las dos orientaciones. A diferencia del
FORTRAN, estos tres lenguajes proveen la administración de la lista de eventos
futuros, generador interno de variables aleatorias, y rutinas internas para la
obtención de estadísticas (estas características para las implementaciones del
GPSS mencionadas previamente.) Se pueden lograr calculo complejos en ambas
implementaciones del GPSS y estos tres lenguajes. El SIMAN, SIMSCRIPT II.5, y
el SLAMSYSTEM proveen la capacidad de realizar simulación continua ( esto es,
para modelar sistemas que tengan continuamente cambios en sus variables de
estado) pero este tema no esta dentro del alance de este libro.
El SIMAN esta escrito en C, aunque las primeras versiones del lenguaje fue
escrito en FORTRAN.

El SIMAN V puede ser acezado directamente, o a través del medio ambiente del
ARENA. El SLAMSYSTEM contiene al lenguaje de simulación SLAM II. El SLAM II
esta basado en el FORTRAN y contiene al lenguaje GASP como un subconjunto.
El GASP es un conjunto de subrutinas en FORTRAN para facilitar las simulaciones
orientadas al objeto escritas en FORTRAN. El SIMSCRIPT II.5 por otro lado,
contiene un subconjunto de un completo lenguaje científico de simulación
comparable con el FORTRAN, C o C++. El MODSIM III es un descendiente del
lenguaje que la compañía de productos CACI originalmente diseñado por la
armada de los Estados Unidos. Hereda mucha de su sintaxis del MODULA-2 y del
ADA, ciertas características del ADA y sus conceptos de simulación del
SIMSCRIPT y el SIMULA. Algunas de las características de la simulación
orientada al objeto fueron originalmente vistas en el SIMULA y el SMALLTALK.

CASOS PRACTICOS DE SIMULACIÓN

Un caso practico de una simulación podemos decir en esta parte, la simulación del
Método de Monte Carlo.

ALGORITMOS

El algoritmo de Simulación Monte Carlo Crudo o Puro está fundamentado en la

generación de números aleatorios por el método de Transformación Inversa, el
cual se basa en las distribuciones acumuladas de frecuencias:

 Determinar la/s V.A. y sus distribuciones acumuladas(F)

 Generar un número aleatorio uniforme Î (0,1).
 Determinar el valor de la V.A. para el número aleatorio generado de
acuerdo a las clases que tengamos.
 Calcular media, desviación estándar error y realizar el histograma.
 Analizar resultados para distintos tamaños de muestra.
 Otra opción para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulación o tenemos relaciones entre variables es
la siguiente:

 Diseñar el modelo lógico de decisión

Especificar distribuciones de probabilidad para las variables aleatorias relevantes
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo según los valores del muestreo (iteración) y registrar
el resultado
Repetir el proceso hasta tener una muestra estadísticamente representativa
Obtener la distribución de frecuencias del resultado de las iteraciones
Calcular media, desvío.
Analizar los resultados
Las principales características a tener en cuenta para la implementación o
utilización del algoritmo son:
· El sistema debe ser descripto por 1 o más funciones de distribución de
probabilidad (fdp)
· Generador de números aleatorios: como se generan los números aleatorios es
importante para evitar que se produzca correlación entre los valores muéstrales.
· Establecer límites y reglas de muestreo para las fdp: conocemos que valores
pueden adoptar las variables.
· Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a
simular.
· Estimación Error: Con que error trabajamos, cuanto error podemos
aceptar para que una corrida sea válida?
· Técnicas de reducción de varianza.
· Paralelización y vectorización: En aplicaciones con muchas variables se estudia
trabajar con varios procesadores paralelos para realizar la simulación.

EJEMPLO PRACTICO I

Tenemos la siguiente distribución de probabilidades para una demanda aleatoria y

queremos ver que sucede con el promedio de la demanda en varias iteraciones:

Utilizando la distribución acumulada(F(x) es la probabilidad que la variable

aleatoria tome valores menores o iguales a x) podemos determinar cual es el valor
obtenido de unidades cuando se genera un número aleatorio a partir de una
distribución continua uniforme. Este método de generación de variable aleatoria se
llama Transformación Inversa.
Generando los valores aleatorios vamos a ver como se obtiene el valor de la
demanda para cada día, interesándonos en este caso como es el orden de
aparición de los valores. Se busca el número aleatorio generado en la tabla de
probabilidades acumuladas, una vez encontrado(si no es el valor exacto, éste
debe se menor que el de la fila seleccionada pero mayor que el de la fila anterior),
de esa fila tomada como solución se toma el valor de las unidades (Cuando
trabajamos en Excel debemos tomar el límite inferior del intervalo para busca en
las acumuladas, para poder emplear la función BUSCARV(), para 42 sería 0, para
43 0,100001 y así sucesivamente).

Ejemplo: Supongamos que el número aleatorio generado sea 0,52, ¿a qué valor
de unidades corresponde? Nos fijamos en la columna de frecuencias acumuladas,
ese valor exacto no aparece, el siguiente mayor es 0,70 y corresponde a 48
unidades. Se puede apreciar mejor en el gráfico, trazando una recta desde el eje
de la frecuencia hasta que intersecta con la línea de la función acumulada, luego
se baja a la coordenada de unidades y se obtiene el valor correspondiente; en
este caso 48.

Cuando trabajamos con variables discretas la función acumulada tiene un intervalo

o salto para cada variable(para casos prácticos hay que definir los intervalos y
luego con una función de búsqueda hallar el valor). Para funciones continuas se
puede hallar la inversa de la función acumulada. De esta forma logramos a partir
de la distribución de densidad calcular los valores de
la variable aleatoria dada.

En la siguiente tabla, vemos como a medida que aumenta el numero de

simulaciones, el valor simulado se acerca al valor original de la media y desviación
estándar, además de la disminución del error típico.

PROBLEMAS CON LINEA DE ESPERA

Simulación de una línea de espera con una fila y un servidor

Un sistema de colas estará definido cuando tengamos la siguiente información

acerca de este:
• Distribución de probabilidad de los tiempos de servicio
• Distribución de probabilidad de los tiempos entre llegadas
• Numero de servidores
• Numero de filas
• Conexiones entre servidores y filas
• Disciplinas y restricciones de los servidores y filas (en caso de que existan)
Para este primer ejemplo se utilizará el modelo de líneas de espera que se
muestra en la figura siguiente. Como se puede apreciar, es un modelo bastante
simple donde la disciplina de atención es FIFO (primero en llegar, primero en
salir).
Tanto el tiempo de servicio como el tiempo entre llegadas siguen una distribución
exponencial, aunque con parámetros diferentes, para el caso del tiempo entre
llegadas tenemos λ=15 y para el tiempo de servicio tenemos λ=10.
Aplicando el método de la transformada inversa a la distribución exponencial
(consultar Dyner etc. al, 2008), tenemos que:

Donde corresponde a una observación de una variable exponencial, _ es un

numero aleatorio entre cero y uno y λ es la media de la distribución. Para la
implementación del sistema descrito en Excel, abra una nueva hoja de calculo y
configúrela como se muestra en la figura.

En la celda B8 escriba la formula =ALEATORIO() y arrastre hasta la celda B23.

Repita este procedimiento para la columna G. En el paso anterior, se definió los
números aleatorios a partir de los cuales se generaran las observaciones de
variables aleatorias de la simulación.
Ahora, en la celda C8 escribe la formula =-LN(1-B8)/$B$4, y arrastre hasta la
celda C23.
Como se puede apreciar, esta es la formula descrita anteriormente para obtener
observaciones de una variable exponencial. En este caso, se están generando
observaciones para la variable aleatoria de tiempos entre llegadas.
En la celda D8 escribe la formula =C8, lo anterior significa que como es la primera
llegada al sistema, su tiempo de llegada (en el instante de tiempo en el que llego
al sistema), sera igual a su tiempo entre llegadas. Sin embargo, para la celda D9
la formula correspondiente es =C9+D8, ahora arrastre la formula de D9 hasta D23;
esta formula significa que después de que llega el primer cliente, el instante de
tiempo en el que cualquier otro cliente llega al sistema será el instante de tiempo
en el que entro el penúltimo cliente sumado el tiempo entre llegadas
del último cliente, es decir, si el penúltimo cliente entro al sistema en el instante
t=4, y el tiempo entre llegadas del ultimo cliente es dt=2, entonces este ultimo
cliente entrara realmente al sistema en t=6.

La formula correspondiente a la celda E8 es =D8, esto significa que, al ser primer

cliente, el instante en el que llega al sistema será el mismo instante en el que
comienza el servicio; mas adelante se presenta las formulas correspondientes al
resto de clientes del sistema en esta columna. Ahora en la celda F8 escriba la
formula =E8-D8 y arrástrela hasta la celda F23, esto corresponde al tiempo de
espera del cliente antes de comenzar a ser atendido, note que D8 nunca será
mayor que E8 ya que el valor mínimo que puede tomar el tiempo de comienzo del
servicio es el tiempo de llegada, es decir, cuando un cliente llega al sistema y no
tiene que hacer fila.
En la celda H8 escribe la formula =-LN(1-G7)/$B$5, y arrástrela hasta la celda
H23, esta formula indica cuanto tiempo tardara el servidor atendiendo al cliente
actual. Ahora en la celda I8 escriba la formula =E8+H8, esta formula indica el
instante de tiempo en el que servidor termina de atender al cliente actual y
corresponde a la suma entre el instante que comienza el servicio y la cantidad de
tiempo que este toma.
Retomemos ahora la columna E, notese que esta solo esta definida en su posición
E8, esto porque primero se requeria definir otros valores antes de poder
determinar el instante en el que empieza realmente el servicio. En un sistema
como el aqui presentado se pueden tener dos casos para el tiempo de comienzo
del servicio, en primer lugar puede que el servidor se encuentre desocupado, en
este caso el tiempo de comienzo del servicio sera igual al tiempo de llegada al
sistema y no habra tiempo de espera.

Sin embargo, si el servidor se encuentra ocupado, el tiempo de comienzo del

servicio será igual al máximo entre el instante en que el servidor termine de
atender al cliente actual y el tiempo de llegada al sistema; por si el tiempo de fin
del servicio del cliente actual es igual a tfs=12 pero el tiempo de llegada del
próximo cliente es tll=14, el tiempo de comienzo del servicio del próximo cliente
será t=14 y el servidor tendrá un ocio dt=2; por otro lado, si tfs=13 para el cliente
actual y el próximo cliente tiene un tll=10, el servidor no tendrá ocio y el próximo
cliente deberá esperar un intervalo de tiempo dt=3. De lo anterior se concluye que
la formula para la celda E9 debe ser =MAX(D9;I8), ahora arrastre esta formula
hasta la celda E23.

Hasta este punto se tiene una simulación de un sistema de líneas de espera con
una fila y un servidor, si se desea generar nuevas observaciones presione la tecla
F9; como tarea al lector se deja el calculo de:
• Tiempo promedio en el sistema
• Tiempo promedio de espera (sin incluir ceros)
• Tiempo promedio de espera (incluyendo ceros)
• Tiempo promedio de servicio
• Tiempo promedio de ocio
Adicionalmente se plantea al lector elaborar, una simulación en Excel que
represente el sistema que se muestra en la figura siguiente, donde p es la
probabilidad de que un cliente se dirija a S1 o a S2. Tanto el tiempo entre llegadas
como los tiempos de servicio, se distribuyen exponencial con los parámetros que
se muestran a continuación.

Tiempo entre llegadas: λ=8

Tiempo de servicio S1: λ=13
Tiempo de servicio S2: λ=18
Probabilidad p: 0.63

PRUEBAS PARAMETRICAS (VALIDACIÓN DEL MODELO, PRUEBAS DE

HIPOTESIS Y PRUEBAS DE ESTIMACIÓN)

Validación del modelo

Etapas en el desarrollo de un simulador.
 Recordemos que las etapas nombradas para desarrollar un simulador son:
1) Identificación del problema
2) Delimitación del sistema
3) Formulación del modelo
4) Preparación de datos
5) Construcción del modelo
6) Validación
7) Diseño de experimentos
8) Ejecución de experimentos
9) Interpretación (Inferencia)
10) Documentación

IV) Etapa IV: Preparación de datos, o bien obtención de datos.

Consiste en la identificación y captación de los datos que requiere el modelo, de

acuerdo a la formulación que se haya hecho en las etapas anteriores del diseño.
Los datos son para:
· Las relaciones funcionales, ya sea para determinar la forma de éstas,
completar su forma o expresión, o para precisar algún parámetro que en ella se
tenga.
· Las variables estocásticas, que de ellas se deberá determinar su función de
distribución de probabilidades, tanto para variables continuas como discretas.
· Las relaciones funcionales podrían ser, rectas obtenidas por regresión lineal o
ajuste de curvas.
· En las relaciones funcionales se debe fijar todos los parámetros que tenga; a
menos que se haya dejado como una variable de entrada al simulador.
Los datos a usar pueden ser:
 Datos empíricos
 Datos obtenidos con distribución teóricas.
El usar datos empíricos es en general más conveniente, pero puede implicar que
el modelo quede influido por factores que se dieron en el tiempo de gestación de
ellos y no vuelvan a repetirse.
V. Construcción del modelo
Es llevar el modelo que se tiene del simulador a un lenguaje de programación
disponible en el computador a usar o en las configuraciones disponibles, y que
debe conocer su programación. Luego que se tiene el programa fuente del
modelo, escrito en el lenguaje elegido, probarlo y depurarlo desde el punto de
vista computacional, hasta obtener una versión satisfactoria.
VI. Validación
Es esta etapa se trata de establecer, y si es posible aumentar, el nivel aceptable
de confiabilidad de las inferencias efectuadas sobre el sistema real.
La validación tiene el concepto de grado, no es un resultado dicotómico, no es un
si o no, no es válido o inválido, no es correcto o incorrecto.
Fuentes de error
En la formulación del modelo:
 Que se excluya variables relevantes, o un atributo (esto es más dramático).
 Que se incluya variables irrelevantes (es menos dramático).
 Mala elección de una función de distribución de probabilidad para una
variable.
 Mal establecimiento de alguna relación funcional o de los parámetros del
modelo.
 En los datos usados
 Toma de datos con margen de error relativo importante.
 Técnica de muestreo mal aplicada. Ejemplo: Tomar todos los datos de un
sector no representativo.
 Datos mal digitados o mal almacenados.
El analista hace un acto de confianza en el equipo que tenía los datos.
 En la construcción
 Errores en los programas (de lógica, mal uso del lenguaje).
 El tiempo real se simula mal.
 Uso de una imagen no adecuada del mundo real. (Usar matrices de punto
para territorios, lagos, bosque, cardumen, conglomerados; en lugar del espacio R2
por ej.)
La validación consiste en 2 etapas:
1. Validación de los modelos de procesos simples; esto es validar la estructura
interna del modelo.
Se valida la salida de los procesos simples y en ello se hace uso de técnicas de
estadística. Las relaciones funcionales también deben validarse. Puede hacerse
cuando se establece el modelo o en la toma de datos .No debe tomarse relaciones
funcionales desconocidas, o que no tengan ya un grado de validez aceptable.
Siempre será posible validar las componentes o subsistemas porque se habrán
construido de manera modular para formar el modelo. En esta etapa se observará
el comportamiento del modelo en cada uno de esos procesos simples para
asegurarse que cada componente o subsistema esta bien simulado.
Validar el modelo de simulación en su entorno, esto es validar los datos de salida.
 Puede ser que la validez de la estructura sea buena, pero el resultado
combinado de los procesos simples sea casi mala.
 Confrontar los resultados de la simulación con las experiencias pasadas y
con teorías existentes al respecto:
 No tomar posturas como: los resultados no me parecen correctos, pero si el
modelo lo dice yo lo acepto.
 Si los resultados son absurdos, no tiene sentido continuar; cualquier otro
análisis no convencerá a los usuarios. Ningún modelo se ha aceptado si los
resultados van contra la teoría.
 Para modelos de importancia, de envergadura deberá consultarse la
opinión de expertos.
Análisis de sensibilidad
En las 2 etapas de la validación (de estructura y de los datos de salida) se debe
hacer análisis de sensibilidad.
Para ello, se varía los valores de 1 o 2 variables de entrada y se observa la
respuesta del modelo. Es de cuidado cuando el modelo es muy sensible a una
pequeña variación de una variable, y en general el modelo no es bueno cuando
ello ocurre.
Efectuar análisis de sensibilidad de las variables dependientes ante cambios de
las variables independientes.
 Con un simulador se puede realizar muchos análisis de sensibilidad por el
grado de control sobre las variables de entrada (Método Turing ). Luego consultar
a expertos, si es posible.
 Análisis de la capacidad de replicar los datos que se uso en su
construcción. Esta réplica no es tan importante ya que si replica los datos usados
no significa que el modelo sea bueno; y, si ni siquiera replica los datos usados es
porque el modelo de simulación obtenido, es malo.
 Análisis de la capacidad de predecir usando datos críticos no incluidos en
los datos, o usar datos históricos o datos que se obtienen del sistema real o de
otro simulador ya probado.
Se espera que estas salidas no sean absurdas comparadas con la experiencia y la
teoría. Se consulta la opinión de expertos en esta confrontación del modelo con la
realidad presente.
Ej. Simular la evolución de una población de chinchillas dándole población máxima
altísima, y datos de población existentes. Consulta a expertos en chinchillas.
 El modelo debe correrse muchas veces antes de llegar a tener una
probabilidad de distribución de la respuesta de un variable de salida.
VII Diseño de experimentos
Aquí se usan las reglas y los procedimientos que la estadística considera para el
diseño de experimentos en general y que se aplica a diseñar experimentos a
efectuar con el simulador.
El diseño se hará orientado principalmente a los objetos que tiene el estudio o el
programa en que se inserta la construcción del simulador, o los objetivos de los
usuarios que utilizarán el simulador, y para lo cual éste fue diseñado.
Se puede distinguir una etapa estratégica donde se decide el diseño de
experimentos a usar por ser el más adecuado, y la etapa táctica donde se decide
el cómo se llevara a la práctica los experimentos del diseño a aplicar. Se ve aquí la
distribución de recursos, el uso del tiempo y del personal.
VIII Ejecución de los experimentos
Corresponde a la etapa operacional del diseño de experimentos.
IX Interpretación
Se hacen las inferencias sobre el sistema real de los datos generados por el
simulador.
X. Documentación
Se debe indicar por escrito puntos tales como: los objetivos, las componentes y
subsistemas, variables de entrada y de salida, relaciones funcionales, el modelo
formulado, la función de desempeño, y lo pertinente hasta aquí (Diseño lógico del
simulador).
Se debe documentar el programa computacional, los módulos o las subrutinas, las
inter-relaciones entre módulos y la conclusiones de la etapa de validación (Diseño
físico del simulador).
Confeccionar un manual de procedimiento para el uso del simulador. Este
resultará más breve cuanto más amigable sea el ingreso y manejo del simulador.
Deberá contener alcances que faciliten la inferencia al sistema real.

XII. Explotación

Es dejar el simulador con los manuales y documentación a disposición del o los

usuarios.
Pruebas de hipótesis
Una
Al realizar pruebas de hipótesis, se parte de un valor supuesto (hipotético) en
parámetro poblacional. Después de recolectar una muestra aleatoria, se compara
la estadística muestral, así como la media (x), con el parámetro hipotético, se
compara con una supuesta media poblacional. Después se acepta o se rechaza
el valor hipotético, según proceda. Se rechaza el valor hipotético sólo si el
resultado muestral resulta muy poco probable cuando la hipótesis es cierta.

Etapas Para La Prueba De Hipótesis.

Etapa 1.- Planear la hipótesis nula y la hipótesis alternativa. La hipótesis nula (H0)
es el valor hipotético del parámetro que se compra con el resultado muestral
resulta muy poco probable cuando la hipótesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de
significancia del 5%, entonces se rechaza la hipótesis nula solamente si el
resultado muestral es tan diferente del valor hipotético que una diferencia de esa
magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad de 1.05 o
menos.
Etapa 3.- Elegir la estadística de prueba. La estadística de prueba puede ser la
estadística muestral (el estimador no segado del parámetro que se prueba) o una
versión transformada de esa estadística muestral. Por ejemplo, para probar el
valor hipotético de una media poblacional, se toma la media de una muestra
aleatoria de esa distribución normal, entonces es común que se transforme la
media en un valor z el cual, a su vez, sirve como estadística de prueba.
Etapa 4.- Establecer el valor o valores críticos de la estadística de prueba.
Habiendo especificado la hipótesis nula, el nivel de significancia y la estadística de
prueba que se van a utilizar, se produce a establecer el o los valores críticos de
estadística de prueba. Puede haber uno o más de esos valores, dependiendo de si
se va a realizar una prueba de uno o dos extremos.
Etapa 5.- Determinar el valor real de la estadística de prueba. Por ejemplo, al
probar un valor hipotético de la media poblacional, se toma una muestra aleatoria
y se determina el valor de la media muestral. Si el valor crítico que se establece es
un valor de z, entonces se transforma la media muestral en un valor de z.
Etapa 6.- Tomar la decisión. Se compara el valor observado de la estadística
muestral con el valor (o valores) críticos de la estadística de prueba. Después se
acepta o se rechaza la hipótesis nula. Si se rechaza ésta, se acepta la alternativa;
a su vez, esta decisión tendrá efecto sobre otras decisiones de los
administradores operativos, como por ejemplo, mantener o no un estándar
de desempeño o cuál de dos estrategias de mercadotecnia utilizar.
La distribución apropiada de la prueba estadística se divide en dos regiones: una
región de rechazo y una de no rechazo. Si la prueba estadística cae en esta última
región no se puede rechazar la hipótesis nula y se llega a la conclusión de que
el proceso funciona correctamente.
Al tomar la decisión con respecto a la hipótesis nula, se debe determinar el valor
crítico en la distribución estadística que divide la región del rechazo (en la cual la
hipótesis nula no se puede rechazar) de la región de rechazo. A hora bien el valor
crítico depende del tamaño de la región de rechazo.
PASOS DE LA PRUEBA DE HIPÓTESIS
1. Expresar la hipótesis nula
2. Expresar la hipótesis alternativa
3. Especificar el nivel de significancia
4. Determinar el tamaño de la muestra
5. Establecer los valores críticos que establecen las regiones de rechazo de las
de no rechazo.
6. Determinar la prueba estadística.
7. Coleccionar los datos y calcular el valor de la muestra de la prueba estadística
apropiada.
8. Determinar si la prueba estadística ha sido en la zona de rechazo a una de no
rechazo.
9. Determinar la decisión estadística.
10 Expresar la decisión estadística en términos del problema.

Errores de tipo I y de tipo II.

Si rechazamos una hipótesis cuando debiera ser aceptada, diremos que se ha
cometido un error de tipo I. Por otra parte, si aceptamos una hipótesis que debiera
ser rechazada, diremos que se cometió un error de tipo II. En ambos casos, se ha
producido un juicio erróneo.
Para que las reglas de decisión (o no contraste de hipótesis) sean buenos, deben
diseñarse de modo que minimicen los errores de la decisión; y no es una
cuestión sencilla, porque para cualquier tamaño de la muestra, un intento de
disminuir un tipo de error suele ir acompañado de un crecimiento del otro tipo. En
la práctica, un tipo de error puede ser más grave que el otro, y debe alcanzarse un
compromiso que disminuya el error más grave.
La única forma de disminuir ambos a la vez es aumentar el tamaño de la muestra
que no siempre es posible.

BIOGRAFIA
http://simulacionkarla.blogspot.com/p/unidad-iv-lenguajes-de-simulacion.html