MARCO TEORICO

CONCEPTOS GENERALES DE SIMULACION

Tcnica para mejorar el comportamiento de sistemas reales a travs de la representacin de un modelo y la construccin de escenarios, que permitan un adecuado soporte al proceso de toma de decisiones; o bien simulacin implica crear un modelo que aproxima cierto aspecto de un sistema del mundo real y que puede ser usado para generar historias artificiales del sistema, de forma tal que nos permite predecir cierto aspecto del comportamiento del sistema. En particular, se usan computadores para imitar comportamientos de los sistemas evaluando numricamente un modelo del mismo. Estas evaluaciones numricas son las que nos permiten generar las historias artificiales que no son ms que experimentos, simulamos para explicar, entender o mejorar el sistema. Simulacin es una tcnica numrica para conducir experimentos en una computadora digital. Estos experimentos comprenden ciertos tipos de relaciones matemticas y lgicas, las cuales son necesarias para describir el comportamiento y la estructura de sistemas complejos del mundo real a travs de largos perodos. Una definicin ms formal es "La simulacin es el proceso de disear un modelo de un sistema real y llevar a trmino experiencias con l, con la finalidad de comprender el comportamiento del sistema o evaluar nuevas estrategias -dentro de los lmites impuestos por un cierto criterio o un conjunto de ellos - para el funcionamiento del sistema". ETAPAS PARA REALIZAR UN ESTUDIO DE SIMULACIN Definicin del sistema Consiste en estudiar el contexto del problema, identificar los objetivos del proyecto, ndices de medicin de la efectividad del sistema, objetivos especficos del modelo y definir el sistema que se va a modelar. Formulacin del modelo Una vez definidos con exactitud los resultados, se define y construye el modelo con el cual se obtendrn los resultados deseados. Coleccin de datos

Es importante que se definan con claridad y exactitud los datos que el modelo va a requerir para producir los resultados deseados. Implementacin del modelo en computadora Con el modelo definido, el siguiente paso es decidir si se utiliza algn lenguaje como el fortran, algol, lisp, etc., o se utiliza algn paquete como Automod, Promodel, Vensim, Stella y iThink, GPSS, simula, simscript, Rockwell Arena, etc., para procesarlo en la computadora y obtener los resultados deseados. Verificacin El proceso de verificacin consiste en comprobar que el modelo simulado cumple con los requisitos de diseo para los que se elabor. Validacin Del Sistema A travs de esta etapa es valorar las diferencias entre el funcionamiento del simulador y el sistema real que se est tratando de simular. Experimentacin La experimentacin con el modelo se realiza despus que ste haya sido validado. La experimentacin consiste en generar los datos deseados y en realizar un anlisis de sensibilidad de los ndices requeridos. Interpretacin En esta etapa del estudio, se interpretan los resultados que arroja la simulacin y con base a esto se toma una decisin. Es obvio que los resultados que se obtienen de un estudio de simulacin ayudan a soportar decisiones del tipo semi-estructurado. Documentacin Dos tipos de documentacin son requeridos para hacer un mejor uso del modelo de simulacin. Documentacin del tipo tcnico y manual del usuario.

GENERACION DE NUMEROS ALEATORIOS Y PRUEBAS DE BONDAD DE AJUSTE

Una vez construido un modelo, debemos experimentar sobre l y para poder ejecutarlo necesitamos dar valores a las variables de tipo exgeno. De esta forma podremos obtener valores de salida y pasaremos a realizar un anlisis de los mismos. Algunas de las variables de entrada son de tipo aleatorio por lo que se tendrn que generar valores que simulen dichas entradas. Para generar variables aleatorias que sigan determinadas funciones de probabilidad necesitamos partir de series de nmeros que cumplan ciertas caractersticas de aleatoriedad. Es grande la necesidad de usar nmeros aleatorios y son muchas las aplicaciones que requieren de ellos, tales como:
Simulacin: para simular las entradas de aquellas variables aleatorias.

Juegos o teora de decisiones. Clculo numrico: por ejemplo en la resolucin de integrales. Teora del muestreo: aquellos casos en los que sea demasiado costoso realizar la muestra. Programacin: generacin de entradas para realizar las pruebas de los algoritmos y programas. Antes se ha hecho referencia a nmero aleatorio, en realidad no se puede hablar de la aleatoriedad o no aleatoriedad de un nmero aislado, sino de ste en relacin con otros, es decir, la aleatoriedad es una caracterstica que posee o no una serie de nmeros. GENERADORES DE NMEROS. Las caractersticas deseables para los generadores de nmeros aleatorios son las siguientes: Los nmeros generados no se deben repetir frecuentemente (en ciclos). Las series generadas deben ser reproducibles. Rapidez en la obtencin de los nmeros.

 Almacenamiento mnimo. Tanto el propio generador como los nmeros por el generados. Los nmeros generados han de estar uniformemente distribuidos (todos deben tener la misma probabilidad de salir). Los valores generados deben ser independientes unos de otros, es decir, que la obtencin de cierto valor no est condicionado por los valores obtenidos anteriormente. MTODOS DE OBTENCIN Manual.- Por ejemplo, lanzar un dado o realizar extracciones con reemplazamiento de bolas numeradas dentro de una urna. Tablas. (De hasta 100000 nmeros). Computacin analgica. Las series se obtienen mediante fenmenos fsicos. Computacin digital. Dada una funcin y una semilla, se van generando los nmeros aleatorios. GENERADORES DE NMEROS ALEATORIOS INADECUADOS Las simulaciones requieren de cantidades aleatorias que son producidas por procedimientos llamados generadores de nmeros aleatorios. Es mejor usar generadores que han sido bien analizados a usar los de uno mismo. Aun buenos generadores presentan problemas. SELECCIN DE SEMILLAS INADECUADAS Los generadores de nmeros aleatorios son procedimientos que dado un numero aleatorio generan otro. El primer numero aleatorio de la secuencia es llamado la semilla y debe ser proporcionada por el analista. Las semillas para diferentes secuencias deben ser cuidadosamente seleccionadas para mantener independencia entre las secuencias. Los analistas usualmente usan una misma

secuencia para diferentes procesos o usan la misma semilla para todas las secuencias. Esto introduce correlacin entre los procesos y puede llevar a conclusiones errneas.

PRUEBAS DE BONDAD DE AJUSTE Las pruebas de bondad de ajuste tienen por objetivo determinar si los datos se ajustan a una determinada distribucin, esta distribucin puede estar completamente especificada (hiptesis simple) o perteneciente a una clase parametrica (hiptesis compuesta). Una de las bases fundamentales del control estadstico de la calidad es la inferencia estadstica. Por ello, la determinacin del tipo de distribucin correspondiente a un La prueba de conjunto de datos provenientes del estudio es absolutamente necesaria. distribucin de probabilidad terica sujeto a un error o nivel de confianza. Las pruebas de bondad de ajuste tienen por objetivo determinar si los datos se ajustan a una determinada distribucin, esta distribucin puede estar completamente especificada (hiptesis simple) o perteneciente a una clase paramtrica (hiptesis compuesta). Las pruebas de Bondad de Ajuste ms comnmente conocidas, son: Anderson-Darling Chi-Cuadrada Kolmogorov-Smirnov La prueba Chi-Cuadrada se emplea tanto para distribuciones continuas como para discretas, mientras que la de Kolmogorov-Smirnov como la de Anderson Darling se emplean slo para distribuciones continas. Prueba Distribucin Normal Esta prueba se usa cuando se quiere probar la hiptesis de que unos datos mustrales provienen de una determinada distribucin. La prueba chi cuadrado se basa en la comparacin entre la frecuencia observada en un intervalo de clase y la frecuencia esperada en dicho intervalo, calculada de acuerdo con la hiptesis nula formulada. Es decir, se quiere determinar si las frecuencias observadas en

bondad de ajuste permite probar el ajuste de los resultados de un experimento a una

la muestra estn lo suficientemente cerca de las frecuencias esperadas bajo la hiptesis nula. Para esta prueba es necesario agrupar o distribuir las observaciones de la muestra en intervalos de clase, preferiblemente del mismo tamao.