You are on page 1of 17

Universidad Autnoma de Chiapas

Facultad de Ingeniera

Materia: Teora de decisiones.

Catedrtico : No Fabin Ruiz Velzquez

Trabajo: Simulacin.

Integrantes:

Calvo Flores Dennys Rodolfo

Castillo Len Diego

Gutirrez Fraide Miguel Hernn

Gutirrez Lpez Luis Antonio

Miceli Reyes Erick Alejandro.

Palacios Brindis Cesar

Paz Lpez Jazmn

10 de octubre de 2017
INDICE:
1.-INTRODUCCION.

En el presente trabajo se hablar acerca de la simulacin basado en el mtodo de Montecarlo.


Se ver el proceso mediante el cual se generan nmeros aleatorios, se hablar de forma breve de
diversas distribuciones de probabilidad que son usadas en el tema en cuestin, se ver la teora
correspondiente a la simulacin del sistema y posteriormente se pondr en prctica mediante la
resolucin de ejercicios de apoyo.
2.- Marco terico.

2.1-Simulacin

La palabra simulacin es un trmino genrico que describe muy diferentes tipos de actividades
incluyendo: roles que se juegan en la vida social o en experimentos psicolgicos, juegos de videos
complejos, modelos a escala creados por ingenieros que describen la conducta de puentes o
aeropuertos, etc.

Para un estadstico, cientfico o gerente, se refiere a la construccin de un modelo abstracto


que representa algn sistema de la vida real, con la subsiguiente descripcin a travs del tiempo de
los pertinentes al sistema como una serie de ecuaciones y relaciones, generalmente a travs de un
programa de computadora.

Definimos como simulacin de sistemas a la exploracin de mundos posibles y al estudio del


desarrollo en el tiempo de esos mundos. Recordando que un sistema es: una porcin del universo
respecto de un observador o colaborador definido (interior o exterior al mismo), compuesta por un
conjunto de elementos y relaciones entre los mismos.

Al estudiar un sistema, como observadores, podemos apreciar que hay determinados objetos
distintos, llamados entidades. Tambin observamos interacciones entre ellos (que llamamos
actividades), las cuales producen cambios en el sistema.

2.2-Modelos

Un modelo es el cuerpo de informacin relativa a un sistema recabado con el fin de estudiarlo,


un modelo no es slo un sustituto del sistema, es tambin su simplificacin.

Adems, no existe un modelo nico de un sistema, ya que cada objeto de estudio establecido
determinar la naturaleza de la informacin a reunir.

A veces la clasificacin se realiza segn la naturaleza del sistema a estudiar, a saber:

1) continuo vs. discreto

2) determinstico vs. Aleatorio.

2.3-Simulacin de sistemas.

Simulacin de sistemas es equivalente a la exploracin de mundos posibles. Es una tcnica


identificada con la resolucin simultnea de tosas las ecuaciones del modelo con valores
continuamente crecientes del tiempo, es decir la tcnica de resolver problemas siguiendo los cambios
en el tiempo de un modelo dinmico de un sistema.

Simulacin de sistemas en la investigacin de operaciones.

La simulacin se ha convertido en la rama experimental del rea.


Se hace hincapi en el planteo y resolucin de los modelos matemticos en forma analtica,
ya que por lo general el enfoque analtico es superior al de la simulacin en cuanto a la exactitud de
la resolucin del problema.

Sin embargo, muchos problemas son tan complejos que no se pueden resolver analticamente,
lo que nos impedir tomar una decisin. Slo entonces se deber recurrir a la simulacin, cuando sea
el nico enfoque prctico del problema.

Se debe destacar que a medida que aparecieron computadoras ms rpidas se comenz a


experimentar ms y ms en la utilizacin de modelos numricos y en la simulacin.

2.4-Etapas en el proceso de simulacin de sistemas.

La simulacin se puede aplicar a una infinidad de tipos de sistemas lo que produce una amplia
variedad en la forma en que se desarrolla su aplicacin. A pesar de esta variedad se pueden identificar
determinados pasos bsicos en un proceso de estudio de la simulacin, en los que reconocemos los
pasos de una metodologa cientfica. Estas etapas, que se enumeran a continuacin, no son
totalmente secuenciales dado que muchas veces se debe reiterar y volver atrs, realizando
nuevamente etapas anteriores.

1) FORMULACIN DEL PROBLEMA

2) PLAN DE ESTUDIO

3) FORMULACIN DEL MODELO MATEMTICO

4) CONSTRUCCIN DEL PROGRAMA EN COMPUTADORA PARA EL MODELO

5) VALIDACIN DEL MODELO

6) DISEO DE EXPERIMENTOS

7) EJECUCIN DE LAS CORRIDAS DE SIMULACIN Y ANLISIS DE RESULTADOS

Adicionalmente, la simulacin se puede clasificar en tres tipos:

1. Simulacin Continua

2. Simulacin a eventos discretos

3. Simulacin estadstica o Mtodo Monte Carlo

2.5- Caractersticas de la generacin de nmeros aleatorios

1) Distribucin Uniforme. Lo que significa que cualquier nmero que pertenezca al rango de inters
debe tener la misma chance de resultar sorteado.

2) No exista Correlacin Serial. Lo que significa que la aparicin de un nmero no afecta de ninguna
manera la chance de aparecer de otro nmero o de s mismo.
3,-Cuerpo de la investigacin.

3.1-Algoritmo del mtodo de MonteCarlo.

El mtodo MonteCarlo como el mtodo numrico de simulacin que permite resolver problemas
matemticos mediante la simulacin de variables aleatorias.

Sus principales caractersticas se muestran a continuacin:

1) algoritmo de estructura muy sencilla. Como regla se elabora primero un programa para la
realizacin de una prueba aleatoria (una muestra, por ejemplo: escoger un punto aleatorio en una
superficie, y comprobar si ese punto pertenece o no a una figura de la superficie). Esta prueba se
repite N veces de modo que cada experimento sea independiente de los restantes, y se toma la media
de todos los resultados de los experimentos.

2) El error del valor obtenido es como regla proporcional a la magnitud / N 2 siendo 2 la varianza
(constante) y N el nmero de pruebas. De esta forma, para disminuir el error 10 veces deberemos
aumentar N (volumen de trabajo) 100 veces.

3.2-Muestras Aleatorias

Si las variables aleatorias X1, X2, , Xn tienen la misma funcin de probabilidad que la distribucin de
la poblacin y su distribucin de probabilidad conjunta es igual al producto de las marginales,
entonces X1, X2, , Xn forma un conjunto de n variables aleatorias independientes e idnticamente
distribuidas (IID) que constituye una muestra aleatoria de la poblacin.

La funcin (densidad) conjunta de probabilidad de X1, X2, , Xn es la funcin de verosimilitud de la


muestra dada por:

en donde

denota los datos muestreados.

Cuando las realizaciones de

se conocen, la funcin

depende slo del parmetro desconocido q.


3.3- Generacin de nmeros aleatorios
Los algoritmos para la generacin de valores uniformemente distribuidos estn presentes en todas
las calculadoras y lenguajes de programacin, y suelen estar basados en congruencias numricas del
tipo:

El xito de este tipo de generadores de valores de una variable aleatoria depende de la


eleccin de los cuatro parmetros que intervienen inicialmente en la expresin anterior:

El valor inicial o semilla:

La constante multiplicativa:

La constante aditiva:

El nmero respecto al cual se calculan los restos

los valores generados por este procedimiento son nmeros enteros entre 0 y . El nmero

mximo de cifras distintas que pueden obtenerse con el procedimiento descrito es , as que
llegar un momento en que el primer nmero generado se repetir producindose un ciclo.
El ciclo dnde inevitablemente caer el generador interesa que sea de la mayor longitud posible
(como mximo m), para evitar que se repitan pronto los valores aleatorios. Por ejemplo, para los
valores a3,c5 , x02 y m32 se obtiene la siguiente secuencia de valores:
2-11-6-23-10-3-14-15-18-27-22-7-26-19-30-31-2-11-6
La secuencia generada tiene como longitud 16 nmeros (el nmero generado en la
decimosptima posicin es el 2 inicial, por lo que toda la secuencia se repite a partir de ah),
muy inferior a la longitud mxima que podra tener (m=32). Determinadas elecciones de
parmetros del generador (x0 a,c , y m ) conducen a ciclos de amplitud mxima.

Si c0:

m.c.d(c,m) 1

a1 (mod p) para cada primo p de m

a1 (mod 4) si 4 es divisor de m

Si c=0:
A(m-1/p) 1 m es primo

La condicin es que NO SEA congruente para cada factor primo p de m-1.


Por ejemplo, tomando como valores m2(5) 32, a5,x01 y c3 se obtiene la siguiente
secuencia de nmeros, que tiene longitud mxima:
1-8-11-26-5-28-15-14-9-16-19-2-13-4-23-22-17-24-27-10-21-12-31-30-25-0-3-18-29-20-7-6-1
3.3.1.-Distribuciones de probabilidad

La distribucin de probabilidad de una variable aleatoria es una funcin que asigna a cada suceso
definido sobre la variable aleatoria la probabilidad de que dicho suceso ocurra. La distribucin de
probabilidad est definida sobre el conjunto de todos los sucesos y cada uno de los sucesos es el
rango de valores de la variable aleatoria. Tambin se dice que tiene una relacin estrecha con
las distribuciones de frecuencia. De hecho, se puede entender que una distribucin de
probabilidades sera una frecuencia terica, ya que sta ltima es aquella que describe cmo se
espera que varen los resultados.

La distribucin de probabilidad est completamente especificada por la funcin de distribucin, cuyo


valor en cada x real es la probabilidad de que la variable aleatoria sea menor o igual que x.

3.3.1.1-DISTRIBUCIN BINOMIAL

La distribucin Binomial es un caso particular de probabilidad de variable aleatoria discreta, y por


sus aplicaciones, es posiblemente la ms importante.

Esta distribucin corresponde a la realizacin de un experimento aleatorio que cumple con las
siguientes condiciones:

* Al realizar el experimento slo son posible dos resultados: el suceso A, llamado xito, o su
contrario A, llamado fracaso.

* Al repetir el experimento, el resultado obtenido es independiente de los resultados obtenidos


anteriormente.

* La probabilidad del suceso A es constante, es decir, no vara de una prueba del experimento a otra.
Si llamamos p a la probabilidad de A, p(A) = P, entonces p(A) = 1 p = q

* En cada experimento se realizan n pruebas idnticas.

Todo experimento que tenga estas caractersticas se dice que sigue el modelo de la distribucin
Binomial o distribucin de Bernoulli.

En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y de fracaso q, entonces la


distribucin de probabilidad que la modela es la distribucin de probabilidad binomial y su regla de
correspondencia es:

Como el clculo de estas probabilidades puede resultar algo tedioso se han construido tablas para
algunos valores de n y p que facilitan el trabajo.

3.3.1.2.-DISTRIBUCIN DE POISSON

La distribucin de POISSON es tambin un caso particular de probabilidad de variable aleatoria


discreta, el cual debe su nombre a Simon Denis Poisson (1781-1840), un francs que la desarroll a
partir de los estudios que realiz durante la ltima etapa de su vida.

Esta distribucin se utiliza para describir ciertos procesos.


Caractersticas:

En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza,
etc:

- # de defectos de una tela por m2

- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.

- # de bacterias por c m2 de cultivo

- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.

- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.

Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la
frmula a utilizar es:

donde:

p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es l.

l = media o promedio de xitos por unidad de tiempo, rea o producto

e = 2.718 (base de logaritmo neperiano o natural)

X = variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de
tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de
otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto es
independiente de otro producto dado.

3.3.1.3.-DISTRIBUCIN NORMAL

La distribucin normal es tambin un caso particular de probabilidad de variable aleatoria contnua,


fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754). Posteriormente, Carl
Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y formul la ecuacin de la curva; de
ah que tambin se le conozca, ms comnmente, como la "campana de Gauss". La distribucin de
una variable normal est completamente determinada por dos parmetros, su media () y su
desviacin estndar (). Con esta notacin, la densidad de la normal viene dada por la ecuacin:

que determina la curva en forma de campana que tan bien conocemos


Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan prominente en
la estadstica:

Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en la que es
necesario hacer inferencias mediante la toma de muestras.

La distribucin normal casi se ajusta a las distribuciones de frecuencias reales observadas en muchos
fenmenos, incluyendo caractersticas humanas, resultados de procesos fsicos y muchas otras
medidas de inters para los administradores, tanto en el sector pblico como en el privado.

Propiedad:

No importa cules sean los valores de y para una distribucin de probabilidad normal, el rea total
bajo la curva siempre es 1, de manera que podemos pensar en reas bajo la curva como si fueran
probabilidades. Matemticamente es verdad que:

Aproximadamente el 68% de todos los valores de una poblacin normalmente distribuida se


encuentra dentro de 1 desviacin estndar de la media.

Aproximadamente el 95.5% de todos los valores de una poblacin normalmente distribuida se


encuentra dentro de 2 desviaciones estndar de la media.

Aproximadamente el 99.7% de todos los valores de una poblacin normalmente distribuida se


encuentra dentro de 3 desviaciones estndar de la media.

Relacin entre el rea bajo la curva de distribucin normal de probabilidad y la distancia a la media
medida en desviaciones estndar.

Estas grficas muestran tres formas diferentes de medir el rea bajo la curva normal. Sin embargo,
muy pocas de las aplicaciones de la distribucin normal de probabilidad implican intervalos de
exactamente (ms o menos) 1, 2 3 desviaciones estndar a partir de la media. Para estos casos
existen tablas estadsticas que indican porciones del rea bajo la curva normal que estn contenidas
dentro de cualquier nmero de desviaciones estndar (ms o menos) a partir de la media.

Afortunadamente tambin se puede utilizar una distribucin de probabilidad normal estndar para
encontrar reas bajo cualquier curva normal. Con esta tabla se determina el rea o la probabilidad de
que la variable aleatoria distribuida normalmente est dentro de ciertas distancias a partir de la media.
Estas distancias estn definidas en trminos de desviaciones estndar.

Para cualquier distribucin normal de probabilidad, todos los intervalos que contienen el mismo
nmero de desviaciones estndar a partir de la media contendrn la misma fraccin del rea total
bajo la curva para cualquier distribucin de probabilidad normal. Esto hace que sea posible usar
solamente una tabla de la distribucin de probabilidad normal estndar.

El valor de z est derivado de la frmula:

En la que:

x = valor de la variable aleatoria de inters.

= media de la distribucin de la variable aleatoria.

= desviacin estndar de la distribucin.

z = nmero de desviaciones estndar que hay desde x a la media de la distribucin. (El uso de z es
solamente un cambio de escala de medicin del eje horizontal)

Distribucin normal que ilustra la comparacin de los valores de z y las desviaciones estndar.

3.4-Simulacin del sistema

Procedimiento.

El mtodo posee diversas variables, en investigacin de operaciones se utiliza de la siguiente forma:

El modelo en cuestin se usa para tomar decisiones bajo riesgo.

Como primer punto debemos conocer cules son nuestras variables aleatorias, es decir, aquellas que
no se conocen con certeza.

En segundo punto correspondemos a hacer una distribucin lgica de la probabilidad. Esto con ayuda
de un grfico, una tabla de frecuencia acumulada, un diagrama y el uso del razonamiento,
principalmente.

Ya definido estos parmetros tenemos nuestro sistema, el cual podemos empezar a utilizar, llevando
a cabo el experimento N veces.

Los resultados de los experimentos son registrados para poder realizar un conteo donde conoceremos
el nmero de veces que ocurri el fenmeno del cual estamos interesados.
Este conteo favorable es el dato que nos interesa, con el cual se llevaran a cabo los dems clculos
pertinentes.

3.5-Simulacin en teora de colas.

La simulacin en teora de colas consiste en predecir la variable aleatoria, que por lo


general se trata del patrn de llegadas. A travs de la experimentacin del software se
determina como reaccionan los servidores ante el, que tan frecuente se saturan. El tiempo
en promedio que pasan desocupados entre otros datos que se desprenden de este patrn
de llegadas que se ha planteado y que va de acuerdo al tipo de distribucin prevista.
4.0.-Problemas:

1) Una empresa desea saber si es conveniente invertir en un nuevo producto que saldr al mercado el
prximo ao. Si existe una alta probabilidad de perdida la compaa debe desistir. En caso contrario
la compaa proceder con lo planeado e invertir. Las unidades que se esperan vender estn entre
las 50 y 100 mil piezas, el costo de la inversin es de 365 000 pesos por la inversin, por cada unidad
vendida ganaran $4.75. Si el nmero de piezas vendidas es superior a 70 mil, la compaa se le dar
un bono del 10% de lo vendido.

Prediga la probabilidad de que la compaa obtenga alguna ganancia.

Basndose exclusivamente en la probabilidad encontrada Debe la compaa invertir?

Algoritmo del problema

La primera columna encontramos los valores aleatorios proporcionados por el generador de numeros
aleatorios del software, fila a.

En la fila e traducimos estos valores a las piezas vendidas. Usamos la siguiente formula valor minimo+
el producto de la diferencia entre el mximo y el minimo, y el valor aleatorio, redondeado para
obtener nmeros enteros.

Calculamos en las filas posteriores el bono, numero de piezas vendidas por su valor, el costo de la
inversin que es fijo, y el bono que nos indica de 10% que se indica segn su caso.

El total ser la suma de los valores anteriores, el costo representa un valor negativo.

La ultima columna representa los casos en los que la compaa se le aconsejo invertir.
entonces obtenemos el siguiente anlisis de las iteraciones.

Como podemos observar a medida que iteramos el valor de esta probabilidad se acerca a 55%

Segn el mtodo de simulacin la empresa debera invertir.

2) Se pretende saber la cantidad de comidas que se deben preparar en una empresa para atender a la
llegada de futuros emprendedores despus de una conferencia, el costo de hacer una comida esta
entre los $100. Si no se tiene la cantidad de comidas adecuadas el costo de preparar alimentos extra
al momento ser del doble. se espera la llegada de entre 10 y 15 personas. Cuantas comidas deber
hacer?

las posibles opciones representan los estados de la naturaleza.

La columna de futuros emprendedores indica la cantidad de gente que asisti en la simulacin.

La cantidad preparada indica las alternativas posibles.

La columna de costos indica los costos que se ocasionaron para cada caso segn la alternativa..

La siguiente tabla muestra un promedio de los costos generados para cada cantidad de comida
preparada.

Basndonos en este costo promedio se le aconsejara preparar 13 alimentos


3)Una empresa de telefona quiere decidir cuanto cable comprar para hacer una nueva instalacin de
telefona en un lugar retirado. Para evitar la necesidad de ir mas de una vez y disminuir los costos de
transportes se desea llevar un rollo de cable del cual se quieren conocer las medida a comprar. En
casos anteriores se ha visto que: 2 de cada diez casos registraron el uso de 40 m. 5 de cada diez
registraron el uso de 50 metros y en 3 de cada diez, requirieron 60m.

Si la empresa requiriera ms cable del que compro deber pagar 25% del costo por el cambio ms el
costo del cable que uso en total, el costo por m del cable es de $10 dlares.

Cuanto cable se le aconseja comprar a la compaa. tomando en cuenta nicamente el costo de cable.

En la columna C10 aleatorio nos indica los nmeros brindados por el generador de nmeros aleatorios.

En la columna de Se necesita se presentan los valores aleatorios insertados al problema por la tabla
de distribucin de probabilidad.

Las columnas A, B y C arrojara los casos de comprados previo a la instalacin.

Costo A, Costo By Costo C obtendremos la cantidad total a pagar si necesitan o no necesitan mas
cable segn sea el caso.

Segn el mtodo de simulacin se le aconseja a la empresa comprar 50 metros de cable.


Bibliografa: Investigacin de Operaciones en la Ciencia Administrativa, 5taEdicin, Eppen-Gould-
Schmidt-Moore-Weatherford, Prentice Hall

You might also like