Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 19 vistas

    Simulación - PPT - 1 - C - 2020

    Cargado por

    Martina Szama
    La simulación es el proceso de desarrollar un modelo de un problema y estimar medidas de su comportamiento llevando a cabo experimentos muestrales sobre el modelo. Se compara con métodos analíticos y se discuten consideraciones como el número de iteraciones y la convergencia al estado estacionario. También se mencionan lenguajes de simulación comunes.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Simulación - PPT - 1 - C - 2020

    Cargado por

    Martina Szama
    19 vistas43 páginas
    La simulación es el proceso de desarrollar un modelo de un problema y estimar medidas de su comportamiento llevando a cabo experimentos muestrales sobre el modelo. Se compara con métodos analíticos y se discuten consideraciones como el número de iteraciones y la convergencia al estado estacionario. También se mencionan lenguajes de simulación comunes.

    Descripción original:

    KMLML

    Título original

    Simulación - PPT_1_C_2020

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    La simulación es el proceso de desarrollar un modelo de un problema y estimar medidas de su comportamiento llevando a cabo experimentos muestrales sobre el modelo. Se compara con métodos analíticos y se discuten consideraciones como el número de iteraciones y la convergencia al estado estacionario. También se mencionan lenguajes de simulación comunes.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    19 vistas43 páginas

    Simulación - PPT - 1 - C - 2020

    Cargado por

    Martina Szama
    La simulación es el proceso de desarrollar un modelo de un problema y estimar medidas de su comportamiento llevando a cabo experimentos muestrales sobre el modelo. Se compara con métodos analíticos y se discuten consideraciones como el número de iteraciones y la convergencia al estado estacionario. También se mencionan lenguajes de simulación comunes.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 43

    INTRODUCCIÓN

    ¿Qué es la Simulación?
    Es una de las herramientas que más se utilizan en el
    campo de la Administración.

    ¿Por qué usar Simulación y no otros


    modelos?
    En Simulación no se requieren muchas de las
    consideraciones que son necesarias para plantear
    modelos de forma analítica.
    CONCEPTOS Y TERMINOLOGÍA
    Definición

    La Simulación es el proceso de desarrollar un


    modelo de un problema y estimar medidas de
    su comportamiento llevando a cabo
    experimentos muestrales sobre el modelo.
    Comparación de los métodos de
    simulación y analítico
    Método analítico Simulación

    • Es un proceso normativo. • Es un proceso descriptivo.


    • En la mayoría de los casos • La salida de un modelo de
    las soluciones analíticas simulación tiene forma de
    tienen forma de algoritmos descripciones del
    que producen soluciones comportamiento.
    “óptimas”.
    Comparación en el proceso de solución de modelos
    Consideraciones
    • Para un conjunto dado de condiciones del
    modelo es necesario asegurarse que se lleve a
    cabo un número adecuado de experimentos
    muestrales (repeticiones de la simulación). Cada
    iteración es similar a una observación simple. Por
    lo tanto llevar a cabo n iteraciones es análogo a
    extraer una muestra de tamaño n.
    • Las condiciones, reglas de decisión y estructuras
    del sistema que se examinan se identifican como
    parte del diseño experimental (etapa II). Hay un
    circuito de retroalimentación asociado con
    diferentes configuraciones de diseño.
    Manejo de la simulación a través
    del tiempo

    Métodos básicos para llevar los registros de los


    eventos en una simulación:
    • Incremento fijo de tiempo
    • Incremento variable de tiempo
    Muestreo Monte Carlo
    Proceso que se utiliza en forma
    aleatoria para elegir valores
    muestrales a partir de una distribución
    probabilística.
    Luego esos valores muestrales se
    utilizan como entradas para un modelo
    de simulación.
    Toneladas de basura Probabilidad Probabilidad acumulada
    recolectadas por día
    10 0.10 0.10
    20 0.22 0.32
    30 0.25 0.57
    40 0.20 0.77
    50 0.12 0.89
    60 0.07 0.99
    70 0.04 1

    Tabla de distribución probabilística acumulada


    Luego se selecciona un valor aleatorio correspondiente
    a una distribución probabilística especifica
    seleccionando un numero entre 0 y 1.
    Se observa a qué intervalo de distribución acumulada
    pertenece dicho número y se lo asocia con el valor
    correspondiente.

    Ejemplo:

    Valor correspondiente a una Nivel de recolección asociado


    distribución probabilística
    0.4877 30
    SIMULACIÓN DE DISTRIBUCIONES
    A TRAVÉS DE GENERADORES DE
    PROCESOS
    Distribuciones de probabilidad

    • Una distribución de probabilidad describe el rango de


    valores que puede tomar una variable aleatoria y la
    probabilidad asignada a cada valor o rango de valores.
    • Continuas y discretas
    Generación de números aleatorios
    Son obtenidos al azar, como consecuencia
    Números de un proceso no predecible, ya que todo
    número tiene igual probabilidad de ser
    Aleatorios elegido y la elección de uno no depende de
    la elección del otro.

    Son obtenidos como consecuencia de


    Números algoritmos determinísticos, arribándose
    siempre al mismo resultado bajo las
    Pseudo mismas condiciones iniciales. Este proceso
    Aleatorios parece producir números al azar, pero no lo
    hace realmente.
    Generación de Números Aleatorios

    - Elegir número aleatorio de ‘n’ dígitos (semilla)


    - Elevarlo al cuadrado y completar con ceros a su
    derecha, para que quede un número de ‘2n’
    Método del dígitos
    Cuadrado Medio - Considerar los ‘n’ dígitos centrales. Ellos
    conformarán el nuevo número aleatorio.
    - Repetir los pasos 2 y 3 para obtener números
    aleatorios adicionales.

    Desventajas: se producen frecuentes repeticiones, y en muchos casos los


    números no pasan la prueba estadística de aleatoriedad.

    Otros métodos pueden generar con facilidad mil millones de números pseudo
    aleatorios estadísticamente satisfactorios antes de que ocurran repeticiones.
    Simulación de distribuciones
    continuas de probabilidad
    Simulación de Distribuciones Continuas de Probabilidad

    Principal ventaja: es posible determinar una ecuación matemática de forma


    cerrada que puede servir como generador del proceso.

    Generador de Proceso Uniforme


    1
    𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑: 𝑝 𝑥 = 𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
    𝑏−𝑎

    𝑥−𝑎
    𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎: 𝑃 𝑥 =
    𝑏−𝑎

    𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟 𝑑𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜: 𝑥 = 𝑎+𝑅 𝑏−𝑎 𝑐𝑜𝑛 𝑅 = 𝑃 𝑥


    Simulación de Distribuciones Continuas de Probabilidad

    Principal ventaja: es posible determinar una ecuación matemática de forma


    cerrada que puede servir como generador del proceso.

    Distribución Exponencial Negativa

    𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑: 𝑝 𝑥 = 𝜇𝑒 −𝜇𝑥 𝑝𝑎𝑟𝑎 0 ≤ 𝑥 ≤ ∞

    𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎: 𝑃 𝑥 = 1 − 𝑒 −𝜇𝑥

    𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟 𝑑𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜: 𝑥 = −1ൗ𝜇 ln 𝑅 𝑐𝑜𝑛 𝑅 = 𝑃 𝑥


    Pruebas de Bondad del Ajuste
    Pruebas de bondad del ajuste
    • Debemos mostrar que es posible representar
    los datos empíricos mediante una distribución
    paramétrica.
    En nuestro caso, que la tasa de llegadas tiene una distribución
    Poisson, y el tiempo de servicio una distribución Exponencial.
    Test de bondad de ajustes:

    • Testea si existe diferencia significativa entre


    las frecuencias esperadas y las realmente
    observadas.
    Proceso de prueba
    • Plantear Ho: los datos observados se extrajeron
    de una población que puede distribuirse a través
    de una distribución paramétrica.
    • Plantear la H1: los datos observados no se
    extrajeron de la distribución planteada en Ho.
    • Establecer un nivel de significación α , siendo (1-
    α) el nivel de confianza que le damos a la prueba.
    • Estadístico de prueba:
    • Si
    Ejemplo: Llegadas de clientes a un
    banco
    Numero de Frecuencia Frecuencia
    llegadas por hora observadas (xi) esperada Xe(i)
    (x)
    0 70 75,05 0,3398
    1 84 75,05 1,0673
    2 34 37,51 0,3302
    3 12 12,51 0,0088
    4 o mas 4 3,87
    204 = 1,7461

    Donde Frecuencia esperada Xe(i) = P(x=i) * 204


    • Promedio de llegadas por hora
    LENGUAJES DE SIMULACIÓN
    Características

    • Son generadores de números aleatorios


    • Son generadores de proceso que pueden utilizarse para
    generar valores aleatorios para diferentes distribuciones
    probabilísticas
    • Rutinas automáticas de recopilación de datos estadísticos
    • Generan informes estadísticos automáticos y de formato
    fijo, lo que permite realizar gráficos de datos para el
    informe de resultados
    • Son generadores de informes de salida flexible
    • Poseen la capacidad de diagnóstico que permite verificar
    errores de sintaxis en el lenguaje y de lógica en el modelo
    Desventajas
    • Es posible que se requiera una capacitación
    prolongada para su uso
    • Es posible que el lenguaje no este disponible
    para cualquier dispositivo
    • El lenguaje puede no ser apropiado para el
    problema específico cuyo modelo plantea
    • Mayores tiempos de procesamiento y
    ejecución
    Lenguajes más utilizados actualmente

    • GPSS
    • SIMSCRIPT
    • SLAM
    • DYNAMO
    ACTIVIDADES (PROBLEMAS)
    ASOCIADOS CON EL USO DE LA
    SIMULACIÓN
    1. Validar el modelo
    La verdadera validación del modelo se da
    cuando los resultados simulados concuerdan
    con los reales.
    2. Número de iteraciones
    Los resultados de la simulación están sujetos a
    errores muestrales.

    Su exactitud se basa en el tamaño muestral.


    3. Condición de estado estacionario
    Se alcanza cuando la simulación se basa en
    datos muestrales.

    Los valores de los resultados se estabilizan.

    Se utiliza el principio de convergencia


    estocástica.
    Correr la simulación hasta que los resultados
    alcancen el estado estacionario.

    Descartar datos que se obtengan durante fase


    transitoria (elevado grado de variabilidad).

    A medida que avanza el tiempo simulado, los


    valores de la variable del modelo se aproximan a
    niveles de estado estacionario.
    Los efectos transitorios pueden afectar
    considerablemente los resultados generales si
    no se los descarta en las estadísticas finales.

    No existe ninguna técnica que permita


    identificar al 100% el final de la fase transitoria y
    el principio del estado estacionario.

    Existen técnicas que permiten identificar el


    momento en que se deben descartar ciertos
    datos.
    FIN

    También podría gustarte