Simulación Numérica

Simulación Numérica
Es una técnica numérica para conducir experimentos en una computadora digital. Estos
experimentos comprenden ciertos tipos de relaciones matemáticas y lógicas, las cuales son
necesarias para describir el comportamiento y la estructura de sistemas complejos del mundo real
a través de periodos largos de tiempo.
Simulación es una técnica numérica para realizar experimentos en una computadora digital. Estos
experimentos involucran ciertos tipos de modelos matemáticos y lógicos que describen el

comportamiento de sistemas de negocios, económicos, sociales, biológicos, físicos o químicos a
través de largos periodos de tiempo.
Simulación Numérica
Esta técnica involucra el uso de una computadora para imitar (simular) la operación de un proceso
o sistema completo con el fin de probar sin intervenir la realidad una solución a un problema
identificado cuya prueba “real” es muy costosa y riesgosa.
Eventos Discretos
Cuando se recurre a una simulación de eventos discretos, los cambios en el estado del sistema
ocurren de manera instantánea en puntos aleatorios del tiempo como resultado de la ocurrencia
de eventos discretos.
Por ejemplo, en un sistema de colas donde el estado del sistema es el número de clientes en él, los
eventos discretos que cambian este estado son la llegada de un cliente o su salida cuando termina
su servicio. En la práctica, la mayoría de las aplicaciones de simulación son simulaciones de
eventos discretos.
Eventos Continuos
Son eventos que toman cualquier valor en el intervalo y no dependen de otros anteriores.
Los cambios en el sistema son dinámicos y pueden medirse en trayectoria y sentido.
Número aleatorio
• Es aquel que se obtiene como resultado del azar, cuando la aparición de un número o su
elección no depende de otro número.
• Unos de los ejemplos más comunes son el Lanzamiento de una moneda, o el de un dado
perfecto.
Serie aleatoria
Visión algorítmica: Una sucesión de números es aleatoria si no puede reproducirse mediante
un programa más corto que la propia serie.
Visión estadística: Una sucesión de números es aleatoria si ha superado uno o varios contrastes
de hipótesis referidos a criterios de aleatoriedad.

Provisión de números aleatorios
• Provisión externa
• Provisión interna por medios físicos.
• Provisión interna por medio de relaciones matemáticas recursivas.
Número pseudoaleatorio
Un número pseudo-aleatorio es un número generado en un proceso que parece producir números

al azar, pero no lo hace realmente. Las secuencias de números pseudo-aleatorios no muestran
ningún patrón o regularidad aparente desde un punto de vista estadístico, a pesar de haber sido
generadas por un algoritmo completamente determinista, en el que las mismas condiciones
iniciales producen siempre el mismo resultado.
Definición
Método no determinista o estadístico numérico, usado para aproximar expresiones matemáticas

complejas y costosas de evaluar con exactitud.
Camino aleatorio
Formalización matemática de la trayectoria que resulta de hacer sucesivos pasos aleatorios. Por
ejemplo, el precio de una acción fluctuante, rutas de caza, decisiones en un sistema saturado etc.
Es un proceso “simulable”
Las variables de un modelo pueden integrarse en una aplicación computacional y obtenerse una
simulación numérica del posible comportamiento.
Proceso Típico
Recolectar datos sobre las variables a simular. Cada variable al conjugarse en una expresión
algebraica me origina una salida del modelo simulado. Analizar los datos de entrada (estadística
descriptica e inferencial) y determinar distribuciones a aplicar. Incluye calcular estadígrafos
básicos.
Método de Frecuencias
3.1. Calcule las frecuencias y las frecuencias
acumuladas obteniendo así la probabilidad de cada valor de clase
3.2. Genere una serie de números aleatorios
3.3. Aplique el valor simulado en la matriz de rangos =MIN(BUSCARV(B22;$E$2:$G$17;3))
3.4. Analice nuevamente los datos de salida con estadística descriptiva (corrobora la distribución)
3. Metodo de la semilla
3.1. Genere una serie de números aleatorios
3.2. Aplique la formula
Use DISTR.NORM.ESTAND.INV (ALEATORIO ())
3.3. Analice nuevamente los datos de salida con estadística descriptiva (corrobora la distribución)
3. Metodo básico de Excel
• Utilice la función “Generar Numeros Aleatorios” de Excel con la Media y la Desviacion típicos.
• Analice nuevamente los datos de salida con estadística descriptiva (corrobora la distribución).
El problema de la función aleatorio de Excel
• La función de aleatorio de Excel suele comportarse de forma lineal por lo que no es bueno
emplearla en datos extensos.
• Veremos las posibilidades de Excel y las consideraciones necesarias.
DEFINICIÓN LIENAS DE ESPERA:
• Una línea de espera es la resultante de un sistema cuando la demanda por un bien o servicio
supera la capacidad que puede proporcionar dicho sistema.
• Un sistema está formado por un conjunto de entidades que en paralelo proporcionan el bien o
servicio donde las transacciones ingresan aleatoriamente al sistema.
• Una línea de espera es un objeto de diseño.

Características de los sistemas de líneas de espera
a) Patrón de llegada de los clientes – Proceso de llegadas - característica poblacional
b) Patrón de servicio de los servidores – Proceso de servicio
c) Disciplina de cola
d) Capacidad del sistema
e) Número de canales de servicio
f) Número de etapas de servicio
Ventajas
• Modela bien el concepto de llegadas a un sistema.
• El comportamiento exponencial ó asimétrico de la Poisson modela bien las reglas de llegada (se
prefiere llegar más rápido que tarde)
• Es un proceso claramente discreto
Elementos de desempeño de una Linea de Espera
• Número esperado de clientes en la Línea de Espera Lq
• Número esperado de clientes en el sistema Ls
• Tiempo de espera en la Linea de Espera Wq

• Tiempo de espera en el sistema Ws
¿que es un gemelo digital?
Los gemelos digitales son una tecnología poderosa que ha transformado la forma en que
abordamos una variedad de desafíos en diferentes industrias. Su capacidad para replicar el
mundo real de manera precisa y permitir simulaciones y análisis detallados ha demostrado
ser una herramienta invaluable para la toma de decisiones, la innovación y la eficiencia en
una amplia gama de aplicaciones. A medida que la tecnología continúa evolucionando, es
probable que veamos aún más avances emocionantes en el campo de los gemelos digitales.
Los gemelos digitales se utilizan para optimizar procesos, mejorar la eficiencia y reducir
costos.
Flexsim como herramienta de gemelo digital
FlexSim es una destacada solución de software que ha ganado reconocimiento en la

creación de gemelos digitales en una amplia variedad de industrias. Este software es
especialmente valorado por su capacidad para modelar y simular sistemas complejos, lo
que lo convierte en una herramienta esencial para la ingeniería de gemelos digitales.
1. Proceso estocástico
Los procesos estocásticos estudian como evolucionan las variables aleatorias en el tiempo.
Sea X t una variable aleatoria en el tiempo t .
Usualmente X t es desconocida e incierta por ello es una variable aleatoria.
Un proceso estocástico es una familia de variables aleatorias X t . Que puede tomar un conjunto de
posibles valores llamados estados.
Ejemplos de procesos estocásticos
• X t : número de personas que esperan un autobús en un instante t donde t ∈ [9, 10]
• X t : precio de una acción de una empresa en un día t del mes (t = 1, 2,..., 30).
• X t : número de desempleados en el mes t (t = 1, 2,..., 12).
• X t : clima seco o lluvioso en el día t (t=0,1,2…).
• X t : número de estudiantes en la universidad en la hora t (t=0,1,2, …).
2. Cadena de Markov
En un proceso de Markov un estado futuro depende sólo del estado inmediatamente anterior.
Esta propiedad se llama perdida de la memoria. Esto significa que dados los tiempos cronológicos
t 0 ,t 1 , … , t n, la familia de variables aleatorias es un proceso de Markov si.
. Diagrama de transición
Una cadena de Markov puede representarse a través de un diagrama de transición. Los nodos
(círculos) son los estados mientras que las flechas muestran las transiciones posibles de un
periodo al siguiente con la probabilidad de transición.
4. Matriz de transición
Si tenemos M estados, entonces podemos construir una matriz M por M con las probabilidades de
transición Pij . Así formamos la siguiente matriz de transición:
La matriz P define una cadena de Markov.
. Matriz de transición
. Matriz de transición de n pasos

(n )
Probabilidades de transición de n pasos pij son simplemente la probabilidad condicional de que el
sistema se encuentre en el estado j exactamente después de n pasos (unidades de tiempo), dado
que comenzó en el estado i en cualquier tiempo t. Se encuentran al elevar la matriz P a la n
6. Vector de probabilidades iniciales

(0)
Dado a j la probabilidad de estar en el estado j en el momento t=0
Y dados M estados, entonces llamamos al vector de probabilidades iniciales de la cadena de

markov a:
a(0)= {a(0)
1 , a2 ,… … , aM }
(0) (0)
Las componentes del vector a(0)deben sumar 1 (100%).

7. Vector de probabilidades absolutas
Para encontrar el vector de probabilidades absolutas en cualquier momento n, es decir a(n)

solamente tenemos que multiplicar la matriz de transición Pnde n pasos por el vector de
probabilidades iniciales a(0)
(n) (0 ) n
a =a ∙ P

Simulación Numérica

Cargado por

Copyright:

Formatos disponibles

Simulación Numérica

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Simulación Numérica

Cargado por

Copyright:

Formatos disponibles

Simulación Numérica

experimentos involucran ciertos tipos de modelos matemáticos y lógicos que describen el

Los cambios en el sistema son dinámicos y pueden medirse en trayectoria y sentido.

Visión algorítmica: Una sucesión de números es aleatoria si no puede reproducirse mediante

un programa más corto que la propia serie.

de hipótesis referidos a criterios de aleatoriedad.

• Provisión interna por medios físicos.

• Provisión interna por medio de relaciones matemáticas recursivas.

Un número pseudo-aleatorio es un número generado en un proceso que parece producir números

Método no determinista o estadístico numérico, usado para aproximar expresiones matemáticas

3.1. Calcule las frecuencias y las frecuencias

acumuladas obteniendo así la probabilidad de cada valor de clase

3.2. Genere una serie de números aleatorios

3.3. Aplique el valor simulado en la matriz de rangos =MIN(BUSCARV(B22;$E$2:$G$17;3))

3.2. Aplique la formula

Use DISTR.NORM.ESTAND.INV (ALEATORIO ())

3. Metodo básico de Excel

El problema de la función aleatorio de Excel

• Veremos las posibilidades de Excel y las consideraciones necesarias.

DEFINICIÓN LIENAS DE ESPERA:

servicio donde las transacciones ingresan aleatoriamente al sistema.

• Una línea de espera es un objeto de diseño.

a) Patrón de llegada de los clientes – Proceso de llegadas - característica poblacional

b) Patrón de servicio de los servidores – Proceso de servicio

d) Capacidad del sistema

e) Número de canales de servicio

f) Número de etapas de servicio

• Modela bien el concepto de llegadas a un sistema.

• Es un proceso claramente discreto

Elementos de desempeño de una Linea de Espera

• Número esperado de clientes en la Línea de Espera Lq

• Número esperado de clientes en el sistema Ls

• Tiempo de espera en la Linea de Espera Wq

¿que es un gemelo digital?

Flexsim como herramienta de gemelo digital

FlexSim es una destacada solución de software que ha ganado reconocimiento en la

Sea X t una variable aleatoria en el tiempo t .

Usualmente X t es desconocida e incierta por ello es una variable aleatoria.

Ejemplos de procesos estocásticos

• X t : número de personas que esperan un autobús en un instante t donde t ∈ [9, 10]

• X t : número de desempleados en el mes t (t = 1, 2,..., 12).

• X t : clima seco o lluvioso en el día t (t=0,1,2…).

• X t : número de estudiantes en la universidad en la hora t (t=0,1,2, …).

La matriz P define una cadena de Markov.

. Matriz de transición de n pasos

6. Vector de probabilidades iniciales

Y dados M estados, entonces llamamos al vector de probabilidades iniciales de la cadena de

Las componentes del vector a(0)deben sumar 1 (100%).

Para encontrar el vector de probabilidades absolutas en cualquier momento n, es decir a(n)

También podría gustarte