SIMULACIÓN DE

VARIABLES ALEATORIAS
Verificación y validación de los modelos de
simulación
Simulaciones terminales
Es necesario determinar:
Distribución de probabilidad
Intervalo de confianza
Simulaciones no terminales o de estado estable
Longitud de las réplicas
Simulaciones terminales
Característica principal
Ocurrencia de un evento que da por terminada la
simulación.
Simulaciones terminales
Característica principal
Ocurrencia de un evento que da por terminada la
simulación.
Ejemplos:
-Tiempo necesario para empacar 30 piezas.
-Tiempo requerido para vender 200 panes.
Intervalos de confianza
Si la variable aleatoria sigue una distribución normal,
el intervalo de confianza esta dado por:
 
IC   x 
s
t / 2,r 1 , x  t / 2,r 1 
s
 r r 
r  Número de réplicas
  Nivel de rechazo
r
1
x 
r
i1
xi
1

 x 
 1 r
2  2
s   i  x 
 r  1 i1 
Intervalos de confianza
En caso de que la variable aleatoria siga otro tipo de
distribución
 s s 
IC   x  ,x 
 r   r   

r  Número de réplicas
  Nivel de rechazo
r
1
x 
r

i1
xi
1

 x 
 1 r
2  2
s   i  x 
 r  1 i1 
Ejemplo
Después de realizar una simulación de 10 réplicas se
obtuvieron los siguientes valores para el número de
piezas promedio en un almacén:
222.2, 226.8, 229.2, 222.8, 228.4, 219.1, 225.1, 224.3, 219.2,
225.9
Determinar el intervalo de confianza con un nivel de
aceptación de 95 por ciento.
Ejemplo
 
IC   x 
s
t / 2,r 1 , x  t / 2,r 1 
s
 r r 
x
s
Ejemplo

x  224.3
s
Ejemplo

x  224.3
s  3.50
Ejemplo
Si el número de piezas promedio sigue una
distribución normal:
 
IC   x 
s
t / 2,r 1 , x  t / 2,r 1 
s
 r r 
 Ejemplo
Si el número de piezas promedio sigue una
distribución normal:
 
IC   x 
s
t / 2,r 1 , x  t / 2,r 1 
s
 r r 
 
IC  224.3 
3.5
t0.025,9 ,224.3  t0.025,9 
3.5
 10 10 
 Ejemplo
 
IC  224.3 
3.5
t0.025,9 ,224.3  t0.025,9 
3.5
 10 10 
 Ejemplo
 3.5 3.5 
IC  224.3  2.262,224.3  2.262
 10 10 
 Ejemplo
 3.5 3.5 
IC  224.3  2.262,224.3  2.262
 10 10 

IC  221.80  226.80 piezas

promedio en almacén
Ejemplo
Si la variable aleatoria no fuera normal

 s s 
IC   x  ,x 
 r   r   
Ejemplo
Si la variable aleatoria no fuera normal
 s s 
IC   x  ,x 
 r   r   
 3.5 3.5 
IC  224.3  ,224.3  
 100.05 100.05 

IC  219.4  229.2 piezas

promedio en almacen
Simulaciones no terminales o de estado
estable
No involucran una ocurrencia en el tiempo en que
tengan que finalizar
Simulaciones no terminales o de estado
estable
No involucran una ocurrencia en el tiempo en que
tengan que finalizar
Ejemplo
 Determinar el número de máquinas que deben
instalarse en un sistema de producción cuya operación
tiene que mantenerse activa continuamente durante
todo el año
Es necesario determinar la longitud de la corrida para
asegurar la estabilización de los resultados del modelo.
Longitud de las réplicas
n debe ser suficientemente grande
Para que la variación entre réplicas no difiera de cierta
exactitud  el 100(1-)% de las veces
Longitud de las réplicas
En caso de normalidad el tamaño de corrida de la
simulación se calcula como:

2
 Z / 2 
n 
  
Ejemplo
Determinar la longitud de la réplica para estimar, dentro
de un rango de ±1.5, el valor de una variable normal
con desviación estándar 9 y un nivel de aceptación de 5
por ciento.
Ejemplo
Determinar la longitud de la réplica para estimar, dentro
de un rango de ±1.5, el valor de una variable normal
con desviación estándar 9 y un nivel de aceptación de 5
por ciento.
2
 Z / 2 
n 
  
Ejemplo
Determinar la longitud de la réplica para estimar, dentro
de un rango de ±1.5, el valor de una variable normal
con desviación estándar 9 y un nivel de aceptación de 5
por ciento.
2
 9 Z / 2 
n 
  
Ejemplo
Determinar la longitud de la réplica para estimar, dentro
de un rango de ±1.5, el valor de una variable normal
con desviación estándar 9 y un nivel de aceptación de 5
por ciento.
 / 2  0.05 / 2  0.025

2
 9 Z 0.025 
n 
  
Ejemplo
Determinar la longitud de la réplica para estimar, dentro
de un rango de ±1.5, el valor de una variable normal
con desviación estándar 9 y un nivel de aceptación de 5
por ciento.
 / 2  0.05 / 2  0.025

2
 9 Z 0.025 
n 
 1.5 
Ejemplo
Determinar la longitud de la réplica para estimar, dentro
de un rango de ±1.5, el valor de una variable normal
con desviación estándar 9 y un nivel de aceptación de 5
por ciento.

n  6(1.96)   138.2976
2

n  139
Longitud de las réplicas
Si se tiene la certeza de normalidad pero se desconoce el
valor de la desviación estándar, será necesario realizar
una corrida inicial de tamaño n’ para determinar un
estimador de la desviación.

2
s 
n   t / 2,n '1 
 
Ejemplo
Se realizó una corrida inicial de tamaño n’=20 para
estimar la desviación estándar s=12.45 de una variable
normal. Determinar la longitud de la réplica para
estimar el valor medio dentro de un rango ±0.2 con un
nivel de aceptación de 90 por ciento.
Ejemplo
Se realizó una corrida inicial de tamaño n’=20 para
estimar la desviación estándar s=12.45 de una variable
normal. Determinar la longitud de la réplica para
estimar el valor medio dentro de un rango ±0.2 con un
nivel de aceptación de 90 por ciento.

2
s 
n   t / 2,n '1 
 
Ejemplo
Se realizó una corrida inicial de tamaño n’=20 para
estimar la desviación estándar s=12.45 de una variable
normal. Determinar la longitud de la réplica para
estimar el valor medio dentro de un rango ±0.2 con un
nivel de aceptación de 90 por ciento.

2
 12.45 
n t / 2,n'1 
  
Ejemplo
Se realizó una corrida inicial de tamaño n’=20 para
estimar la desviación estándar s=12.45 de una variable
normal. Determinar la longitud de la réplica para
estimar el valor medio dentro de un rango ±0.2 con un
nivel de aceptación de 90 por ciento.

2
 12.45 
n t / 2,n'1 
 0.2 
Ejemplo
Se realizó una corrida inicial de tamaño n’=20 para
estimar la desviación estándar s=12.45 de una variable
normal. Determinar la longitud de la réplica para
estimar el valor medio dentro de un rango ±0.2 con un
nivel de aceptación de 90 por ciento.

2
 12.45 
n t0.05,19 
 0.2 
Ejemplo 2
 12.45 
n t0.05,19 
 0.2 
Ejemplo 2
 12.45 
n t0.05,19 
 0.2 

n  62.25(1.729) 
2
Ejemplo 2
 12.45 
n t0.05,19 
 0.2 
n  62.25(1.729)   107.63
2 2

n  11584 .27
Longitud de las réplicas
Cuando se desconoce el tipo de distribución de la
variable aleatoria a simular es preciso hacer uso del
teorema de Tchebycheff para calcular la longitud de la
réplica
2
1  
n  
 
Ejemplo
Suponiendo que no tiene distribución normal:
Se realizó una corrida inicial de tamaño n’=20 para
estimar la desviación estándar s=12.45 de una variable
normal. Determinar la longitud de la réplica para
estimar el valor medio dentro de un rango ±0.2 con un
nivel de aceptación de 90 por ciento.
Ejemplo
Suponiendo que no tiene distribución normal:
Se realizó una corrida inicial de tamaño n’=20 para
estimar la desviación estándar s=12.45 de una variable
normal. Determinar la longitud de la réplica para
estimar el valor medio dentro de un rango ±0.2 con un
nivel de aceptación de 90 por ciento.
2
1  
n  
 
Ejemplo
Suponiendo que no tiene distribución normal:
Se realizó una corrida inicial de tamaño n’=20 para
estimar la desviación estándar s=12.45 de una variable
normal. Determinar la longitud de la réplica para
estimar el valor medio dentro de un rango ±0.2 con un
nivel de aceptación de 90 por ciento.
2 2
1   1s
n     
     
Ejemplo
Suponiendo que no tiene distribución normal:
Se realizó una corrida inicial de tamaño n’=20 para
estimar la desviación estándar s=12.45 de una variable
normal. Determinar la longitud de la réplica para
estimar el valor medio dentro de un rango ±0.2 con un
nivel de aceptación de 90 por ciento.
2 2
1   1  12.45 
n     
    0.1  0.2 
Ejemplo 2
1  12.45 
n    38750.625
0.1  0.2 
Ejemplo 2
1  12.45 
n    38750.625
0.1  0.2 

n  38751
Ejemplo
Determinar la longitud de la réplica para estimar, dentro
de un rango de ±0.4 con un nivel de aceptación de
90%, el valor promedio de una variable con =8. Se
desconoce la distribución de probabilidad de la
variable.
Ejemplo
Determinar la longitud de la réplica para estimar, dentro
de un rango de ±0.4 con un nivel de aceptación de
90%, el valor promedio de una variable con =8. Se
desconoce la distribución de probabilidad de la
variable.

2
1  
n  
 
Ejemplo
Determinar la longitud de la réplica para estimar, dentro
de un rango de ±0.4 con un nivel de aceptación de
90%, el valor promedio de una variable con =8. Se
desconoce la distribución de probabilidad de la
variable.

2
1  8 
n  
0.1  0.4 
Ejemplo
Determinar la longitud de la réplica para estimar, dentro
de un rango de ±0.4 con un nivel de aceptación de
90%, el valor promedio de una variable con =8. Se
desconoce la distribución de probabilidad de la
variable.

2
1  8 
n    4000
0.1  0.4 
Ejemplo
Determinar la longitud de la réplica, de manera que el
estimado del valor promedio de una variable con
distribución de Erlang y desviación estándar  no
difiera en más de 1/5 de la desviación estándar, con un
nivel de rechazo de 5 por ciento.
Ejemplo
Determinar la longitud de la réplica, de manera que el
estimado del valor promedio de una variable con
distribución de Erlang y desviación estándar  no
difiera en más de 1/5 de la desviación estándar, con un
nivel de rechazo de 5 por ciento.

2
1  
n  
 
Ejemplo
Determinar la longitud de la réplica, de manera que el
estimado del valor promedio de una variable con
distribución de Erlang y desviación estándar  no
difiera en más de 1/5 de la desviación estándar, con un
nivel de rechazo de 5 por ciento.

2
1  
n  
0.05   
Ejemplo
Determinar la longitud de la réplica, de manera que el
estimado del valor promedio de una variable con
distribución de Erlang y desviación estándar  no
difiera en más de 1/5 de la desviación estándar, con un
nivel de rechazo de 5 por ciento.
2
 
1   
n  
0.05  1  

5 
Ejemplo 2
 
1    1
n    (5) 2

0.05  1   0.05

5 
Ejemplo 2
 
1    1
n    (5) 2

0.05  1   0.05

5 
25
n  500
0.05
Modelos de simulación
Modelo de una línea de espera con un servidor
El tiempo que transcurre entre llegada de ciertas piezas a
una estación de inspección sigue una distribución
exponencial con media de 5 minutos/pieza. El proceso
está a cargo de un operario, y la duración de la
inspección sigue una distribución normal con media
de 4.0 y desviación estándar de 0.5 minutos/pieza.
Calcular el tiempo promedio de permanencia de las
piezas en el proceso de inspección.
Solución:
1. Construir una tabla de eventos
2. Definir las relaciones lógico-matemáticas entre los
elementos
3. Simular el proceso
4. Elaborar la gráfica de estabilización
5. Realizar el análisis estadístico de las réplicas.
 Para construir la tabla de eventos identificamos los elementos del
modelo de simulación:

Variable de estado
Entidades
Eventos

Actividades
 Para construir la tabla de eventos identificamos los elementos del
modelo de simulación:

Variable de estado Tiempo en la estación de inspección

Entidades
Eventos

Actividades
 Para construir la tabla de eventos identificamos los elementos del
modelo de simulación:

Variable de estado Tiempo en la estación de inspección

Entidades Piezas
Eventos Tiempo de llegada

Actividades
 Para construir la tabla de eventos identificamos los elementos del
modelo de simulación:

Variable de estado Tiempo en la estación de inspección

Entidades Piezas
Eventos Tiempo de llegada
Fin de la inspección

Actividades
 Para construir la tabla de eventos identificamos los elementos del
modelo de simulación:

Variable de estado Tiempo en la estación de inspección

Entidades Piezas
Eventos Tiempo de llegada
Fin de la inspección
Inicio de la inspección
Actividades
 Para construir la tabla de eventos identificamos los elementos del
modelo de simulación:

Variable de estado Tiempo en la estación de inspección

Entidades Piezas
Eventos Tiempo de llegada
Fin de la inspección
Inicio de la inspección
Actividades Tiempo entre llegadas
 Para construir la tabla de eventos identificamos los elementos del
modelo de simulación:

Variable de estado Tiempo en la estación de inspección

Entidades Piezas
Eventos Tiempo de llegada
Fin de la inspección
Inicio de la inspección
Actividades Tiempo entre llegadas
Duración de la inspección
 Para construir la tabla de eventos identificamos los elementos del
modelo de simulación:

Variable de estado Tiempo en la estación de inspección

Entidades Piezas
Eventos Tiempo de llegada
Fin de la inspección
Inicio de la inspección
Actividades Tiempo entre llegadas
Tiempo de inspección
Longitud de las réplicas
2
 Z / 2 
n 
  
Longitud de las réplicas
2
 Z / 2 
n 
  
Con una exactitud de ±0.02 y α=0.05
Longitud de las réplicas
2
 Z / 2 
n 
  
Con una exactitud de ±0.02 y α=0.05

 0.5Z 0.025  
2

n 
 0.1 
Longitud de las réplicas
2
 Z / 2 
n 
  
Con una exactitud de ±0.02 y α=0.05

 0.5Z 0.025  
2

  25(1.96)   2401
2
n
 0.02 
n  2401 inspecciones
Tiempo entre llegadas
Tiene distribución exponencial con media de 5 minutos/
pieza
Tiempo entre llegadas
Tiene distribución exponencial con media de 5 minutos/
pieza
 x
Sea: f ( x )  e para x  0
Tiempo entre llegadas
Tiene distribución exponencial con media de 5 minutos/
pieza
 x
Sea: f ( x )  e para x  0
Obtenemos la función acumulada:
Tiempo entre llegadas
Tiene distribución exponencial con media de 5 minutos/
pieza
 x
Sea: f ( x )  e para x  0
Obtenemos la función acumulada:
x
F ( x)   e dt  1  e x
 t

0
Tiempo entre llegadas
Tiene distribución exponencial con media de 5 minutos/
pieza
Sea: f ( x )   e  x para x  0
Obtenemos la función acumulada:
x
F ( x)   e dt  1  e
 t  x

0
Igualamos la función acumulada F(x) con ri~U(0,1) y despejamos x

1
xi   ln 1  ri 

Tiempo entre llegadas
Tiene distribución exponencial con media de 5 minutos/
pieza
Sea: f ( x )   e  x para x  0
Obtenemos la función acumulada:
x
F ( x)   e dt  1  e
 t  x

0
Igualamos la función acumulada F(x) con ri~U(0,1) y despejamos x

1
xi   ln 1  ri  xi  5 ln1  ri 

Tiempo de llegada
Tiempo de llegada(hora de llegada)
Valor acumulado del tiempo entre llegadas
= tiempo entre llegadas + tiempo llegada (anterior)
Inicio de la inspección
Si((pieza en sistema)&& (operario ocioso))
O
Fin de inspección de anterior pieza
Tiempo de inspección
Variable aleatoria con distribución Normal con media 4
y desviación estándar 0.5
Fin de la inspección
Suma de tiempo de inspección + tiempo de inicio de
inspección
Tiempo en inspección
Diferencia entre el tiempo y el fin de la inspección
Tiempo en espera
Diferencia entre el tiempo de inicio de inspección y
tiempo de llegada
Tiempo promedio en inspección
Promedio de tiempo en inspección
Simular
n=2401
Gráfica de estabilización
Tiempo promedio en inspección
30

25

20

15 Tiempo promedio en inspección

10

0
5 35 65 95 25 55 85 15 45 75 05 35 65 95 25 55 85 15 45 75
1 2 3 5 6 7 9 10 11 13 14 15 16 18 19 0 22 3 4
2 2 2
Gráficas de estabilización
18

16

14

12

10
Replica 1
Replica 2
8 Replica 3
Replica 4
Replica 5
6

0
5 85 65 45 25 05 85 65 45 25 05 85 65 45 25 05 85 65 45 25 05 85 65 45 25 05 85 65 45 25 05 85
1 2 3 4 4 5 6 7 8 8 9 10 11 12 12 13 14 15 16 16 17 18 19 0 0 21 22 23 4 4
2 2 2 2
Análisis estadístico de las réplicas
Media
Desviación estándar
Intervalo de confianza
…