UNIVERSIDAD DOMINICANA O & M

FUNDADA EL 12 DE ENERO DE 1966

ÁREA DE INGENIERIA Y TECNOLOGIA
ESCUELA DE INGENIERIA

ASIGNATURA DE MODELOS PROBABILISTICOS Y SIMULACION POR

COMPUTADORA

TEMA DE INVESTIGACION

SIMULACIÓN
PRESENTADO POR
ESTUDIANTES: MATRÍCULAS
ENRIQUE ALEJANDRO MOGACIF RODRIGUEZ 22-EIIN-2-035

FACILITADOR
SMIRNA AGESTA MOTA

LA ROMANA, REP. DOM.

JULIO 31, 2024
 INTRODUCCIÓN
La simulación es una técnica analítica poderosa que permite representar y estudiar el
comportamiento de sistemas complejos a través de modelos computacionales. Su uso se ha
expandido en diversas disciplinas, incluyendo la ingeniería, la economía, la biología, la
gestión empresarial y la investigación científica, debido a su capacidad para proporcionar
insights valiosos sin la necesidad de experimentar directamente en el mundo real.

En términos generales, la simulación implica la creación de un modelo que replica las

características y dinámicas de un sistema real. Este modelo se utiliza para realizar
experimentos que ayudan a entender cómo el sistema podría comportarse bajo diferentes
condiciones.
 QUÉ ES SIMULACIÓN?

Es la imitación o representación de un proceso o sistema del mundo real utilizando modelos

matemáticos o tecnológicos. Algunos aspectos clave de la simulación incluyen:

 Definición: La simulación es básicamente una imitación, es decir, un modelo que

imita un proceso o un sistema del mundo real.

 Aplicaciones: La simulación se utiliza en muchos contextos como la optimización de

rendimiento tecnológico, ingeniería de seguridad, educación, cuando el sistema real
aún no está construido, etc. Específicamente en educación médica, la simulación
permite entrenar competencias profesionales en escenarios clínicos controlados
usando instrumentos tecnológicos y/o actores.

 Tipos: Existen diferentes tipos de simulación como la simulación basada en la web,

que permite ejecutar servicios de simulación por computadora a través de un
navegador web, y la simulación contractual, que se refiere a acciones o información
aparentemente genuina entre partes de un contrato con intención de engañar.

 Proceso: Para simular algo físico o tecnológico, primero se crea un modelo

matemático que represente el objeto. Cuando no es posible una solución analítica, se
utiliza cálculo numérico gracias al desarrollo de computadoras.
 CÓMO SE UTILIZA LA SIMULACIÓN?

La simulación se utiliza de diversas formas en la industria y la ingeniería:

Diseño y optimización de procesos

 Permite probar diferentes configuraciones de proceso y resolver modelos rigurosos

con múltiples variables en menor tiempo.

 Se utilizan modelos informáticos para imitar el funcionamiento de cada sistema del

mundo real, representando la evolución de modelos bajo condiciones variables.

 Facilita conocer qué tipo de respuestas se pueden ofrecer ante determinadas

situaciones, sin riesgo físico.

Análisis de riesgos y seguridad

 Mediante la creación de modelos virtuales que replican el comportamiento de los

equipos en la vida real, se pueden probar diferentes escenarios y realizar ajustes
antes de implementarlos en la práctica.

 Las pruebas también son válidas para máquinas en operación, incrementando la

productividad y reduciendo costos por fallas y periodos de inactividad.

Entrenamiento y educación

 En educación médica, la simulación permite entrenar competencias profesionales en

escenarios clínicos controlados usando instrumentos tecnológicos y/o actores.

 En el sector transporte, se utilizan simuladores para el entrenamiento de pilotos de

aviación, astronautas, conductores de vehículos especiales, etc.

Predicción de rendimiento y análisis de sensibilidad

 Se pueden simular procesos típicos como el de asistencia técnica, examinando el

efecto de cambios en los procesos, nuevos procedimientos e inversiones de capital.

 Las versiones avanzadas de software permiten hacer análisis de sensibilidad y

cálculos económicos.
 TIPOS DE SIMULACIÓN

1- Simulación Discreta

En este tipo de simulación, el sistema se modela como una secuencia de eventos que
ocurren en momentos específicos. Las variables cambian en puntos discretos en el tiempo,
lo que significa que el sistema solo puede cambiar en momentos contables.

2- Simulación Continua

A diferencia de la simulación discreta, en la simulación continua las variables de estado

cambian de manera continua a lo largo del tiempo. Este tipo de simulación generalmente
utiliza ecuaciones diferenciales para representar las relaciones entre las variables.

3- Simulación Combinada Discreta-Continua

Este enfoque combina elementos de la simulación discreta y continua, permitiendo que

algunas variables cambien de forma continua mientras que otras lo hacen de manera
discreta. Esto permite modelar sistemas más complejos donde interactúan diferentes tipos
de variables.

4- Simulación Determinística y Estocástica

 Determinística: Utiliza datos de entrada fijos y no incorpora elementos aleatorios, lo

que significa que el mismo conjunto de condiciones siempre producirá el mismo
resultado.

 Estocástica: Introduce elementos de aleatoriedad, utilizando distribuciones de

probabilidad para modelar incertidumbres en los datos de entrada, lo que puede
resultar en diferentes salidas bajo las mismas condiciones.

5- Simulación Estática y Dinámica

 Estática: No considera el tiempo como un factor relevante; se centra en el estado del

sistema en un momento específico.

 Dinámica: Toma en cuenta la evolución del sistema a lo largo del tiempo,

permitiendo observar cómo cambian las variables en respuesta a diferentes
condiciones.
 6- Simulación Basada en Eventos

Se enfoca en los eventos que ocurren en el sistema, donde cada evento puede cambiar el
estado del sistema. Este tipo de simulación es útil para modelar sistemas donde los cambios
ocurren en momentos específicos.

7- Simulación Basada en Agentes

Modela entidades (agentes) que interactúan entre sí y con su entorno. Este enfoque es útil
para estudiar sistemas complejos donde las interacciones entre agentes son significativas.

8- Simulación Analógica y Digital

 Analógica: Construye modelos físicos que simulan el comportamiento del sistema

real.

 Digital: Utiliza computadoras para simular el comportamiento de un sistema a través

de modelos matemáticos y algoritmos.

Estos tipos de simulación son herramientas valiosas en diversas disciplinas, incluyendo la

ingeniería, la educación, la investigación y la industria, permitiendo analizar y optimizar
sistemas complejos sin los riesgos asociados a experimentos en el mundo real.
 QUÉ ES UNA PRUEBA DE SIMULACIÓN?

Una prueba de simulación es una estrategia de auditoría que involucra el uso de software de
auditoría, ya sea comprado o programado por el auditor, con el fin de replicar alguna parte
del sistema de aplicación del cliente.

Características clave de las pruebas de simulación:

 Permiten al auditor replicar de manera controlada una parte del sistema de

información del cliente utilizando su propio software de auditoría.

 Facilita al auditor evaluar la efectividad de los controles del cliente

y detectar posibles errores o irregularidades en el procesamiento de transacciones.

 Implica la creación de un modelo informático que imita el funcionamiento real del

sistema, permitiendo probar diferentes escenarios y hacer ajustes antes de
implementarlos en la práctica.

 Ayuda a comprobar o desacreditar hipótesis antes de la implementación en la

realidad, imitando procesos discretos.

 Requiere definir claramente los objetivos y utilizar herramientas de medición

adecuadas para obtener datos representativos del sistema real.
 TERMINOLOGÍA BÁSICA

La terminología básica se refiere a un conjunto de términos y conceptos fundamentales que

son esenciales para entender un área de estudio específica. En el contexto de la anatomía,
por ejemplo, la terminología básica incluye términos de orientación, planos corporales y
sistemas del cuerpo que son cruciales para la comunicación precisa en el ámbito médico y
científico.

Elementos de la Terminología Básica en Anatomía

 Términos de Orientación: Incluyen palabras como anterior, posterior, medial, lateral,

superior e inferior, que ayudan a describir la ubicación de las estructuras del cuerpo
en relación unas con otras.

 Planos Corporales: Los tres planos principales son el plano sagital (dividiendo el
cuerpo en derecha e izquierda), el plano coronal (dividiendo el cuerpo en anterior y
posterior) y el plano transversal (dividiendo el cuerpo en superior e inferior).

 Sistemas del Cuerpo: Comprende los diferentes sistemas que componen el

organismo humano, como el sistema musculoesquelético, circulatorio, nervioso,
entre otros.

Importancia de la Terminología Básica

La terminología básica es fundamental para:

 Facilitar la Comunicación: Proporciona un lenguaje común que permite a los

profesionales de la salud y la ciencia comunicarse de manera efectiva.

 Simplificar el Aprendizaje: Al comprender los términos básicos, los estudiantes

pueden construir una base sólida para abordar conceptos más complejos.

 Mejorar la Comprensión: Ayuda a los estudiantes y profesionales a relacionar y

comparar diferentes partes del cuerpo y sus funciones.
 EJEMPLO DE SIMULACIÓN DE EVENTOS DISCRETOS

Un ejemplo de simulación de eventos discretos se puede observar en el contexto de

un centro de atención médica. En este escenario, el proceso de atención a un paciente
puede ser modelado como una serie de eventos discretos que alteran el estado del sistema
a lo largo del tiempo.

Descripción del Proceso

1. Llegada del Paciente: Un paciente llega a la unidad de atención médica, lo que

representa el primer evento.

2. Registro: El paciente es registrado en el sistema, cambiando su estado de "no

atendido" a "en espera".

3. Consulta Médica: El paciente es llamado por un médico, lo que representa otro

evento. Aquí, se puede simular el tiempo que tarda en ser atendido.

4. Tratamiento: Después de la consulta, el paciente puede necesitar un tratamiento

adicional, que también se modela como un evento discreto.

5. Salida: Finalmente, el paciente se retira del centro, completando el ciclo de atención.

Atributos y Lógica del Sistema

 Entidades: En este caso, las entidades son los pacientes.

 Atributos: Cada paciente puede tener atributos como la gravedad de su condición, el

tiempo de espera y el tipo de atención requerida.

 Lógica del Sistema: La simulación debe incluir la lógica que determina cómo se
manejan los tiempos de espera, la disponibilidad de médicos y el flujo de pacientes
en el sistema.
Aplicaciones y Beneficios

La simulación de eventos discretos en este contexto permite a los administradores del

centro de salud:

 Evaluar la Eficiencia: Analizar cuántos pacientes pueden ser atendidos en un período

determinado.

 Optimizar Recursos: Identificar cuántos médicos o enfermeras son necesarios en

diferentes momentos del día.

 Prever Problemas: Anticipar cuellos de botella en el sistema y planificar mejoras.

Este tipo de simulación es útil en diversas áreas, como logística, manufactura y servicios,
donde los eventos discretos son fundamentales para el funcionamiento del sistema.
 SIMULACIÓN MONTE CARLO

La simulación Monte Carlo es una técnica matemática utilizada para estimar los posibles
resultados de eventos inciertos mediante el uso de números aleatorios. Esta metodología se
basa en la generación de múltiples escenarios aleatorios para evaluar cómo un modelo
responde a diferentes entradas, lo que permite realizar análisis de riesgo y tomar decisiones
informadas en condiciones de incertidumbre.

Proceso de Simulación Monte Carlo

La simulación Monte Carlo implica tres pasos básicos:

1. Generación de Entradas Aleatorias: Se generan aleatoriamente "N" entradas

(escenarios) utilizando distribuciones de probabilidad que reflejan la incertidumbre
de las variables del modelo.

2. Ejecución de Simulaciones: Se ejecuta una simulación para cada conjunto de

entradas generadas en un modelo informatizado del sistema que se está analizando.

3. Evaluación de Resultados: Se acumulan y analizan las salidas de las simulaciones, lo

que puede incluir medidas como el valor medio, la distribución de resultados y los
valores extremos (mínimos y máximos) .

Aplicaciones de la Simulación Monte Carlo

La simulación Monte Carlo se utiliza en una variedad de campos, incluyendo:

 Finanzas: Para evaluar el impacto del riesgo en inversiones, precios de acciones y

gestión de portafolios, permitiendo realizar análisis de sensibilidad y prever
resultados económicos .

 Gestión de Proyectos: Para prever el comportamiento de un proyecto considerando

la incertidumbre en tiempo, costo y rendimiento, lo que ayuda en la planificación y
mitigación de riesgos .
  Ciencias Físicas: Para simular fenómenos complejos, como el comportamiento de
partículas subatómicas en la física nuclear, donde los métodos deterministas
tradicionales son insuficientes .

 Optimización de Procesos: En la industria, para modelar y optimizar procesos

productivos, evaluando diferentes escenarios de operación .

Ventajas de la Simulación Monte Carlo

 Precisión en Predicciones: Mejora la precisión de las predicciones al considerar la

variabilidad y la incertidumbre en las entradas .

 Evaluación de Riesgos: Permite identificar y cuantificar los riesgos asociados con

decisiones específicas, facilitando la planificación y la toma de decisiones
estratégicas .

 Flexibilidad: Se puede aplicar a una amplia gama de problemas en diversas

disciplinas, adaptándose a diferentes contextos y necesidades.
 SIMULACIÓN CON VARIABLES ALEATORIAS CONTINÚAS

La simulación con variables aleatorias continuas es una técnica utilizada para modelar y
analizar sistemas que involucran incertidumbre y variabilidad en sus resultados. A
continuación, se describen los conceptos clave y el proceso de simulación utilizando
variables aleatorias continuas.

Conceptos Clave

 Variable Aleatoria Continua: Es una variable que puede tomar un número infinito de
valores dentro de un intervalo. Por ejemplo, la altura de una persona o el tiempo que
tarda un cliente en ser atendido.

 Distribución de Probabilidad: Describe cómo se distribuyen los valores de la variable

aleatoria. Ejemplos comunes incluyen la distribución normal, exponencial y
uniforme.

 Función de Densidad de Probabilidad (PDF): Para variables continuas, la

probabilidad de que la variable tome un valor específico es cero; en su lugar, se
utiliza la PDF para calcular la probabilidad de que la variable caiga dentro de un rango
específico.

Proceso de Simulación

1. Definición del Modelo: Se establece un modelo que describe el sistema a simular,

incluyendo las variables aleatorias continuas que afectan el sistema.

2. Generación de Números Aleatorios: Se utilizan generadores de números aleatorios

para crear valores que siguen la distribución de probabilidad deseada. Por ejemplo,
para simular una variable aleatoria que sigue una distribución normal, se pueden
generar números aleatorios que se ajusten a esta distribución.
 3. Ejecutar la Simulación: Se realizan múltiples iteraciones del modelo, utilizando los
valores generados para las variables aleatorias continuas. Cada iteración representa
un posible escenario del sistema.

4. Análisis de Resultados: Se recopilan y analizan los resultados de todas las iteraciones

para obtener estimaciones sobre el comportamiento del sistema, como medias,
varianzas y percentiles.

EJEMPLO DE UNA SIMULACIÓN ESTOCÁSTICA

Descripción del Sistema

En este escenario, consideramos un banco con un solo cajero. Los clientes llegan al banco de
manera aleatoria, y cada uno requiere un tiempo variable para ser atendido.

Variables Aleatorias

1. Tiempo de Llegada: Supongamos que el tiempo entre llegadas de los clientes sigue
una distribución exponencial con una tasa de llegada promedio de 5 minutos por
cliente. Esto significa que, en promedio, un cliente llega cada 5 minutos, pero el
tiempo real entre llegadas puede variar.

2. Tiempo de Servicio: El tiempo que el cajero tarda en atender a cada cliente también
es variable y sigue una distribución normal con una media de 8 minutos y una
desviación estándar de 2 minutos.

Proceso de Simulación

1. Generación de Números Aleatorios: Utilizamos un generador de números aleatorios

para crear tiempos de llegada y tiempos de servicio basados en las distribuciones
especificadas.

2. Simulación de Eventos: Para cada cliente que llega, se registra el tiempo de llegada,
el tiempo de servicio y se determina cuándo se atiende al cliente. Esto se repite para
un número determinado de clientes (por ejemplo, 100).
 3. Registro de Resultados: Se registran métricas como el tiempo total de espera de los
clientes, el tiempo promedio de servicio y el número de clientes atendidos en un
período específico.

Análisis de Resultados

Después de ejecutar la simulación, se pueden analizar los resultados para obtener

información sobre el rendimiento del sistema. Por ejemplo:

 Tiempo Promedio de Espera: Calcular el tiempo promedio que los clientes pasan
esperando ser atendidos.

 Tasa de Atención: Evaluar cuántos clientes se pueden atender en una hora.

 Probabilidad de Espera: Determinar la probabilidad de que un cliente tenga que

esperar más de 10 minutos.

Aplicaciones Prácticas

Este tipo de simulación estocástica es útil para:

 Optimizar Recursos: Ayudar a la gerencia del banco a decidir si se necesita más

personal durante las horas pico.

 Mejorar la Satisfacción del Cliente: Identificar problemas en el sistema de atención

al cliente y hacer ajustes para reducir los tiempos de espera.

 Planificación Financiera: Proporcionar datos que ayuden a prever ingresos y costos

relacionados con el servicio al cliente.

La simulación estocástica permite modelar y analizar sistemas complejos donde la

incertidumbre y la variabilidad son factores clave, proporcionando información valiosa para
la toma de decisiones.
 ANÁLISIS ESTADÍSTICO EN SIMULACIONES

El análisis estadístico es fundamental en los estudios de simulación para estimar el

desempeño del sistema modelado y determinar la precisión de los resultados. Algunos
aspectos clave del análisis estadístico en simulaciones incluyen:

Tipos de Simulación

 Simulación de Terminación: Se ejecuta durante un tiempo determinado y se hacen n

duplicaciones independientes. Cada simulación se trata como una duplicación
independiente.

 Simulación de Estado Estable: No tiene un punto final definido y se ejecuta hasta

que el sistema alcanza un estado estable. Requiere técnicas especiales de análisis
estadístico.

Análisis Estadístico para Simulaciones de Terminación

 Se hacen n duplicaciones independientes con las mismas condiciones iniciales y

secuencias de números aleatorios.

 Sea X una medida de desempeño, Xj el estimador de la j-ésima duplicación. X1, X2,,

Xn son variables aleatorias iid.

 Se puede construir un intervalo de confianza de 100(1-α)% para θ = E(X) usando

análisis estadístico clásico:
Xˉ±t1−α/2,n−1SnXˉ±t1−α/2,n−1nSdonde XˉXˉ es el promedio muestral, S la desviación
estándar muestral, y t1−α/2,n−1t1−α/2,n−1 el cuantil de la distribución t de Student con n-1
grados de libertad.

Análisis de la Entrada en Simulación Estocástica

 Consiste en modelar adecuadamente los componentes aleatorios presentes en el

modelo de simulación.

 Cuando se dispone de datos del sistema real, se busca encontrar la distribución de

probabilidad que mejor se ajuste a los datos observados.

 Técnicas útiles incluyen el análisis exploratorio, estimación de parámetros y pruebas

de bondad de ajuste como χ2, Kolmogorov-Smirnov y Anderson-Darling

El análisis estadístico en simulaciones es esencial para estimar medidas de desempeño,

construir intervalos de confianza, modelar entradas aleatorias y validar los resultados de la
simulación. Técnicas como la simulación de Monte Carlo y el bootstrap permiten obtener
estimaciones con menores supuestos que los métodos analíticos.
 CONCLUSIÓN

La simulación es una herramienta fundamental que permite a los profesionales y

académicos explorar y analizar sistemas complejos de manera efectiva. Su capacidad para
modelar realidades y prever resultados la convierte en un recurso invaluable en la toma de
decisiones en diversas disciplinas. A medida que la tecnología avanza, las técnicas de
simulación continúan evolucionando, ofreciendo nuevas oportunidades para mejorar la
comprensión y gestión de sistemas en el mundo actual.