FACULTAD DE INGENIERIA

RED NACIONAL UNIVERSITARIA

SYLLABUS GENÉRICO

Facultad de Ingeniería
Ingeniería de Sistemas
OCTAVO SEMESTRE

Gestión Académica II/2009

 FACULTAD DE INGENIERIA

UDABOL
UNIVERSIDAD DE AQUINO BOLIVIA
Acreditada como PLENA mediante R. M. 288/01

VISION DE LA UNIVERSIDAD

Ser la Universidad líder en calidad educativa.

MISION DE LA UNIVERSIDAD

Desarrollar la Educación Superior Universitaria con calidad y

competitividad al servicio de la sociedad.
 FACULTAD DE INGENIERIA

SYLLABUS GENÉRICO

Asignatura: MODELOS Y SIMULACIÓN

Código: MAT 502A
Requisito: MAT 302A
Carga Horaria: 80 horas
Créditos: 8

I. OBJETIVOS GENERALES DE LA ASIGNATURA.

La asignatura tiene carácter inminentemente práctico y se centra en el desarrollo de las habilidades de los estudiantes para
la utilización final de estas técnicas, fundamentando la terminología y los conocimientos sobre el área de las computadoras
y su simulación a través del diseño de soluciones en base a tecnología computacional, generación de números aleatorios y
de variables no uniformes.
II. PROGRAMA ANALÍTICO DE LA ASIGNATURA.

1. INTRODUCCION A LA SIMULACIÓN
1.1. Conceptos básicos de simulación.
1.2. Definición de simulación
1.3. Etapas para realizar un estudio de simulación
1.4. Factores a considerar en el desarrollo del modelo de simulación. Justificación de la simulación. Ventajas y desventajas
del uso de la simulación

2. SISTEMAS Y MODELOS.
2.1. Introducción
2.2. Clasificación de los sistemas
2.3. Clasificación de los modelos.
2.4. Simulación por computadora
2.5. Soluciones analíticas
2.6. Modelos matemáticos
2.7. Modelos deterministas
2.8. modelos Aleatorios
2.9. Comportamiento del modelo.

3. SIMULACIÓN DETERMINISTA (sistemas lineales y no lineales)

3.1. Modelos de enfriamiento
3.2. Modelos de cada con resistencia
3.3. Ecuación logística
3.4. Modelo depredador presa
3.5. Modelo de competencia
3.6. Modelos de difusión de calor
3.7. Sistemas de ecuaciones diferenciales parcilaes

4. GENERACION DE VARIABLES ALEATORIAS

4.1. Introducción
4.2. Números Aleatorios
4.3. Consideraciones sobre la generación de números aleatorios y pseudoaleatorios
 FACULTAD DE INGENIERIA

4.4. Generadores congreuenciales lineales, mixtos, multiplicativos.

4.5. Pruebas estadísticas para los números pseudoaleatorios.
4.6. Pruebas de Ji-cuadrada de perfección de ajustes, de distancia, de series, de Kolmologorov - Smirnov.
4.7. Distribuciones de probabilidad: distribución uniforme, triangular, exponencial
4.8. Distribuciones discretas de probabilidad: geométrica, de Poisson, empíricas

5. SIMULACIÓN ESTOCÁSTICA
5.1.Simulacion mediante eventos discretos
5.2. Simulacion de lineas de espera con un servidor
5.3. Cadenas de Markov
5.4. Algoritmo de Hasting-Metropolis
5.5. Simulacion de un proceso de Poisson bidimensional
5.6. Aplicación de probabilidades y tiempos esperados

6. APLICACIONES
6.1. Aplicaciones en probabilidades
6.2. Lanzamientos de monedas, dados y paseos erráticos.
6.3. Aplicaciones en estadística inferencial.
6.4. Integración numérica en una, dos y tres variables.
6.5. Sistema de ecuaciones lineales.
6.6. Proyecto de inversiones
6.7. Modelos de inventarios
6.8. Modelos complejos de colas.
6.9. Modelos de múltiples estaciones de un sólo canal. Control de calidad.
6.10. Cifradores y descifradores estocásticos
6.11. Reconstrucción de imágenes

III. BIBLIOGRAFÍA.

JAMES, M.L. SMITH, G.M., “Métodos Numérico Aplicados a la computación digital SEP”, México (1973)
SAMARSKY A.A., ”Introducción a los Métodos Numéricos”, MIR, Moscú (1986)
ZILL, “Ecuaciones Diferenciales con aplicaciones al Modelado”, ITM (1997)
AZARANG, M. GARCÍA, “Simulación y Análisis de Modelos Estocásticos”, Mc Graw Hill (1996)
RAÚL COSS BU, “Simulación un enfoque práctico”, Limusa (1998)
MAHALANABIS C., “Introducción a la Ingeniería de Sistemas”, Editorial Limusa
ROSS S., “Simulacion”, Editorial Prentice Hall

IV. CONTROL DE EVALUACIONES

1° evaluación parcial
Fecha: 17 de Septiembre ( Turno Regular ), 19 de Septiembre ( Turno Trabajo )
Nota: 100 pts.

2° evaluación parcial
Fecha: 29 de Octubre ( Turno Regular ), 31 de Octubre ( Turno Trabajo )
Nota: 100 pts.

Examen final
Fecha: 10 de Diciembre ( Turno Regular ), 12 de Diciembre ( Turno Trabajo )
Nota: 100 pts.
 FACULTAD DE INGENIERIA

V. PLANIFICACIÓN ACTIVIDADES

PLANIFICACIÓN DE ACTIVIDADES

MATERIA: Modelos y simulacion

TURNO: Regular y Trabajo
SEMESTRE: octavo
PARALELO:
DOCENTE:Ph. D. Raul Aliaga

CONTENIDO MÍNIMO CONTENIDO ANALÍTICO ACTIVIDAD PERÍODOS RECURSOS DIDÁCTICOS

ACADÉMICO
S
ETAPAS Y FACTORES AL
INTRODUCCION A LA
RELAIZAR UNA CATEDRA 8 PIZARRA, ALMOHADILLA
SIMULACION
SIMULACION
SISTEMAS Y
CLASIFICACIONES CATEDRA 8 PIZARRA, ALMOHADILLA
MODELOS
SIMULACION
ECUACION LOGISTICA CATEDRA 8 PIZARRA, ALMOHADILLA
DETERMINISTA
Primera Evaluación - EVALUACIÓN IMPRESA
3
Parcial
Resolución de la - PIZARRA
2
Evaluación
GENERACION DE
CONSIDERACIONES PARA
NUMEROS
GENERACION DE
ALEATORIOS Y CATEDRA 12 PIZARRA, ALMOHADILLA
NUMEROS ALEATORIOS Y
VARIABLES
PSEUDOALEATORIOS
ALEATORIAS
FUNCIONES DE
TIPOS DE
DISTRIBUCION Y CATEDRA 12 PIZARRA, ALMOHADILLA
DISTRIBUCIONES
PROBABILIDADES
Segunda Evaluación - EVALUACIÓN IMPRESA
2
Parcial
Resolución de la - PIZARRA
2
Evaluación
SIMULACION
MODELO ESTOCASTICO CATEDRA 8 PIZARRA, ALMOHADILLA
ESTOCASTICA
APLICACIONES EN
PROBABILIDADES Y
APLICACIONES CATEDRA 8 PIZARRA, ALMOHADILLA
ESTADISTICA
INFERENCIAL
Evaluación Final 2 - EVALUACIÓN IMPRESA
Segundo Turno 2 - EVALUACIÓN IMPRESA
TOTALES 80
 FACULTAD DE INGENIERIA

APUNTES
 FACULTAD DE INGENIERIA

WORK PAPER # 1

PROGRAMA DE CONTROL DE CALIDAD

No DE PROCEDIMIENTO: Nro DE HOJAS:

ELABORÓ: Raúl Aliaga Ph.D. CODIGO: MAT -502A

TÍTULO WORK PAPER: Introducción a la simulación

DPTO. UDABOL – LA PAZ

DESTINADO A:

DOCENTES ALUMNOS x ADMINISTRATIVOS OTROS

OBSERVACIONES:

FECHA DE DIFUSIÓN:

FECHA DE ENTREGA:
 FACULTAD DE INGENIERIA

SISTEMAS, MODELOS Y SIMULACIÓN DE SISTEMAS

Un estudio de simulación consiste en construir un modelo de la situación física. Un modelo de simulación se define como una
representación idealizada (simplificada) de un sistema de la vida real. Este sistema puede ya estar en existencia o puede todavía ser
una idea en espera de ejecución. En el primer caso el objetivo del modelo es analizar el comportamiento del sistema a fin de mejorar su
funcionamiento. En el segundo, el objetivo diversificar la mejor estructura del sistema futuro.
La complejidad de un sistema real resulta del gran número de elementos (variables) que controlan el comportamiento del sistema. Esto
a su vez dicta una dificultad tácita al recomendar cursos específicos de acción para cada una de estas variables, generalmente una
pequeña fracción de estas variables domina el comportamiento del sistema. Por consiguiente, la simplificación del sistema real en
términos de un modelo se concentra principalmente en la identificación de las variables y relaciones dominantes que lo gobiernan.
La figura 1-1 muestra los niveles de abstracción que llevan a la construcción de un modelo de una situación de la vida real. El “sistema
real supuesto” se abstrae de la situación real concentrando las variables dominantes que controlan el comportamiento del sistema real.
El modelo que es una abstracción del mundo real supuesto identifica y simplifica las relaciones entre estas variables en una forma
accesible al análisis.

Figura 1-1

SIMULACION

Simulación es el desarrollo de un modelo lógico-matemático de un sistema, de tal forma que se obtiene una imitación de la operación de
un proceso de la vida real o de un sistema a través del tiempo. Sea realizado a mano o en una computadora, la simulación involucra la
generación de una historia artificial de un sistema; la observación de esta historia mediante la manipulación experimental, nos ayuda a
inferir las características operacionales de tal sistema. En la definición anterior se citan dos pasos básicos de una simulación: a)
desarrollo del modelo y b) experimentación. El desarrollo del modelo incluye la construcción de ecuaciones lógicas representativas del
sistema y la preparación de un programa computacional. Una vez que se ha validado el modelo del sistema, la segunda fase de un
estudio de simulación entra en escena, experimentar con el modelo para determinar cómo responde el sistema a cambios en los niveles
de algunas variables de entrada.
Los términos “sistema” y “modelo” también son importantes en la definición descrita. Un sistema es una colección de variables que
interactúan entre si dentro de ciertos límites para lograr un objetivo. El modelo por su parte es una representación de los objetos del
sistema y refleja de manera sencilla las actividades en las cuales esos objetos se encuentran involucrados.
SISTEMA

Sistema es una colección de entidades relacionadas, cada una de las cuales se caracteriza por su atributos o características que
pueden estar relacionados entre si. Por ejemplo, un automóvil y el chofer que lo maneja forman un sistema. La entidad automóvil tiene
los atributos de tipo y costo, mientras que la entidad chofer tiene los atributos de edad e ingreso.

MODELOS
El primer paso a dar para estudiar un sistema es elaborar formar un modelo, el cual puede ser una representación formal de la teoría o
una explicación formal de la observación empírica. (a menudo es una combinación de ambas)
1. hace posible que un investigador organice sus conocimientos teóricos y sus observaciones empíricas sobre un sistema y
deduzca las consecuencias lógicas de esta organización.
2. favorece la mejor comprensión del sistema.
3. aprecia la necesidad del detalle y de nuevo balance.
4. acelera análisis.
 FACULTAD DE INGENIERIA

5. constituye un sistema de referencia para probar la aceptación de las modificaciones del sistema.
6. es más fácil de manipular que el sistema mismo.
7. hace posible controlar más fuentes de variación que lo que permitiría el estudio directo de un sistema.
8. suele ser menos costoso.
Los modelos pueden clasificarse de diversas maneras:
1. Modelos físicos.- Es generalmente un réplica a escala de un sistema, Ej. Un avión.
2. Modelos esquemáticos.- Abarcan dibujos, mapas y diagramas.
3. Modelos simbólicos.- son los que están basados en las matemáticas o en el código de computadora son los más comunes.
Los modelos esquemático y simbólico desempeñan funciones importantes en el diseño de los estudios de simulación de sistemas por
medio de computadoras.
Dado que en la práctica se utilizan muchos tipos de modelos matemáticos, estos se distinguen según sus características en modelos
analíticos y modelos numéricos
En un modelo analítico es posible deducir una solución del problema que se estudia, directamente de su representación matemática (ej.
Ley de Ohm)
Una caracterización numérica implica que no es factible una solución, pero que los métodos numéricos proporcionan una solución para
valores numéricos específicos de los parámetros del modelo. (Ej. Integración numérica).
Los modelos pueden ser estáticos o dinámicos
Un modelo estático omite ya sea un reconocimiento del tiempo o describe un instante del estado de un sistema en determinado
momento.
Un modelo dinámico reconoce explícitamente el trascurso del tiempo
Los modelos pueden ser deterministas o estocásticos.
En los modelos deterministas todas las entidades establecen relaciones matemáticas o lógicas constantes. Como consecuencia, estas
relaciones determinan las soluciones.
En un modelo estocástico, por lo menos parte de la variación tiene una naturaleza casual. Por lo tanto un investigador puede a lo sumo,
obtener soluciones promedio mediante modelos estocásticos para resolver los problemas.

VENTAJAS Y DESVENTAJAS DE LOS MODELOS DE SIMULACION

Ya que la simulación es en muchas ocasiones una herramienta apropiada de análisis, es preciso considerar las ventajas y desventajas
de su utilización
VENTAJAS.
1. Una vez construido, el modelo puede ser modificado de manera rápida con el fin de analizar diferentes políticas o escenarios.
2. Generalmente es más barato mejorar el sistema vía simulación, que hacerlo directamente en el sistema real.
3. Es mucho más sencillo comprender y visualizar los métodos de simulación que los métodos puramente analíticos.
4. Los métodos analíticos se desarrollan casi siempre, para sistemas relativamente sencillos donde suele hacerse un gran número de
suposiciones o simplificaciones, mientras que con los modelos de simulación es posible analizar sistemas de mayor complejidad o
con mayor detalle.
5. En algunos casos, la simulación es el único medio para lograr una solución.
DESVENTAJAS
1. Los modelos de simulación en una computadora son costosos y requieren mucho tiempo para desarrollarse y validarse.
2. Se requiere gran cantidad de corridas computacionales para encontrar “soluciones óptimas” lo cual repercute en altos costos
3. Es difícil aceptar los modelos de simulación
4. Los modelos de simulación no dan soluciones óptimas.

CUESTIONARIO:

1. ¿En qué consiste un estudio de simulación?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
 FACULTAD DE INGENIERIA

2. ¿Cuáles son las definiciones las aceptadas de simulación?

3. Explique qué entiende por:

a) Manipulación experimental ____________________________________________________________________

____________________________________________________________________
b) Sistema real supuesto: ____________________________________________________________________
____________________________________________________________________

c) Desarrollo lógico-matemático ____________________________________________________________________

4. ¿Qué se entiende por sistema, de algunos ejemplos?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

5. Defina el término de modelo

____________________________________________________________________
____________________________________________________________________

6. Explique que entiende por:

a) Modelo estático:
____________________________________________________________________
____________________________________________________________________

b) Modelo determinista:
____________________________________________________________________
____________________________________________________________________

c) Modelo dinámico:
____________________________________________________________________
____________________________________________________________________

d) Modelo estocástico:
____________________________________________________________________
____________________________________________________________________

7. Enumere y describa explícitamente las ventajas y desventajas de los métodos de simulación.

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
 FACULTAD DE INGENIERIA

WORK PAPER # 2

PROGRAMA DE CONTROL DE CALIDAD

No DE PROCEDIMIENTO: Nro DE HOJAS: 7

ELABORÓ: Raúl Aliaga Ph.D. CODIGO: MAT – 502ª

TÍTULO WORK PAPER: Simulación determinista

DPTO. UDABOL – LA PAZ

DESTINADO A:

DOCENTES ALUMNOS x ADMINISTRATIVOS OTROS

OBSERVACIONES:

FECHA DE DIFUSIÓN: Mayo 2007

FECHA DE ENTREGA: 2007

 FACULTAD DE INGENIERIA

SIMULACIÓN DETERMINISTA
Se designa como modelo determinista aquel que estipula, que las condiciones en que se verifica un experimento determinan el resultado
del mismo. Existen muchos ejemplos de “experimentos” en la naturaleza para los cuales los modelos deterministas son apropiados. Por
ejemplo, se sabe que, la distancia que recorre, un objeto al caer, está dada por la ecuación s  16t 2  v0t , donde v 0 es la
velocidad inicial y t es el tiempo empleado. En la simulación determinista, lo que se destaca, no es la forma particular de alguna ecua -
ción, sino, el hecho de la existencia de una relación definida entre las variables que determinan unívocamente el valor del primer
miembro de la ecuación, si se dan los valores del segundo miembro.
La exactitud de representación del sistema físico real que se alcanza mediante el modelo matemático, aumenta a medida que el
problema real involucre una gran cantidad de variables de decisión, puesto que al tener en cuenta más variables dependientes y
parámetros el modelo es más perfecto. El comportamiento de los sistemas reales, son frecuentemente explicados mediante el uso de
ecuaciones diferenciales ordinarias. Así por ejemplo, las ecuaciones que involucran la derivada de una función de una sola variable se
presentan con mucha frecuencia en las matemáticas aplicadas.
Otro tipo de ecuaciones diferenciales son aquellas en derivadas parciales, estas pueden tener cualquier número de variables
independientes, si bien en el análisis de procesos el número máximo es habitualmente cuatro: tres dimensiones espaciales y una
temporal Por definición, en una ecuación en derivadas parciales hay por lo menos dos variables independientes y una de ellas puede ser
el tiempo.
Con respecto a las soluciones analíticas, la teoría de las ecuaciones diferenciales ordinarias está razonablemente bien desarrollada,
pero en cambio no ocurre lo mismo para las ecuaciones en derivadas parciales. Así, rara vez se puede encontrar la solución analítica a
una ecuación en derivadas parciales y, cuando esto ocurre, es muy frecuente que intervenga una serie infinita, cuyo cálculo resulta
difícil, al menos por métodos manuales.
Es preciso tener en cuenta que un modelo expresado en forma de ecuaciones diferenciales puede con frecuencia expresarse en función
de ecuaciones integrales de forma que en este esquema de clasificación están esencialmente incluidos muchos otros modelos.
Existen muchas técnicas para encontrar la solución a ecuaciones diferenciales en términos de funciones elementales o en algunos
casos, en términos de funciones especiales (funciones de Bessel). Sin embargo, es frecuente encontrar problemas prácticos que, o bien
no pueden resolverse por los métodos clásicos, o bien la solución es tan difícil de obtener o tan laboriosa de evaluar que no vale la pena
el esfuerzo. Otro problema es que, en un gran número de aplicaciones prácticas algunos de los coeficientes o funciones de una
ecuación diferencial son fuertemente no lineales, o están dados solamente en forma de una tabla de valores experimentales, lo cual
elimina de inmediato las posibilidades de obtener una solución clásica. Por esta y otras muchas razones, estamos obligados a buscar
métodos de solución que se apliquen en los casos en que los métodos clásicos no son útiles.
Modelos de enfriamiento
La formulación matemática de la ley empírica de Newton, relativa al enfriamiento de un objeto, se expresa con la ecuación diferencial
lineal de primer orden
dT
 k (T  Tm )
dt
en que k es una constante de proporcionalidad, T (t ) es la temperatura del objeto cuando t  0 y Tm es la temperatura ambiente;
o sea, la temperatura del medio que rodea al objeto.
Modelo juego por la vida
Un modelo que imita el desarrollo de una población, fue descrita en la revista Scientific American 1. El modelo involucra nacimientos y
muertes de objetos localizados en una superficie rectangular, dividida por celdas. El modelo denominado “ juego por la vida” empieza con
valores iniciales de una población, es decir, celdas habitadas, y a partir de ésta población inicial, se desarrollan las generaciones
siguientes de habitantes de acuerdo a determinadas reglas:
a) El habitante de una celda sobrevive, si al lado existen dos o tres celdas vecinas ocupadas. Se consideran celdas vecinas,
aquellas que tienen un vértice o un lado común.

1
Gardner M. Mathematical games, -Scientific American, Oct. 1970. P. 120
 FACULTAD DE INGENIERIA

b) El habitante de la celda muere y la celda queda vacía si está rodeada de cuatro o más celdas ocupadas (superpoblación),
también muere si tiene solamente una celda vecina habitada o no se tiene vecinos (aislamiento)
c) El nacimiento en una celda no ocupada, ocurre únicamente en el caso, si al lado de esta celda se tiene exactamente tres
celdas vecinas habitadas.
a través de estas sencillas reglas se logra desarrollar una estructura geométrica, que posee una extraordinaria movilidad y variabilidad.
Se llegan a presentar poblaciones que florecen; sin embargo, posteriormente desaparecen en su totalidad (mueren) Otros en cambio,
presentan un desarrollo en forma de islas estables independientes.
Un juego de simulación de este tipo no posee solamente un valor de enseñanza o de entretenimiento, puede ser utilizado para la
resolución de problemas científicos más serios (con otras reglas, por supuesto), por ejemplo para la simulación de procesos de periodos
transformación o difusión de tumores malignos de hígado
Modelos poblacionales (ecuación logística)
Uno de los problemas básicos en biología es el crecimiento, sea este de una célula, un órgano, un ser humano, una planta o una
población, describamos la situación idealizada. La formulación del sistema es la siguiente: asumiendo que P (t ) es una población
cualquiera dependiente del tiempo, entonces la tasa de cambio dP / dt expresa la variación de la población en cualquier instante. Un
1 dp
modelo realista de crecimiento biológico, relativamente simplificado, es expresado por:  a  bp , esta, es una ecuación
p dt
diferencial no lineal de primer orden. La tasa de crecimiento dada por a  bp depende de la población p en cualquier instante.
De acuerdo al modelo, si la población llega a ser suficientemente grande, la tasa de crecimiento se vuelve negativa. Este modelo se
investigó por primera vez en 1830, y se conoce como la ecuación logística . La solución a la ecuación se la obtiene integrándola:
P t
dp
 p ( a  bp )
  dt
P0 t0

Esta solución proporciona una explicación de los hechos biológicos acerca del crecimiento poblacional. En términos de alguna población
inicial P0 . Tomando el límite para tiempos bastante grandes, t   se obtiene que el crecimiento tiene un límite finito igual a:

a
Pmax  lim P 
t  b
este resultado muestra que existe un límite al crecimiento poblacional, tal como lo requieren los hechos biológicos reales.
El valor máximo puede ser determinado a partir de tres observaciones, igualmente separadas
a P1 ( P0 P1  2 P0 P2  P1 P2 )
Pmax  
b P12  P0 P2
Modelo depredador – presa
Existen muchas situaciones reales en las que una especie animal se alimenta de otra especie animal, la cual a su vez se alimenta de
otras especies o cosas, por ejemplo, los lobos se alimentan de conejos, los cuales a su vez se alimentan de zahorias. La primera
especie se denomina depredador y la segunda presa. Un problema importante de la ecología, la ciencia que estudia las interrelaciones
de organismos y su ambiente, es investigar la cuestión de coexistencia de las dos especies y decidir lo que debería hacer la humanidad,
si algo puede, para preservar este balance ecológico de la naturaleza, ya que teóricamente, la especie depredadora podría destruir a la
especie presa de modo que esta última llegue a extinguirse, sin embargo, si esto sucede la especie depredadora también se extinguirá
puesto que, como asumimos, la especie depredadora depende de la especie presa para su existencia. Lo que sucede realmente en la
naturaleza es que se desarrolla un ciclo donde en algún tiempo la especie presa puede ser abundante y la especie depredadora poca,
debido a la abundancia de la especie presa, la población de depredadores crecerá y se reduce la población de presas, esto resulta en
una reducción de depredadores y en un consecuente incremento de presas y el ciclo continúa. Este es un problema importante de la
ecología, la ciencia que estudia las interrelaciones de organismos y su ambiente, es investigar la cuestión de coexistencia de las dos
especies y decidir lo que debería hacer la humanidad, si algo puede, para preservar este balance ecológico de la naturaleza. La
formulación matemática. Asumamos la siguiente notación: sea x, y el número de presas y depredadores en cualquier instante, si no
hubiera depredadores, la cantidad de presas incrementará a una tasa proporcional a su número en cualquier instante, de modo que
 FACULTAD DE INGENIERIA

dx
 a1x . Similarmente, si no hubiera presa, el número de depredadores disminuirá a una tasa proporcional a su cantidad, de modo
dt
dy
que  b1 y , estas ecuaciones tienen soluciones respectivas x  c1e a1t y y  c 2 e b1t , además, para t   los
dt
valores x   , y   , lo cual no está de acuerdo con la realidad. Para obtener un modelo matemático de la situación real, se
modifican las ecuaciones anteriores, de modo que tengan en cuenta la interacción entre las especies. Para esto se incluyen, en la
primera ecuación un término de interacción que dependa de x e y , F1 ( x, y ) el cual tienda a disminuir la tasa a la cual x crece.
Similarmente, incluiríamos en la segunda, un término de interacción F2 ( x, y ) que tienda a incrementar la tasa a la cual y decrece.
Los resultados son:
dx dy
 a1 x  F1 ( x, y ) ,  b1 y  F2 ( x, y )
dt dt
Las formas de F1 ( x, y ) y F2 ( x, y ) se obtienen de las condiciones de contorno, es decir, que éstas deben ser cero ya sea si
x  0 ó y  0 , esto es, no hay depredadores o no hay presas. Las funciones con esta propiedad están dadas por;
F1 ( x, y )  a 2 xy y F2 ( x, y )  b2 xy , esto nos lleva así a
dx
 a1x  a2 xy
dt
dy
 b1 y  b2 xy
dt
El modelo matemático clásico para esta situación fue ideado en los años 20 por el matemático italiano Vito Volterra para analizar las
variaciones cíclicas observadas en las poblaciones de tiburones y sus peces alimento en el Mar Adriático.
Modelos De Competencia
Una situación más complicada se refiere a competencia entre especies como proceso secundario de limitación de población.
Consideremos la existencia de dos especies de animales que ocupan el mismo ecosistema, no como depredador y presa, sino como
competidores en el uso de los mismos recursos, como alimentos o espacio vital. Un modelo realista expresa que la población crece en
forma logística y a estas, se les restan razones proporcionales a la cantidad de interacciones:

 dx
  a1 x  b1 x 2  c1 xy  x(a1  b1 x  c1 y )
dt

 dy
 a 2 y  b2 y 2  c2 xy  y(a 2  b2 y  c2 x)
 dt
Este sistema se llama modelo de competencia

CUESTIONARIO:

1 ¿Qué se entiende por simulación determinista?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
 FACULTAD DE INGENIERIA

2 ¿Cuál es la importancia de las ecuaciones diferenciales en la simulación?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

3. Explique qué entiende por:

a) Modelos de enfriamiento: ____________________________________________________________________

____________________________________________________________________
b) modelos de crecimiento biológico: ____________________________________________________________________
____________________________________________________________________

4. Explique el concepto y la aplicación práctica del modelo “juego por la vida”.

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

6. Desarrolle el modelo logístico y resuelva la ecuación plateada de manera:

a) Analítica:
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
____________________________________________________________________

b) Numérica:
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

7. Aplique el modelo logístico a datos reales de la población boliviana y determine el máximo crecimiento, en base a los últimos
censos de población y vivienda.
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
_________________________________________________________________

8. Describa el funcionamiento del modelo depredador-presa y resuelva las ecuaciones de manera analítica:
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
 FACULTAD DE INGENIERIA

9. Aplique las soluciones del modelo depredador presa a dos poblaciones del país, y grafique sus resultados. Discuta los resultados
obtenidos.
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

10. Resuelva las ecuaciones del modelo de competencia.

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

11. Aplique las soluciones del modelo de competencia a empresas de consumo, grafique sus resultados y discuta las soluciones
obtenidas.
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

WORK PAPER # 3
 FACULTAD DE INGENIERIA

PROGRAMA DE CONTROL DE CALIDAD

No DE PROCEDIMIENTO: Nro DE HOJAS:

ELABORÓ: Raúl Aliaga Ph.D. CODIGO:

TÍTULO WORK PAPER: Generación de números aleatorios y

variables aleatorias

DPTO. UDABOL – LA PAZ

DESTINADO A:

DOCENTES ALUMNOS x ADMINISTRATIVOS OTROS

OBSERVACIONES:

FECHA DE DIFUSIÓN:

FECHA DE ENTREGA:

Generación de variables estocásticas

 FACULTAD DE INGENIERIA

Existen diversos métodos para generar variables aleatorias, entre ellas están:
 Método de la transformada inversa
 Método de aceptación y rechazo
 Método directo
Método de la transformada inversa
Este método se usa, por lo general, para distribuciones cuya función de distribución acumulada se pueda obtener en forma cerrada. Los
ejemplos comprenden las distribuciones exponencial, uniforme, triangular y la de Weibull. Para distribuciones cuya función de
distribución acumulada no existe en forma cerrada, se podrá usar algún método numérico, como la expansión en serie de potencias,
dentro del algoritmo para evaluar la función. Sin embargo, es probable que esto complique el procedimiento a tal grado que resulte
mejor usar un algoritmo distinto para generar las cantidades aleatorias. El método de transformación inversa es relativamente fácil de
describir y de ejecutar. Consiste en los tres pasos siguientes:
Paso 1. Dada una función de densidad de probabilidad f ( x ) para una variable aleatoria x , obtener la función de distribución
x
acumulada F ( x ) como F ( x )   f ( x )dx


Paso 2. Generar un número aleatorio R

Paso 3. Hacer F ( x )  R y despejar x . La variable x es entonces un número aleatorio procedente de la distribución cuya
función de densidad de probabilidad es f ( x ) .
En la mayoría de los modelos de simulación se puede generar el comportamiento estocástico por medio de transformaciones de
números aleatorios independientes y distribuidos uniformemente sobre [0,1], ahora presentamos los algoritmos para llevar a cabo estas
transformaciones. Todos los métodos descritos aquí son teóricamente exactos. Ocasionalmente, la obtención de la exactitud significa
una menor eficiencia de computación. Sin embargo, esta pérdida de potencial no suele ser decisiva para la generación actual de
computadoras.
Distribuciones continuas
Presentaremos los métodos para generar eventos estocásticos a partir de diversas distribuciones continuas univariadas.
Distribución uniforme
Se tiene una variable aleatoria x
que se distribuye uniformemente en el intervalo [ a, b ] . La función de distribución de probabilidad
para este caso esta representada por:

 1
 , a xb
f ( x)   b  a
 0 en otro caso

La función de densidad acumulada de probabilidad es
x du xa
F ( x)  a a  b  b  a
La variable aleatoria R , se supone que siempre tiene una distribución entre [0,1]
xa
F ( x)  R
ba
Despejando x se obtiene
x  a  (b  a ) R
 FACULTAD DE INGENIERIA

Como generador de proceso para la distribución uniforme

Distribución triangular
Una distribución triangular x tiene una f.d.p.

 2( x  a )
 a xb
 (b  a )(c  a)
f ( x)   2
 b  a  ( x  b) bxc

 (c  a ) (c  b)(c  a )
De manera que

 ( x  a) 2
 a xb
 (b  a )(c  a )
F ( x)   2
 b  a  ( x  b) bxc
 (c  a ) (c  b)(c  a )


Denotamos esta distribución triangular por medio de F(a,b,c). Entonces, generamos una variación triangular x a partir de una
variación uniforme R por medio de

 ba
 a  (b  a )(c  a ) R 0 R
 ca
x
ba
b   (c  a ) R  (b  a ) (c  b)  R 1

 ca
Distribución exponencial
La distribución exponencial está altamente sesgada hacia la derecha. Un parámetro, la media, especifica la distribución exponencial.
La f.d.p. está dada por

 e   x ,
 x 0
f ( x)  

 0, en otro caso

por consiguiente,

R  F ( x )  1  e  x

o bien, La ecuación
1  1  1 1
x ln 
1 R 
   ln 
R

    
Da el valor aleatorio elegido de una distribución exponencial que tenga una media  .(La última expresión se justifica ya que 1 R
también es un número aleatorio en el intervalo [0,1].
Distribución gamma
La desviación para una distribución gamma con parámetros n y  puede expresarse como la suma (convolución) de distribuciones
exponenciales independiente e idénticamente distribuida, cada una con media  . Por consiguiente, es posible generar una desviación
aleatoria gamma utilizando la forma exponencial dada anteriormente, Como un ejemplo, suponga que la distribución gamma tiene
 FACULTAD DE INGENIERIA

n1 y   0.1 . Sean los números aleatorios generados R1  0.09656 , R2  0.96657 y R3  0.64842 .
Utilizando la fórmula para desviaciones aleatorias exponenciales dadas anteriormente, esto es,
1  1
x ln  
  R
se deduce que x1  23.38 , x 2  0.34 y x 3  4.33 . Esto da la desviación aleatoria gamma como
x  x1  x 2  x 3  28.05 .
El método anterior algunas veces se denomina método de convolución. Existen otros métodos más eficientes para desviaciones gamma
que pueden no requerir generar n números aleatorios.
Distribución normal
Debido a que muchos fenómenos naturales exhiben características de una distribución normal es importante saber cómo se pueden
generar variables con esta distribución. En este caso, el método de la transformación inversa así como el de aceptación o rechazo,
resultan inadecuados por las siguientes razones: 1º porque no existe la función de distribución acumulada en forma cerrada y 2º porque
la distribución no esta definida en un intervalo finito. Un método habitual para generar valores normalmente distribuidos es, hallar la
suma de 12 números aleatorios uniformemente distribuidos dentro del intervalo [0,1], una cierta cantidad de veces. Estas sumas tienen
una media de seis y una desviación estándar de uno. Restando el valor seis de cualquiera de las sumas da como resultado un valor
normal estándar extraído de una población que tenga una media de cero y una desviación estándar de uno. El algoritmo de convolución
se hace uso directo del teorema del límite central. La distribución mediante las ecuaciones
12
x   Ri  6
i 1

Si deseamos generar una variable normal X con promedio  y varianza  2 , primero generamos x
mediante este generador de
proceso y luego la transformamos por medio de la relación X      x . Nótese que esta convolución es exclusiva de la distribución
normal y que no se puede ampliara a otras distribuciones.

Aplicación de coordenadas polares

El método directo para la distribución normal es fácil de aplicar y ejecutar. El algoritmo genera dos números aleatorios R1 y R2 ,
para después transformarlos en dos valores aleatorios normales, cada uno con promedio 0 y varianza 1, por medio de las
transformaciones directas

x1   2 ln R1 sin 2R2

x2   2 ln R1 cos 2R2

Como en el método de convolución, es fácil transformar estas variables normales estandarizadas en variables normales X 1 y X 2 a
partir de la distribución con promedio  y varianza  2 mediante las ecuaciones. Esta función permite que dados dos números
aleatorios R1 y R2 hallar inmediatamente dos números aleatorios independientes x1 y x 2 . Si es necesario solamente un valor,
entonces se puede utilizar una de estas dos fórmulas. X 1      x1
X 2      x2
El método directo produce variables aleatorias normales exactas, en tanto que el método de convolución tan sólo nos da variables
aleatorias normales aproximadas.
Método de la transformada inversa para distribuciones discretas
Se utiliza cuando se desea simular variables aleatorias de tipo discreto, como la distribución Bernoulli, binomial, Poisson, discreta
general, etc. El procedimiento es similar al contínuo pero el valor de F ( x ) se encuentra acumulando las probabilidades de los
 FACULTAD DE INGENIERIA

eventos individuales p( x ) . También en este caso, F ( x ) está definida en el intervalo [0,1]; Se genera un número aleatorio Ri y
se determina el valor de la variable aleatoria cuya distribución acumulada es igual a Ri .
Distribución uniforme discreta
La técnica, conocida como método tabular, es particularmente adecuada para distribuciones que no pueden presentarse en forma
cerrada. Considerar, por ejemplo, la siguiente f.d.p.
X 0 1 2 3
P(x) 0.1 0.3 0.4 0.2

La FDA está dada por

X 0 1 2 3
F(x) 0.1 0.4 0.8 1.0

Pueden jerarquizarse los números aleatorios para definir la desviación aleatoria x de manera única como sigue:
0.0 < R < 0.1, x=0
0.1 < R < 0.4, x=1
0.4 < R < 0.8, x=2
0.5 < R < 1.0, x=3
Esto significa generalmente que, para cualquier variable aleatoria discreta x , la desviación aleatoria asume el valor j si el número
aleatorio es tal que F ( j  1)  R  F ( j )
Distribución Bernoulli
Un proceso de Bernoulli es un experimento que tiene solamente dos resultados posibles, llamados éxito s y fracaso fLas probabilidades
de éxito y fracaso son P ( s)  p, P( f )  q ,
La probabilidad de exactamente r éxitos y n-r fracasos en n (fijo) procesos independientes de Bernoulli, en un orden dado, es
Distribución de Poisson
Se establece que dado que x1 , x2 ,..., xn son valores aleatorios exponenciales independientes e idénticamente
distribuidas con media 1/µ, entonces para una n que satisface
x1  x 2 ...  x n  t  x1  x2 ... xn 1

la distribución de n es de Poisson con media µ t . Esta relación puede utilizar separa generar desviaciones aleatorias de Poisson. De
1  1 
la fórmula exponencial, se deduce que x i  ln 
  Ri 
Donde Ri es un número aleatorio [0,1] uniforme. Sustituyendo las desigualdades anteriores da
n 1  n 1  1 
 ln R    t   ln 
i 1  i  i 1  Ri 
 n   n 1 
Equivalentemente, esto proporciona : exp
  ln Ri   exp(  t )  exp  ln Ri 
 i 1   i 1 
n n 1
o bien  Ri  e   t   Ri
i 1 i 1
 FACULTAD DE INGENIERIA

CUESTIONARIO:

1. ¿Qué se entiende por simulación Estocástica?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

2 ¿Cuál es la importancia de la teoría de las probabilidades en la simulación estocástica?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

3. Explique qué entiende por:

a) Variables estocásticas: ____________________________________________________________________

____________________________________________________________________

b) Método de la transformada inversa: ____________________________________________________________________

___________________________________________________________________

4. ¿Cómo se pueden generar números aleatorios con distribución uniforme?.

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

5. ¿Cómo se pueden generar números aleatorios con distribución triangular?

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

6. ¿Cómo se generan números con distribución norma?.

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
_________________________________________________________________

7. Describa el funcionamiento del modelo depredador-presa y resuelva las ecuaciones de manera analítica:
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
 FACULTAD DE INGENIERIA

8. Deducir las soluciones analíticas a las diversas funciones de probabilidad expuestas en el presente work papre.
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

9. ¿Qué utilidad se pueden dar a las variables generadas por funciones normales?.
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

10. Proporcione ejemplos de simulación que utilicen variables aleatorias del tipo Poisson..
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

11. Proporcione un ejemplo de la utilidad de las tablas para un proceso de simulación..

___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________

PROGRAMA DE CALIDAD UDABOL

DIF – 001
Generación de números aleatorios
 FACULTAD DE INGENIERIA

1. Investigar el significado de números “verdaderamente” aleatorios, como se producen y discutir la forma más sencilla de obtenerlos
2. Genere números de 4 dígitos, mediante un generador de cuadrados medios cuyo originador sea ( a) 4567234902; (b) utilice el
número de su cédula de identidad en el grupo de 5 personas y genere una sucesión bastante grande realizando diferentes
combinaciones

3. Determinar los primeros términos de xi  3xi 1 mod 150 si se toma como número originador el número de su cédula de
identidad. ¿Qué puede decir al respecto del periodo, si el grupo de ttrabajo es de cinco personas?

4. Determinar los 10 primeros términos de xi  (5xi 1  7) mod 200 si x 0  3 .

5. Generar todos los valores de para el generador congruencial con M=64 y (a) a=29, b=17. (b) a=9, b=1. (c) a=13, b=0. (d) a=11, b=0.
6. Escribir un programa para generar todos los números aleatorios en el rango de [0,1] para los siguientes generadores
congruenciales y determinar el periodo.
(a) xi  (40 xi 1  13) mod 33 x 0  302
(b) xi  (71561xi 1  56822117) mod 341157 x 0  31767
(c) x i  203xi 1 mod 105 x 0  17
(d) xi  211xi 1 mod 108 x 0  19
12
7. Escribir un programa que calcule la siguiente suma y  R
i 1
i , donde Ri es un número aleatorio en el rango de [0,1]. (a)

Hallar 200 diferentes valores y y mostrar, que la distribución de probabilidad y se aproxima a una distribución gaussiana con
 y  6 , y  y  1 , (b) Construir el histograma.

PROGRAMA DE CALIDAD UDABOL

DIF – 002
Generación de números aleatorios
 FACULTAD DE INGENIERIA

1
 2 0  x  1
 Se tiene una variable aleatoria continua con la siguiente densidad de probabilidad f ( x)  
3  x 1  x  3
 4 4
,Obtenga un generador de proceso para estos tiempos parciales mediante el método de transformación inversa y el de aceptación
o rechazo.
 Un jefe de taller desea crear un modelo de simulación para ayudarse a programar los trabajos del taller. Ha evaluado los tiempos de
terminación para los distintos tipos de trabajo. Para un trabajo determinado, los tiempos de terminación se pueden representar
mediante la siguiente distribución triangular:

x 1
 8  4 2  x  4
f ( x)  
10  x 4  x  10
 24 24
Elabore un generador de proceso para esta distribución mediante el método de transformación inversa.
 Construya un generador de números aleatorios, distribuido con la siguiente densidad de probabilidad:
2(1  x ), si 0  x  1,
p( x)  
 0 en otro caso
 Un proceso genera valores que están normalmente distribuidos con una media de 25 y una desviación estándar de 5. Simula el
proceso para los siguientes 20 elementos.
 El número de horas entre accidentes de tráfico en una ciudad se sabe que está exponencialmente distribuido con una media de 4.5
horas. Genera los intervalos entre accidentes para los siguientes 10 accidentes.

 Hallar una fórmula para el cálculo del valor de la cantidad aleatoria con la función de densidad: F ( x)  1 
1
3

2e  x  e 5 x 
para 0  x  
1
 Genere 100 números aleatorios con la siguiente distribución: F ( x )   x  1 3 si 1  x  1
4
Calcule media, varianza e histograma.
 Hallar una fórmula para el cálculo del valor de la cantidad aleatoria con la función de densidad de distribución:
p( x )  cos 2 2 mx , para 0  x  2 ; y el número m  1 entero.