Identificación de patrones de comportamiento aleatorio

En la primera etapa del estudio de la simulación, en la de conocimiento, en

donde se empiezan a crear las hipótesis de modelización que permitirán
construir el modelo, existe un aspecto muy importante, que son los
componentes del sistema que tienen un comportamiento aleatorio y el tipo de
distribuciones de probabilidad que las representan.

De acuerdo el estudio de la simulación, en la primera etapa, la de conocimiento, en la que se recoge

información sobre el sistema para formular las hipótesis de modelización que permitirán construir el
modelo, uno de los aspectos más importantes es el que concierne a la obtención de información sobre las
componentes del sistema que exhiben un comportamiento aleatorio, y la identificación del tipo de
aleatoriedad que posibilite la formulación de hipótesis para su modelización o, en otros términos, la
determinación de la distribución de probabilidad que reproduzca lo más adecuadamente posible el
comportamiento aleatorio observado.

Los procesos de llegada y de servicio, es decir las maneras en que van

llegando al sistema las entidades que han de recibir un servicio, y la duración
del mismo son, procesos aleatorios que hay que identificar y modelizar. Por
ejemplo: Las llegadas de los vehículos al puesto de peaje de una autopista, las piezas y
las materias primas a un proceso de manufactura, llamadas telefónicas a una
centralita, los tiempos de llegadas entre mensajes, tipos de mensajes, en los sistemas
de comunicaciones, los tiempos de llegada entre trabajos que se han de procesar, los
tipos de trabajo, en el caso de los sistemas informáticos, etc., son ejemplos típicos de
lo que denominamos procesos de llegada.

La duración del acto de abonar el peaje, las operaciones a realizar sobre las piezas en las
diferentes máquinas durante el proceso de producción, las duraciones de las llamadas
telefónicas, las longitudes de los mensajes, los requerimientos para el procesado de un trabajo
etc., constituyen ejemplos de los segundos, los llamados procesos de servicio.

Identificar la aleatoriedad en los sistemas es equivalente a identificar las fuentes de aleatoriedad de las
componentes de los sistemas y el tipo de distribuciones de probabilidad que las representan. Así, por ejemplo, en
todos aquellos sistemas en los que subyace una estructura de fenómenos de espera, simples o de red, que
constituyen una de las clases más numerosas a estudiar por simulación, los procesos de llegada y de servicio, es
decir como van llegando al sistema 75 Modelización de la aleatoriedad en sistemas discretos las entidades que han
de recibir un servicio, y la duración del mismo son, en general, procesos aleatorios que hay que identificar y
modelizar. Las llegadas de los vehículos al puesto de peaje de una autopista, las piezas y las materias primas a un
proceso de manufactura, llamadas telefónicas a una centralita, los tiempos de llegadas entre mensajes, tipos de
mensajes, en los sistemas de comunicaciones, los tiempos de llegada entre trabajos que se han de procesar, los tipos
de trabajo, en el caso de los sistemas informáticos, etc., son ejemplos típicos de lo que denominamos procesos de
llegada.

Identificada la fuente de aleatoriedad, es decir la componente del sistema que exhibe tal
comportamiento, una modelización correcta de la aleatoriedad requiere la recogida de
observaciones que sirvan de base a un estudio estadístico que permita determinar el tipo de
distribución de probabilidad que mejor explica tal comportamiento, y decidir si se utiliza en el
estudio de simulación un modelo teórico de tal distribución, o se trabaja con una distribución
empírica.

Siempre que sea posible hay que recoger observaciones de las variables aleatorias de entrada.
Las decisiones y especificaciones a que nos estamos refiriendo han de hacerse a partir de los
datos disponibles, y podemos encontrarnos con una gran variedad de situaciones. En unos
casos tendremos un exceso de datos, mientras que en otros dispondremos de muy pocos, y en
ambos casos la procedencia de los datos puede ser o bien directamente la distribución de
interés o indirectamente una distribución «relacionada». Los autores mencionados sentencian
que «Tener pocos datos es malo, pero tener pocos datos de una distribución incorrecta es
peor». Tener pocos datos significa que nos encontramos en una de las situaciones siguientes, o
en alguna combinación de las mismas: la muestra de que disponemos es pequeña, o solo
tenemos un resumen estadístico, por ejemplo, media, variancia, valores mínimo y máximo,
mediana, moda, etc., o la información disponible es de tipo cualitativo, consistente, por
ejemplo, en entrevistas con personas informadas o con experiencia sobre situaciones
relacionadas.

Desgraciadamente en muchos casos información errónea sobre distribuciones «relacionadas»

es la única fuente de información disponible. Ejemplos de ello pueden ser: disponer de
información agregada incorrecta, como es el caso de la simulación de sistemas de inventario,
que requiere datos de la demanda diaria, cuando solo se dispone de datos de la demanda
mensual; o de una distribución temporal inadecuada, como cuando se dispone de información
histórica pero lo que se necesita es una proyección al futuro inmediato, el próximo mes, año,
etc.; o de una distribución censurada, como cuando en lugar de disponer de los datos de la
demanda solo disponemos de los datos de ventas, que infraestiman la demanda cuando hay
rupturas de stock.

En los casos de información poca o incorrecta, pero relacionada, la recomendación es ser

escépticos sobre cualquier distribución que se especifique, y recurrir al análisis de sensibilidad.
Considerar que la información cualitativa de que disponemos nos permite, en todo caso,
formular una conjetura sobre cual puede ser la distribución apropiada, normal, lognormal,
exponencial, Poisson, Weibull, etc., considerar que la conjetura es tentativa y verificar la
sensibilidad tanto de los parámetros de la distribución conjeturada, como de su forma. Hay
que prevenir contra la elaboración de conjeturas basadas en un simple análisis exploratorio,
especialmente si este es, sobre todo, visual. En las aplicaciones de la simulación en el mundo
de la manufactura es frecuente la recogida de datos que representados en forma de
histograma adoptan formas que sugieren fuertemente distribuciones como la exponencial,
cuando un análisis mas detallado permite comprobar que esta es una distribución inadecuada
en este caso. Law y Kelton [27] ilustran detalladamente algunos casos para ejemplos de
estudios de simulación de procesos de manufactura en los que se muestra como distribuciones
aparentemente exponenciales por su forma no son las que mejor reproducen los datos
observados sobre los tiempos de ocupación de las máquinas en el caso del ejemplo, sino que
es una distribución gamma la más adecuada. 79 Modelización de la aleatoriedad en sistemas
discretos Una de las recomendaciones es realizar ejecuciones apareadas de la simulación con
los mismos números aleatorios. El objetivo de un análisis de sensibilidad es comprobar que el
resultado de un estudio de simulación solo depende débilmente de que distribución se utiliza
de entre un conjunto de distribuciones plausibles. Las distribuciones teóricas dependen en
general de uno o dos parámetros que pueden variar de manera continua, esto facilita el
análisis de sensibilidad, suponiendo que solo se toman en cuenta las formas limitadas que
pueden tomar las distribuciones teóricas.

Otra posibilidad es la de utilizar estos datos para definir una función de distribución empírica,
de la cual se extraen muestras a medida que se necesitan los valores. Es un planteamiento
preferible al anterior, que en el caso de los datos continuos permite generar cualquier valor
entre el máximo y el mínimo de los observados, cada vez que se necesita uno de ellos, por
ejemplo un tiempo de servicio.

De todas maneras, en el dilema distribuciones empíricas distribuciones teóricas, no hay que

perder de vista que una distribución empírica puede tener ciertas «irregularidades»,
particularmente cuando solo se dispone de pocos datos, mientras que una distribución teórica
«suaviza» los datos y puede proporcionar información sobre la distribución subyacente. Las
dificultades para generar datos fuera del intervalo de valores observados puede ser una
limitación importante a la hora de utilizar una distribución empírica si tenemos en cuenta que
muchas de las medidas del rendimiento de los sistemas que se simulan dependen fuertemente
de la probabilidad de que ocurran sucesos «extremos», mientras que una distribución teórica
permite generar datos fuera del intervalo observado.

1 Inicios del Método de Monte Carlo

El  método  fue  llamado  así  por  el  principado  de  Mónaco  por  ser  ``la 
capital  del  juego  de 
azar'', al tomar una ruleta como un generador simple de números aleatorios. El 
nombre y el
desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente 
de 1944 con  el  desarrollo  de  la  computadora.  Sin  embargo  hay  varias 
instancias  (aisladas  y  no 
desarrolladas) en muchas ocasiones anteriores a 1944.  El  uso  real  de  los 
métodos  de  Monte  Carlo  como  una  herramienta  de  investigación, 
proviene del trabajo de la bomba atómica durante la Segunda Guerra Mundial. 
Este trabajo  involucraba  la  simulación  directa  de  problemas  probabilísticos 
de  hidrodinámica 
concernientes a la difusión de neutrones aleatorios en material de fusión.  

Los métodos de Monte Carlo admiten gran cantidad de variantes y están

consolidados como procedimiento de integración numérica, especialmente en
casos de gran dificultad como los que se presentan en muchos problemas de
física e ingeniería, en particular cuando se trata de funciones reales no
integrables analíticamente y, sobre todo, para integrales múltiples, ya que para
las simples se dispone en estos momentos de procedimientos numéricos muy
poderosos. Los métodos de Monte Carlo pueden considerarse como
procedimientos que utilizan la generación de números aleatorios,
especialmente los uniformemente distribuidos en el intervalo (0,1) para resolver
problemas estocásticos o deterministas de tipo estático
 Los métodos de Montecarlo
Los métodos de Montecarlo abarcan una colección de técnicas que
permiten obtener soluciones de problemas matemáticos o físicos por medio
de pruebas aleatorias repetidas. En la práctica, las pruebas aleatorias se
sustituyen por resultados de ciertos cálculos realizados con números
aleatorios. Se estudiará el concepto de variable aleatoria y la
transformación de una variable aleatoria discreta o continua.
Ejemplos sencillos son: el mecanismo básico de la dfusión y el
establecimiento del equilibrio térmico entre dos sistemas que se ponen en
contacto a distinta temperatura. Estos dos ejemplos nos mostrarán el
significado de proceso irreversible y fluctuación alrededor del estado de
equilibrio.
La explicación de la ley exponencial decreciente en la desintegración de
una sustancia radioactiva en otra estable. Comprender, a partir de un
modelo simple de núcleo radioactivo, que su desintegración es un suceso
aleatorio, con mayor o menor probabilidad dependiendo de la anchura de
las barreras de potencial que mantienen confinadas a las partículas que
componen el núcleo.
Otros ejemplos relevantes son: el estudio de un sistema con un número
pequeño de estados como paso previo al estudio del comportamiento de
un material paramagnético bajo la ación de un campo magnético y a una
determinada temperatura, dos ejemplos de aplicación de la transformación
de una variable discreta. Por último, estudiaremos el comportamiento de
un material dieléctrico como ejemplo de aplicación de transformación de
una variable aletoria continua.

La variable aleatoria
Se denomina variable aleatoria, a una variable X que puede tomar un
conjunto de valores {x0, x1, x2, ... xn-1}, con probabilidades {p0, p1, p2, ... pn-
1}. Por ejemplo, en la experiencia de lanzar monedas, los posibles
resultados son {cara, cruz}, y sus probabilidades son {1/2, 1/2}. En la
experiencia de lanzar dados, los resultados posibles son {1, 2, 3, 4, 5, 6} y
sus probabilidades respectivas son {1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.
Realicemos ahora la experiencia de hacer girar una ruleta y apuntar el
número del sector que coincide con la flecha. En la ruleta de la izquierda de
la figura los resultados posibles son {0, 1, 2, 3, 4, 5, 6, 7}, y la probabilidad
de cada resultado es 1/8. En la ruleta de la derecha de la figura los posibles
resultados son {0, 1, 2, 3}, y las probabilidades respectivas {1/4, 1/2, 1/8,
1/8}, proporcionales al ángulo del sector.
En los tres primeros ejemplos, la variable aleatoria X se dice que está
uniformemente distribuida, ya que todos los resultados tienen la misma
probabilidad. Sin embargo, en el último ejemplo, la variable aleatoria X, no
está uniformemente distribuida.
El problema crucial de la aplicación de los métodos de Montecarlo es hallar
los valores de una variable aleatoria (discreta o continua) con una
distribución de probabilidad dada por la función p(x) a partir de los valores
de una variable aleatoria uniformemente distribuida en el intervalo [0, 1),
proporcionada por el ordenador o por una rutina incorporada al programa.
Para simular un proceso físico, o hallar la solución de un problema
matemático es necesario usar gran cantidad de números aleatorios. El
método mecánico de la ruleta sería muy lento, además cualquier aparato
físico real genera variables aleatorias cuyas distribuciones difieren, al
menos ligeramente de la distribución uniforme ideal. También, se puede
hacer uso de tablas de cifras aleatorias uniformemente distribuidas,
comprobadas minuciosamente en base a pruebas estadísticas especiales. Se
emplean solamente cuando los cálculos correspondientes a la aplicación del
método de Montecarlo se realiza a mano, lo que en estos tiempos resulta
inimaginable. En la práctica, resulta más conveniente emplear los
denominados números pseudoaleatorios, se trata de números que se
obtienen a partir de un número denominado semilla, y la aplicación
reiterada de una fórmula, obteniéndose una secuencia {x0, x1, x2, ... xn} de
números que imitan los valores de una variable uniformemente distribuida
en el intervalo [0, 1).

Variable aleatoria discreta

Para simular la ruleta situada a la derecha de la figura, se procede del
siguiente modo: se hallan las probabilidades de cada resultado,
proporcionales al ángulo de cada sector y se apuntan en la segunda
columna, la suma total debe de dar la unidad. En la tercera columna, se
escriben las probabilidades acumuladas.
 P.
Resulta Probabilid
acumula
do ad
da
0 0.25 0.25
1 0.5 0.75
2 0.125 0.875
3 0.125 1
Se sortea un número aleatorio γ uniformemente distribuido en el intervalo
[0, 1), el resultado del sorteo se muestra en la figura. En el eje X se sitúan
los distintos resultados que hemos nombrado x0, x1, x2, x3  . En el eje vertical
las probabilidades en forma de segmentos verticales de longitud igual a la
probabilidad pi de cada uno de los resultados, dichos segmentos se ponen
unos a continuación de los otros, encima su respectivo resultado xi. Se
obtiene así una función escalonada. Cuando se sortea una variable aleatoria
γ, se traza una recta horizontal cuya ordenada sea γ. Se busca el resultado
cuya abscisa sea la intersección de dicha recta horizontal y del segmento
vertical, tal como se señala con flechas en la figura. Si el número aleatorio
γ está comprendido entre 0.25 y 0.75 se obtiene el resultado denominado x1.

La tabla describe el sorteo de una variable discreta, siendo γ una variable

aleatoria uniformenente distribuída en el intervalo [0,1).

Condición Resultado
0<=γ<0.25 0
0.25<=γ<0.75 1
0.75<=γ<0.875 2
0.875<=γ<1 3
Una vez visto un caso particular, el problema general puede formularse del
siguiente modo:
Si X es una variable aleatoria discreta cuyos posible resultados son {x0, x1,
x2 , ... xn-1} y sean {p0, p1, p2, ... pn} sus respectivas probabilidades. Al
sortear un número aleatorio γ, uniformemente distribuido en el intervalo [0,
1), se obtiene el resultado xi, si se verifica la siguiente condición

∑j=0i−1pj≤γ<∑j=0ipj            (1)
 Conclusión

Todos los sistemas contienen así sea una fuente de aleatoriedad, por lo que es
necesario saber identificarla para que se pueda captar el tipo de distribución
que las representa, que se pueda construir un buen modelo y se decida si se
utilizara un modelo teórico o una distribución empírica.

Se pueden llegar a producir muestras de números aleatorios por el método de

Montecarlo, el cual se utiliza para generar estos números uniformemente
distribuidos en 0 y 1. Este proceso se puede aplicar para variables discretas y
continuas, aparte, existen algunos métodos, como es en el caso del método de
transformación inversa para realizar estas generaciones.

Hay consideraciones que deben de tomarse en cuenta, como serian, la

eficiencia con la que se desarrollan las secuencias y la densidad de las
mismas, es decir, que estos números contengan suficientes dígitos.

Para generar estos números se aplican varios métodos, como es el de los

cuadrados medios o los métodos de generadores congruenciales lineales. Por
medio de estos procesos, se pueden generar números aleatorios, los cuales
deben ser revisados por unos test estadísticos, los cuales consisten en ver si la
secuencia generada es aceptable o no. Puede ser el de chi-cuadrado o
Kolmogorov-Smirnov.
 Introducción

Los sistemas juegan un papel importante a nivel mundial, los cuales

se utilizan en diversos ámbitos, debido a que sirven para poder
mantener un orden o control de ciertos procesos. Hay veces que se
deben simular estos sistemas para poder observar cual será el
funcionamiento que tendrá, porque en algunos casos, no han sido
creados en la realidad y se desea saber que estrategias se deben
aplicar para que tengan una ejecución exitosa.

Por lo tanto, para poder realizar esta simulación, se debe pasar

ciertas etapas, las cuales forman una cadena, que en donde falla
una, fallan las demás, principalmente en donde se empiezan a
formular las hipótesis para la construcción del modelo y aquí es en
donde las variables aleatorias deben ser identificadas para que se
pueda realizar todo a partir de ahí.

En el siguiente trabajo se encontrará la identificación de los

patrones que tengan un comportamiento aleatorio, una introducción
a Montecarlo, la generación de números pseudo-aleatorios y de
dígitos aleatorios, al igual que los procedimientos generales
utilizados. Por ultimo, se podrá saber cuan aleatoria es la secuencia
generada.