TRABAJO P R Á C T I CO

ASIGNATURA: S I M U L AC I ÓN DE S I ST E M A S
CÓDIGO: 337

FECHA DE ENTREGA AL ESTUDIANTE: 20/07/2020

FECHA DE DEVOLUCIÓN POR PARTE DEL ESTUDIANTE:
El estudiante contará hasta el día 16/10/2020 para su realización y envío.
El trabajo debe ser enviado al correo electrónico del asesor académico de la
asignatura Simulación de Sistemas (Cód. 337) en su centro local, o en su defecto,
si la corrección de la asignatura se encuentra a cargo del Nivel Central, el
estudiante deberá enviar su trabajo al Jefe de Unidad Académica de su Centro
Local, dentro del lapso previamente establecido. Luego el Jefe de Unidad
Académica procederá a remitir en un único correo los referidos TPS a la
Coordinación de la carrera de Ingeniería de Sistemas (isistemas@[Link]), a
más tardar el 16/10/2020 sin prórroga.

NOMBRE DEL ESTUDIANTE: LUIS BERRIO

CÉDULA DE IDENT IDAD: 7953091
CORREO ELECTRÓNICO DEL ESTUDIANTE: sumiber@[Link]
TELÉFONO: 0416-6181511
CENTRO LOCAL: metropolitano
CARRERA: 236
LAPSO ACADÉMICO: 2020 - 1
NÚMERO DE ORIGINALES: 15
FIRMA DEL ESTUDIANTE:
UTILICE ESTA MISMA PÁGINA COMO CARÁTULA DE SUTRABAJO PRÁCTICO
Tabla de contenido
OBJETIVO 4. ................................................................................................................................... 4
MÉTODO NÚMERICO DE RUNGE KUTTA ..................................................................................... 4
SOLUCIÓN ANALÍTICA................................................................................................................. 7
OBJETIVO 7. ................................................................................................................................... 9
SIMULACIÓN ESTOCÁSTICA. ..................................................................................................... 10
MÉTODO DE MONTE CARLO: ................................................................................................... 11
Formulación del problema: .................................................................................................. 11
Elaboración del modelo. ....................................................................................................... 13
GRAFICAS: ............................................................................................................................ 15
CONCLUSIONES Y RECOMENDACIONES. ................................................................................... 17
TP-337,
SIMULACION DE SISTEMAS.
LUIS BERRIO.
CI: 7953091.

OBJETIVO 4.
OBJETIVO 4: Resolver numéricamente un modelo matemático descrito en
términos de ecuaciones de estado, empleando el Método de Runge-Kutta.

Calcular una solución aproximada, es decir, Yi  yt i de:

𝑑𝑦
= (5𝑥 2 − 𝑦)/𝑒 𝑥−𝑦
𝑑𝑥

y 01; h0,1 para 0≤ x ≤ 1, usando el método de Runge- Kutta de cuarto orden

(RK4).

a) Hallar la solución exacta de la ecuación diferencial.

b) Reflejar en una tabla los resultados obtenidos del método de RK4 y comparar
con la solución exacta de la ecuación.

Respuestas:

MÉTODO NÚMERICO DE RUNGE KUTTA.

Uno de los métodos más utilizados para resolver numéricamente problemas de

ecuaciones diferenciales ordinarias con condiciones iniciales es el método
de Runge-Kutta de cuarto orden, es fácilmente programable en un software para
realizar las iteraciones necesarias. Es sumamente útil para casos en los que la
solución no puede hallarse por los métodos convencionales (como separación de
variables).
Así, el siguiente valor (yi+1) es determinado por el presente valor (Yi) más el
producto del tamaño del intervalo (h) por una pendiente estimada. Como podemos
apreciar en las siguientes formulas:

1
𝑦𝑖 = 𝑦0 + 6 ∗ (𝐾1 + 𝐾2 + 𝐾3 + 𝐾4 )* h
Para i=0,…, n-1.
La solución se da a lo largo del intervalo (X0, X0+h*n), Donde:

 h=paso o partición del intervalo.

 n= número de iteraciones.

Así, siguiente valor (yi+1) es determinado por el presente valor (yi) más el
producto del tamaño del intervalo (h) por una pendiente estimada. La pendiente es
un promedio ponderado de pendientes:

 K1 es la pendiente al principio del intervalo.

𝑲𝟏 = 𝒇(𝒙𝒊 , 𝒚𝒊 )

 K2 es la pendiente en el punto medio del intervalo, usando K1 para determinar

el valor de “y” en el punto Xi + h/2.

𝒉 𝒉
𝑲𝟐 = 𝒇(𝒙𝒊 + 𝟐 , 𝒚𝒊 + 𝑲𝟏 ∗ 𝟐)

 K3 es otra vez la pendiente del punto medio, pero ahora usando k2 para
determinar el valor de “y”.

𝒉 𝒉
𝑲𝟑 = 𝒇(𝒙𝒊 + 𝟐 , 𝒚𝒊 + 𝑲𝟐 ∗ 𝟐)

 K4 es la pendiente al final del intervalo, con el valor de “y” determinado por

K3.

𝑲𝟒 = 𝒇(𝒙𝒊 + 𝒉 , 𝒚𝒊 + 𝑲𝟑 ∗ 𝒉)

Realizaremos en una hoja Excel las iteraciones tomando en cuenta que;

h=0.1 y n=10.
Tabla los resultados obtenidos del método de RK4.

Condiciones iniciales:
X0=0; Y0=1.

i Xi Yi K1 K2 K3 K4 Y(i+1)
0 0 1 -2,71828183 -1,92212437 -2,09368315 -1,47754194 0,86313948
1 0,1 0,86313948 -1,74418405 -1,2406045 -1,32052312 -0,90326261 0,77632991
2 0,2 0,77632991 -1,02557649 -0,66342189 -0,70519543 -0,38384805 0,73002921
3 0,3 0,73002921 -0,43048958 -0,1374008 -0,16071203 0,11777706 0,71984879
4 0,4 0,71984879 0,11036177 0,37815828 0,36538351 0,63787266 0,74471172
5 0,5 0,74471172 0,645381 0,92293375 0,91817409 1,22056773 0,806496
6 0,6 0,806496 1,22137688 1,5475117 1,55235017 1,93352489 0,91074206
7 0,7 0,91074206 1,90035841 2,33330124 2,35579339 2,90360778 1,06895974
8 0,8 1,06895974 2,78868452 3,44034614 3,50611783 4,42255806 1,30492152
9 0,9 1,30492152 4,11538003 5,25881537 5,46218055 7,37562165 1,67512148
10 1 1,67512148 6,53096437 9,09315797 9,95883084 16,2579662 2,37247013

Gráfica:

2.5
Y(i+1)
2

1.5

1
Y(i+1)
0.5

0
1 2 3 4 5 6 7 8 9 10 11
iteraciones
Esta es la solución por el método numérico RUNGE KUTTA de la ecuación
diferencial dada, basta con evaluar la ecuación solución analítica “y” en los valores
Xi y Yi para comparar el resultado.

SOLUCIÓN ANALÍTICA.

Para detectar que tipo de ecuación diferencial se nos presentan hagamos el

siguiente análisis:
Propuesta de metodología para abordar la resolución de ecuaciones
diferenciales de 1er orden y 1er grado.
No he podido encontrar la solución analítica de la ecuación diferencial

𝑑𝑦
= (5𝑥 2 − 𝑦)/𝑒 𝑥−𝑦
𝑑𝑥

Para compararla con la solución de Runge Kutta.

CITO:
Una E.D. acompañada ˜ de unas condiciones iniciales se le llama un problema de
valor inicial (P.V.I.). Con frecuencia es importante saber si un problema de valor
inicial tiene solución y también deseamos saber si esta solución es única, aunque
no podamos conseguir explícitamente la solución. El siguiente teorema nos
responde las inquietudes que acabamos de plantear. Este teorema lo enunciamos
y demostramos con más profundidad en el Apéndice al final del texto.

Teorema 1.1 (Picard) Sea R una región rectangular en el plano XY definida

por a ≤ x ≤ b, c ≤ y ≤ d que contiene al punto (x0, y0) en su interior. Si f(x, y) y ∂f/
∂y son continuas en R, entonces existe un intervalo I con centro en x0 y una única
función y(x) definida en I que satisface el problema de valor inicial y´ = f(x, y),
y(x0) = y0.

Ejemplo 12. Para la E.D. y´ = x2 + y2, se tiene que f(x, y) = x2 + y2 y ∂f /∂y = 2y

son continuas en todo el plano XY, por lo tanto por cualquier punto (x0, y0) del
plano XY pasa una y solo una solución de la E.D. anterior. Es importante
anotar que para esta E.D. es imposible hallar una solución
explicita; solo con métodos numéricos se puede hallar la
solución.

ECUACIONES DIFERENCIALES con aplicaciones en Maple

Jaime Escobar
Profesor Titular de la Universidad de Antioquia, Magister en Matemáticas de la
Universidad Nacional. Texto en la página Web:
[Link] jescobar. PAG 3.

Si presentamos la EDO (Ecuación Diferencial Ordinaria), dada:

𝟓𝒙𝟐 − 𝒚
𝒚´ = = (𝟓𝒙𝟐 − 𝒚) ∗ (𝒆𝒚−𝒙 )
𝒆𝒙−𝒚
𝝏𝒇
𝒇(𝒙, 𝒚) = (𝟓𝒙𝟐 − 𝒚) ∗ (𝒆𝒚−𝒙 ) → = 𝒆𝒚−𝒙 ∗ (𝟓𝒙𝟐 − 𝒚 − 𝟏)
𝝏𝒚

𝝏𝒇
Si analizamos 𝒇(𝒙, 𝒚) 𝒚 𝒔𝒐𝒏 𝒄𝒐𝒏𝒕𝒊𝒏𝒖𝒂𝒔 𝒆𝒏 𝒕𝒐𝒅𝒐 𝒆𝒍 𝒑𝒍𝒂𝒏𝒐,
𝝏𝒚
𝒑𝒐𝒓 𝒍𝒐 𝒕𝒂𝒏𝒕𝒐, 𝒔𝒆𝒈𝒖𝒏 𝒆𝒍 𝒕𝒆𝒐𝒓𝒆𝒎𝒂 𝒅𝒆 𝒑𝒊𝒄𝒂𝒓𝒅
𝒍𝒂 𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏 𝒔𝒐𝒍𝒐 𝒔𝒆 𝒑𝒖𝒆𝒅𝒆 𝒐𝒃𝒕𝒆𝒏𝒆𝒓 𝒑𝒐𝒓 𝒎𝒆𝒕𝒐𝒅𝒐 𝒏𝒖𝒎𝒆𝒓𝒊𝒄𝒐.

OBJETIVO 7.
Formulación del modelo de simulación. Selección de Lenguajes de
simulación. Pruebas estadísticas. Validación y Estabilización.
Un vendedor de Tortas produce 50 tortas diarias a un costo de 10 U.M (Unidades
Monetarias) por torta y las vende en un restaurante a un precio de 30 U.M por
torta. Las tortas que no se venden son tiradas al final del día, sin embargo, el
vendedor aún no tiene permiso del ayuntamiento para tirar las tortas sobrantes en
el basurero del restaurante, por lo que si llegan a descubrirlo tirándolas lo multaran
con 300 U.M. La demanda de las tortas se comporta de la manera siguiente:
Demanda 10 20 25 30 50 70 100
Probabilidad 0.1 0.2 0.4 0.1 0.1 0.05 0.05

La probabilidad de que la policía atrape al vendedor tirando las tortas el del 25%.
Con base en esta información calcule:
a) ¿Cuál el número promedio de tortas no surtidas?
b) ¿Cuál es el número promedio de tortas que hay que tirar?
c) ¿Cuál es la utilidad promedio por día?
d) Si el permiso para tirar las tortas en el basurero cuesta 200 U.M por semana
¿Deberá el vendedor comprar el permiso o seguir tirando las tortas?

Respuestas:

SIMULACIÓN ESTOCÁSTICA.
MÉTODO DE MONTE CARLO:
El método de Monte Carlo, abarca una colección de técnicas que permiten
obtener soluciones de problemas matemáticos o físicos por medio de pruebas
aleatorias repetidas.
El procedimiento más usado para generar los tiempos de ocurrencia de los
eventos, dada una distribución de probabilidad es el muestreo de Monte Carlo.
Este método se basa en el concepto de probabilidad como la frecuencia de
ocurrencia de los eventos.
En todo experimento de simulación estocástica se requiere el empleo de números
aleatorios.
En toda simulación probabilística se maneja la ocurrencia de eventos. La
ocurrencia de eventos debe estar regida por una distribución de probabilidad. Para
obtener estos eventos empleando una función de distribución de probabilidad se
emplean los generadores de eventos.
Los generadores de eventos de poblaciones aleatorias son muy útiles para
modelar situaciones específicas al hacer una simulación.

Existen varios métodos para la generación de eventos a partir de distribuciones de

probabilidad conocidas. Todos ellos se basan en el uso de números aleatorios
(0,1) uniformes, independientes e igualmente distribuidos.

Formulación del problema:

Para nuestro caso de estudio el vendedor fabrica 50 tortas diarias que se venden
a un restaurante donde la demanda de tortas está representada por la siguiente
distribución de probabilidad:

Demanda 10 20 25 30 50 70 100
Probabilidad 0.1 0.2 0.4 0.1 0.1 0.05 0.05

Para determinar los eventos aleatorios, utilizaremos la función de Excel:

=ALEATORIO ( )

Que genera números aleatorios entre (0,1) lo multiplicaremos por 100 y lo

redondearemos a un número entero, el valor del número (número seudoaleatorio)
lo relacionaremos a la demanda correspondiente al intervalo que pertenece, como
podemos apreciar en la siguiente tabla:

Por ejemplo; la función género el número aleatorio 0.455689 lo multiplicamos por

100, nos da 45.5689 lo redondeamos a entero, nos queda 46, buscamos a que
intervalo pertenece y determinamos la demanda correspondiente para ese día (la
demanda que corresponde es 25).
 Probabilidad Demanda(#
rango N/seudoaleatorio probabilidad
acumulada tortas)
1-9 10% 10 10
11-30 20% 30 20
31-70 46 40% 70 25
71-80 10% 80 30
81-90 10% 90 50
91-95 5% 95 70
96-100 5% 100 100

Es importante observar que las tortas que no se vendan, se botaran al final del
día, como el vendedor no tiene permiso corre el riesgo de que lo multen con 300
UM con una probabilidad de 25 %, nuevamente se originan eventos aleatorios que
obedecen a una distribución de probabilidad como lo podemos apreciar en la
siguiente tabla:

Probabilidad
rango N/seudoaleatorio probabilidad Multa (U.M)
acumulada
1-25 25% 25 300
26-100 75% 100 0

Siguiendo con el análisis del problema, debemos considerar para que el vendedor
corra el riesgo (25%) de ser multado deben existir tortas sobrantes para botar, es
decir, que este evento aleatorio probabilístico de ser multado, existirá, si hay
tortas para botar.

Definición de las variables.

 Tv= número de tortas vendidas.

 TNv= número de tortas no vendidas.
 Un= utilidad neta.
 Gb= ganancia Bruta.
 M= Multa.
 Tf= tortas faltantes.

La variable Multa (M) será 0 o 300 U.M dependiendo de su evento aleatorio

probabilístico, siempre y cuando TNv exista.

Ecuación de estado.

Tenemos como datos del problema:

 costo de producir: 10 U.M.
 costo de venta: 30 U.M
 Un = (30 U.M -10 U.M) * Tv si Tv=50

Un = (30 U.M -10 U.M) * Tv – 10* TNv- M si Tv≠50

Gb = (30 U.M -10 U.M) * Tv – 10* TNv si Tv≠50

Elaboración del modelo.

Criterios.

 Las demandas generadas serán diarias según la distribución de

probabilidad dada.
 Las multas generadas serán diarias según la distribución de probabilidad
dada, siempre y cuando existan tortas no vendidas y se tengan que botar.
 Se tomara como tiempo básico de simulación 1 semana, para poder
analizar y responder la pregunta “d”.

Correr el modelo.

Para correr nuestro modelo utilizaremos una hoja de cálculo Excel.

Aquí podemos apreciar los generadores aleatorios para cada distribución de probabilidad son independientes, fíjense
que en el día 3, se vendieron todas las tortas (Tv=50), por lo tanto no había tortas que botar (TNv=0), sin embargo se
generó la multa por probabilidades del evento aleatorio para ese día, no afectando la ganancia del día, ya que para que
se aplique la multa deben existir tortas para botar, situación distinta para el día 6.

# dias N/A Rango Demanda(# tortas) Demanda del dia seudoaleatorio Tv TNv Gb
1 0,753279117 75 1 al 10 10 30 75 30 20 400
2 0,538698448 54 11 al 30 20 25 54 25 25 250
3 0,954519696 95 31 al 70 25 100 95 50 0 1000
4 0,566785292 57 71 al 80 30 25 57 25 25 250
5 0,558768592 56 81 al 90 50 25 56 25 25 250
6 0,348556154 35 91 al 95 70 25 35 25 25 250
7 0,048548655 5 96 al 100 100 10 5 10 40 -200

Multa (M) utilidad neta diaria (Un) N/A Multa (M)

0 400 0,884977612 0
0 250 0,985953943 0
0 1000 0,240067308 300
0 250 0,494318713 0
0 250 0,639999558 0
300 -50 0,233057326 300
0 -200 0,671954185 0
GRAFICAS:

La simulación que mostramos en el ejemplo anterior, en cada línea o fila de ella,

se simula la venta de tortas correspondiente a un día, tomando el evento
aleatorio probabilístico de la demanda y posteriormente el evento aleatorio
probabilístico de ser multado por botar las tortas sin permiso.

Los eventos que pueden ocurrir son los siguientes:

 E1= que el vendedor venda todas las tortas.

 E2= que el vendedor no venda todas las tortas y al final del día tenga que
botar la restantes y no lo multen.
 E3= que el vendedor no venda todas las tortas y al final del día tenga que
botar las restantes y lo multen.

Hicimos una corrida para 4 semanas y estos fueron los resultados:

a) ¿Cuál el número promedio de tortas no surtidas?

b) ¿Cuál es el número promedio de tortas que hay que tirar?

60

50

40
numero de tortas

30 TNv
0

20

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
dias
semana Tf TNv promedio Un M x sem
1 0 29 35,71 600
2 7 24 228,57 300
3 14 20 314,29 600
4 13 14 592,86 0

Como podemos apreciar en la tabla anterior las columnas Tf y TNv corresponde a

los promedios diarios de tortas que faltaron y que no fueron vendidas en la
semana respectiva, sin embargo a pesar de los montos por concepto de multas
que se represan en la columna, Mx sem; en la mayoría de las semanas hubo
utilidad como se puede apreciar en la columna promedio Un (promedio de
utilidad diario por semana).

La columna Tf (tortas faltantes), representa el promedio diario de tortas que

faltaron en la semana respectiva, esta es la respuesta a la pregunta “a”.

La columna TNv (tortas no vendidas), representa el promedio diario de tortas

que no se vendieron en la semana respectiva, esta es la respuesta a la
pregunta “b”.

c) ¿Cuál es la utilidad promedio por día?

En la columna “promedio Un” se puede apreciar el promedio diario de
utilidad por semana.

d) Si el permiso para tirar las tortas en el basurero cuesta 200 U.M por
semana ¿Deberá el vendedor comprar el permiso o seguir tirando las tortas?
La respuesta concluyente es sí deberá comprar el permiso semanal, ya que
prácticamente todas las semanas paga multas por montos superiores al costo del
permiso.

En la siguiente grafica podemos observar el pago de las multas respecto a la

utilidad neta expresado en Unidades Monetarias.
 1200

1000

800
unidades monetarias

600

400

200

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
-200

-400

-600
dias Multa (M) utilidad neta diaria (Un)

CONCLUSIONES Y RECOMENDACIONES.

Conclusión.

Hemos realizado la simulación de ventas diarias por un lapso de 28 días,

obteniendo los promedios diarios de:

 Cantidad de tortas vendidas.

 Cantidad de tortas no vendidas.
 Cantidad de tortas faltantes.
 Monto de las multas.
 Ganancias netas.

El análisis de estos datos nos permite, hacer las siguientes recomendaciones:

 Reducir el número de tortas fabricadas diariamente, estableciendo como

cantidad de tortas a

Producir= 50-promedio diario TNv+ promedio diario Tf

 Realizar la corrida de simulación con el nuevo valor de producción para

verificar si conviene o no pagar la multa semanal.