Simulacion-1ra - Parte Ejercicio 2

SIMULACIN DE SISTEMAS (1ra parte)
Eduardo Serrano Campos

26 Setiembre, 2009
Simulacin
Es la conduccin de experimentos sobre un modelo matemtico con el propsito de entender el sistema que representa o evaluar su comportamiento frente a diversas estrategias o condiciones. Permite predecir el comportamiento futuro del sistema. Asimismo se pueden variar los parmetros del modelo a fin de evaluar ciertas decisiones. La simulacin como herramienta se populariz con la aparicin de los computadores personales.
Eduardo O. Serrano Campos 2
Eduardo O. Serrano Campos
Sistema
Un sistema est formado por un conjunto de partes, entre las que se establece alguna forma de relacin. Esta interaccin coordina a las partes dotando al conjunto de una entidad propia. Esta identidad que lo distingue de su entorno, aunque mantiene interaccin con el, permanece a lo largo del tiempo y bajo entornos cambiantes.
(Javier Aracil y Francisco Gordillo, 1997: Dinmica de Sistemas)
Componentes bsicos de un Sistemas

Elementos. Relaciones entre los elementos. Lmites.
Modelo Matemtico
Usualmente describe un sistema a travs de un conjunto de variables y un conjunto de ecuaciones que establecen relaciones entre dichas variables. Eykoff (1974) lo defini como la representacin de los aspectos esenciales de un sistema, los cuales presentan conocimiento de dicho sistema en una forma usable. Los Modelos Matemticos se usan en diversas disciplinas: fsica, biologa, ciencias naturales, meteorologa, ingeniera, economa, sociologa, ciencias polticas, etc.
Utilidad de los modelos

Se pueden simular situaciones que en la realidad seran muy difciles o imposibles de testear. Podemos evaluar una decisin o poltica antes de aplicarla. Se puede simular fenmenos que ocurrieron hace mucho tiempo, lo que permite probar la validez de teoras. Se pueden obtener resultados en un tiempo muy corto comparado con el tiempo que tomara la dinmica del sistema real. Es mucho ms econmico analizar un sistema, o cualquier poltica sobre este, en funcin de un modelo que experimentando con el propio sistema, sin contar con que algunas veces esto ltimo puede ser imposible. El realizar el modelo nos permite una mejor comprensin del sistema.
Modelo
Se puede escribir de la forma:
E = F(Xi, Yi) Donde

E: Es el efecto del comportamiento del sistema Xi: Son las variables y parmetros que podemos controlar Yi: Las variables y los parmetros que no podemos controlar F: Es la funcin con la cual relacionamos Xi con Yi con el fin de modificar o dar origen a E
Estructura de un Modelo
Variables de Estado Relaciones CausaEfecto, DecisinResultado, Respuesta
Entidades Actividades Recursos Reglas de Operacin Restricciones
Factor que se vara
Variables de control
Estudiar Comportamiento de un Sistema Sistema Experimentar

Con el Sistema Real Con un Modelo del Sistema
Utilizar un Modelo
Lgico Matemtico Icnicos Fsico
Solucin ser
Analtica
Simulacin
Criterios para la Construccin de Modelos

Se debe tener tanta informacin a Priori relevante como sea posible a fin de hacer un modelo ms preciso. Algunas veces es til incorporar informacin subjetiva dentro de un modelo matemtico. Esta informacin se puede fundamentar en la experiencia o en la opinin experta. Tratar de mantener la simplicidad en el modelo. El modelo es menos exacto que el sistema original, de otra forma sera el sistema.

Determinar claramente el alcance del modelo, es decir, bajo que situaciones es aplicable y que es lo que intenta analizar en especfico. uno siempre debera disear el modelo alrededor de las preguntas que desea responder en lugar de imitar exactamente el sistema real Robert E. Shannon, Systems Simulation: The Art and Science, 1975. La precisin del modelo es medida en funcin a como la salida generada por dicho modelo se asemeja a la salida del sistema real, dados ciertos valores de entrada.
11
Algunos problemas con el Modelado y Simulacin de Sistemas

Si no se incluyen todas las variables relevantes el resultado puede ser errneo. Se puede incluir demasiada informacin experta y terminar con un resultado demasiado subjetivo. Si el modelo es demasiado complejo se puede requerir mucho hardware para ejecutar la simulacin. Ej. : The Earth Simulator.
Clasificacin Frecuente de los Modelos Matemticos

Lineales vs No Lineales. No Lineales son asociados usualmente con caos. Normalmente es ms fcil estudiar modelos Lineales.
13
Determinsticos vs. Probabilsticos

En los modelos deterministas, todas las variables de estado estn determinadas nicamente por parmetros del modelo y por un conjunto de los estados previos de estas variables. En modelos probabilstico los estados de las variables estn dados por distribuciones de probabilidad.
14
Estticos vs Dinmicos.
Los modelos dinmicos toman en cuenta el tiempo, en cambio los estticos no.
15
Tipos de Sistemas
Sistemas continuos Sistemas orientados a eventos discretos (patrn de repeticin aleatorio)
Sistemas discretos (patrn de repeticin constante)
Sistemas Combinados
Fuente: Modelado y Simulacin. 2da Edicin. Universidad Politcnica de Catalunya. http://books.google.com.pe/books?id=KZDPoE0uWTkC&lpg=PA334&dq=simu lacion&pg=RA1-PA3#v=onepage&q=&f=false
16
Etapas de la construccin de un Modelo de Simulacin.

Definicin, descripcin del problema. Formulacin del modelo. Construccin del Modelo. Verificacin y validacin del Modelo. Diseo de experimentos y plan de pruebas. Anlisis de resultados. Documentacin del modelo.
17
INICIO Definir el problema Formular el modelo Implementar el modelo Disear experimentos
Analizar los resultados
Completo?
SI
NO
Verificado?
SI NO
NO
Documentar FIN
Validado?
SI
18
Mtodo de Simulacin de Monte Carlo

Es un mtodo estadstico numrico y permite simular y evaluar modelos matemticos complejos. El mtodo de Monte Carlo es en realidad una clase de mtodos que comparten el siguiente conjunto de caractersticas: Definen un dominio de entradas posibles. Generan entradas aleatoriamente en el dominio definido. Realizan clculos determinsticos usando las entradas generadas. Consolidan los resultados de los clculos individuales en el resultado final.
19
Ejemplo
Se sabe que de cada 10 semillas sembradas en un suelo de cultivo, solo 5 se convertirn en plantas de buena calidad, 3 sern de baja calidad y 2 no se desarrollarn. Adems se sabe que las ganancias por cada planta de buena y baja calidad es respectivamente 7 y 3 soles. Si se siembran 100 semillas, que resultados se tendrn?
Plantas alta calidad Plantas baja calidad No desarrolla
Evaluemos el resultado para las 3 primeras semillas... Escogemos 3 nmeros aleatorios en el intervalo [0,1> 0.29 0.15 0.83 Ubicamos el evento correspondiente segn la tabla de probabilidad acumulada. 0.29 => Alta calidad 0.15 => Alta calidad 0.83 => No desarrolla. Segn la simulacin se tendra hasta el momento que que de las 3 primeras semillas lanzadas 2 se convertiran en plantas de alta calidad y 1 no desarrollara.
20
5/10=0.5
3/10=0.3
2/10=0.2
Intervalos de probabilidad acumulada [0 , 0.5> [0.5 , 0.8> [0.8 , 1>

Alta calidad Baja calidad No desarrolla
Solucin usando Excel
21
Nmeros Aleatorios
Propiedades de los nmeros aleatorios:
Deben tener igual probabilidad de salir elegidos. No debe existir correlacin serial.
1 0.9 0.8
Histogram
F re cu e n c ia s 15 10 5 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0 200 400 600 800 1000
0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
Intervalos
22
Formas de obtener nmeros aleatorios

Tablas Medios Fsicos Algoritmos y Frmulas
xn+1 = (axn + c ) mod m
Qu ventajas y desventajas tiene cada mtodo?
23
Series de Nmeros Aleatorios

Un nmero es aleatorio o no con respecto a otros nmeros; por lo tanto, lo correcto es hablar de series de nmeros aleatorios.
Nmeros Pseudo-Aleatorios
Sustituyen a los nmeros aleatorios. Se generan por algoritmos o frmulas.
24
Caractersticas deseables para las series de nmeros pseudo-aleatorios:

Los nmeros generados no se deben repetir frecuentemente (en ciclos). Las series generadas deben ser reproducibles. Rapidez en la obtencin de los nmeros. Almacenamiento mnimo. Tanto el propio generador como los nmeros por el generados. Los nmeros generados han de estar uniformemente distribuidos (todos deben tener la misma probabilidad de salir). Los valores generados deben ser independientes unos de otros, es decir, que la obtencin de cierto valor no est condicionado por los valores obtenidos anteriormente (no correlacionado). La siguiente serie de nmeros: 3, 9 , 27, 71, 3, 9, 27, 71, 3, 9, 27, 71 tiene una distribucin uniforme; pero sus elementos estn correlacionados Cmo verificar si una serie de nmeros es aleatoria? aleatoria?
Generadores NO Congruenciales
26
Mtodo de los cuadrados centrales

1946, Von Neumann propuso mtodo para obtener K-cifras aleatorias a partir de una semilla. El mtodo es conocido como Mtodo de los Cuadrados Centrales Algoritmo: Tomar un valor inicial (semilla) Elevar al cuadrado. Extraer las k cifras del resultado. Repetir el proceso tantas veces como se desee. Problema: Los ciclos se reproducen rpidamente y se pueden obtener cifras con valor cero. Ejercicio: Generar 10 valores aleatorios usando la semilla 496
Mtodo del Cuadrado Medio Iteracin 0 1 2 3 4 5 6 7 8 9 10 A 496 601 120 440 360 960 160 560 360 960 160 A^2 246016 361201 14400 193600 129600 921600 25600 313600 129600 921600 25600 serie pseudo aleatoria 601 120 440 360 960 160 560 360 960 160 560
Podra ser tambin 460?
El cliclo se repite rpidamente
28
Otros mtodos no congruenciales

Mtodo de los productos medios Mtodo del multiplicador constante.
Estos algoritmos presentan en sus variantes mejoras en relacin al Mtodo del cuadrado medio; sin embargo los problemas de fondo persisten y en la prctica presenta muchos problemas, por lo que no ahondaremos ms en ellos. Para mayor detalle de los mtodos citados, consultar:
Garca Eduardo, Garca Heriberto, Crdenas Leopoldo. Simulacin y anlisis de sistemas con Promodel. 1ra Ed. Pearson Educacin, Mxico, 2006. http://books.google.com.pe/books?id=VuEfwtFr1QMC&lpg=PA20&ots=jsEASYLtGF&dq=%22no %20congruenciales%22&pg=PA20#v=onepage&q=%22no%20congruenciales%22&f=false
29
Generadores congruenciales
xn +1 = f (xn )
Estudiaremos los siguientes generadores:
GENERADOR CONGRUENCIAL LINEAL. GENERADOR CONGRUENCIAL MULTIPLICATIVO.
30
Mtodo Congruencial Lineal - MCL

La funcin aplicada es la siguiente:
xn +1 = (axn + c ) mod m,
Siendo: x0, es el valor inicial o semilla. a, multiplicador. c, incremento. m, mdulo.
siendo 0 xn < m n
31
MCL
Ventajas: Rpido. Poco uso de memoria. La serie es reproducible. Observaciones: Si no se escogen con cuidado los parmetros se puede tener series con periodos cortos. Si se repite un nmero, se repite toda la serie.
Ejemplo 1:
N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 a=1 ; c= 7; m=13; semilla =7 X aX + c (aX + c) mod m 7 14 1 1 8 8 8 15 2 2 9 9 9 16 3 3 10 10 10 17 4 4 11 11 11 18 5 5 12 12 12 19 6 6 13 0 0 7 7 7 14 1 1 8 8
La longitud de periodo es en este caso el mximo posible: m
33
Ejemplo 2:
N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 a=4 ; c= 4; m=13; semilla =6 X aX + c (aX + c) mod m 6 28 2 2 12 12 12 52 0 0 4 4 4 20 7 7 32 6 6 28 2 2 12 12 12 52 0 0 4 4 4 20 7 7 32 6 6 28 2 2 12 12 12 52 0
Qu pas con la longitud del periodo con relacin al ejemplo anterior?

Mtodo Congruencial Multiplicativo

Es un caso especial del mtodo anterior, en el cual la constante c tiene valor cero.
xn +1 = (axn ) mod m,
siendo 0 xn < m n
Siendo: x0, es el valor inicial o semilla. a, multiplicador m, mdulo. Todas las fortalezas y debilidades del MCL tambin se aplican a este mtodo. Igual que en el MCL se tienen que escoger cuidadosamente los parmetros para asegurar un periodo mximo igual a m
Ejemplos:
a 9 N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 m 7 X 3 6 5 3 6 5 3 6 5 3 6 5 3 6 5 3 6 5 aX 27 54 45 27 54 45 27 54 45 27 54 45 27 54 45 27 54 45 (aX) mod m 6 5 3 6 5 3 6 5 3 6 5 3 6 5 3 6 5 3
a 11 N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
m 17 X 3 16 6 15 12 13 7 9 14 1 11 2 5 4 10 8 3 16 aX 33 176 66 165 132 143 77 99 154 11 121 22 55 44 110 88 33 176 (aX) mod m 16 6 15 12 13 7 9 14 1 11 2 5 4 10 8 3 16 6
36
Cual es la longitud de periodo en cada caso?
Sobre las semillas de los generadores de nmeros pseudoaleatorios

Cada semilla genera un flujo de valores pseudoaleatorios. Si se usa el mismo generador con la misma semilla, se obtendr el mismo flujo de nmeros pseudoaleatorios. Una semilla distinta genera un flujo distinto de valores. Se espera que el flujo de valores pseudoaletaorios generados por 2 semillas diferentes sean tambin independientes entre s, es decir, no estn correlacionados.
37
Validacin de una serie aleatoria

Cundo se puede decir que una serie de nmeros es aleatoria?
Si cumple las propiedades de las series de nmeros aleatorios: Distribucin de probabilidad uniforme. No debe existir correlacin serial.
38
Prueba de Bondad de Ajuste

Esta prueba permite determinar si una serie de nmeros pertenece a cierta distribucin de probabilidad. Para el caso de las series de nmeros pseudoaleatorios nos interesa determinar si pertenecen a una distribucin de probabilidad uniforme. Existen 2 pruebas muy usadas para evaluar el ajuste de datos a una distribucin de probabilidad:
Prueba de Xi cuadrado. Prueba de Kolmogorov-Smirnov KolmogorovEduardo O. Serrano Campos
39
Prueba de la Xi cuadrado
Nos permite averiguar si las frecuencias observadas difieren de las frecuencias esperadas de una distribucin determinada. Est diseada especialmente para trabajar con valores discretos y un nmero grande de datos. Los nmeros se ajustan a la distribucin especificada si:
2 obs (2 ,k 1)
40
Pasos para calcular la Xi Cuadrado de una serie aleatoria

Capturar una serie de n nmeros pseudoaleatorios. n Calcular el nmero de intervalos a usar en la serie ( k ). Una aproximacin usada comunmente es:
k= n
Calcular el valor esperado para cada grupo, el cual para el caso de nmeros pseudoaleatorios es constante ya que la distribucin es uniforme y por tanto se espera que todos los grupos tengan la misma frecuencia. E = n/k Calcular la cantidad de nmeros que por intervalo ( Oi ) Calcular X2 0bservada usando la frmula:
2 X obs = i =1 k
(Oi E )2
E
41
Ejemplo: Evaluando 100 valores aletatorios generados con MS Excel.

0.0190 0.5124 0.0011 0.7982 0.6706 0.8251 0.4203 0.4216 0.1791 0.2891 0.3354 0.6123 0.3824 0.4920 0.9276 0.6852 0.5162 0.8079 0.0176 0.0165
0.4044 0.8158 0.2856 0.3820 0.7217 0.9660 0.8591 0.3457 0.1010 0.8648 0.3856 0.4133 0.2815 0.0824 0.7949 0.1045 0.5227 0.9925 0.8854 0.6560
0.9242 0.1960 0.5417 0.7398 0.4164 0.6640 0.1047 0.5377 0.8558 0.8378 0.9458 0.8251 0.3327 0.8438 0.3259 0.6965 0.4281 0.2437 0.5495 0.8922
0.2745 0.2844 0.1791 0.2253 0.2056 0.9290 0.3390 0.7045 0.7294 0.8910 0.2870 0.1766 0.7704 0.9795 0.5250 0.3264 0.3087 0.8124 0.0743 0.4101
0.8123 0.0868 0.7077 0.4900 0.6630 0.9939 0.0128 0.0694 0.6464 0.7127 0.2691 0.7554 0.6542 0.1518 0.3066 0.0763 0.6117 0.3413 0.0729 0.1935
42
n = 100
15 10 5 0 0.1 0.2
k = n = 100 = 10
Histogram
Nro Intervalo (i) 1 2 3 4 5 6 7 8 9 10
E = 100 / 10 = 10
O(i) 11 9 10 12 9 7 10 10 14 8 E 10 10 10 10 10 10 10 10 10 10 (O - E) / E 0.10 0.10 0.00 0.40 0.10 0.90 0.00 0.00 1.60 0.40 3.60
Frecuencias
0.3 0.4 0.5
0.6 0.7
0.8 0.9
Intervalos
Nro Intervalo Fin de Intervalo Frequencias 1 0.1 11 2 0.2 9 3 0.3 10 4 0.4 12 5 0.5 9 6 0.6 7 7 0.7 10 8 0.8 10 9 0.9 14 10 1 8
2 Observada = 3,6 (25%,101) = (25%,9 ) = 16,919 2 Observada < (25%,9 )

43
SIMULACIN DE SISTEMAS (2da parte)

Eduardo Serrano Campos
44
Prueba de Kolmogorov Smirnov - KS

Nos permite decidir si una muestra de n observaciones es de una distribucin continua particular. Se basa en que la diferencia entre la FDA observada y la FDA esperada debe ser pequea. Trabaja con cada uno de los datos de manera individual, permitiendo mejores resultados con series pequeas que los obtenidos por la Xi-cuadrado.
45
Prueba KS para validar una serie pseudoaleatoria

Tomar una serie de n nmeros pseudoaleatorios n Ordenar los nmeros de menor a mayor. Calcular D :
i 1 i D = mx X obs ( i ) , X obs (i ) 1i n n n
Si D < D, n , podemos aceptar que la serie de nmeros evaluada tiene una distribucin uniforme.
46
SAMPLE SIZE (N) 1 2 3 4 5 6
LEVEL OF SIGNIFICANCE FOR D = MAXIMUM [ F0(X) - Sn(X) ] .20 .900 .684 .565 .494 .446 .410 .381 .358 .339 .322 .307 .295 .284 .274 .266 .258 .250 .244 .237 .231 .210 .190 .180 1.07 ___ N .15 .925 .726 .597 .525 .474 .436 .405 .381 .360 .342 .326 .313 .302 .292 .283 .274 .266 .259 .252 .246 .220 .200 .190 1.14 ___ N .10 .950 .776 .642 .564 .510 .470 .438 .411 .388 .368 .352 .338 .325 .314 .304 .295 .286 .278 .272 .264 .240 .220 .210 1.22 ___ N .05 .975 .842 .708 .624 .565 .521 .486 .457 .432 .410 .391 .375 .361 .349 .338 .328 .318 .309 .301 .294 .270 .240 .230 1.36 ___ N .01 .995 .929 .828 .733 .669 .618 .577 .543 .514 .490 .468 .450 .433 .418 .404 .392 .381 .371 .363 .356 .320 .290 .270
Tabla para los valores D de la prueba de K-S

Fuente: http://www.eridlc.com/onlinetextb ook/appendix/table7.htm
7 8 9 10 11 12 13 14 15 16 17 18 19 20 25 30 35
OVER 35
47
1.63 ___ N
Ej:
Valores 0.000008 0.131538 0.755605 0.458650 0.532767 0.218959 0.047045 0.678865 0.679296 0.934693 0.383502 0.519416 0.830965 0.034572 0.053462 0.529700 0.671149 0.007698 0.383416 0.066842 0.417486 0.686773 0.588977 0.930436 0.846167 0.526929 0.091965 0.653919 0.415999 0.701191
N 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 29 30
Xobs 0.000008 0.007698 0.034572 0.047045 0.053462 0.066842 0.091965 0.131538 0.218959 0.383416 0.383502 0.415999 0.417486 0.458650 0.519416 0.526929 0.529700 0.532767 0.588977 0.653919 0.671149 0.678865 0.679296 0.686773 0.701191 0.755605 0.830965 0.846167 0.930436 0.934693
i/n 0.0333 0.0667 0.1000 0.1333 0.1667 0.2000 0.2333 0.2667 0.3000 0.3333 0.3667 0.4000 0.4333 0.4667 0.5000 0.5333 0.5667 0.6000 0.6333 0.6667 0.7000 0.7333 0.7667 0.8000 0.8333 0.8667 0.9000 0.9333 0.9667 1.0000 Max
D1 0.033 0.059 0.065 0.086 0.113 0.133 0.141 0.135 0.081 -0.050 -0.017 -0.016 0.016 0.008 -0.019 0.006 0.037 0.067 0.044 0.013 0.029 0.054 0.087 0.113 0.132 0.111 0.069 0.087 0.036 0.065 0.141
D2 0.000 -0.026 -0.032 -0.053 -0.080 -0.100 -0.108 -0.102 -0.048 0.083 0.050 0.049 0.017 0.025 0.053 0.027 -0.004 -0.034 -0.011 0.021 0.004 -0.021 -0.054 -0.080 -0.099 -0.078 -0.036 -0.054 -0.003 -0.032 0.083
D = 0,141
Dobs = 0,141 D( 0,1;30 ) = 0,22 Dobs < D( 0,1;30 )
48
Prueba de Aleatoridad (Independencia)

Permite determinar si los elementos de una serie de datos estn correlacionados o no. Para el caso de los nmeros pseudoaleatorios, lo que nos interesa probar es que no estn correlacionados. Las pruebas que veremos al respecto son: Prueba de las Series Prueba de las Distancias
49
Resumen
Validacin de nmeros Pseudoaleatorios
Distribucin Uniforme
No Correlacionados
Test Jicuadrado
Usa agrupaciones de datos. Recomendados para un nmero grande de datos
Test KolmogorovSmirnov
Usa individualmente los datos. Trabaja bien an con un nmero de datos pequeo.
Prueba de las Series
Prueba de las Distancias
50
Teora de Colas.
Las lneas de espera ( o colas) ocurren cuando se deben acceder a recursos limitados. Estudia las listas de espera (retardo/congestin). Principales componentes de un sistema de colas:
Las llegadas. La cola de espera. Dispositivo de servicio.
Red de Colas.
Es un conjunto de sistemas de colas conectados entre s.
51
Componentes de una cola de servicio
52
Descripcin de los componentes

Fuente
Es la poblacin de la que proviene los elementos que llegan a la cola. Puede ser finita o infinita.
Llegadas
Pueden ser determinsticas, como si fueran alimentadas por una mquina operando en una lnea de ensamble a una tasa constante, o probabilsticas, como el arribo de clientes a un cajero.
Cola de espera
Si el dispositivo de servicio se encuentra ocupado, se formar una cola. La cola puede ser de capacidad finita o infinita. Puede haber una o varias colas.
Poltica de seleccin
La cola debe tener una poltica de atencin, siendo la ms comn la FIFO.
Dispositivo de servicio
El dispositivo de servicio puede ser un equipo, un trabajador, etc. Puede realizar la atencin en un tiempo detrministico o probabilstico. Puede haber uno o varios dispositivos de servicio.
Distribuciones ms usadas
Poisson: Distribucin usada comnmente para modelar el nmero de llegadas por unidad de tiempo.
Exponencial: Distribucin usada comnmente para modelar el tiempo entre eventos, para este caso: tiempo de servicio.
54
Algunos ejemplos de colas

Ventanillas de atencin en bancos. Registro en aeropuertos. Cajeros automticos. Peajes.
55
Costos
56
Simbologa bsica:
Datos: = tasa media de llegadas por unidad de tiempo = tasa de servicio por unidad de tiempo Incgnitas: L: # medio de clientes en el sistema Lq: # medio de clientes en cola de espera W: Tiempo medio de permanencia en el sistema por cliente. Wq: Tiempo medio de espera en cola por cliente. P0: Probabilidad de que el servidor est ocioso. Pn: Probabilidad de que cuando un cliente llega al sistema haya n clientes en el sistema. Pn>k: Probabilidad de que haya ms de k clientes en el sistema : Porcentaje del tiempo que el servidor est ocupado.
Modelos Conocidos
Existen modelos de colas clsicos que tienen soluciones determinsticas conocidas para todas las incgnitas citadas anteriormente. Para determinar si un caso se ajusta a un modelo conocido se necesita un mtodo para clasificar las lneas de espera. Esta clasificacin debe responder las siguientes incgnitas: Existe uno o varios servidores? El tiempo de servicio sigue algn patrn? Etc.
Notacin Kendal.
A/B/M
Donde: A Distribucin de los tiempos entre arribos B Distribucin de tiempos de servicio M Nmero de Servidores A y B pueden ser: M: Markov (cada evento es independiente) D: Determinista G: General
Modelo M/M/1
Es el modelo de cola ms simple. Tiempo entre llegadas Markoviano. Tiempo de servicio Markoviano. Un solo servidor. Poltica de atencin FIFO. Capacidad de la Fuente es Infinita. Capacidad de la Cola de Espera es Infinita.
1/ = tiempo promedio entre llegadas. 1/ = tiempo promedio de servicio.
Que pasara si > ?

Medidas del modelo analtico: M/M/1

L: # medio de clientes en el sistema
L=
( )
2 = ( L) ( )
1
Lq: # medio de clientes en cola de espera W: Tiempo medio de permanencia en el sistema por usuario. Wq: Tiempo medio de espera en cola por usuario.
Lq =
W=
( )
= (W ) ( )
Wq =
61
Medidas del modelo analtico: M/M/1

: Porcentaje del tiempo que el servidor est ocupado.
= 1
P0 :
Probabilidad de que el servidor est ocioso.
P0 = 1
Pn :
Probabilidad de que n estn en el sistema
clientes
Pn = 1 = (1 ) n
Pn>k: Probabilidad de que ms de k clientes estn en el sistema

Pn > k
k +1
62
Algunos problemas inventados especialmente para la ocasin ;)
63
Problema 1
Un acomodador de autos atiende 15 carros por hora. Si el empleado toma un descanso de 10 minutos cul es la probabilidad de que en su ausencia no llegue carro alguno?
= 15 / 60 = 0,25 carros/minuto
en 10 minutos :
= 10 0,25 = 2,5
P0 = 2,50 2,5 e = 0.082 0!
64
Problema 2
En un peaje de la va de evitamiento, los carros llegan cada 30 segundos en promedio. El tiempo que toma el cobro del peaje es en promedio 12 segundos. Este fin de semana, se cerrar una va alterna, con lo que se espera tener el 50% ms de trnsito por el peaje. Al director de trnsito urbano de la ciudad le interesa predecir lo siguiente: Cul es la probabilidad de que ms de 5 carros estn esperando cruzar? Cuntos carros estarn esperando en promedio para ser atendidos? Cul es la probabilidad de que el cobrador pueda descansar? Cul es el tiempo promedio que le tomar a un conductor pasar el peaje? Responder las interrogantes asumiendo una tasa de llegadas Poisson y un tiempo de atencin exponencial.
65
Solucin
Cul es la probabilidad de que ms de 5 carros estn esperando para ser atendidos?
Pn > k =
k +1
= (1 / 30) 1,5 = 0,05 = 1 / 12 = 0,083

Pn >5 = 0.05
0,26
Cuntos carros estarn esperando en promedio para ser atendidos?
Lq =
2 = ( L) ( )
0,9
Cul es la probabilidad de que el cobrador pueda descansar?
P0 = 1
= 1
0.4
Cul es el tiempo promedio que le tomar a un conductor pasar el peaje?

W=
( )
30 s
66
Problema 3
Usted ingres a un banco a hacer un trmite en ventanilla. Luego de hacerlo nota que la chica que atiende en plataforma es muy bonita y le parece que sera perfecta para acompaarlo a bailar este sbado. En ese instante ella est atendiendo a un cliente y usted decide esperar a que se quede sola para poder abordarla, ya que no podra esperar a que termine su horario de trabajo pues usted tiene clase del curso de simulacin justo a esa hora. Luego de esperar por unos minutos, se da cuenta que los clientes han ido llegando segn su reloj de la siguiente manera: 16:02; 16:14; 16:22; 16:35; 16:46 La chica ha atendido 4 clientes en 36 minutos. Lamentablemente usted ya no puede esperar ms y tiene que irse, as que est pensando en regresar el da siguiente a la misma hora. Suponiendo que las llegadas son Poisson y el tiempo de atencin es exponencial decide evaluar los siguientes escenarios, para ver si vale la pena el intento: Cual es la probabilidad de que pueda abordarla sola.? Si decide hacer la cola, con la excusa de realizar alguna operacin, cuanto tiempo tendra que esperar para poder hablar con ella? Si es rechazado cuanta gente presenciara esta humillacin?
Solucin
Tiempo medio entre llegadas: 16:02; 16:14; 16:22; 16:35; 16:46 12 + 8 + 13 + 11 = 44 / 4 = 11 min. Tiempo medio de atencin: 36 / 4 = 9 min. = 1/11 = 0,09 = 1/9= 0,11 Probabilidad de que pueda abordarla sola: P0 = 18% Tiempo promedio que pasara en cola = Wq = 40 30. Si es rechazado, el # de personas que podra presenciar la humillacin seran: Lq = 3,68 = 4 personas.
68
Problema 4
Es sbado por la noche y est celebrando en un local de Barranco el haber aprobado su curso de simulacin. Este local es barra libre. Luego de su primer trago, le parece que la cola para la barra avanza demasiado lenta, ya que su poltica es beber todo lo que se pueda. Por otro lado un amigo suyo lo acaba de llamar para informarle que tiene 1 caja (12 botellas) de cerveza que puede compartir con usted, si lo va a ver en este instante. Usted empieza a evaluar que le conviene ms: Cada chop que le dan en el local tiene el contenido completo de 1 botella. Por otro lado, a la cola llegaron 15 personas en 1 minuto y fueron atendidas 16. El horario para la barra libre es solo hasta la 1 am, con lo que le queda 2 horas de cerveza gratis. Adems usted se termina su chop de cerveza en 16 minutos aproximadamente. Le conviene quedarse o ir a buscar a su amigo? Cuntas personas se espera apreciar normalmente en la cola? Cuntos minutos libres tendr en 1 hora el despachador de cerveza?
69
Solucin
Cerveza que podras tomar con su amigo: 12botellas / 2 = 6 botellas = 6 chops. Tiempo promedio para obtener una cerveza en el local W = 1 minuto. Chops que puede tomar en la fiesta = 120/(16 + 1) = 7,06 => le conviene quedarse. Nmero promedio de clientes en la cola: Lq = 14,06 Minutos libres en 1 hora = 60 min * P0 = 60 * 0,06 = 3,6 min.
70
HASTA AQU EL PRIMER PARCIAL !!
Colas M/M/S
Origen cola servidores
72
Resumen de Frmulas
s = nmero de servidores
Lq =
s +1
s ( s!)(1 ) 2
p0
s
Debe ser menor a 1 (condicin de estabilidad)
1
L = Lq + Wq = Lq
s 1 n s p0 = + n =0 n! s!(1 )
1 W = Wq + ( )
73

Simulacion-1ra - Parte Ejercicio 2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Simulacion-1ra - Parte Ejercicio 2

Cargado por

Copyright:

Formatos disponibles

SIMULACIN DE SISTEMAS (1ra parte)

Eduardo Serrano Campos

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos

Componentes bsicos de un Sistemas

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos

Utilidad de los modelos

Eduardo O. Serrano Campos

E = F(Xi, Yi) Donde

Entidades Actividades Recursos Reglas de Operacin Restricciones

Factor que se vara

Eduardo O. Serrano Campos

Estudiar Comportamiento de un Sistema Sistema Experimentar

Eduardo O. Serrano Campos

Criterios para la Construccin de Modelos

Eduardo O. Serrano Campos

Algunos problemas con el Modelado y Simulacin de Sistemas

Eduardo O. Serrano Campos

Clasificacin Frecuente de los Modelos Matemticos

Eduardo O. Serrano Campos

Determinsticos vs. Probabilsticos

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos

Sistemas discretos (patrn de repeticin constante)

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos

Etapas de la construccin de un Modelo de Simulacin.

Eduardo O. Serrano Campos

INICIO Definir el problema Formular el modelo Implementar el modelo Disear experimentos

Analizar los resultados

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos

Mtodo de Simulacin de Monte Carlo

Intervalos de probabilidad acumulada [0 , 0.5> [0.5 , 0.8> [0.8 , 1>

Alta calidad Baja calidad No desarrolla

Eduardo O. Serrano Campos

Solucin usando Excel

Eduardo O. Serrano Campos

0.7 0.6 0.5 0.4 0.3 0.2 0.1 0

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos

Formas de obtener nmeros aleatorios

xn+1 = (axn + c ) mod m

Qu ventajas y desventajas tiene cada mtodo?

Eduardo O. Serrano Campos

Series de Nmeros Aleatorios

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos

Caractersticas deseables para las series de nmeros pseudo-aleatorios:

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos

Mtodo de los cuadrados centrales

Podra ser tambin 460?

El cliclo se repite rpidamente

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos

Otros mtodos no congruenciales

Eduardo O. Serrano Campos

GENERADOR CONGRUENCIAL LINEAL. GENERADOR CONGRUENCIAL MULTIPLICATIVO.

Eduardo O. Serrano Campos

Eduardo O. Serrano Campos