SIMULACIN

UNIDAD 3 Generacin de variables aleatorias. 3.1. Introduccin Buscamos mtodos que nos permitan obtener valores de variables aleatorias que sigan determinadas distribuciones de probabilidad a partir de los nmeros aleatorios generados, que siguen la distribucin Uniforme en el intervalo (0,1). Hay cuatro mtodos generales de generacin de variables aleatorias y una serie de mtodos particulares de las distintas distribuciones. La facilidad de aplicacin de dichos mtodos, as como el coste computacional asociado a los mismos, vara mucho segn la familia de variables aleatorias a las que se apliquen. Normalmente existen varios algoritmos que se pueden utilizar para generar valores de una determinada distribucin, y diferentes factores que se pueden considerar para determinar qu algoritmo utilizar en un caso particular. Desafortunadamente dichos factores suelen entrar en conflicto unos con otros y a veces se ha de llegar a una solucin de compromiso. Algunos de estos factores son los siguientes: Exactitud: se han de obtener valores de una variable con una precisin dada. A veces se tiene suficiente con obtener una aproximacin y otras no. Eficiencia: el algoritmo que implementa el mtodo de generacin tiene asociado un tiempo de ejecucin y un gasto de memoria. Elegiremos un mtodo que sea eficiente en cuando al tiempo y a la cantidad de memoria requeridos. Complejidad: Buscamos mtodos que tengan complejidad mnima, siempre y cuando se garantice cierta exactitud. 3.2. Mtodos para generar variables aleatorias Los mtodos ms empleados para la generacin de variables aleatorias son: o Mtodo de la transformada inversa: Consiste en emplear la distribucin acumulada F(x) de la distribucin de probabilidad a simular por medio de integracin; como el rango de F(x) se encuentra en el intervalo de cero (0) a uno (1), se debe generar un nmero aleatorio ri para luego determinar el valor de la variable aleatoria cuya distribucin acumulada es igual a ri. El problema de este mtodo radica en el hecho que algunas veces se dificulta demasiado la consecucin de la transformada inversa. Mtodo de convolucin: Permite generar una distribucin a partir de la suma de distribuciones ms elementales o mediante la transformada z. Mtodo de aceptacin y rechazo: Cuando f(x) es una funcin acotada y x tiene un rango finito, como a x b, se utiliza este mtodo para encontrar los valores de

18

SIMULACIN

las variables aleatorias. El mtodo consiste en normalizar el rango de f mediante un factor de escala c, luego definir a x como una funcin lineal de r, despus se generan parejas de nmeros aleatorios r1, r2 y por ltimo si el nmero encontrado se elige al azar dentro del rango (a,b) y r b, se utiliza este mtodo para encontrar los valores de las variables aleatorias. El mtodo consiste en normalizar el rango de f mediante un factor de escala c, luego definir a x como una funcin lineal de r, despus se generan parejas de nmeros aleatorios r1, r2 y por ltimo si el nmero encontrado se elige al azar dentro del rango (a, b) y r c f(x) se acepta, en caso contrario se rechaza. El problema de este mtodo es la cantidad de intentos que se realizan antes de encontrar una pareja exitosa. o Mtodo de composicin: Con este mtodo la distribucin de probabilidad f(x) se expresa como una mezcla o composicin de varias distribuciones de probabilidad fi(x) seleccionadas adecuadamente.

Procedimientos especiales: Existen algunas distribuciones estadsticas de probabilidad en las cuales es posible emplear sus propiedades para obtener expresiones matemticas para la generacin de variables aleatorias en forma eficiente. En varios casos se aplica el Teorema Central del Lmite y en otros se utiliza el mtodo directo para encontrar las variables aleatorias. 3.2.1.1 Generacin variables aleatorias discretas : distribuciones Poisson, Binomial, y geomtrica DISTRIBUCIN DE POISSON. Distribucin de Poisson Funcin de probabilidad

El eje horizontal es el ndice k. La funcin solamente est definida en valores enteros de k. Las lneas que conectan los puntos son solo guas para el ojo y no indican continuidad.

19

SIMULACIN

Funcin de distribucin de probabilidad

El eje horizontal es el ndice k. Parmetros Dominio Funcin de probabilidad (fp) Funcin de distribucin (cdf) Media Mediana Moda Varianza Coeficiente de simetra Curtosis Entropa Funcin generadora de momentos (mgf)

(dnde Funcin gamma incompleta)

(x,y)

es

la

20

SIMULACIN

Funcin caracterstica En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta. Expresa la probabilidad de un nmero k de eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa media conocida, y son independientes del tiempo desde el ltimo evento. La distribucin fue descubierta por Simen-Denis Poisson (17811840) que public, junto con su teora de probabilidad, en 1838 en su trabajo Re cherches sur la probabilit des jugements en matires criminelles et matire civile ("Investigacin sobre la probabilidad de los juicios en materias criminales y civiles"). El trabajo estaba enfocado en ciertas variables aleatorias N que cuentan, entre otras cosas, un nmero de ocurrencias discretas (muchas veces llamadas "arribos") que tienen lugar durante un intervalo de tiempo de duracin determinada. Si el nmero esperado de ocurrencias en este intervalo es , entonces la probabilidad de que haya exactamente k ocurrencias (siendo k un entero no negativo, k = 0, 1, 2, ...) es igual a:

Dnde: e es el base del logaritmo natural (e = 2.71828...), k! es el factorial de k, k es el nmero de ocurrencias de un evento, es un nmero real positivo, equivalente al nmero esperado de ocurrencias durante un intervalo dado. Por ejemplo, si los eventos ocurren de media cada 4 minutos, y se est interesado en el nmero de eventos ocurriendo en un intervalo de 10 minutos, se usara como modelo una distribucin de Poisson con = 2.5. Por ejemplo, si 2% de los libros encuadernados en cierto taller tiene encuadernacin defectuosa, obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas.

Su media y su varianza son:

Como una funcin de k, sta es la funcin probabilidad de masa. La distribucin de Poisson puede ser vista como un caso limitante de la distribucin binomial, es decir, que una distribucin binomial en la que y se puede aproximar por una distribucin de Poisson de valor

La distribucin de Poisson es tambin llamada Poissoniana, anlogamente al trmino Gaussiana para una distribucin de Gauss o distribucin normal.

21

SIMULACIN

Procesos de Poisson La distribucin de Poisson, se aplica a varios fenmenos discretos de la naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces durante un periodo definido de tiempo o en una rea determinada) cuando la probabilidad de ocurrencia del fenmeno es constante en el tiempo o el espacio. Ejemplos de estos eventos que pueden ser modelados por la distribucin de Poisson incluyen: El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente distantes de los semforos) durante un periodo definido de tiempo). El nmero de errores de ortografa que uno comete al escribir una nica pgina. El nmero de llamadas telefnicas en una central telefnica por minuto. El nmero de servidores web accedidos por minuto. El nmero de animales muertos encontrados por unidad de longitud de ruta. El nmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de radiacin. El nmero de ncleos atmicos inestables que decayeron en un determinado periodo de tiempo en una porcin de sustancia radiactiva. La radiactividad de la sustancia se debilitar con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo debe ser significativamente menor que la vida media de la sustancia. El nmero de estrellas en un determinado volumen de espacio. La distribucin de receptores visuales en la retina del ojo humano. La inventiva de un inventor a travs de su carrera.

Propiedades El valor esperado de una variable aleatoria con distribucin de Poisson es igual a y tambin lo es su varianza. Los momentos ms altos de la distribucin de Poisson son polinomios de Touchard en cuyos coeficientes tienen un sentido combinatorio. De hecho, cuando el valor esperado de la distribucin de Poisson es 1, entonces la frmula de Dobinski dice que el ensimo momento iguala al nmero de particiones de tamao n. La moda de una variable aleatoria de distribucin de Poisson con un no entero es igual a (o suelo de ), el cual es el nmero entero ms grande menor o igual a . Esto tambin es expresado como la funcin parte entera de . Cuando es un entero positivo, las modas son y 1. Sumas de las variables aleatorias de distribucin de Poisson: Si sigue una distribucin de Poisson con parmetro y Xi son independientes

entonces tambin sigue una distribucin de Poisson cuyo parmetro es la suma de los parmetros del componente. La funcin generadora de momentos de la distribucin de Poisson con valor esperado es:

Todas las acumulaciones de la distribucin de Poisson son iguales al valor esperado . El ensimo n momento factorial de la distribucin de Poisson es . La distribuciones de Poisson son funciones probabilsticas infinitamente divisibles. La divergencia Kullback-Leibler dirigida entre Poi(0) y Poi() est dada por: 22

SIMULACIN

Cuando tiende a infinito, podemos aproximar a una distribucin normal. Por ello, podemos tipificar ya que conocemos cual es la media y varianza de una Poisson. XPo()N(,) Tipificando:

YN (0,1) DISTRIBUCIN BINOMIAL Distribucin binomial Funcin de probabilidad

Funcin de distribucin de probabilidad

Parmetros

nmero de ensayos

probabilidad de xito (real) 23

SIMULACIN

Dominio Funcin de probabilidad (fp) Funcin de distribucin (cdf) Media Mediana Moda Varianza Coeficiente de simetra Curtosis

Uno de

Entropa Funcin generadora de momentos (mgf) Funcin caracterstica En estadstica, la distribucin binomial es una distribucin de probabilidad discreta que Mide el nmero de xitos en una secuencia de n ensayos independientes de Bernoulli, con una probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de Bernoulli. Para representar que una variable aleatoria X sigue una distribucin binomial de parmetros n y p, se escribe:

La distribucin Binomial es la base del test binomial de significacin estadstica. Ejemplos. Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por esta distribucin: - Se lanza un dado diez veces y se cuenta el nmero de treses obtenidos: X ~ B(10, 1/6) Experimento Binomial

24

SIMULACIN

Existen muchas situaciones en las que se presenta una experiencia binomial. Este tipo de experiencias se caracteriza por estar formada por un nmero predeterminado n de experimentos iguales. Cada uno de los experimentos es independiente de los restantes (la probabilidad del resultado de un experimento no depende del resultado del resto). El resultado de cada experimento ha de admitir slo dos categoras (a las que se denomina xito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos los experimentos (se denotan como p y q o p y 1-p). Se designa por X a la variable que mide el nmero de xitos que se han producido en los n experimentos. Cuando se dan estas circunstancias, se dice que la variable X sigue una distribucin de probabilidad binomial, y se nota B(n,p). Caractersticas analticas: Su funcin de probabilidad est dada por:

Donde:

Siendo Propiedades caractersticas.

las combinaciones de

en

elementos tomados de

en

Relaciones con otras variables aleatorias Se verifica que si son tales que cada una sigue una distribucin Bernouilli de

parmetro , y todas ellas son independientes entre s, entonces

resulta ser una variable

aleatoria con distribucin binomial de parmetros . Adems, si n es grande y es pequeo, de modo que el producto entre ambos parmetros tiende a , entonces la distribucin de la variable aleatoria binomial tiende a una distribucin de Poisson de parmetro Por ltimo, se cumple que cuando n es muy grande (n>=30) la distribucin binomial se aproxima a la distribucin normal. Propiedades reproductivas. Dadas n variables aleatorias , tales que: todas tienen una distribucin binomial; todas tienen el mismo parmetro ; cada una tiene su propio parmetro (es decir, los n no necesariamente tienen que ser iguales); NO son TOTALMENTE independientes entre s;

se toma la variable aleatoria

25

SIMULACIN

se toma ; Entonces: La variable aleatoria Y tiene una distribucin Binomial, con parmetros y . Por lo tanto, dadas n variables binomiales independientes, de parmetros ni, i = 1,..., n y suma es tambin una variable binomial, de parmetros n1+ ... + nn y .

, su

DISTRIBUCIN GEOMTRICA En teora de probabilidad y estadstica, la distribucin geomtrica es cualquiera de las dos distribuciones de probabilidad discretas siguientes: la distribucin de probabilidad del nmero X del ensayo de Bernoulli necesaria para obtener un xito, contenido en el conjunto { 1, 2, 3,...} o la distribucin de probabilidad del nmero Y = X 1 de fallos antes del primer xito, contenido en el conjunto {0, 1, 2, 3,...}. Cul de stas es la que uno llama "la" distribucin geomtrica, es una cuestin de convencin y conveniencia. Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad de que n ensayos sean necesarios para obtener un xito es Para n = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya n fallos antes del primer xito es Para n = 0,1, 2, 3,.... En ambos casos, la secuencia de probabilidades es una secuencia geomtrica. Por ejemplo, supongamos que un dado ordinario es lanzado repetidamente hasta que aparece "1" por primera vez. La distribucin de probabilidad del nmero de veces que el dado es lanzado se encuentra en el conjunto infinito {1, 2, 3,...} y es una distribucin geomtrica con p=1/6. El valor esperado de una variable aleatoria X distribuida geomtricamente es 1/'p y su varianza es 2 (1 p)/p ;

Equivalentemente, el valor esperado de una variable aleatoria distribuida geomtricamente Y es 2 (1 p)/p, y su varianza es (1 p)/p .

La funcin generatriz de probabilidad de X y la de Y son, respectivamente,

Como su continua anloga (la distribucin exponencial), la distribucin geomtrica es sin memoria. Esto significa que si intentamos repetir el experimento hasta el primer xito, entonces, dado que el primer xito todava no ha ocurrido, la distribucin de probabilidad condicional del nmero de ensayos adicionales no depende de cuantos fallos se hayan observado. El dado o la moneda que uno lanza no tiene "memoria" de estos fallos. La distribucin geomtrica es de hecho la nica distribucin discreta sin memoria.

26

SIMULACIN

De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,...} con un valor esperado dado , la distribucin geomtrica X con parmetro p = 1/ es la de mayor entropa La distribucin geomtrica del nmero y de fallos antes del primer xito es infinitamente divisible, esto es, para cualquier entero positivo n, existen variables aleatorias independientes Y 1,..., Yn distribuidas idnticamente la suma de las cuales tiene la misma distribucin que tiene Y. Estas no sern geomtricamente distribuidas a menos que n = 1. 3.2.1.2 Generacin variables aleatorias continas : Distribuciones Uniforme, Exponencial, Normal, Erlang, Gamma, Beta, y Triangular. DISTRIBUCIN UNIFORME En estadstica la distribucin uniforme es una funcin de densidad de probabilidad cuyos valores tienen la misma probabilidad. Distribucin uniforme para variable aleatoria discreta.

Distribucin uniforme (caso discreto). Su distribucin de probabilidad es en el caso discreto con valores posibles

Su funcin de distribucin es en el caso discreto:

Su media estadstica es:

Su varianza es:

Ejemplos para variable aleatoria discreta

Para un dado perfecto todos los resultados tienen la misma probabilidad . Luego, la

probabilidad de que al lanzarlo caiga 4 es . 27

SIMULACIN

Para una moneda balanceada, todos los resultados tienen la misma probabilidad . Luego,

la probabilidad de que al lanzarla caiga cara es .

Distribucin uniforme. Se dice que una variable aleatoria continua tiene una distribucin uniforme en el intervalo si la funcin de densidad de probabilidad (FDP) es

Su media estadstica es:

Su varianza es:

Proposicin: Si es una variable aleatoria continua, entonces para cualquier nmero y con , ,

adems para cualesquiera dos nmeros

Es decir, la probabilidad asignada a cualquier valor particular es cero, y la probabilidad de un intervalo no depende de si cualquiera de sus puntos finales est incluido. Ejemplo para variable aleatoria continua La tecla RANDOM de la calculadora arroja nmeros al azar entre cero y uno. La distribucin de esos nmeros simula ser una distribucin uniforme continua entre 0 y 1. Funcin de distribucin acumulada para variable aleatoria contina. La funcin de distribucin acumulada para cualquier nmero por para una variable aleatoria continua est definida

28

SIMULACIN

Para cada ,

aumenta suavemente a medida que

aumenta.

Simulacin La distribucin uniforme entre 0 y 1, mencionada en el ejemplo anterior, tiene una aplicacin muy importante en simulacin. Si se desea simular valores de una distribucin cualquiera, el procedimiento es, bsicamente, el siguiente: Se toma la funcin de distribucin acumulada de la distribucin a simular, y se construye su inversa. Luego se simulan valores uniformes entre 0 y 1, y se aplica la funcin inversa hallada a esos valores. De esta manera se obtienen los valores de cualquier Distribucin exponencial. DISTRIBUCIN EXPONENCIAL Distribucin exponencial Funcin de densidad de probabilidad

Funcin

de

distribucin

de

probabilidad

Parmetros 29

SIMULACIN

Dominio Funcin de densidad (pdf) Funcin de distribucin (cdf) Media Mediana Moda Varianza Coeficiente de simetra Curtosis Entropa Funcin generadora de momentos (mgf) Funcin caracterstica e
x x

1e

En estadstica la distribucin exponencial es una distribucin de probabilidad continua con un parmetro > 0 cuya funcin de densidad es:

Su funcin de distribucin es:

Aqu e significa el nmero e. El valor esperado y la varianza de una variable aleatoria X con distribucin exponencial son:

Ejemplo: Ejemplos para la distribucin exponencial son los tiempos dentro accidentes con probabilidad invariable. La funcin de densidad para igual Vase tambin: Distribucin geomtrica Calcular variables aleatorias [editar] Se pueden calcular una variable aleatoria de distribucin exponencial x por medio de una variable aleatoria de distribucin uniforme u = U (0,1):

30

SIMULACIN

Relaciones La suma de k variables aleatorias independientes de distribucin exponencial con parmetro es una variable aleatoria de distribucin gamma. La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta ley de distribucin describe procesos en los que: Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que, el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante tf, no depende del tiempo transcurrido anteriormente en el que no ha pasado nada. Ejemplos de este tipo de distribuciones son: El tiempo que tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la datacin de fsiles o cualquier materia 14 orgnica mediante la tcnica del carbono 14, C ; El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un paciente; En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos sigue un modelo probabilstico exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos dos veces una herida importante. Concretando, si una v.a. continua X distribuida a lo largo de densidad es , es tal que su funcin de

Se dice que sigue una distribucin exponencial de parmetro

Figura: Funcin de densidad, f, de una .

31

SIMULACIN

Un clculo inmediato nos dice que si x>0,

Luego la funcin de distribucin es:

Figura: Funcin de distribucin, F, de , calculada como el rea que deja por debajo de s la funcin de densidad.

32

SIMULACIN

Para calcular el valor esperado y la varianza de la distribucin exponencial, obtenemos en primer lugar la funcin caracterstica

Para despus, derivando por primera vez

Y derivando por segunda vez:

Entonces la varianza vale:

33

SIMULACIN

Ejemplo En un experimento de laboratorio se utilizan 10 gramos de . Sabiendo que la duracin media de un tomo de esta materia es de 140 das, cunto idas transcurrirn hasta que haya desaparecido el 90%de este material? Solucin: El tiempo T de desintegracin de un tomo de exponencial: es una v.a. de distribucin

Como el nmero de tomos de existentes en una muestra de 10 gramos es enorme, el histograma de frecuencias relativas formado por los tiempos de desintegracin de cada uno de estos tomos debe ser extremadamente aproximado a la curva de densidad, f. Del mismo modo, el polgono de frecuencias relativas acumuladas debe ser muy aproximado a la curva de su funcin de distribucin F. Entonces el tiempo que transcurre hasta que el 90% del material radiactivo se desintegra es el percentil 90, t90, de la distribucin exponencial, es decir

Figura: Como el nmero de tomos (observaciones) es extremadamente alto en 10 gramos de materia, el histograma puede ser aproximado de modo excelente por la funcin de densidad exponencial, y el polgono de frecuencias acumuladas por la funcin de distribucin.

34

SIMULACIN

Ejemplo Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribucin exponencial con media de 16 aos. Cul es la probabilidad de que a una persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes de 20 aos? Si el marcapasos lleva funcionando correctamente 5 aos en un paciente, cul es la probabilidad de que haya que cambiarlo antes de 25 aos? Solucin: Sea T la variable aleatoria que mide la duracin de un marcapasos en una persona. Tenemos que

Entonces:

En segundo lugar:

Luego como era de esperar, por ser propio a un mecanismo exponencial:

O sea, en la duracin que se espera que tenga el objeto, no influye en nada el tiempo que en la actualidad lleva funcionando. Es por ello que se dice que ``la distribucin exponencial no tiene memoria". DISTRIBUCIN NORMAL O GAUSSIANA La distribucin gaussiana, recibe tambin el nombre de distribucin normal, ya que una gran mayora de las v. a. (variables aleatorias) continuas de la naturaleza siguen esta distribucin. Se dice que una v.a. X sigue una distribucin normal de parmetros del modo
6.4

, lo que representamos

si su funcin de densidad es: 35

SIMULACIN

Observacin Estos dos parmetros y coinciden adems con la media (esperanza) y la varianza 6.5 respectivamente de la distribucin como se demostrar ms adelante :

La forma de la funcin de densidad es la llamada campana de Gauss.

Campana de Gauss o funcin de densidad de una v.a. de distribucin normal. El rea contenida entre la grfica y el eje de abcisas vale 1.

DISTRIBUCION GAMMA Este modelo es una generalizacin del modelo Exponencial ya que, en ocasiones, se utiliza para modelar variables que describen el tiempo hasta que se produce p veces un determinado suceso. Su funcin de densidad es de la forma:

Como vemos, este modelo depende de dos parmetros positivos: y p. La funcin (p) es la denominada funcin Gamma de Euler que representa la siguiente integral:

36

SIMULACIN

Que verifica (p + 1) = p(p), con lo que, si p es un nmero entero positivo, (p + 1) = p! Propiedades de la distribucin Gamma 1. Su esperanza 2. 3. el Su varianza

es es

p. p
2

La distribucin Gamma (, p = 1) es una distribucin Exponencial de parmetro . Es decir, modelo Exponencial es un caso particular de la Gamma con p = 1.

4. Dadas dos variables aleatorias con distribucin Gamma y parmetro comn X ~ G(, p1) y Y ~ G(, p2) se cumplir que la suma tambin sigue una distribucin Gamma X + Y ~ G(, p1 + p2). Una consecuencia inmediata de esta propiedad es que, si tenemos k variables aleatorias con distribucin Exponencial de parmetro (comn) e independientes, la suma de todas ellas seguir una distribucin G(, k).

DISTRIBUCIN BETA Funcin de distribucin de probabilidad

Parmetros Dominio Funcin de densidad (pdf) Funcin de

> > 0 forma (real)

forma

(real)

37

SIMULACIN

distribucin (cdf) Media Mediana Moda para > 1, > 1 Varianza

Coeficiente de simetra

Funcin generadora de momentos (mgf) Funcin caracterstica

38

SIMULACIN

UNIDAD 4 LENGUAJES DE SIMULACIN Y SIMULADORES DE EVENTOS DISCRETOS 4.1 Lenguajes de simulacin y simuladores Muchas propiedades en programacin de modelos de simulacin discreta, tales como: Generadores de nmeros aleatorios. Generadores de variables aleatorias. Rutinas del siguiente evento. Avance de tiempo. Recopilacin de estadsticas. Reportes, etc. Han sido desarrolladas en lenguajes especiales orientados a simulacin, dejando la ardua labor de programacin en FORTRAN, C o PASCAL a lenguajes de simulacin, los que incluyen facilidades de animacin. Actualmente, existen cerca de 100 sws de simulacin, disponibles en una variedad de computadores. La importancia de escribir modelos de simulacin en lenguajes de propsitos generales como FORTRAN radica en: Permite conocer los detalles ntimos de la simulacin. Es imprescindible, cuando no se dispone de software de simulacin. Algunos modelos en lenguajes de simulacin permiten interfaces con lenguajes generales, especficamente FORTRAN (ocurre con SLAM ll, SIMAN, GPSS). Por otra parte, los lenguajes de simulacin ofrecen mayores ventajas, porque: Automticamente proveen muchas de las facilidades necesarias en la simulacin del modelo. Proveen un natural ambiente para la modelacin de la simulacin. Son fciles de usar. Proveen una gran interaccin entre edicin, depuracin y ejecucin. Alcanzando algunos de ellos implantacin de la ingeniera de software. Clasificacin del software para simulacin Existen en el mercado dos grandes clases de software para simulacin: los lenguajes y los simuladores. Un lenguaje de simulacin es un software de simulacin de naturaleza general y posee algunas caractersticas especiales para ciertas aplicaciones, tal como ocurre con SLAM 11 y SIMAN con sus mdulos de manufactura. El modelo es desarrollado usando las instrucciones adecuadas del lenguaje y permitiendo al analista un gran control para cualquier clase de sistema. Aprendizaje y uso de un simulador Un simulador (o de propsitos especiales) es un paquete de computadoras que permite realizar la simulacin para un ambiente especfico, no requiriendo esfuerzo en programacin. Hoy en da existen simuladores para ambientes de manufactura y sistemas de comunicacin permitiendo un menor tiempo en el desarrollo del modelo, as como tambin contar con el personal sin experiencia en simulacin. Los simuladores son actualmente muy utilizados para anlisis en alto nivel, requirindose nicamente agregar detalles en un cierto nivel, puesto que lo dems es estndar. Para procesar transacciones en espera de un ordenamiento, un lenguaje de simulacin debe proporcionar un medio automtico de almacenamiento y recuperacin de estas entidades. Atendiendo a la orientacin del modelamiento de una simulacin discreta, existen tres formas: 1. Programacin de eventos. 2. Procesos. 3. Exanimacin de actividades.

39

SIMULACIN

Una programacin al evento es modelada, identificando las caractersticas del evento y luego se escriben un juego de rutinas para los eventos con la finalidad de describir detalladamente los cambios que ocurren en el tiempo en cada evento. Lenguajes como SIMSCRIPT 11.5 y SLAM 11 estn orientados al evento. Una interaccin al proceso es una secuencia de tiempos interrelacionados, describiendo la experiencia de una entidad a travs del sistema. Por ejemplo, en un modelo de colas esta historia se traduce en el paso del tiempo del ingreso a la cola, ingreso al servidor, paso del tiempo en el servicio y fin del servicio. GPSS, SIMAN y SIMNET son orientados al proceso. En el examen de actividades, el modelador define las condiciones necesarias al empezar y finalizar cada actividad en el sistema. El tiempo es avanzado en iguales incrementos de tiempo y en cada incremento de tiempo, las condiciones son evaluadas para determinar si alguna actividad puede estar empezando o terminando. El ESCL, es un lenguaje de simulacin muy popular en Europa y fue desarrollado en FORTRAN. GASP IV Es una coleccin de subrutinas FORTRAN, diseadas para facilitar la simulacin de secuencia de eventos. Cerca de 30 subrutinas y funciones que proveen numerosas facilidades, incluyendo: Rutinas de avance del tiempo, Gestin de listas de eventos futuros, Adicin y remocin de entidades. Coleccin de estadsticas. Generadores de variables aleatorias. Reporte estndar. El programador nicamente provee un programa main, una rutina de actualizacin, rutinas de eventos, generadores de reportes personalizados y una subrutina denominada EVNTS. El programa main debe incluir la sentencia CALL GASP; siendo GASP una subrutina que determina el eminente evento, invocando a EVNTS escrita por el usuario y obtiene el ndice NEXT. GASP IV es un lenguaje de simulacin desarrollado por Alan B. Pristker y N. Hurst en 1973. Es un lenguaje hbrido porque puede ser usado para programadores de simulacin discretos, continuos y combinados; siendo el primero en integrar completamente estos dos ambientes de funcin del tiempo. GASP IV es un derivado del GASP II, y se diferencia por la definicin del evento espacioestado (state space event). SIMSCRIPT II.5 Desarrollado en la RAND Corporation por H. Markowtz en los inicios de los sesenta. SIMSCRIPT 11.5. Es un lenguaje de simulacin con orientacin al evento y al proceso, es hbrido porque posee facilidades para simulacin de sistemas discretos y continuos. Un programador SIMSCRIPT 11.5 consiste de las siguientes partes: Preamble Main program Rutinas de eventos. Rutinas ordinarias. SIMSCRIPT 11.5, producido por CACI Products Company (La Jolla, California), fue utilizado en el pasado en grandes y complejas simulaciones, como es el caso de los modelos no orientados a colas; por ejemplo modelos de combates militares. Se encuentra disponible en versin PC destacando su ambiente de S 11 VIGRAPHICS. SIMSCRIPT 11.5 est basado en entidades, atributos y conjuntos. Visualiza el mundo a ser simulado como un conjunto de entidades que pueden ser descritas a travs de sus atributos y los eventos que aparecen en el tiempo. SIMAN/Cinema La versin original del SIMAN (Simulation and Analysis) fue desarrollada por Dennis Pegden, en la Universidad de Alabama, cuando era lder del grupo de desarrollo de la versin original de SLAM 40

SIMULACIN

(basada en los software de GASP y Q~GER-r de Pristker and Associates). Ms tarde, Pegden inicia su trabajo en el Pennisylvania State University donde lo disea como un lenguaje de modela miento para propsitos generales, incluyendo facilidades de manufactura muy tiles en modela miento de sistemas complejos de manufactura. Desde su implementacin inicial en 1984, ha sido continuamente refinado por System Modeling Corporation, y en 1998 y 1989 el lenguaje fue completamente rediseado dando origen a SIMAN/Cinema. 4.1.1 Caractersticas aplicacin y uso La codificacin de un modelo de simulacin de un sistema con sucesos discretos en trminos de un lenguaje de programacin de tipo general o especial pone de manifiesto una serie de caractersticas comunes a todos ellos. 1.- La generacin de muestras de nmeros aleatorios uniformemente distribuidos en (0,1). 2.- La generacin de muestras de variables aleatorias con distribucin especificas 3.- Los mecanismos de control y flujo del tiempo durante la simulacin 4.- La determinacin del suceso que ha de ser tratado a continuacin de lo que esta siendo. 5.- La adicin supresin o actualizacin de registros en estructuras de datos 6.- La recoleccin y el anlisis de los datos generados por la simulacin 7.- La elaboracin de informes sobre los resultados obtenidos 8.- La deteccin de condiciones de error La existencia de estos y otros factores ya comunes ala mayor parte de los programas de simulacin es lo que ha conducido al desarrollo delos lenguajes de simulacin de propsito general cuyo perfeccionamiento estandarizacin han sido los principales factores del incremento que ha experimentado el uso de la simulacin en los ltimos aos. Algunas de las ventajas de programar el modelo de simulacin en un lenguaje de simulacin en vez de hacerlo en un lenguaje principal. 1.- Los lenguajes de simulacin proporcionan automticamente todas las caractersticas necesarias para la programacin de un modelo. 2.- Proporciona un marco de trabajo natural para el uso de modelos de simulacin. 3.- Los modelos de simulacin son mucho mas fcilmente modificables cuando estn escritos en un lenguaje de simulacin y por consiguiente se pueden modificar cuando estn escritos en un lenguaje de simulacin. 4.- Muchos de los lenguajes de simulacin proporcionan una asignacin dinmica de memoria durante la ejecucin cosa que no ocurre con todos los lenguajes. 5.- Facilitan una mejor deteccin de errores especialmente los inherentes a la lgica del proceso de simulacin. Los lenguajes de simulacin para sistemas discretos se eligen en base a lo atractivo de sus caractersticas aunque hay una de ellas que resulta determinante o impone la naturaleza del lenguaje es la estrategia enfoque o visin del mundo al lenguaje utilizado. 4.1.2 El Programa de Simulacin ARENA. En este apartado se har un breve resumen de los mtodos de modelado de sistemas aplicando el programa de simulacin ARENA (de Systems Modeling Corporation, ). Utilizando ejemplos sencillos, se ir haciendo un recorrido por las posibilidades del programa para simular cualquier tipo de sistema.

41

SIMULACIN

4.2.2 Elementos de un modelo de ARENA. Entidades. La mayora de las simulaciones incluyen entidades que se mueven a travs del modelo, cambian de estado, afectan y son afectadas por otras entidades y por el estado del sistema, y afectan a las medidas de eficiencia. Son los elementos dinmicos del modelo, habitual mente se crean, se mueven por el modelo durante un tiempo y finalmente abandonan el modelo. En un proceso sencillo de fabricacin, como el que analizamos en el primer ejemplo, las entidades sern las piezas que son creadas, pasan a la cola si la mquina que debe procesarlas est ocupada, entran en la mquina cuando sta queda libre, y abandonan el sistema cuando salen de la mquina. En este caso slo habr un tipo de entidades (aunque puede haber simultneamente varias copias de la entidad circulando por el diagrama), pero en un caso general podra haber muchos tipos de entidades distintas (y muchas copias de cada una de ellas), que representaran distintos tipos de piezas, de diferentes caractersticas, prioridades, rutas, etc. Atributos. Para individualizar cada entidad, se le pueden unir distintos atributos. Un atributo es una caracterstica de todas las entidades, pero con un valor especfico que puede diferir de una entidad a otra. Por ejemplo, en el primer ejemplo, nuestras entidades (piezas), podran tener unos atributos denominados Hora de Llegada, Fecha de Entrega, Prioridad y Color para indicar esas caractersticas para cada entidad individual. Arena hace un seguimiento de algunos atributos de manera automtica, pero ser.

42

SIMULACIN

Necesario definir, asignar valores, cambiar y usar atributos especficos, en cada sistema que se desee simular. Variables (Globales). Una variable es un fragmento de informacin que refleja alguna caracterstica del sistema, independientemente de las entidades que se muevan por el modelo. Se pueden tener muy diferentes variables en un modelo, pero cada una es nica. Existen dos tipos de variables: las variables prefijadas de Arena (nmero de unidades en una cola, nmero de unidades ocupadas de un recurso, tiempo de simulacin, etc.) y las variables definibles por en usuario (nmero de unidades en el sistema, turno de trabajo, etc.) Contrariamente a los atributos, las variables no estn unidas a ninguna entidad en particular, sino que pertenecen al sistema en su conjunto. Las entidades pueden variar el valor de las variables en algn momento, por ejemplo, la variable Nmero de Unidades en el Sistema cambiar de valor cuando se crea o se elimina una entidad. Recursos. Las entidades compiten por ser servidas por recursos que representan cosas como personal, equipo, espacio en un almacn de tamao limitado, etc. Una o varias unidades de un recurso libre son asignadas a una entidad, y son liberadas cuando terminan su trabajo. Una entidad podra recibir simultneamente servicio de varios recursos (por ejemplo una mquina y un operario) Colas. Cuando una entidad no puede continuar su movimiento a travs del modelo, a menudo porque necesita un recurso que est ocupado, necesita un espacio donde esperar que le recurso quede libre, sta es la funcin de las colas. En Arena, cada cola tendr un nombre y podra tener una capacidad para representar, por ejemplo, un espacio limitado de almacenamiento. Acumuladores de estadsticas. Para obtener las medidas de eficiencia finales, podra ser conveniente hacer un seguimiento de algunas variables intermedias en las que se calculan estadsticas, por ejemplo: el nmero total de piezas producidas, el tiempo total consumido en la cola, el nmero de unidades que han pasado por la Cola (necesitaremos este valor para calcular el tiempo medio en cola), el mayor tiempo invertido en la cola por una entidad, el tiempo total en el sistema (en cola ms procesado), el mayor tiempo consumido en el sistema por una entidad, etc. Todos estos acumuladores deberan ser inicializados a 0, y cuando sucede algn hecho en el sistema, se tendrn que actualizar los acumuladores afectados. Eventos. Un evento es algo que sucede en un instante determinado de tiempo en la simulacin, que podra hacer cambiar los atributos, variables, o acumuladores de estadsticas. En nuestro ejemplo sencillo, slo hay tres tipos de eventos: Llegada de una nueva pieza al sistema, Salida de una pieza del sistema cuando finaliza el tiempo de procesado en la mquina, y Final de la simulacin, cuando se cumple el tiempo previsto. Reloj de la Simulacin. El valor del tiempo transcurrido, se almacena en una variable denominada Reloj de Simulacin. Este reloj ir avanzando de evento en evento, ya que al no cambiar nada entre eventos, no es necesario gastar tiempo llegando de uno a otro. 4.2.3 Mens principales Locaciones - Representan los lugares fijos en el sistema a dnde se dirigen las entidades por procesar, el almacenamiento, o alguna otra actividad o fabricacin. - Deben usarse locaciones para modelar los elementos como las mquinas, reas de espera, estaciones de trabajo, colas, y bandas transportadoras.

43

SIMULACIN

Editor de locaciones - El Editor de locaciones consiste en tres ventanas: - La ventana de Grficos ubicada hacia la esquina inferior izquierda de la pantalla, - La tabla de edicin de locaciones a lo largo de la parte superior de la pantalla, y - La ventana de Layout (Esquema) ubicada hacia la esquina inferior derecha de la pantalla. Entidades - Todo lo que el sistema procesa es llamado "Entidad", tambin puede pensarse en ellas como las partes en los sistemas de manufactura, personas, papeles, tornillos, productos de toda clase. Proceso - Define las rutas y las operaciones que se llevaran a cabo en las locaciones para las entidades en su viaje por el sistema. - Tambin puede decirse que generalmente se conocen o - Hacen parte de la informacin recolectada del sistema, los diagramas de proceso operacin, estos se transcribirn al computador para formar el proceso - Arribos - Al transcurrir la simulacin nuevas entidades entran al - Sistema, esto es un arribo. - Un arribo puede consistir en personas, materia prima, - Informacin, los sistemas necesitan una entrada para activar el funcionamiento de los procesos al interior de ellos Editor de Arribos - El editor de arribos consta de tres ventanas que - Aparecen la pantalla juntas, - La tabla de edicin, La ventana de herramientas y Ventana de layout esquema. - Informacin General - Permite especificar informacin bsica del modelo - Como el nombre; las unidades por defecto de tiempo y distancia, as como la librera grafica de la cual se toman las imgenes para crear locaciones, entidades - Construccin de un modelo La creacin de un modelo no requiere conocimientos matemticos ni estadsticos, slo son necesarios unos conocimientos informticos a nivel de usuario.

44

SIMULACIN

UNIDAD 5

Proyecto Final el cual consiste en el anlisis, modelado y simulacin de sistema de servicios o productivo de una empresa para detectar las mejoras posibles a realizar, y plantear acciones que mejoren el desempeo de sistemas y que en el caso de poder implementarse se lleve hasta este nivel. ELABORACIN DE MSCARAS
OBJETIVO GENERAL Tener una mejor eficiencia en la elaboracin de mscaras. Antecedentes Una mscara es un pedazo de material usado sobre la cara. El material o materiales del que est hecha puede ser tela, plstico, petate, yeso, madera, piel, etctera. Las mscaras se han utilizado desde la antigedad con propsitos ceremoniales y prcticos. La palabra "mscara" tiene origen en el masque francs o maschera en italiano o msquera del espaol. Los posibles antepasados en latn (no clsico) son mascus, masca = "fantasma", y el maskharah rabe = "bufn", "hombre enmascarado". Las mscaras se usan en funciones rituales, sociales y religiosas, donde los participantes las usan para representar las figuras espirituales o legendarias. En algunas culturas tambin se cree que el usar una mscara permitir que el portador tome las cualidades de la representacin de esa mscara; es decir, una mscara de leopardo inducir al portador a convertirse o actuar como leopardo. En Mxico y Centroamrica, la mayora de las ciudades tienen un nombre cristiano y nombre indgena, por ejemplo, Santiago Tianguistenco, o Santa Mara Axixitla. Todos los santos cristianos tienen un da especfico en el ao dedicado a ellos, y cada ciudad tpicamente tiene un festival durante ese da, implicando la combinacin de las tradiciones cristiana e indgena. Estos festivales incluyen con frecuencia los desfiles y teatro callejero donde actan una historia. Las mscaras y los trajes de estos festivales se convierten en artculos de coleccin. Una mscara utilizada en tales festivales se denomina como mscara "danzada". Estas mscaras pintadas hechas a mano, se fabrican tpicamente con madera y pueden utilizar cuerdas, cuernos o dientes animales, o caucho de los neumticos como ornamentos.

45

SIMULACIN

Planteamiento del procediendo para elaborar mascaras de hule Consta de 3 estaciones Se prepara una mezcla (agua cal amoniaco, liquido x) su tiempo de preparacin es triangular (5,8,10 min) que es transportada 10 mts a moldes por medio de cubetas a 20 km/h, en estos moldes su tiempo de llenado de una hora y esta nos producir 80 piezas una vez producida se pasa al rea de cortado que es transportada por medio de una manta 5 mts, posteriormente pasa al rea de pintado donde se transportada por medio de una caja 5 mts, donde se pinta la base teniendo un tiempo aproximadamente de 3 min, y liego se decora tez), se retoque la tez con una distribucin triangular de (.20, .25 .30 min, pintar cejas teniendo un tiempo de 1 min., pintar boca teniendo un tempo de), pintar dientes (.10, .20, .25 min., pintar ojos un min, y secar 3 min. posteriormente aplicar liquido x y se almacenan Diagrama de flujo En el diagrama se muestra el flujo de las entidades segn el problema planteado anterior.
Entrada de agua
Entra amoniaco

Entra cal

Entra lquido x

Entra pintura

Entra lquido x

Mezc la los insumo s Mold eado Corta do Pinta r Base

Pint ar tez Ret oque de Pint tez ar seja s Pint ar boc a Pint ar ojos Pint ar dien te Sec ar

Aplic ar liqui do

Almac n

46

SIMULACIN

Diagrama de flujo en Arena (Presentacin ilustrativa)

Diagrama de flujo de la elaboracion de un mascara

ENT RADA DE AG UA

09:00:00
0 0 0
M EZ CL AR I NSUM O S

June 11, 2007

0
T r u e

ENT RADA DE AM O NI ACO

ENT RADA DE CAL

ENT RADA DE L I Q UI DO X

0
Se p a r a t e 1
O r i g i n a l

UNI R

es t a oc upado?

0 0

c ondi ci on B

M O L DEADO

As s i gn 7

0
Se p a r a t e 2
O r i g i n a l

D u p l c a t e i

CO RT ADO

0
F a l s e

D u p l c a t e i

Pr o c e s s 1 1 ENT RADA DE PI NT URA

0
PI NT AR BASE En t r a a i r e SE SECA BASE Se De t a l a Ba s e Se p i nt an di ent es s ec ado de s e pi nt an oj os apl c ar i m as c ar a c om pl et a qui i l do Di s pos e 6

47