Modelos Matemáticos de Simulacion

ESCUELA TCNICA SUPERIOR DE INGENIERA
DEPARTAMENTO DE ORGANIZACIN INDUSTRIAL
Modelos matemticos de simulacin

Andrs Ramos
Andres.Ramos@iit.icai.upcomillas.es
Universidad Pontificia Comillas

Begoa Vitoriano
bvitoriano@mat.ucm.es
Universidad Complutense de Madrid
ndice
Sistemas, modelos y simulacin

Elementos de la simulacin
Metodologa de un estudio de simulacin
Generacin de variables aleatorias
Software de simulacin
Anlisis de resultados

Modelos matemticos de simulacin - 1

Inicio Simulacin: 1949 Mtodo de Monte Carlo (John Von
Neumann, Stanislaw Ulam)
SIMULACIN (Shannon, 1975)
9 proceso de disear un modelo de un sistema real y llevar a cabo
experiencias con l, con la finalidad de aprender el comportamiento del
sistema o de evaluar diversas estrategias para el funcionamiento del
sistema.
SISTEMA
9 Conjunto de objetos o ideas que estn interrelacionadas entre s como
una unidad para la consecucin de un fin. Forma parte de la vida real.
MODELO
9 Representacin simplificada de un sistema. Es una abstraccin del
sistema.

Sistema
Observacin
Modelo
Procedimientos de obtencin de modelos

Anlisis terico o mtodo deductivo:
Estudio cualitativo de los fenmenos que caracterizan el comportamiento
del sistema Relaciones matemticas concretas ecuaciones
descriptivas del proceso.
Anlisis experimental o mtodo inductivo

Construir un modelo matemtico a partir de medidas realizadas sobre el
sistema Descripcin detallada de cmo evoluciona a lo largo del tiempo
Observar el comportamiento del modelo Llevar a cabo experiencias
con l
SIMULACIN DEL MODELO

OBJETIVO: NO conocer el sistema en s, sino comportamiento
ante diversas situaciones
LOS MODELOS DE SIMULACIN SE HACEN
FUNCIONAR, NO SE RESUELVEN,!!!
Ejemplo (i)
Construir una carretera, y se ha de hacer tnel a travs de
montaa. Dos puntos posibles donde hacer tnel, M1, M2.
M1: longitud del tnel L1, y en la montaa M2, L2.
En la primera de ellas, se perforara a razn de x1 unidades por
jornada de trabajo, en la otra a razn de x2 unidades.
La empresa debe recibir una maquinaria nueva con una
probabilidad 0.71. La probabilidad de que la nueva maquinaria
se avere en M1 es 0.14, y en M2 es 0.16. Para la maquinaria
vieja son 0.28 y 0.19.
Las averas pueden ser de dos tipos: graves probabilidad 0.35
y 4 jornadas de trabajo de reparacin, o leves con 1 jornada de
trabajo de reparacin
Dnde perforar para tardar lo menos posible en construir
T
S
I
carretera?
O
I
ESCUELA CNICA
DEPARTAMENTO DE
UPERIOR DE NGENIERA
RGANIZACIN NDUSTRIAL
Ejemplo (ii)
Anlogo para M2

Mtodo terico
50 simulaciones
E[DT/M1] = 19.37
E[DT/M1] = 19.34
E[DT/M2] = 20.34
E[DT/M2] = 20.22
Modelo de simulacin
1. Se definen los parmetros aleatorios
9 llegada de nueva maquinaria
9 avera
9 gravedad de la avera
2. Se simulan o muestrean los parmetros aleatorios

3. Se recopilan los resultados
4. Se detiene el proceso de muestreo

Cando conviene utilizar la simulacin?

Si no existe formulacin matemtica del modelo o mtodos
analticos resolucin. (sistemas complejos)
S existen, pero resulta ms sencillo y barato simular.
Si se desea experimentar con el sistema antes de su uso o
construccin. (Simulador de vuelo)
Es imposible experimentar sobre el sistema Prevencin de
eventualidades.
Razones ticas impiden experimentacin (S. biolgicos H.)
Se desea reducir escalas de tiempo, pues la evolucin del
sistema es muy lenta (capa de ozono, polticas de talas de
rboles)
Permite estudiar sistemas dinmicos en tiempo real.
Inconvenientes
La construccin del modelo puede ser compleja y costosa.
Es frecuente despreciar elementos o relaciones sin importancia
aparente y obtener resultados falsos.
Es difcil establecer el grado de precisin de los resultados y su
anlisis.
NO OPTIMIZA, slo evala

Tipos de sistemas
Estado de un sistema
9 Conjunto de variables necesarias para describir un sistema en
un instante de tiempo y relativo a los objetivos de un estudio
Tipos de Sistemas:
9 Continuos: Las variables de estado cambian de forma
continua con el tiempo
9 Discretos: Las variables de estado cambian en ciertos
instantes de tiempo

Tipos de modelos de simulacin

Clasificacin segn evolucin de tiempo
9 ESTTICOS: representan un sistema en un instante
particular. A menudo se le llama simulacin de Monte Carlo.
9 DINMICOS: representan un sistema que evoluciona con el
tiempo.
Clasificacin segn la aleatoriedad

9 DETERMINISTAS: no variables aleatorias. Unos datos
entrada, nica salida.
9 ESTOCSTICOS/PROBABILISTAS: contienen variables
aleatorias, las salidas son aleatorias (estimar).
Clasificacin segn las variables de estado

9 CONTINUOS
9 DISCRETOS
9 HBRIDOS O COMBINADOS

Ejemplo modelo continuo: presa-depredador

(modelo Lotka-Volterra)
X(t) : nmero individuos presa en instante t
Y(t) : nmero de individuos depredador en instante t
r: tasa crecimiento sin depredadores
s: tasa variacin en ausencia de presas
dX
= rX (t ) a X (t ) y (t ),
dt
dY
= s Y ( t ) + b X ( t )Y ( t ) ,
dt

a > 0
b > 0
ndice

EVENTOS: Sucesos que pueden producir un cambio en el
estado del sistema
MECANISMO DE TRANSICIN: Mecanismo que muestra
los cambios que se producen en el estado del sistema cuando se
produce un evento
Un sistema de colas con un servidor
9 Variable de estado: nmero de clientes en el sistema, N(t)
9 Eventos:
Llegada de un nuevo cliente
Fin del servicio de un cliente
9 Mecanismo de transicin
N (t ) + 1 si llegada cliente
N (t ) =
N (t ) 1 si fin de servicio de un cliente
Tratamiento del tiempo (i)

RELOJ DE SIMULACIN: Variable que registra la cantidad
de tiempo que ha sido simulada
NO tiene relacin con el tiempo requerido para llevar a cabo
simulacin!!!
Mtodos para incrementar el reloj de simulacin
9 INCREMENTO EN TIEMPO FIJO (time step):
Reloj simulacin se incrementa en t unidades tiempo
Cada vez que se incrementa tiempo se actualizan las variables de estado,
comprobando si es por eventos si alguno ha ocurrido en ese intervalo
Los eventos que hayan podido ocurrir en ese intervalo, se considera que
ocurren al final del intervalo, momento en que se actualizan las variables.
Desventajas: Simultaneidad de eventos, error, lentitud.
S1

2t s2
s3
3t
4t
Tratamiento del tiempo (ii)

9 INCREMENTO AL PRXIMO EVENTO (event step):
El reloj de simulacin se inicializa a cero y se determinan los instantes en
que sucedern los futuros eventos (todos o los ms inmediatos que puedan
ocurrir).
El reloj de simulacin se avanza hasta el instante del suceso ms inminente
de los futuros eventos, actualizando en ese instante el estado del sistema
dependiendo del evento de que se trate (Si es necesario se genera el
siguiente evento de ese tipo)
s1
s2
s3
Ventajas:
los periodos de inactividad son saltados MENOR
EJECUCIN
tiene en cuenta instantes exactos (no error)
TIEMPO
DE
Organizacin de un modelo de simulacin

Estado del sistema: variables describen sistema en un instante
particular
Reloj de simulacin: variable valor actual de tiempo simulado
Lista de eventos: lista de instantes en que ocurrirn los prximos
eventos de cada tipo
Contadores: variables para almacenar informacin sobre el
comportamiento del sistema
Rutina de tiempo: determina el siguiente evento y avanza el reloj
de simulacin al instante en que va a ocurrir
Rutina de evento: actualiza las variables cuando ha ocurrido un
evento. Hay una por cada tipo de evento.
Generador de informes o resultados: realiza los clculos o
estimaciones de las caractersticas que se desean medir, cuando
la simulacin acaba.
Programa
principal:
enlaza todas las rutinas anteriores.
E
T
S
I
SCUELA
CNICA UPERIOR DE NGENIERA
Organizacin de un modelo de simulacin

Rutina
inicializacin
Reloj simulacin = 0
Inicializar estado y contadores
Inicializar lista de eventos
Determinar tipo prximo evento i
1 Llamar
rutina tiempo
Avanzar reloj de simulacin

Rutina tiempo
Programa principal
Actualizar estado
Actualizar contadores
2 Llamar
rutina evento
Generar futuros eventos y

actualizar lista de eventos
Rutina evento i
Regla de parada
Fin de
simulacin?
NO
SI
Generador
resultados
Clculos finales (estimaciones)

Imprimir informe
Simulacin por incremento de tiempo fijo

t = 0.1 h Tasa media de llegadas de clientes: 3 clientes/hora. Tasa
media de servicio: 5 clientes/hora
Hiptesis
9 Es suficientemente pequeo para que no haya simultaneidad de eventos.
Slo hay una llegada o salida en cada intervalo
Probabilidad de una llegada en t
Pe = P {T t + t | T > t} = 1 e t = 1 e 0.3 = 0.26
Probabilidad de una salida en t
Ps = P {T t + t | T > t} = 1 e t = 1 e 0.5 = 0.39
Generador de eventos generador nmeros aleatorios uniformemente

distribuidos U[0,1]
U < 0.26 ocurre una llegada U 0.26
no ocurre una llegada
U < 0.39 ocurre una salida
U 0.39
no ocurre una salida
Estado inicial: ningn cliente en el sistema
Traza del funcionamiento del sistema de colas

Tiempo
t
Llegada
de
clientes
Clientes
en cola
Lq(t)
Tiempo medio
de clientes en
cola
Wq(t)
Clientes Tiempo medio

en servicio de clientes en
servicio
Salida de
clientes
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
...
Simulacin por eventos

Se generan los tiempos de ocurrencia de eventos de llegada o salida en
funcin de sus distribuciones de probabilidad mediante nmeros aleatorios.
Se avanza el tiempo de reloj hasta el siguiente evento (mnimo de los
tiempos futuros ms cercanos)
Tiempo
t
Llegada de
clientes
Clientes
en cola
Lq(t)
Tiempo
medio de
clientes en
cola
Wq(t)
Clientes
en servicio
Tiempo medio
de clientes en
servicio
Salida de
clientes
0
0.15
0.27
0.43
0.73
...
Ejemplo: Sistema lnea de espera con un

servidor
Objetivo: Estimar el nmero medio de clientes en el sistema
Hiptesis y datos:
9 Tiempos entre llegadas de clientes: Distribucin F
9 Tiempos de servicio: Distribucin G
9 Tiempos independientes
9 T, tiempo mximo de simulacin
Variables de estado:
9N
: Nmero de clientes en el sistema
Eventos:
9 Llegada de un cliente
9 Servicio de un cliente
Mecanismo de transicin:
9 Llegada : N N+1
9 Servicio: N N-1

N (t ) + 1 si es llegada de un cliente
N (t )
N (t ) 1 si es final de servicio
Modelado de sistemas mediante simulacin

Otras variables:
9 TM : Reloj de simulacin
9 DL
: Tiempo entre llegadas =d F
9 DS
: Tiempo de servicio =d G
9 TL
: Instante de la prxima llegada
9 TS
: Instante del prximo fin de servicio
9 SUMA: contador acumulando suma de reas de clientes en el
sistema por tiempo de permanencia
9 TANT : Variable auxiliar (Instante de ltimo evento)

Traza del modelo

DL: 3 2 5 1 2 6 6 2 8;
N evento
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
RELOJ Simulacin
0
3
5
7
8
10
11
13
14
15
18
19
21
25
27
28
33
35

DS: 4 1 4 1 3 2 3 5; T= 35
Tipo Evento
Inicio
Llegada
Llegada
Servicio
Servicio
Llegada
Llegada
Llegada
Servicio
Servicio
Servicio
Llegada
Servicio
Llegada
Llegada
Servicio
Servicio
Final
N
0
1
2
1
0
1
2
3
2
1
0
1
0
1
2
1
0
TL
3
5
10
10
10
11
13
19
19
19
19
25
25
27
35
35
35
TS
7
7
8
14
14
14
15
18
21
28
28
33
Suma
0
0+0*3=0
0+1*2=2
2+2*2=6
6+1*1=7
7+0=7
7+1*1=8
8+2*2=12
12+3*1=15
15+2*1=17
17+3*1=20
20+0=20
20+1*2=22
22+0=22
22+1*2=24
24+2*1=26
26+1*5=31
31+0*2=31

Tiempo de simulacin T=35
Nmero medio de clientes en el sistema: Media=31/35=0.89
N
N
33
55
77 88
1100 1111
1133 1144 1155
1188
tt
Si el tiempo de simulacin hubiera sido T=18

Nmero medio de clientes en el sistema: Media=20/18=1.11


PROGRAMA PRINCIPAL
Inicializar
N=0, TM=0
SUMA=0, TS=
Programa Principal
Generar DL
TL=DL
TM=min(TL,TS)
Servicio
NO
TL<TS?
SI
TANT=TM
SUMA/TM
Parar
NO
TM<T?

SI
Llegada
1. Inicializar
N=0, TM=0, SUMA=0, TS=
Generar DL, poner TL=DL
2. Avanzar reloj de simulacin:
TM =min(TL,TS)
3. Identificar prximo evento y
llamar subrutina de evento
Si TL<TS, llamar LLEGADA.
En otro caso, llamar SERVICIO
4. Regla de parada:
Si TM<T, ir a 2.
5. Salida: SUMA/TM. Parar.

SUBRUTINAS
Servicio
1. Variables de estado
N=N-1
2. Actualizar prximos eventos:
Si N>0, Generar DS, poner TS=TM+DS.
En otro caso, poner TS=.
3. Actualizar contadores y auxiliares
Poner SUMA=SUMA+(N+1)(TM-TANT)
Poner TANT=TM
4. Volver
Servicio
N=N-1
NO
N>0?
TS=
SI
Generar DS
TS=TM+DS
Llegada
N=N+1
SUMA=SUMA+(N+1)(TM-TANT)
Volver
NO
N>1?
SI
Generar DS
TS=TM+DS
Generar DL
TL=TM+DL
SUMA=SUMA+(N-1)(TM-TANT)
Volver

Llegada
1. Variables de estado
N=N+1
2. Actualizar prximos eventos:
Si N=1, Generar DS, poner TS=TM+DS.
Generar DL, poner TL=TM+DL
3. Actualizar contadores y auxiliares
Poner SUMA=SUMA+(N-1)(TM-TANT)
Poner TANT=TM
4. Volver
ndice



Metodologa en un estudio de simulacin

CREACIN DEL MODELO O SIMULADOR
1. FORMULAR EL PROBLEMA (fase de especificacin)
Objetivos, hiptesis, parmetros, variables de estado,...
2. REUNIR DATOS Y CREAR UN MODELO

Diagrama de flujo
3. PROGRAMAR EL MODELO
Lenguaje general o lenguaje de simulacin
4. VERIFICAR LA PROGRAMACIN (depuracin)
NO
Verificar que lo que se ha programado coincide con lo que se haba modelado
5. VALIDAR EL MODELO
NO
Ejecutar y comparar con sistema o solucin terica casos sencillos

METODOLOGA EN UN ESTUDIO DE SIMULACIN

USO DEL MODELO O SIMULADOR
6. DISEAR EL EXPERIMENTO
Estrategias, pruebas, nmero de simulaciones,...
Tcnicas de Reduccin de la Varianza
7. LLEVAR A CABO LAS EJECUCIONES DE SIMULACIN
8. ANALIZAR LOS RESULTADOS
Muestra simulada Anlisis estadstico
9. DECIDIR SI DAR POR TERMINADA LA SIMULACIN
10. DOCUMENTAR Y ORGANIZAR LAS EJECUCIONES

NO
ndice




Aleatoriedad
Obtener modelos desde los datos:
9 anlisis estadsticos clsicos (distribuciones empricas y contrastes de
bondad de ajuste)
Simular valores de las variables aleatorias modeladas:

1. Distribucin uniforme (0,1) Nmeros pseudoaleatorios
2. Distribuciones discretas
3. Distribuciones absolutamente continuas

Generacin de muestras uniformes

Secuencia de nmeros aleatoria: si cualquier secuencia finita,
seleccionada previamente a su diseo, es igualmente factible
que est incluida en aquella.
Mtodos fsicos (la ruleta) tablas de nmeros: No eficiente
uso ordenador
Nmeros pseudoaleatorios: Mtodos aritmticos.
9 Producir una secuencia de nmeros que siguen una distribucin de
probabilidad especfica y tienen apariencia y propiedades de
aleatoriedad.
Propiedades:
9
9
9
9
9
9
Distribucin uniforme
Estadsticamente independientes
Reproducibles
Capaces de producir diferentes secuencias de nmeros
Rpidos de generar y no requerir almacenamiento
Tener un ciclo no repetitivo tan largo como se desee

Generacin de muestras uniformes

MTODOS CONGRUENCIALES (LEHMER(1951))
xn+1
ES EL RESTO DE DIVIDIR yn+1 = axn + b ENTRE m.
yn+1 yn+1
m n .
m m
m = 9 a = 5 b = 1 x0 = 1
y1 = 5 1 + 1 = 6
x1 = 6
y2 = 5 6 + 1 = 31
x2 = 4
y3 = 5 4 + 1 = 21
x3 = 3
y4 = 5 3 + 1 = 16
x4 = 7
y5 = 5 7 + 1 = 36
x5 = 0
y6 = 5 0 + 1 = 1
x6 = 1 = x0
LEY RECURRENTE xn+1 =

EJEMPLO:
9 m mdulo, a multiplicador. Si b=0, multiplicativo, si no, mixto.

9 X0 semilla de sucesin (dado por programador: reproducible)
9 Propiedades estadsticas: uniformidad e independencia.
9 Buenos generadores: m = 2 1 , a = 16807 o 63036016 (Ciclo m-1)
9 Muestras uniformes en intervalo (0,1): dividir nmeros por m
9 Si
se
dispone
de diferentes cadenas, una para cada parmetro
aleatorio
DEPARTAMENTO
INDUSTRIAL
DE O
RGANIZACIN
31
Generacin de variables aleatorias discretas

Mtodo general o estndar
X variable aleatoria discreta
p1
Generar u =U (0,1) ,
Ejemplo:
0
1
X =
2
3
con prob p1 = 0.1

con prob p2 = 0.2
con prob p3 = 0.5
con prob p4 = 0.2
x1 con prob p1
x con prob p
2
X = 2
x3 con prob p3
p1+p2
p1+p2+p3
i 1
X = xi
p =1
k
si pk u < pk o sea,
k =1
k =1
Fx ( xi1 ) u < Fx ( xi )
F (x )
1
0.8
0.3
0.1
0 1 2
9 U= 0.27, 0.54, 0.06, 0.89, 0.15, x = 1, 2, 0, 3, 1

Generacin de variables aleatorias continuas

.
3 ) G E N E R A C I N V A R IA B L E S A L E A T O R IA S A B S . C O N T IN U A S
M T O D O D E L A T R A N S F O R M A C I N IN V E R S A
X V .A . F U N C I N D E D IS T R IB U C I N A C U M U L A D A E S F ( x ) = P { x X } .
G E N E R A R U U (0 ,1 ), Y D E T E R M IN A R A N T IIM A G E N , X T A L Q U E F ( x ) = u .
D IS T R IB U C I N E X P O N E N C IA L :
F ( x) = 1 e
x 0 (1 M E D I A ) .
U TAL QUE F ( x ) = u
x=
ln(1 u )
ln(u )
D IS T R IB U C I N U N IF O R M E E N ( a , b ) :
F ( x) =
xa
S I x ( a , b ) . U T A L Q U E F ( x ) = u , S E T IE N E Q U E x = a + (b a )u .
ba
D IS T R IB U C I N W E IB U L L ( , ) : (M E D IA
F ( x ) = 1 e ( x ) , x 0 . U T A L Q U E F ( x ) = u , S E T IE N E
(1/ ) Y D E N S ID A D f ( x ) = x 1e ( x ) , x 0 )
x=
( ln(1 u ) )
1/
( ln(u ) )
1/

M T O D O D E A C E P T A C I N - R E C H A Z O : M T O D O S IM P L E D E R E C H A Z O
c max { f ( x ) : x ( a1 , a 2 )} .
X v . a . d e n s id a d f(x ) s o p o r te a c o ta d o (a ,b ) .
P u n to u n ifo rm e (a ,b )x (0 ,c ), s i p o r e n c im a d e la c u r v a r e c h a z a r , s i n o , a c e p ta r
A lg o r it m o :
1 ) G e n e r a r u1 , u 2 U ( 0 , 1 )
C a l c u l a r x = a + ( b a )u1 . C a l c u l a r y = cu 2
2 ) C a lc u la r f ( x ) . S i y > f ( x ) ir a 1 )
f ( x)
3 ) S a lid a : X
P (Aceptar un valor dado por ( x1 , y1 )) =
1
c = max { f ( x ) : x ( a , b )}
c (b a )
F (X )
E je m p lo :
x
0 x 1
f ( x ) = 1 ( x 1)
1 x 2
0
fuera de [ 0,2 ]
1 ) G e n e r a r r1 = U (0,1) y r2 = U (0,1) . C a l c u l a r x = 2 r1 e y = r2
2 ) A c e p t a r x s i r2 f ( x ) , s i n o , r2 > f ( x ) y v o lv e r a l p a s o 1 )

9 Algunas distribuciones particulares
9 Normal (,)
Normal(0,1), multiplicar por y sumar .
No expresin funcin distribucin: no transformada inversa
9 Mtodo del Teorema Central del Lmite

X1,..., Xnv.a.i.i.d media y desviacin
Aplicado a U(0,1):
X
i =1
n
2
i =1
n /12
ui
u
i =1
N(0,1)
n
12
Con n=12,
(12 pequeo)
9 Mtodo de Box-Mller
Algoritmo:
u1, u2 U(0,1)
1) Generar
2) Salida: x = 2ln u cos(2 u )
1
2
y = 2 ln u1 sen(2 u2 ) v.a.i.i.d. N(0,1)
9 Mtodo polar de Marsaglia: evita evaluar cosenos y senos

ndice


Caractersticas comunes al codificar modelos de simulacin:
9 Generacin de muestras de nmeros aleatorios U(0,1)
9 Generacin muestras variables aleatorias con distribuciones especficas
9 Mecanismos de control y flujo del tiempo
9 Determinacin del siguiente evento
9 Actualizacin listas sucesos (adicin, supresin, actualizacin registros)
9 Recogida y anlisis de datos generados por la simulacin
9 Elaboracin de informes, grficas, ...
Lenguajes de simulacin de propsito general

Gran desarrollo
Incremento del uso de la SIMULACIN

Lenguaje simulacin versus lenguaje propsito

general
Ventajas de los lenguajes de simulacin
9 Proporcionan la mayora de caractersticas necesarias para programar un
modelo simulacin reduccin de esfuerzo de programacin
9 Entorno de trabajo natural para el uso de modelos de simulacin
bloques bsicos de programacin ms afines
9 Ms sencillos de codificar ms fcil de modificar para experimentos
9 Facilitan deteccin errores, especialmente en lgica de proceso
Ventajas de los lenguajes de propsito general

9 En general, los modeladores conocen algn lenguaje de propsito
general, pero no suelen conocer lenguajes de simulacin
9 Suelen estar disponibles en cualquier ordenador, no los de simulacin.
9 El coste del software es menor.
9 El tiempo de ejecucin es menor (ms eficientes)
9 Mayor flexibilidad.
TIPOS DE SOFTWARE DE SIMULACIN
9 Lenguaje de simulacin: Lenguaje de programacin que es general
por naturaleza pero con desarrollos especiales para cierto tipo de
aplicaciones. Ejemplo: SIMAN, GPSS, etc. Un modelo se
desarrolla en un lenguaje de simulacin escribiendo un programa
usando estructuras de modelado del lenguaje Experto
programador
9 Simulador: Programa que permite simular un sistema de una clase
especfica de sistemas con poca o ninguna programacin Poca o
ninguna experiencia en PROGRAMACIN Limitadas las
posibles configuraciones de los sistemas. Ejemplo: simulador de
vuelo, simulador de un centro de control de una central nuclear.

ndice


Anlisis de resultados de simulacin

Un estudio de simulacin busca respuestas a preguntas sobre el
sistema a travs de la informacin que proporcionan los
experimentos con el modelo
Los experimentos responden a preguntas: Qu pasara s?
(What-if)
Las respuestas servirn de soporte a una decisin sobre el
sistema variable respuesta (numrica)
Cada alternativa es una variante del modelo o escenario de
simulacin para el experimento estimacin variables
respuesta estadstica
9 Muestreo, reduccin varianza, estimacin, diseo experimentos
Estimacin de medias (esperanzas)

En general, valor esperado de variable respuesta se estima
mediante media muestral de las observaciones. Tambin
intervalo confianza (precisin)
Intervalo de confianza
n
Y=
Yi
i =1
S =
2
2
(
Y
Y
)
i
i =1
n 1
Y tn 1, / 2
S
n
(De 100 intervalos confiamos en que en al menos % estar la media)
Muestreo de dimensin fija:

9 n fijado antemano precisin la que resulte
Muestreo secuencial:
9 precisin fijada antemano (anchura del intervalo) tamao de muestra
indeterminado (fijar y si no se alcanza precisin, seguir)

Modelos matemticos de simulacin

Andrs Ramos
Andres.Ramos@iit.icai.upcomillas.es
Universidad Pontificia Comillas

Begoa Vitoriano
bvitoriano@mat.ucm.es
Universidad Complutense de Madrid


Modelos Matemáticos de Simulacion

Cargado por

Información del documento

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

Modelos Matemáticos de Simulacion

Cargado por

Copyright:

Formatos disponibles

ESCUELA TCNICA SUPERIOR DE INGENIERA

DEPARTAMENTO DE ORGANIZACIN INDUSTRIAL

Modelos matemticos de simulacin

Universidad Pontificia Comillas

Universidad Complutense de Madrid

Sistemas, modelos y simulacin

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de simulacin - 1

Sistemas, modelos y simulacin

ESCUELA TCNICA SUPERIOR DE INGENIERA

Procedimientos de obtencin de modelos

Anlisis experimental o mtodo inductivo

SIMULACIN DEL MODELO

Modelos matemticos de simulacin - 3

Modelos matemticos de simulacin - 4

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de simulacin - 5

2. Se simulan o muestrean los parmetros aleatorios

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de simulacin - 6

Cando conviene utilizar la simulacin?

Modelos matemticos de simulacin - 7

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de simulacin - 8

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de simulacin - 9

Tipos de modelos de simulacin

Clasificacin segn la aleatoriedad

Clasificacin segn las variables de estado

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de simulacin - 10

Ejemplo modelo continuo: presa-depredador

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de simulacin - 11

Sistemas, modelos y simulacin

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de simulacin - 12

Modelos matemticos de simulacin - 13

Tratamiento del tiempo (i)

ESCUELA TCNICA SUPERIOR DE INGENIERA

Modelos matemticos de simulacin - 14

Tratamiento del tiempo (ii)

Modelos matemticos de simulacin - 15

Organizacin de un modelo de simulacin

CNICA UPERIOR DE NGENIERA

DEPARTAMENTO DE ORGANIZACIN INDUSTRIAL

Modelos matemticos de simulacin - 16

Organizacin de un modelo de simulacin

Determinar tipo prximo evento i

Avanzar reloj de simulacin

Generar futuros eventos y

Clculos finales (estimaciones)

Modelos matemticos de simulacin - 17

Simulacin por incremento de tiempo fijo

Probabilidad de una llegada en t

Pe = P {T t + t | T > t} = 1 e t = 1 e 0.3 = 0.26

Probabilidad de una salida en t

Ps = P {T t + t | T > t} = 1 e t = 1 e 0.5 = 0.39

Generador de eventos generador nmeros aleatorios uniformemente

Modelos matemticos de simulacin - 18

Traza del funcionamiento del sistema de colas

Clientes Tiempo medio

Modelos matemticos de simulacin - 19

Simulacin por eventos