337 Mia

UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADMICO AREA: INGENIERA / CARRERA: INGENIERA DE SISTEMAS
MATERIAL INSTRUCCIONAL DE APOYO

ASIGNATURA: SIMULACIN DE SISTEMAS Cdigo: 337 U.C.: 4 CARRERA: Ingeniera de Sistemas Cdigo: 236 VII
SEMESTRE:
AUTOR:
Lic Mara Eugenia Mazzei (Especialista en contenido) Ing. Javier Torrealba (Especialista en contenido) Ing. Judit Carvallo (Coordinadora de la carrera) Dra. Egle Arellano (Diseadora de Instruccin)
ASESORES:
DISEO ACADMICO
Caracas, Marzo 2006
Simulacin de Sistemas - 337
Tabla de Contenido
II. Introduccin. III. Objetivo del curso... IV. Contenido... Mdulo I: Fundamentos de Modelos Matemticos.. Objetivo Estructura Unidad 1: Modelos Matemticos.. Objetivo.. Contenido... Recomendaciones para el estudio del contenido de la Unidad Sistema.. Modelo Modelo Matemtico.. Variable de estado... Formulacin de un modelo matemtico... Ejercicios de autoevaluacin.. Respuestas a los ejercicios de autoevaluacin.. Unidad 2: Ecuaciones de Diferencias Finitas..... Objetivo. Contenido. Recomendaciones para el estudio del contenido de la Unidad Diferencias Finitas.... Ecuaciones de diferencias finitas de primer orden. Ecuaciones de diferencia lineal de primer orden ... Sucesiones aritmticas y geomtricas.. Soluciones de las ecuaciones diferenciales de primer orden... Estabilidad. Ejercicios de autoevaluacin.. Respuestas a los ejercicios de autoevaluacin.. Mdulo II: Aplicacin de Mtodos Numricos en Sistemas Continuos.. Objetivo.. Estructura...... Unidad 3: Mtodo Numrico de Euler para Resolucin de Ecuaciones Diferenciales.. Objetivo. Contenido. Recomendaciones para el estudio del contenido de la Unidad.. Mtodo de Euler.. Ejercicios de autoevaluacin. Respuestas a ejercicios de autoevaluacin Unidad 4: Mtodo Numrico de Runge-Kutta para la Resolucin de Ecuaciones Diferenciales Pgina 4 6 6 6 6 6 7 7 7 8 9 10 15 15 17 20 22 24 24 24 25 26 27 29 30 31 36 38 38 41 41 41 42 42 42 43 44 48 48 50
Objetivo. Contenido. Recomendaciones para el estudio del contenido de la Unidad . Mtodo de Runge-Kutta de Cuarto Orden Ejercicios de autoevaluacin.. Respuestas a ejercicios de autoevaluacin Unidad 5: Mtodo Numricos de Varios Pasos para la Resolucin de Ecuaciones Diferenciales Objetivo.. Contenido... Recomendaciones para el estudio del contenido de la Unidad Mtodos Numricos de Varios Pasos . Ejercicios de autoevaluacin.. Respuestas a Ejercicios de autoevaluacin... Mdulo III: Simulacin de Sistemas Estocsticos............... Objetivo. Estructura. Unidad 6: Introduccin a la Simulacin. Objetivo. Contenido... Recomendaciones para el estudio del contenido de la Unidad ...... Modelo de Simulacin.... El Mtodo de Monte Carlo.. Mtodos de Generacin de nmeros seudoaleatorios.. Pruebas Estadsticas... Generacin de Variables Aleatorias Discretas y Continuas. Ejercicios de autoevaluacin.. Respuestas a Ejercicios de autoevaluacin... Unidad 7 Desarrollo del Modelo de Simulacin.. Objetivo. Contenido.. Recomendaciones para el estudio del contenido de la Unidad Simulacin Estocstica ... Tipos de Simulacin. Tipificacin de Datos y Variables .. Seleccin del Lenguaje de Simulacin. Modelo de Simulacin.. Validacin.. Ejercicios de autoevaluacin. Respuestas a Ejercicios de autoevaluacin.. V.Bibliografa.... Seleccin de Lecturas
50 50 51 52 56 56 58 58 58 59 60 64 65 73 73 73 74 74 74 75 76 77 83 86 86 100 102 107 107 107 108 110 111 115 124 128 130 131 132 135 136
II. Introduccin
El presente material ha sido diseado con el propsito de reforzar los conocimientos aprendidos a travs del texto. Contiene aspectos fundamentales ilustrados con ejemplos que refuerzan los conocimientos, adems de actividades complementarias como ejercicios de autoevaluacin, ampliacin de conocimientos y bsqueda en la Web. Al final de este material se adjunta una seleccin de lecturas de varios autores, relacionadas con la simulacin estocstica, con el fin de apoyar en la consolidacin de los conocimientos en este tema.
El contenido est organizado siguiendo la estructura del curso, de la siguiente manera: Mdulo I Fundamentos de Modelos Matemticos Mdulo II Aplicacin de Mtodos Numricos en Sistemas Continuos Mdulo III Simulacin de Sistemas Estocsticos Para el buen uso de este material se sugiere tener a mano el Plan de Curso y el libro UNA, as como seguir fielmente las recomendaciones aqu expuestas.
Iconos empleados en el material instruccional A lo largo de la lectura de este material encontrar diversos conos, cuyo significado se explica a continuacin. Ampliacin de conocimientos: Est dirigido al estudiante que desea profundizar ms en sus conocimientos en determinado tema. Atencin: Se presenta cuando se quiere hacer una aclaratoria, una advertencia o una reflexin sobre algn aspecto del contenido. Caso de estudio: Es la exposicin de una situacin muy similar a la realidad a la cual se le dar solucin. Consulta en la Web: Indica referencias a pginas Web Consulta en otros libros: Se refiere a un llamado a consulta en libros que no figuran como textos de carcter obligatorio para el curso. Ejercicios y actividades propuestas: son ejercicios o actividades sugeridas a manera de prctica sobre algn tema de la unidad. Ejercicios de autoevaluacin: Ejercicios que debe realizar el estudiante y posteriormente verificar contra los resultados aqu presentados. Ejemplo: Es la exposicin de un caso alusivo al tema en cuestin y su resolucin. Recordatorio: Indica algn aspecto a enfatizar, relacionado con los conocimientos adquiridos previamente por el estudiante.
III. Objetivo del Curso

Formular modelos de simulacin de sistemas utilizando un enfoque lgico y crtico.
IV. Contenido MDULO I

Fundamentos de Modelos Matemticos En este primer mdulo se desarrollar el concepto de modelo, su uso y en particular el problema de sntesis de modelos matemticos y de sistemas dinmicos en funcin de variables de estado. Tambin se abordar el tema sobre ecuaciones de diferencias finitas a partir de el cual se introduce el mtodo numrico de representacin de modelos.
Objetivo del Mdulo I: Resolver problemas relacionados con el comportamiento de sistemas descritos en trminos de ecuaciones de estado, bajo un enfoque lgico y crtico. Estructura del Mdulo I Unidad 1: Modelos Matemticos. Unidad 2: Ecuaciones de Diferencias Finitas.
UNIDAD 1
Modelos Matemticos Los modelos matemticos son una descripcin, desde el punto de vista de las matemticas, de un hecho o fenmeno del mundo real. Con el contenido de esta primera Unidad se pretende que el estudiante adquiera conocimientos y tcnicas bsicas para la modelacin de sistemas. Esta unidad se inicia con la definicin de sistema, seguido de un marco terico compuesto de: concepto de modelo, caractersticas deseables en los modelos, circunstancias en las que debemos modelar, limitaciones de los modelos y tipos de modelos. Donde se pretende obtener las tcnicas para la descripcin de los sistemas a travs de los modelos. Seguidamente, como punto final, nos enfocaremos en los modelos matemticos y las variables de estado, con el objeto de orientarnos hacia la formulacin de los modelos matemticos. Se sugiere leer las recomendaciones para el estudio del contenido de la unidad, y de esta forma obtener una mejor comprensin del mismo. Objetivo de la Unidad 1 Resolver problemas inherentes a sistemas cuyo comportamiento se describe a travs de ecuaciones de estado.
Contenido de la Unidad 1: Sistemas. Modelos. Tipos. Modelos matemticos y variables de estado. Determinacin de los estados de un sistema. Formulacin del modelo matemtico
Para llevar a cabo el estudio de esta unidad, presentaremos algunas recomendaciones que incluyen un conjunto de actividades cuya realizacin se recomienda hacer antes de proseguir a analizar los ejemplos aqu presentados.
Recomendaciones para el estudio del contenido de la unidad. Repasar la teora y conceptos sobre sistema y modelo. Repasar la teora sobre ecuaciones diferenciales. Estudiar la Unidad 1 del libro. Estudiar el Captulo I titulado Generalidades del Modelo de la seleccin de lecturas anexa. Resolver los problemas propuestos y los ejercicios de autoevaluacin del libro. Consultar otras fuentes bibliogrficas. deber estar
Al concluir el estudio de esta unidad en el libro, el estudiante capacitado para responder las siguientes preguntas:
Qu es un sistema? Qu es un modelo? Cules son los tipos de modelos? Para qu sirve un modelo? Qu es un experimento?
Sistema A continuacin se mencionan algunos conceptos de sistema: Conjunto de elementos interrelacionados entre s que actan juntos para lograr un objetivo comn Porcin de la realidad que aislamos para estudiarla. Un sistema es una estructura dinmica de personas, objetos y procedimientos organizados con el propsito de lograr ciertas funciones.
Una clase particular de los sistemas, son los sistemas dinmicos, los cuales son aquellos que evolucionan a lo largo del tiempo. Este cambio del sistema implica la existencia de variables del sistema que cambian en el tiempo. Algunas de estas variables pueden ser observadas desde su entorno, y a su vez, los cambios en las variables del sistema son producto de la influencia de cambios ejercidos por su entorno al sistema. Esto da lugar a la propiedad de los sistemas (en particular de los sistemas dinmicos) de relacionarse con su entorno. La relacin con el entorno recae naturalmente dentro de las siguientes dos categoras: - Hay variables que son generadas por el entorno y pueden influir en el comportamiento del sistema. stas son llamadas entradas del sistema. - Hay otras variables que son determinadas por el sistema y que a su vez influyen en el comportamiento de su entorno. stas son llamadas las salidas del sistema. En general, debemos ser capaces de asignar valores al menos a algunas de las entradas del sistema, y observar el comportamiento del sistema mediante el registro de las salidas resultantes (ver Figura 1.1).
Entorno
Entradas
Sistema
Salidas
Figura 1.1. Representacin de sistema y su entorno 9
Otro concepto que se consider importante es el siguiente: un sistema es una fuente potencial de dato. A partir de este concepto se genera la interrogante: cmo se obtienen los datos? , stos se obtienen a travs de experimentos. Un experimento es el proceso de extraccin de datos del sistema, influyendo sobre el sistema a travs de cambios en sus entradas. Tambin se puede mencionar que un experimento es la realizacin de ensayos sobre el sistema, en la observacin de las reacciones del mismo, y en la obtencin de leyes de su comportamiento, expresadas por lo general mediante lenguaje matemtico. Algunos ejemplos de sistemas que podemos citar son los siguientes: Sistema Social Sistema Nervioso Central Sistema Solar Sistema Econmico Sistema Financiero Sistema Ecolgico
Ejercicios y actividades propuestas: 1. Sobre la base de la teora estudiada, realice una lista de al menos 5 sistemas que se encuentren en su entorno (comunidad, trabajo, etc.) que usted pueda identificar. El primer paso a dar para estudiar un sistema es elaborar un modelo. Modelo Al igual que sistema, podemos encontrar diferentes conceptos de modelo. Aqu mencionamos algunos de ellos: Representacin en pequeo de alguna cosa. Esquema terico, generalmente en forma matemtica, de un sistema o de una realidad compleja, que se elabora para facilitar su comprensin y el estudio de su comportamiento. Un modelo es una idealizacin de la realidad utilizado para plantear un problema, normalmente desde un punto de vista matemtico. Es una
10
representacin conceptual de un proceso o sistema, con el fin de analizar su naturaleza, desarrollar o comprobar hiptesis o supuestos y permitir una mejor comprensin del fenmeno real al cual el modelo representa. Otro concepto que tomaremos en cuenta es el siguiente: Herramienta utilizada para responder preguntas respecto al sistema sin tener que experimentar de forma real (representacin de la realidad). A continuacin un esquema que permite visualizar de donde se obtiene un modelo:
PROCESO
Objeto formal no generalizado Porcin de la realidad que aislamos para estudiarla
SISTEMA
MODELO
Simplificacin de la realidad que contiene una representacin matemtica de lo que existe en el sistema
Figura 1.2. Visualizacin de donde se obtiene un modelo Caractersticas deseables en los modelos: Exacto (tiene pequeos errores). Realista (est basado en suposiciones correctas). Robusto (inmune a errores de entrada, buen desempeo). Generalizable. til. Circunstancias en las que debemos modelar: El sistema real no existe. La realizacin del sistema es costosa. La experimentacin (real) es peligrosa. Existe necesidad de simular. No hay soluciones analticas.
11
Limitaciones de los modelos: Modelos complicados involucran muchas horas de trabajo Se generan resultados sub-ptimos.
Tipos de Modelos: Existen tres tipos de modelos:

Modelos Icnicos Modelos Anlogos Modelos Simblicos
Los Modelos Icnicos: son los modelos fsicos que se asemejan al sistema real, generalmente manejados en otra escala. Por ejemplo: Los modelos de aviones que construyen los ingenieros y los modelos de ciudades que construyen los urbanistas. Los Modelos Anlogos: son los modelos en los que una propiedad del sistema real se puede sustituir por una propiedad diferente que se comporta de manera similar. Ejemplo: El mapa de carreteras es un modelo anlogo del terreno correspondiente, el velocmetro de un vehculo representa la velocidad mediante el desplazamiento anlogo de una aguja sobre una escala graduada. Los Modelos Simblicos: Son aquellos en los que se utiliza un conjunto de smbolos en lugar de una entidad fsica para representar la realidad. Por ejemplo, los fsicos construyen modelos cuantitativos del universo y los economistas crean modelos cuantitativos de la economa. Por el hecho de que se utilizan variables cuantitativamente definidas e interrelacionadas por medio de ecuaciones, es frecuente que los modelos simblicos sean conocidos como modelos matemticos. La tabla que se presenta a continuacin resume las caractersticas mas relevante de cada uno de estos modelos, as como algunos ejemplos.
Tipo de Modelo Modelo fsico
Caractersticas Tangible Comprensin y posibilidad de compartirlo: difcil Modificacin y manipulacin: difcil Alcance de utilizacin: la ms baja Intangible Comprensin: ms difcil Duplicacin y posibilidad de compartirlo: ms fcil Modificacin y manipulacin: ms fcil
Ejemplos Modelo de un aeroplano, modelado de una casa, modelo de una ciudad Mapa de carreteras, velocmetro, grfica de rebanadas de pastel
Modelo anlogo
12
Alcance de su utilizacin. ms amplio Modelo simblico Intangible Comprensin: la ms difcil Duplicacin y posibilidad de compartirlo: las ms fciles Modificacin y manipulacin: las ms fciles Alcance de su utilizacin: el ms amplio Modelo de simulacin, modelo algebraico, modelo de hoja de clculo electrnica.
Tabla 1.1 Tipos de Modelos Los Modelos Simblicos se clasifican a su vez en: Modelos determinsticos Modelos estocsticos o probabilsticos Modelos dinmicos Modelos estticos Modelos continuos Modelos discretos
En el Captulo I Generalidades del Modelado, de la seleccin de lecturas anexa, encontrar los conceptos de cada uno de los tipos de modelos. A continuacin se presentan algunos ejemplos de los Modelos Simblicos:
Ejemplo 1.1. (Modelo Estocstico) Cuando las variables tienen valores probables: podr caer el prximo ao. la cantidad de lluvia que
Ejemplo 1.2. (Modelos Estticos ) Modelo Elctrico (ley de ohm): Modelo Mecnico (Resorte): v=R*i F=k*x
Ejemplo 1.3. (Modelo Discreto) Modelo de produccin de piezas en una empresa metal-mecnica
Ejemplo 1.4. (Modelos Dinmicos)
13
Si se toma en cuenta la variacin del tiempo: la variacin de la temperatura, del aire durante un da. Movimiento anual de las finanzas de una empresa. Laboratorio de qumica: reaccin entre elementos Cabe destacar que adems de los modelos antes mencionados, existen otros modelos, los cuales son la combinacin de dos o ms modelos (modelos mixtos). Por ejemplo los modelos dinmicos discretos y los modelos dinmicos continuos, donde el tiempo puede ser una variable discreta o continua respectivamente. Estos ltimos modelos, los modelos dinmicos, son de mayor inters en el estudio de esta unidad, por tal razn nos enfocaremos ms en ellos. Una de las caractersticas principales de los modelos dinmicos, es el cambio que presentan las variables en funcin del tiempo.
Perturbaciones
Variables de entrada
MODELO
Variables de salida
Figura 1.3. Representacin del modelo y su entorno Donde: Variables de entrada: son las variables del entorno que influyen sobre el comportamiento del sistema. Variables de salida: son las variables del sistema que son observadas o modifican el entorno. Perturbaciones: tienen inferencia sobre el sistema pero no pueden ser manipuladas. (Ejemplo: La lluvia). A continuacin se expone lo que representa bsicamente la estructura de un modelo dinmico. Estructura del Modelo El modelo se puede escribir de tal forma E = f(xi, yi) (1.1)
14
Donde: E: Es el efecto del comportamiento del sistema xi: Son las variables y parmetros que nosotros podemos controlar yi: Las variables y los parmetros que nosotros no podemos controlar f: Es la funcin con la cual relacionamos xi con yi con el fin de modificar o dar origen a E Un modelo siempre es una simplificacin de la realidad. Debe incorporar al modelo suficientes detalles para que: - El resultado satisfaga sus necesidades - Sea consistente con los datos que tiene usted a su alcance, y - Pueda ser analizado en el tiempo con el que usted cuenta para ese propsito Modelos Matemticos Para efectuar el anlisis de un sistema, es necesario obtener un modelo matemtico que lo represente. El modelo matemtico equivale a una ecuacin matemtica o un conjunto de ellas sobre la base de las cuales podemos conocer el comportamiento del sistema. Es necesario comentar que el modelo matemtico que se desarrolla a partir de un sistema no es nico, debido a lo cual se pueden lograr representaciones diferentes del mismo proceso. Estas diferentes representaciones no contradicen una a la otra. Ambas contienen informacin complementaria por lo que se debe encontrar aquella que proporcione la informacin de inters para cada problema en particular. Dentro de este contexto, por lo general se emplea la representacin en "variables de estado" . Variables de Estado Son variables matemticas auxiliares que permiten representar el comportamiento del sistema mediante ecuaciones. Tambin suelen definirse las variables de estado como cualquier conjunto de variables que describa el comportamiento del sistema, siempre y cuando ese conjunto sea del menor tamao posible. Cualquiera que sea la interpretacin que se adopte debe tenerse presente que: Las variables de estado pueden tener o no sentido fsico Las variables de estado pueden o no ser medibles
15
Para un mismo sistema dinmico las variables de estado no son nicas; de hecho, se pueden definir conjuntos de variables que sirvan como variable de estado. Como se pudo observar en la figura1.1., la relacin entre el sistema y su entorno, posee dos tipos de interacciones: la influencia del entorno al sistema, dada por las variables de entrada cada una de las cuales son funciones temporales (generalmente denominadas con la letra u); y cmo el sistema influye sobre su entorno, dada por las variables de salida, que tambin sern funciones temporales (y generalmente denominadas con la letra y). Los sistemas as representados con sus entradas y salidas se denominan tradicionalmente modelos de caja negra:
entradas
Sistema
salidas
u1 u2 um
:
y1 y2 yp
Figura 1.4. Representacin en caja negra del sistema Existe una relacin causa-efecto entre las salidas y las entradas del sistema. Para calcular cualquiera de las salidas para todo tiempo t t0 debemos conocer las entradas para t t0, y tambin el efecto acumulado de cualquier entrada anterior. Un enfoque para construir un modelo matemtico es encontrar ecuaciones que relacionen las salidas directamente a sus entradas mediante la eliminacin de todas las variables que son internas al sistema. De esta manera, tal vez, estemos potencialmente borrando del modelo aspectos importantes del comportamiento del sistema Otra tcnica de modelado es introducir un conjunto de variables de estado. los cuales generalmente difieren del conjunto de salidas, pero que pueden incluir una o varias de ellas. Las variables de estado deben ser elegidas de manera tal que el conocimiento de sus valores a cualquier tiempo de referencia t0 en conjunto con el conocimiento de las entradas para todo t t0 son suficientes para determinar las salidas y las variables de estado del sistema para todo t t0. Un requerimiento adicional sobre estas variables de estado es que las mismas deben ser independientes entre s; esto es, no puede ser posible expresar una variable de estado como una funcin algebraica de las restantes. Esta representacin es particularmente conveniente para trabajar con sistemas MIMO (multiple-input, multiple-output = sistemas de mltiples variables de entradas y mltiples variables 16
de salida), y adems para obtener soluciones a travs del computador. La figura siguiente representa al sistema incluyendo las variables de estado denominadas x1(t), x2(t), ... xn(t).
entradas
Sistema
salidas
u1 u2 um
:
x1 x2
:
y1 y2 yp
xn
Figura 1.5. Representacin general del sistema mostrando Formulacin de un modelo matemtico El modelo matemtico est constituido por relaciones matemticas (ecuaciones y desigualdades) establecidas en trminos de variables, que representan la esencia del problema que se pretende solucionar. Veamos algunos ejemplos sencillos que nos permitir ilustrar la formulacin de un modela matemtico.
Ejemplo 1.5. (Modelo Matemtico) Si se encuentra usted actualmente durante las horas de la maana en Caracas, Dtto Capital, y desea estar en Maracaibo, Edo. Zulia, a la hora de la cena, tal vez le interese estimar el tiempo que tendr que viajar en su automvil desde Caracas hasta Maracaibo. Para eso podra consultar la distancia en kilmetros en un mapa o por Internet, la cual dividira despus entre su velocidad promedio tpica. En este caso, su modelo sera: T=D/S donde T= tiempo, D= distancia, y S=velocidad (1.2)
Sin duda este modelo es til. No obstante, advierte que es una simplificacin de la realidad. Por que se han pasado por alto muchos factores que podran influir en la duracin de su viaje. No se ha molestado usted en incluir retrasos por posibles reparaciones en el camino, las condiciones del tiempo, escalas para abastecerse de gasolina o para ir al sanitario, y as sucesivamente. Sin embargo, si planea salir a 17
las 9 a.m. y T= 8 horas, entonces el modelo es bastante bueno para sus propsitos. Es decir, podr sentirse seguro que llegar a Maracaibo a tiempo para la cena. Sin embargo, supongamos que usted no podr salir sino hasta el medioda y tiene una reservacin en un restaurante de lujo para reunirse con una persona muy importante a las 07:30 p.m. En ese caso podra considerar que este modelo es demasiado simple y sentira ms confianza si lo refinara un poco para incluir otros detalles que lo acercaran ms a la realidad. Por ejemplo, podra aadir una expresin que representara sus escalas a lo largo del camino. Entonces el modelo sera: T= D/S + (R*N) (1.3)
donde R es el tiempo promedio que permanecen en cada escala de su viaje, y N es el nmero de veces que piensa detenerse. Usted puede seguir mejorando su modelo si le incorpora ms factores. Algunos de esos factores podran ser estimaciones o aproximaciones.
Ejemplo 1.5. (Modelo Matemtico Lotka- Volterra) Modelo matemtico Lotka-Volterra. El siguiente ejemplo est enmarcado en el modelo del matemtico italiano Volterra, interesado por la ecologa matemtica y creador de la teora determinista sistematizada de la dinmica de poblaciones. Oscilaciones en las relaciones presa-depredador de Volterra. Para iniciar su investigacin matemtica estableci ciertas premisas: Que la especie depredadora se alimentaba exclusivamente de la especie presa, mientras que sta se alimentaba de un recurso que se encontraba en el hbitat en grandes cantidades. Que ambas poblaciones eran homogneas, es decir, no intervenan factores como la edad o el sexo. Que, as mismo, el medio era homogneo, es decir, que las caractersticas fsicas, biolgicas entre otras, eran las mismas en el hbitat. Y que los encuentros de la especie depredadora con las especie presa eran igualmente probables. Siendo as, se encontr con que solo existan dos variables: el tamao poblacional de la especie depredadora y el de la especie presa. As mismo, supuso que ambos
18
tamaos poblacionales dependan exclusivamente del tiempo y no de alguna otra variable especial. Determin que si no existiesen depredadores, la poblacin de presas crecera malthusianamente , es decir:
mientras que si no hubiese presas, la especie depredadora decrecera, tambin siguiendo un modelo malthusiano, es decir:
& x (t ) = ax (t )
(1.4)
& y (t ) = cy (t )
(1.5)
Ahora bien, dado que la interaccin beneficia a la especie depredadora y perjudica a la presa, l supuso que seria necesario modificar a los depredadores en un trmino que diera cuenta del perjuicio para una y del beneficio para la otra, lo que tendra que ser lo siguiente:
& x (t ) = ax (t ) [trmino de interaccin] & y (t ) = cy (t ) + [trmino de interaccin]
(1.6) (1.7)
Luego, Volterra se enfrenta al problema de encontrar una forma analtica para cada termino que aparece entre corchetes y, basndose en el siguiente argumento: mientras ms encuentros por unidad de tiempo haya entre individuos de la especie presa con la especie depredadora, mayor ha de ser el perjuicio de unos y el beneficio de otros; bajo este argumento, Volterra lleg a la conclusin de que el numero de encuentros por unidad de tiempo entre presas y depredadores, es proporcional al producto algebraico de sus respectivas densidades poblacionales, incorporndose esto en las dos ecuaciones anteriores:
& x (t ) = ax (t ) bx (t ) y (t ) & y (t ) = cy (t ) + dx (t ) y (t )
[Nmero de encuentros por u. de t.] x(t)y(t)
(1.8) (1.9)
donde a es la tasa instantnea de aumento de presas en ausencia de depredadores; mientras que c es la tasa instantnea per capita de disminucin de depredadores en el caso de ausencia de presas. Originalmente Volterra interpreto esto diciendo que: 19
Los parmetros constantes a y c representan la razn de nacimiento y muerte de las dos especies; mientras que b mide la susceptibilidad de la especie presa a la depredacin y d mide la habilidad de depredacin de esta especie. Las constantes b y d son la proporcin de encuentros perjudiciales para las presas y la correspondiente de encuentros benficos para los depredadores, respectivamente. Y as logr afirmar que en una interaccin presa-depredador descrita en las ecuaciones anteriores, el tamao de la especie presa y el de la especie depredadora, cambian peridicamente al aumentar el tiempo. Usted puede continuar modificando este modelo si le incorpora ms factores. Algunos de esos factores podran ser estimaciones o aproximaciones.
Ejercicios y actividades propuestas: 1. Sobre la base de la teora estudiada, identifique y describa un sistema que se pueda representar a travs de un modelo estocstico. Sobre la base de la teora estudiada, identifique y describa un sistema que se pueda representar a travs de un modelo determinstico. Un modelo econmico puede ser incluido dentro de los modelos dinmicos, basndose en esta afirmacin, dado el sistema del Producto Interno Bruto (PIB) de un pas, formule el un modelo, tomando en consideracin las siguientes variables: y(t) = PIB en el ao t c(t) = Consumo total en el ao t i(t) = Inversiones totales en el ao t g(t) = Gastos del Gobierno en el ao t
2.
3.
Ejercicios de Autoevaluacin: 1. Considere un circuito RLC simple como se muestra en la siguiente figura:
20
Figura 1.6. Circuito RLC Tomando en cuenta que, por regla general, el nmero de variables de estado es igual al nmero de almacenadores de energa del sistema, en circuitos elctricos estos son la cantidad de inductores o capacitores que tiene el circuito. Describa para este sistema un modelo representado por variables de estado. 2. El Modelo de Richardson, que toma el nombre del meteorlogo britnico que lo gener, tiene su nacimiento en la explicacin de la carrera de armamentos, y consiste en un modelo dinmico. El modelo parte de los siguientes factores: a. b. c. d. La nacin X se siente amenazada por las armas de su adversario, la nacin Y, por lo tanto, sigue de cerca la evolucin armamentstica de ste. Cuanto mayor sea el nmero de armas que posee Y, mayor ser el nmero de armas que X querr conseguir. Ahora bien, la nacin X tambin tiene que dedicar su presupuesto a las necesidades sociales bsicas. Cuanto mayor sea el gasto en armas de X, menos armas suplementarias podr adquirir, ya que no puede extender indefinidamente los gastos en esta partida. La misma lgica que es aplicable a la nacin X es aplicable a la nacin Y.
e.
Los elementos del modelo de Richardson, se visualizan en la siguiente tabla (tabla 1.2).
21
Elementos Cantidad de armamentos en el momento t+1 Amenaza Gastos Los agravios anteriores o previos
Nacin X
Nacin Y
Xt+1 kYt aXt g
Yt+1 mXt bYt h
Tabla 1.2. Elementos del Modelo de Richardson Las variables Xt e Yt son los valores de la cantidad de armamento en el tiempo t, y Xt+1 e Yt+1 son los valores para el momento t+1. Las constantes (k, m, a, b, g, h) son coeficientes, pudiendo ser positivos y negativos g y h, mientras que el resto slo positivos. Basado en lo anterior formule el modelo matemtico del sistema.
Respuestas a los Ejercicios de Autoevaluacin: 1. La eleccin comn de variables de estado en estos casos son la tensin en el capacitor: vc y la corriente elctrica a travs del inductor i2. Entonces, sea
x1 = vc, x2 = i2, u = u(t), y1 = i1, e y2 = i2.

Las ecuaciones necesarias para los estados pueden ser obtenidas mediante las leyes de Kirchhoff:
u = R i1 + v c
C v c = i1 i2
vc = L di2 dt
Luego, eliminando i1 de las dos primeras ecuaciones, y utilizando los nombres de las definiciones de variables de entrada, salida y de estados, obtenemos:
x1 =
1 1 1 x1 x 2 + u R C C R C
22
x2 =
1 x1 L
Quedando las ecuaciones de salida definidas como:
y1 = i1 =
1 1 u x1 R R y 2 = i2 = x2
2. La representacin del modelo de Richardson, en trminos matemticos, puede exponer a travs de las siguientes ecuaciones: Xt+1=kYt - aXt + g Yt+1=mXt - bYt + h
se
23
UNIDAD 2
Ecuaciones de Diferencias Finitas Con est unidad se pretende exponer en forma sencilla y didctica el cuerpo terico que rodea la formulacin, resolucin y aplicacin de las ecuaciones de diferencias finitas. La solucin de ecuaciones de diferencias tiene incidencia en la solucin de ecuaciones diferenciales, especficamente en los mtodos numricos aplicados a la resolucin de las mismas. Se sugiere leer las recomendaciones para el estudio del contenido de la unidad, y de esta forma obtener una mejor comprensin del mismo. Objetivo de la Unidad 2 Resolver problemas de ecuaciones de estado en diferencias finitas
Contenido de la Unidad 2: Ecuaciones de diferencias finitas. Solucin de ecuaciones de diferencias finitas. Funciones forzantes constantes. Estabilidad de ecuaciones de diferencias finitas.
24
Recomendaciones para el estudio del contenido de la unidad. Repasar la teora sobre ecuaciones diferenciales. Estudiar la Unidad 2 del libro. Resolver los problemas propuestos y los ejercicios de autoevaluacin del libro. Consultar otras fuentes bibliogrficas. deber estar
Qu es una diferencia finita? Qu es una ecuacin de diferencias? Cul es el uso de una ecuacin de diferencias? En qu mbito se pueden usar las ecuaciones de diferencias? A que se refiere la estabilidad de un sistema?
25
En esta unidad se tratarn los siguientes puntos: Diferencias finitas, ecuaciones de diferencias finitas de primer orden, las ecuaciones de diferencia lineal de primer orden. Se expondr un repaso de las sucesiones aritmticas y geomtricas, para luego presentar las soluciones de la ecuacin de diferencia de primer orden, y por ultimo la estabilidad. Por cada uno de los puntos discutidos en esta unidad, se expondr un ejemplo que ayude a comprender mejor el tema tratado. Al final de la unidad encontrar los ejercicios y actividades propuestas, as como la seccin de autoevaluacin. Diferencias finitas Sea y=f(t) una funcin para valores enteros no negativos de t, o sea para t=0,1,2,3,..., Se llama primera diferencia, o diferencia finita de primer grado de y=f(x), a la expresin dada por
f (t ) = f (t + 1) f (t )
(2.1)
donde f(t) representa el valor de la funcin f en el punto t y f(t+1) el valor de la funcin f en el punto t+1. Con frecuencia se utilizan otras notaciones como:
yt o ft en lugar de f(t) y
yt+1 o ft+1 en vez de f(t+1)
La interpretacin grfica que tiene la primera diferencia de una funcin y=f(t), se aprecia en la figura 2.1.
y=f(t) f(t+1)
f(t)
(t+1)
t (t+1)
Figura 2.1 Representacin grfica de f(t)
26
De esta manera, f(t) corresponde al incremento que sufre y=f(t) variable t se incrementa en una unidad. Seguidamente se presentan dos ejemplos que ilustran este punto.
cuando la
Ejemplo 2.1. Si y = f(t) = 4t2 - 6, hallar la diferencia de primer orden. Solucin Como yt = f(t) = 4t2 - 6, entonces yt+1 = f(t+1) = 4(t+1)2 - 6 = 4t2 + 8t - 2 Como puede observar del resultado del ejemplo anterior, f(t) es una funcin que depende de nuevo de la variable t ; por tanto, puede hablarse de la primera diferencia de f(t). La segunda diferencia de f(t) se denota por 2f(t), y as sucesivamente.
Ejemplo 2.2. Sea la sucesin xn = 3n2 + 5n + 2, hallar su diferencia finita Solucin Se tiene : xn = xn+1 - xn = {3(n+1)2 + 5(n+1) + 2} {3n2 + 5n + 2} por lo tanto xn = 6n + 8
Ecuaciones de diferencias finitas de primer orden Una ecuacin que relacione los valores de una funcin y = f(t) con una o varias de sus diferencias finitas, se llama ecuacin en diferencias finitas en f(t). En adelante las llamaremos simplemente ecuaciones de diferencia. El orden de estas ecuaciones est determinado por la diferencia de mayor grado que se encuentre en la ecuacin. Por ejemplo, son ecuaciones de diferencia de primer orden: a)
yt+1 + 3yt = 0
27
b) c) d)
yt+1 = 2y + 5t yt+1- yt = 8 yt+1-3yt+1 = 2t
Una funcin yt = f(t) es una solucin de la ecuacin de diferencia finita, si est definida para valores enteros no negativos y satisface la ecuacin dada. A continuacin se presenta un ejemplo, donde se comprueba si una funcin yt es una solucin de una ecuacin de diferencia.
Ejemplo 2.3. Comprobar que la funcin y t = f (t ) = diferencia y t +1 y t = t Solucin A partir de la funcin yt dada obtenemos:
t (t + 1) 2 para t = 0, 1, 2, 3...
es una solucin de la ecuacin de
yt =
(t + 1)[(t + 1) 1] (t + 1)t = 2 2
Reemplazando los valores de yt y yt+1 en la ecuacin, tenemos:
(t + 1)t t (t + 1) (t + 1)t t (t 1) t 2 + t t 2 + t 2t = = = =t 2 2 2 2 2
o sea que la funcin yt = f(t) cumple la ecuacin de diferencia. Existen dos clases de soluciones para una ecuacin de diferencia finita: general y particular. Se llama solucin general aquella funcin que al tener una o varias constantes arbitrarias est definida para valores enteros no negativos y satisface la ecuacin dada. Se llama solucin particular aquella funcin que al no tener constantes arbitrarias est definida para valores enteros no negativos y satisface la ecuacin dada.
Una solucin de una ecuacin de diferencias es una sucesin de valores para los cuales se satisface la ecuacin.
Ecuacin de diferencia lineal de primer orden 28
Se llama ecuacin de diferencia lineal de primer orden con coeficiente constante en yt a toda expresin de la forma:
a1 yt+1 +a0 yt = g(t)
(2.2)
t= donde a1 y a0 son constantes, y g(t) es una funcin que depende de t siendo 0,1,2,3,... Debe tenerse en cuenta que una funcin polinomial es toda expresin que tenga la forma:
g(t) = Cn tn +Cn-1 tn-1+...+C1 t+C0

donde Cn, Cn+1,,C1,C0 son constantes y n es un entero no negativo. A continuacin se presenta un ejemplo sencillo de cmo plantear una ecuacin de diferencia, a partir del enunciado del problema.
Ejemplo 2.3. Una compaa recibe un ingreso mensualmente que cumple la siguiente condicin: el ingreso recibido en un mes cualquiera es igual a las tres cuartas partes del ingreso recibido en el mes inmediatamente anterior, aumentando en U.M. 2.000, donde U.M. denota Unidades Monetarias. Plantear una ecuacin de diferencia que relaciones los ingresos de dos meses consecutivos.
Solucin En este caso el ingreso depende del tiempo. Sea Yt el ingreso recibido al final del mes t, entonces yt+1 ser el ingreso recibido al final del mes siguiente, es decir, en el mes t+1, como se observa en la figura siguiente:
yt t
yt+1 t+1
Figura 2.2
29
Segn la condicin dada en el problema, tenemos:
yt+1 = 3/4 yt + 2.000

Y esta es la ecuacin de diferencia que, segn el enunciado del problema, relaciona los ingresos de los meses consecutivos t y t+1. Antes de continuar con las soluciones de ecuaciones de diferencias de primer orden, se consider importante repasar los conceptos de sucesiones aritmticas y geomtricas, los cuales se exponen a continuacin
Sucesiones aritmticas y geomtricas Una sucesin se llama progresin aritmtica si un trmino cualquiera es igual al anterior ms una constante, llamada diferencia de la progresin. En smbolos:
x n +1 = x n + d , n 0
Una sucesin se llama progresin geomtrica si un trmino cualquiera es igual al anterior multiplicado por una constante llamada razn. En smbolos: x n +1 = rx n n 0 En forma recurrente, podemos expresar a un cierto trmino de una sucesin aritmtica o geomtrica en funcin del primer trmino x0 = C. En efecto, se considera primero una sucesin aritmtica:
x 1 = x0 + b x2 = x1+b=x0+2b x3 = x2+b= x0 +3b ..

En forma anloga para una sucesin geomtrica resulta:
x1 = ax0 x2 = ax1 =a2x0 x3 = ax2 =a3x0

Para el (n+1) simo trmino se tiene: xn = an x0
30
Luego las sucesiones pueden expresarse para un trmino arbitrario en funcin del primero segn la siguiente notacin, donde C es el trmino inicial x0 : Sucesin aritmtica: {C + bn} Sucesin geomtrica: {C an} As los trminos xn de estos tipos de sucesiones son soluciones de dos ecuaciones de diferencias muy particulares, donde la diferencia y la razn de las progresiones se representarn por a y b, respectivamente. Ecuaciones de Diferencias xn+1 = xn + b, n = 0,1,2,... Solucin sucesin aritmtica sucesin geomtrica
xn+1 = axn , n = 0,1,2,...; a 0
La solucin general de la ecuacin de diferencias lineal de primer orden, homognea con coeficiente constante xn+1 - axn = 0, n = 0,1,2,..., est dada por xn= C. an donde a y C son constantes, con a 0. La solucin general de la ecuacin en diferencias lineal de primer orden, con coeficiente constante xn+1 xn = b , n = 0,1,2,... est dada por xn = C +bn, donde b y C son constantes. Si b = 0, la sucesin solucin es constante. Seguidamente se expone el punto de las soluciones de diferencias de primer orden. Soluciones de la ecuacin de diferencia de primer orden Para hallar la solucin de la ecuacin de diferencia de primer orden dada en la expresin (2.2), se debe tener en cuenta dos casos respecto a la funcin g(t): i) Cuando g(t) sea constante ii) Cuando g(t) sea variable Para cada uno de estos casos se utilizan mtodos diferentes que originan soluciones diferentes. Caso i Sea g(t) = k = constante. Entonces, la ecuacin (2.2) se convierte en
31
a1 yt+1 + a0 yt = k
La cual puede llevarse a la forma
yt+1 = Ayt + B
donde
A= a0 a1 y B= k a1
(2.3)
Para hallar una solucin particular de la ecuacin (2.3) es preciso conocer y0, o un valor yk, para k = 0. Si conocemos y0, el problema se reduce a resolver la ecuacin
yt+1 = Ayt + B, dado y0
Entonces, la ecuacin (2.3) va tomando las formas siguientes segn el valor de t Para t = 0, Para t = 1, Para t = 2, Para t = cualquiera,
y1 = Ay0 y2 = Ay1 y3 = Ay2 yt = Aty0

t
+ + + +
B B = A2y0 + B(1 + A) B = A3y0 + B(1 + A + A2) B(1 + A + A2 + k + At-1)
1 At = A y0 + B , si A 1 1 A
Pero si A=1, se obtiene que yt= y0 + Bt En resumen, la solucin particular de la ecuacin (2.3), conociendo el valor de y0, est dada por:
yt =
1 A t A y0 + B , 1 A y0 + Bt,
t
si
A 1
(2.4)
si A = 1
32
Si conocemos el valor de yk para k=0, entonces basta considerar y0 =C, donde C es una constante arbitraria. Siguiendo el mismo procedimiento anterior, se llega a la solucin general:
1 A t At C + B , si 1 A A 1
(2.5)
yt =
y0 + Bt,
si A = 1
En la expresin (2.5), al remplazar t por k, y yk por su valor, se halla el valor de C, el cual al sustituirlo en la expresin (2.5), nos da la solucin particular correspondiente. A continuacin un ejemplo donde se ilustra el caso (i).
Ejemplo 2.4 Resolver la ecuacin de diferencia yt+1 3yt = 2, si y2 = 17
Solucin La ecuacin se puede escribir como yt+1 3yt = 2 en la cual A = 3 y B = 2; como A 1, aplicando la parte correspondiente de la formula (2.5) y se tiene:
1 3t t t t yt = 3t C + 2 = 3 C 1 3 = 3 [C +1] 1 1 3
donde C es una constante arbitraria. Su valor puede calcularse mediante la condicin y2 = 17; sustituyendo t por 2 en la solucin anterior y y2 por 17 llegamos a: 17 = y2 = 32 [C + 1] 1 o sea, 18 = 9[C + 1]; y de aqu se obtiene que C = 1. Remplazando este valor de C, en la solucin anterior, se obtiene:
yt = 2(3)t 1
y esta es la solucin de la ecuacin del problema, segn la condicin dada.
33
Caso ii Cuando g(t) sea variable, se consideran solamente las dos situaciones siguientes a) g(t) una funcin polinomial b) g(t) una funcin exponencial. Para ambas situaciones, la solucin general de la ecuacin (2.2) tiene la forma siguiente: yt = yh(t) + yp(t) donde yh(t) representa la ecuacin general de la ecuacin homognea asociada a la ecuacin (2.2) es decir, la solucin de la siguiente ecuacin:
a1yt+1 + a0yt = 0
puede hallarse aplicando el mtodo visto en el caso (i) y ms exactamente utilizando la solucin dada en la formula (2.5), as no se conozca el valor de yo. La funcin yp(t) representa una solucin particular de la ecuacin (2.2). Esta solucin particular ser de la misma clase de la funcin g(t). Es decir, si g(t) es un polinomio, entonces yp(t) tambin ser un polinomio y del mismo grado de g(t), y si g(t) es una funcin exponencial, entonces yp(t) tambin ser una funcin exponencial, en la mismo base de g(t). Esta solucin particular no debe tener constantes arbitrarias y para hallar esta funcin se utiliza el mtodo de los coeficientes indeterminados. La solucin yt debe contener una constante arbitraria en la parte correspondiente a la solucin yh(t), y esta constante quedar determinada si conocemos y0 yk , por su correspondiente valor, solamente debe hacerse una vez estn sumadas las dos soluciones, es decir, una vez se tenga la expresin (2.6). A continuacin un ejemplo cuando la funcin g(t) es un polinomio Ejemplo 2.5 Hallar la solucin para la siguiente ecuacin de diferencias:
2yt+1 3y = 4t2 + 1, si y0 = 5
Solucin Primero se halla la ecuacin homognea asociada a la ecuacin del problema; esta ecuacin es:
2yt+1 3y = 0
A partir de esta ecuacin, se obtiene su solucin que es yh(t). Utilizando la frmula (2.5) del caso (i), se llega a:
34
yh(t) = (3/2)t C
donde C es una constante arbitraria. En segundo lugar, se debe hallar la solucin yp(t). En este caso la funcin g(t) = t2 + 1 es un polinomio de segundo grado, por lo tanto yp(t) tambin ser un 4 polinomio de segundo grado en la variable t y tendr la forma:
yp(t) = at2 + bt + c
donde a, b y c son constantes. stas se determinan hallando yp(t+1), de la siguiente manera:
yp(t+1) = a(t+1)2 + b(t+1) + c

y remplazando en el problema original yt por yp(t) y yt+1 por yp(t+1) se obtiene:
2[a(t+1)2 + b(t+1) + c] 3[at2 + bt + c] = 4t2 +1

O sea:
(-a)t2 +(4a - b)t + (2a + 2b c) = 4t2 + 1
Igualando los coeficientes de las respectivas potencias de t, se tiene: -a=4 4a b = 0 2a + 2b c = 1 Resolviendo este sistema de ecuaciones lineales, se obtiene:
a = -4, b = -16, c = -41

De tal manera que la solucin particular es:
yp(t) = -4t2 16t - 41

y aplicando la expresin (2.6) se tiene que la solucin general es:
yt = (3/2)t C 4t2 16t -41

Como el problema tiene una condicin inicial que es y0 = 5, entonces sustituyendo t por 0 y y0 por 5, en la solucin general, se tiene: 5 = y0 = (3/2)0 C 4(0)2 16(0) 41 De donde C = 46
35
Remplazando C en la solucin general se obtiene la solucin del problema original:
yt = 46(3/2)t 4t2 16t 41

Estabilidad Un sistema es estable si a pequeas distorsiones responde haciendo pequeas incursiones alrededor del espacio de equilibrio. Suponga que se tiene una ecuacin de diferencias cuya respuesta es dada por
n yn = C1B1n + C2 B2 + ...+ Ck Bkn
En donde todas las races son diferentes. Entonces note que si
Bi 1 para
cualquier i1 (1, 2,...,k) entonces la respuesta homognea del sistema no crece sin control cuando n. Si el valor absoluto de las races es menor que 1, entonces la respuesta homognea del sistema decae a cero en el estado continuo, en el estado transitorio desaparece y slo permanece la solucin particular. Cuando esto sucede decimos que el sistema representado por la ecuacin de diferencias es estable.
Ejemplo 2.6 Determine la solucin de la siguiente ecuacin de diferencias e indique si es estable o inestable.
yn+2 - 7yn+1 + 10yn = 12(4)n
Solucin Se asume que se tiene un sistema representado por la siguiente ecuacin
yn+2 - 7yn+1 + 10yn = 12(4)n

de lo que se obtiene
Bn(B2 7B + 10) = 0
y los valores de de B son los siguientes:
36
B1 = 2, B2 = 5
Se obtine la solucin homognea
h yk =C1 (2)n + C2 (5)n
Se obtiene la solucin particular
ykp =C3 (4)n

Se obtiene el valor de la constante C
C3 (4)n (4n 7(4) +10) = 12(4)n
C3 = 6
Solucin general
yn =C1 (2)n + C2 (5)n 6(4)n

Como se puede observar los valores de Bi nos permiten concluir que el sistema es inestable, debido a que para ser estable Bi 1 para todo i = {1,2...k}.
Ejercicios y actividades propuestas: 1. Hallar la solucin de las siguientes ecuaciones de diferencias: a) xn+1 5xn =0 b) xn+1 + 3xn = 0 c) 4xn+1 5xn = 0
2. Resolver la ecuacin 3yt+1 6yt = 1, sabiendo que y0 = 2/3 3. El saldo en una cuenta de ahorros al final de cualquier mes es igual al saldo del mes inmediatamente anterior ms una cantidad constante. Escriba una ecuacin de diferencia representativa de la situacin anterior. 4. Hallar la solucin de la siguiente ecuacin de diferencia de la siguiente ecuacin xn+2 -7xn+1 +10xn=5n 5. Hallar la solucin de la siguiente ecuacin de diferencia segn la condicin dada:
37
yt+1 - 3yt = 12(3)t, si y0 = 2
Ejercicios de Autoevaluacin: 1. Resolver la ecuacin en diferencia xn+1-2xn = 3n+1 2. Hallar la solucin a la siguiente ecuacin de diferencia de diferencia segn la condicin dada: yn+1 - 3yn = 5 ; y0 = 0 3. Hallar la solucin a la siguiente ecuacin de diferencia de diferencia segn la condicin dada: yt+1 yt = 2t - 3, si y0 = 4
Respuestas a los Ejercicios de Autoevaluacin: 1. Solucin La sucesin solucin xn se expresa como la suma de la ecuacin homognea h asociada, xn+1 -2xn = 0, cuya solucin es x n = C 2 n , ms la solucin particular x np que se sugiere mediante el mtodo de los coeficientes indeterminados como un polinomio lineal x np = k1 n + k 2 , segn el segundo miembro de la ecuacin. Entonces
x np+1 2 x np = k1 (n + 1) + k 2 2(k1 n + k 2 )
= k1 n + k 1 + k 2 2 k 1 n 2 k 2 = k1 n + k 1 k 2
Comparando el coeficiente de n y el trmino independiente de esta expresin con los correspondientes de 3n+1, se tiene
-k1 = 3
k1 k2 = 1
38
Con lo cual se tiene k1 = -3 y k2 = -4. Por lo tanto x np = 3n 4 es solucin particular. Una solucin general es xn = C2n 3n 4 2. Solucin Suponga que quiere obtener una solucin a la siguiente ecuacin:
yn+1 - 3yn = 5 ; y0 = 0
se obtiene primero la solucin homognea
Bn+1 3Bn = 0 Bn (B 3) = 0
lo que implica que B = 3. La solucin homognea es entonces
h y n = C (3) n
luego se encuentra la solucin particular
y np =
5 5 = 1 3 2
aadiendo la solucin homognea y particular se obtiene la solucin general
5 2 para encontrar el valor de C se utiliza la condicin inicial y n = C (3) n 0 = C (3) 0

Lo que implica que la solucin general es:
5 2
5 5 y n = (3) n = 2 2
3. Solucin La solucin de la homognea es yh(t) = C
5 ((3) n 1) 2
39
La solucin particular debe tener la forma siguiente:
yp(t) = t(at+b)
El lector debe comprobar por qu la solucin no puede ser de la forma:
yp(t) = at+b
A partir de la solucin particular, tenemos:
yp(t+1) =(t+1)[a(t+1)+b]
Sustituyendo estas funciones en la ecuacin original, llegamos a:
2at + (a+b) = 2t 3
Igualando coeficientes tenemos que a = 1, b = - 4 y as la solucin particular es: y la solucin general ser:
yp(t) = t(t-4) yt = C + t(2t -5)
con la condicin inicial de y0 = 4, se obtiene que C=4, y, por tanto, la solucin al problema es: yt = 4 + t(t-4)
MODULO II
40
Aplicacin de Mtodos Numricos en Sistemas Continuos En este mdulo se prosigue con la bsqueda de la solucin de modelos matemticos basados en ecuaciones de estado, especficamente se trata de ecuaciones diferenciales ordinarias, con valores iniciales. Se presentan tres tipos de mtodos numricos iterativos y programables como son: el mtodo de Euler, mtodo de Runge Kutta y los mtodos de varios pasos. Estos mtodos son fciles de implementar a travs de lenguajes de programacin de propsito general y de hojas de clculo. Por otra parte existen paquetes de software como el Maple y MatLab, que contemplan funciones elaboradas para implementar dichos mtodos. Objetivos del Mdulo II Resolver numricamente modelos matemticos empleando los mtodos: Euler, Runge-Kutta y Varios Pasos. Estructura del Mdulo II Unidad 3: Mtodo Numrico de Euler para la resolucin de Ecuaciones Diferenciales Unidad 4: Mtodo Numrico de Runge-Kutta para la resolucin de Ecuaciones Diferenciales Unidad 5: Mtodos Numricos de Varios Pasos para la resolucin de Ecuaciones Diferenciales
41
UNIDAD 3
Mtodo Numrico de Euler para la Resolucin de Ecuaciones Diferenciales Con esta unidad se pretende exponer en forma sencilla y didctica, el objetivo de uno de los mtodos numricos ms sencillo como es el mtodo de Euler. Para ello se presentarn ejemplos donde se muestra su uso en la obtencin de aproximaciones soluciones de ecuaciones diferenciales ordinarias de primer orden. Se sugiere leer las recomendaciones para el estudio del contenido de la unidad, y de esta forma obtener una mejor comprensin del mismo. Objetivo de la Unidad 3 Resolver numricamente un modelo matemtico descrito en trminos de ecuaciones de estado, empleando el Mtodo de Euler.
Contenido de la Unidad 3: Mtodo de Euler
42
Recomendaciones para el estudio del contenido de la unidad
Repasar la teora sobre ecuaciones diferenciales. Estudiar la Unidad 4 del libro. Resolver los problemas propuestos y los ejercicios de autoevaluacin del libro. Consultar otras fuentes bibliogrficas. deber estar
En que consiste el mtodo de Euler? Cul es la utilidad del mtodo de Euler? Cmo se calcula el error de truncamiento local?
43
Se inicia est unidad, citando brevemente como recordatorio, el concepto de ecuacin diferencial y sus tipos, para luego continuar con el contenido propio de la unidad que es la explicacin del mtodo de Euler. Por cada uno de los puntos discutidos en esta unidad, se expondr un ejemplo que ayude a comprender mejor el tema tratado. Al final de la unidad encontrar los ejercicios y actividades propuestas, as como la seccin de autoevaluacin. Si una ecuacin contiene las derivadas o diferenciales de una o ms variables independientes con respecto a una o ms variables independientes, se dice que es una ecuacin diferencial. Si una ecuacin contiene slo derivadas ordinarias de una o ms variables dependientes con respecto a una sola variable independiente, se dice que es una ecuacin diferencial ordinaria. Una ecuacin que contiene las derivadas parciales de una o ms variables dependientes con respecto a dos o ms variables independientes se llama ecuacin diferencial parcial.
Zill Denis, Ecuaciones Diferenciales Con Aplicaciones. Ed. Wadsworth Internacional/Iberoamrica, 1982, California EEUU.
Mtodo de Euler Existen escasos tipos de ecuaciones diferenciales resolubles de primer orden, y se ha comprobado que las tcnicas de dibujo aproximado fallan si la expresin de la ecuacin no es especialmente sencilla. Pero aunque la f(t,y) sea complicada siempre se podr acudir a los mtodos numricos (iterativos y fcilmente programables), uno de ellos el mtodo de Euler, el cual se explica a continuacin a partir de un problema de valores iniciales. Se quiere calcular aproximadamente la solucin del siguiente problema de valor inicial: y (t ) = f (t , y (t )) t t 0
y (t 0 ) = y 0
Donde f(y,t) es una funcin de y en tanto que t y la segunda ecuacin es una condicin inicial. En el mtodo que vamos a describir se van hallando valores w0, w1, w2,,wn, cercanos a los de la solucin y(t) en una serie de puntos t0 < t1 < t2 << tn <; separados entre s una distancia (paso) h, es decir, t1 = t0 + h, t2 = t1 + h,, tn = tn-1 + h. Por lo tanto el mtodo de Euler consiste en aproximar la solucin desconocida por su tangente conocida. Es decir, si h es pequeo es de esperar que el valor de la solucin y(t0+h) = y(t1) sea prxima al valor de la recta tangente en ese mismo 44
punto: w0 + hf(t0,w0), que llamamos w1. Puesto que (t1, w1) se parece al desconocido (t1,w(t1) podemos aproximar w(t2) por el w2 que obtendremos de (t1,w1) de la misma forma que obtuvimos el w1 a partir del (t0,w0) inicial. Prosiguiendo as, vamos obteniendo los wn aproximados (ms inexactos segn nos alejamos de t0) dados por:
wn +1 = wn + hf (t n , wn )
t n +1 = t n + h
(3.1)
A continuacin se presenta la forma algortmica del mtodo de Euler, para aproximar la solucin del problema de valor inicial:
y' = f(t,y) a t b, y(a)=, en (N+1)

nmeros uniformemente espaciados en el intervalo [a,b]: ENTRADAS: puntos extremos a,b; entero N; condicin inicial , SALIDA: aproximacin w de y en los (N+1) valores de t. Paso 1 Hacer h=(b-a)/N; t= a; w= SALIDA: (t,w) Paso 2 Para i=1,2,.., N seguir los Pasos 3 y 4. Paso 3 Hacer w=w+hf(t,w); (Calcular wi) t= a + ih. (Calcular ti) Paso 4 SALIDA (t,w) Paso 5 PARAR Para tener una idea de la interpretacin geomtrica del mtodo de Euler introducimos primero la notacin yi = y(ti) para cada i=1,2,,N y observamos que, cuando wi es una buena aproximacin de yi la suposicin de que el problema est bien planteado implica que
f(tiwi) y(ti) = f(ti, y(ti))

Consecuentemente, un paso en el mtodo aparece como se muestra en la figura 3.1.
45
y(t1) w1 w0 y(t0)=y(a )
(t1,y(t1))
y(t)
(t1,w1)=(a+h,+hf(a,)) (t0,w0)=(a,)
t t0=a t1
Figura 3.1 En la figura se muestra cmo y1 es evaluado, siguiendo la tangente a la curva en t0 (Cuya pendiente est dada por f(t0,y0)). El punto (t1, y1) hallado es distinto en general de (t1, y(t1)) Seguidamente se muestra un ejemplo donde se hace uso de una hoja de clculo en Excel, para aplicar el mtodo de Euler.
Ejemplo 3.1. (Aplicacin del algoritmo de Euler) Use el mtodo de Euler con h=0.1, para calcular el valor aproximado de y(0.5), del problema de valor inicial: y' = -3t2y ; con Solucin Sustituyendo en (3.1) se obtienen los primeros trminos de la sucesin: y(0)= 3 ; 0 t 0.5
y1 = 3 + (0.1).(0) = 3 y2 = 3 + (0.1).(-0.09) = 2.991
46
Hasta ahora se han calculado dos trminos, el resto de las aproximaciones se obtendrn a travs de una demostracin en una hoja de clculo de Excel. A 1 2 3 4 5 6 7 8 9 10 B h= 0.1 n 0 =A5+1 tn 0 =B$5+C$2*A6 yn 3 =E5 f(t,y) =-3B5^2*C5
Copia el contenido de la celda
yn+1 =C5+C$2*D5
La utilizacin de la hoja de clculo, permite construir la siguiente tabla:
A 1 2 3 4 5 6 7 8 9 10
B h= 0.1
n 0 1 2 3 4 5
tn 0 0.1 0.2 0.3 0.4 0.5
yn 3 3 2.991 2.955108 2.875320084 2.73730472
f(t,y) 0 -0.09 -0.35895 -0.79787916 -1.38015364 -2.05297854

ltima aproximacin obtenida
yn+1 3 2.991 2.955108 2.875320084 2.7370472 2.532006866
Ejercicios y actividades propuestas: 1) Aplique el mtodo de Euler con h=0.5 al problema de valor inicial
y = 2y2 + x, y(0) = -1 y determine y(1.5)
47
2) Aplique el mtodo de Euler con h=0.2 al problema de valor inicial
y =
5y , 1 + xy
y (1) = 0.5; determine y(0.6)
Ejercicios de Autoevaluacin: 1) Use el mtodo de Euler con h=0.025, para los siguientes problemas de valor inicial: 1 y a) y = 2 , 1 t 2, y (1) = 1; t t b) y = t + y, 0 t 2, y (0) = 1; 2) Use el mtodo de Euler para aproximar la solucin del siguiente problema de valor inicial:
y y y = t t
, con
y(1)= 1
y h=0.2 en el intervalo
1 t 2
3) Dado el problema de valor inicial y = y2 t, aplique el mtodo de Euler y halle numricamente entre -1 y 3 la solucin con y(-1)=0. m Respuestas a los Ejercicios de Autoevaluacin:
1)
a) i 1 2 b) i 1 2 1 t wi -0.3832803 -0.1395250 t 1.5 2.0 wi -0.3832803 -0.1395250
2)
48
Se tiene
y y y = t t
1 t 2,
y(1)= 1, con
h=0.2
Aplicando el mtodo de Euler
yi +1
y 2 = 1 + 0,2 (0,8333 0,6944 )
iteraciones restantes resulta:
y y 2 = yi + h t t
y 2 = 1,0278 el mismo procedimiento para las
i
0 1 2 3 4 5 3) i 1 2 3 4 5 6 7 8 9 10 11 20 30 40 t -1 -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1 0 1 2 3
1 1,2 1,4 1,6 1,8 2 wi 0 0.1 0.191 0.2746481 0.3521912579 0.4245951261 0.4926232282 0.5568909927 0.6179037505 0.6760842550 0.7317932469 1.2141975534 1.988550160 272.5279419
ti
1 1 1,02778 1,06681 1,11125 1,15850
yi
49
UNIDAD 4
Mtodo Numrico de Runge Kutta para la Resolucin de Ecuaciones Diferenciales Con est unidad se pretende exponer en forma sencilla y didctica, el objetivo de uno de los mtodos numricos ms exacto en la obtencin de aproximaciones de soluciones de ecuaciones diferenciales ordinarias de primer orden, como es el mtodo de Runge Kutta de cuarto orden. Para ello se presentarn ejemplos donde se muestra su uso. Se sugiere leer las recomendaciones para el estudio del contenido de la unidad, y de esta forma obtener una mejor comprensin del mismo.
Objetivo de la Unidad 4 Resolver numricamente un modelo matemtico descrito en trminos de ecuaciones de estado, empleando el Mtodo de Runge-Kutta
Contenido de la Unidad 4: Mtodo de Runge Kutta
50
Recomendaciones para el estudio del contenido de la unidad
Repasar la teora sobre ecuaciones diferenciales. Estudiar la Unidad 5 del libro. Resolver los problemas propuestos y los ejercicios de autoevaluacin del libro. Consultar otras fuentes bibliogrficas.
deber estar
En que consiste el mtodo de Runge Kutta de cuarto orden? Cul es la utilidad del mtodo de Runge Kutta de cuarto orden? Cmo se calcula el error de truncamiento local?
51
En los mtodos de Runge-Kutta, el orden de precisin aumenta al utilizar puntos intermedios en cada intervalo. Una mayor precisin implica adems que los errores decrecen ms rpido al reducir h, en comparacin con los mtodos con precisin baja. Fundamentalmente se consideran tres mtodos de Runge-Kutta: Runge-Kutta de segundo, tercero y cuarto orden. En esta seccin se analizar el mtodo de Runge Kutta de cuarto orden. Mtodo de Runge- Kutta de Cuarto Orden Uno de los mtodos ms utilizados y exactos, es el mtodo de Runge Kutta, de cuarto orden, que exige un mayor nmero de operaciones y que en cada paso toma el promedio ponderado de cuatro pendientes. En el mtodo de Runge-Kutta de cuarto orden hay que evaluar en cada intervalo lo siguiente: 1 y n +1 = y n + h (k1 + 2k 2 + 2k 3 + k 4 ) (4.1) 6 donde k1 = f ( x n , y n )
h 1 k 2 = f x n + , y n + h.k1 2 2 h 1 k 3 = f x n + , y n + h.k 2 2 2
k 4 = f ( x n +1 , y n + h.k 3 )
A continuacin se presenta la forma algortmica del mtodo de Runge-Kutta de cuarto orden, para aproximar la solucin del problema de valor inicial
y'= f(t,y), a t b, y(a) = ,

en (N+1) nmeros igualmente espaciados en el intervalo [a,b]:
52
ENTRADA puntos extremos a,b; enteros N; condicin inicial . SALIDA aproximacin w de y en los (N+1) valores de t. Paso 1 Tomar h=(b-a)/N;
t= a; w= ;
SALIDA (t,w); Paso 2 Para i=1,2,, N seguir los pasos 3-5 Paso 3 Tomar k1 = hf(t,w);
k2 = hf(t + h/2, w+ k1/2); k3 = hf(t + h/2, w+ k2/2); k4 = hf(t + h, w + k3)

Paso 4 Tomar w = w+(k1 + 2k2 + 2k3 + k4) / 6; (Calcular w).
t = a + ih. (Calcular ti).

Paso 5 SALIDA (t,w). Paso 6 PARAR.
Ejemplo 4.1. (Aplicacin del Algoritmo de Runge-Kutta de 4 orden) Calcule y(1) resolviendo el problema de valor inicial
1 aplicando el 1+ y2 mtodo de Runge Kutta de orden 4, con la condicin inicial y(0) = 1, con h=1. y =
Solucin Hacemos
f ( y, t ) =
1 1+ y2
y0 = 1 , t0 = 0. Puesto que slo tenemos un intervalo, los clculos son: 1 1 = 1+1 2

53
k1 = hf ( y 0 , t 0 ) =
k 1 h k 2 = hf y 0 + 1 , t 0 + = = 0.64 2 2 (1 + (0.75) 2 )
k 1 h k 3 = hf y 0 + 2 , t 0 + = = 0.6838 2 2 (1 + (0.68) 2 ) 1 = 0.9091 (1 + (0.3161) 2 )
k 4 = hf ( y 0 + k 3 , t 0 + h) =
1 1 y1 = y 0 + h (k1 + 2k 2 + 2k 3 + k 4 ) = 1 + [ 0.5 2(0.64) 2(0.6838) 0.9091] = 0.3238 6 6

Seguidamente se muestra un ejemplo donde se hace uso de una hoja de clculo en Excel, para ayudar a aplicar el mtodo de Runge Kutta de cuarto orden . Ejemplo 4.2. Resuelva la siguiente ecuacin diferencial y= x2 + y2, con la condicin inicial y(0) = 0, tomando el paso de integracin h=0.1 Solucin: Haciendo uso de la hoja de clculo en Excel se obtine:
A 1 2 3 4 5 6
C h= 0.1
n
0 =A5+1
tn
0 =B$5+(C$2)*A6
yn
0 =I5
k1
=B5^2+C5^2
k2
=(B5+0.5*C$2)^2+(C5+0.5*C$2*D5)^2
54
F 1 2 3 4 5 6
k3
=(B5+0.5*C$2)^2+(C5+C$2*E5)^2
k4
=(B6)^2+(C5+C$2*F5)^2
k
=(1/6)*(D5+2*E5+2*F5+G5
yn+1
=C5+(C$2)*H5
La utilizacin de la hoja de clculo, permite construir la siguiente tabla: A 1 2 3 4 5 6 7 8 9 10 B h= 0.1 n

0 1 2 3 4 5
tn
0 0.1 0.2 0.3 0.4 0.5
yn
0 0.00033333 0.00266688 0.0090035 0.02135945 0.04179129
k1
0 0.01000011 0.04000711 0.09008106 0.16045623 0.25174651
k2
0.0025 0.02250069 0.06252178 0.12268245 0.20336332 0.30545703
k3
0.00250002 0.02250213 0.0653356 0.12272915 0.20349399 0.30575632
k4
0.01000006 0.04000667 0.09007957 0.16045269 0.25173963 0.36523697
k
0.00333335 0.0233354 0.06336623 0.12355949 0.20431841 0.30656836
yn+1
0.000333335 0.002666875 0.009003498 0.021359447 0.041791288 0.072448125
ltima aproximacin obtenida
Ejercicios y actividades propuestas: 1) Dado el problema de valor inicial:
y =
1 y y 2 , 1 t 2, 2 t t
y (1) = 1
Use el mtodo de Runge-Kutta de orden cuatro con h=0.05 para aproximar la solucin. 2) Resuelva el problema de valor inicial y = t 2 y aplicando el mtodo de Runge Kutta de orden 4, con la condicin inicial y(0) = 1, y tomando un paso de integracin h=0.1, en el intervalo 0 t 1
55
Ejercicios de Autoevaluacin: 1) Resuelva el problema de valor inicial y = t + y aplicando el mtodo de Runge Kutta de orden 4, con la condicin inicial y(1) = 3, y tomando un paso de integracin h=0.1, en el intervalo 1 t 2 2) Dado el problema de valor inicial y = y2 t, aplique el mtodo de Runge Kutta de orden 4 y halle numricamente entre -1 y 3 la solucin con y(-1)=0 y h=0.1 3) Dado el problema de valor inicial y = t-2y, aplique el mtodo de Runge Kutta de orden 4 y halle numricamente entre 0 y 1 la solucin con y(-1)=0 y h=0.1
Respuestas a los Ejercicios de Autoevaluacin:
1) t 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 yi 3 3.2037347 3.4148802 3.6333537 3.8590787 4.0919845 4.3320051 4.5790788 4.8331483 5.0941594 5.3620613
2) t -1 -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 yi 0 0.0953100 0.1823176 0.2623378 0.3363726 0.4051902 0.4693783 0.5293796 56
-0.2 -0.1 0 1 2 3
0.5855155 0.6379997 0.6869456 0.9176486 -0.1884460 -1.5412582
3) t 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 wi 1 0.82341666 0.68790533 0.58602103 0.51166828 0.45985654 0.42649988 0.40825300 0.40237701 0.40662947 0.41917443
Consulta en la Web:
Se recomienda acceder a la siguiente direccin electrnica para ampliar sus conocimientos en relacin a la representacin grfica de la solucin de las ecuaciones diferenciales ordinarias. http://www.ucm.es/info/metodos/pdf/Apuntes/mii-pepe/EDO1.PDF
57
UNIDAD 5
Mtodos numricos de varios pasos para la resolucin de ecuaciones diferenciales Con el estudio de esta unidad se concluye lo referente a la resolucin numrica de modelos matemticos de sistemas dinmicos cuyo comportamiento es descrito mediante ecuaciones de estado. Se trata de ecuaciones diferenciales ordinarias con valores iniciales, a las cuales se les halla la solucin aproximada empleando mtodos numricos de varios pasos. Se pretende a travs de la aplicacin de estos mtodos obtener mejores aproximaciones a la solucin. Objetivo de la Unidad 5 Resolver numricamente un modelo matemtico descrito en trminos de ecuaciones de estado, empleando un Mtodo de Varios Pasos.
Contenido de la Unidad 5: Mtodo de varios pasos. Errores de los algoritmos. Mtodo del Predictor-Corrector. Mtodo de Adams-Moulton.
58
Para llevar a cabo el estudio de esta unidad, presentaremos algunas recomendaciones que incluyen un conjunto de actividades cuya realizacin se recomienda hacer antes de proseguir a analizar los ejemplos aqu presentados. Recomendaciones para el estudio del contenido de la unidad
Repasar las unidades 3 y 4 Estudiar en el libro UNA la unidad 6, titulada Mtodos Numricos de Varios Pasos para la Solucin de Ecuaciones Diferenciales. Puede omitir la seccin que presenta el cdigo de programacin. Resolver los ejercicios del libro relacionados con los Mtodos de Varios Pasos para resolver numricamente Ecuaciones Diferenciales Ordinarias (EDO). Utilice la hoja de clculo, o algn lenguaje de programacin, para hallar la solucin numrica. Analice la solucin aproximada. Si tiene a su alcance un paquete de resolucin de ecuaciones diferenciales (el Maple, de Maplesoft,permite resolverlas) puede hallar la solucin del problema de valor inicial, para as analizar los resultados numricos. Consultar otras fuentes bibliogrficas. Consultar los temas estudiados en sitios de Internet que aborden el tema. Ante cualquier duda, consultar a su asesor en el centro local. Si desea hacer algn comentario o sugerencia acerca del curso o de este material instruccional, comunquese con el profesor que lo administra a travs de la direccin de correo electrnico suministrada por la carrera. Recuerde que su comentario puede ser til para fortalecer y enriquecer dicho material instruccional. deber estar
Qu son Mtodos Numricos de Varios Pasos? Puede describirlos? Qu ventajas conlleva la aplicacin de este tipo de mtodo? Qu son mtodos abiertos? Qu son mtodos cerrados? En qu consisten los mtodos predictor-corrector? Cmo se aplican? Cmo se determina el error de truncamiento local?
59
Mtodos de Varios Pasos Los mtodos vistos en las unidades 3 y 4 se llaman mtodos de un solo paso ya que la aproximacin de la solucin en el punto ti+1, de la red de puntos, involucra informacin slo de un punto previo ti, de dicha red. Los Mtodos de Varios Pasos para obtener una aproximacin emplean ms de un punto previo de la red de puntos. Sea la Ecuacin Diferencial de primer orden: y (t) = f(y(t),t) (5.1)
Se pretende hallar una solucin aproximada a (5.1) en el intervalo: a t b, dado que y(a) = (valor inicial de la solucin en el intervalo). Se obtendrn aproximaciones a la solucin en cada punto de la red: t0, t1,, ti, empleando valores previos de la misma cuando se obtiene su aproximacin en ti+1. La forma general para obtener la integral de una ecuacin de estado puede ser aproximada por una serie truncada de manera siguiente:
wn +1
h i f n( i ) h p f n( p ) = wn + h + i! p! i =0
p 1
(5.2)
De aqu se obtiene la frmula general:
a w
i =0 i
n +i
= h Bi f n +i
i =0
(5.3)
Donde h = (b-a)/N, N entero positivo wi = w(ti), ti = a + ih ( i = 0,,N) Cuando Bi = 0 el mtodo es llamado explcito o abierto y cuando Bi 0 se dice que el mtodo es implcito o cerrado.
Error de truncamiento Local 60
El error de truncamiento local es una medida que se hace para determinar en cunto falla la solucin de la ecuacin diferencial cuando se emplea una aproximacin por diferencias (5.3) El error de truncamiento local en el paso i+1 de un mtodo de multipaso es:
i +1 =
y (t i +1 ) a m 1 wi 1 + ... + a 0 wi m [bm +1 f (t i +1 , y (t i +1 )) + ... + b0 f (t i m , y (t i m ))] h
i = m, m+1,, N-1
Entre los mtodos de varios pasos estn:
Adams-Bashforth Adams-Moulton Milne Hamming
A la combinacin de un mtodo explcito con uno implcito se le denomina Mtodo Predictor- Corrector, el mtodo predictor se usa para obtener los valores iniciales, que se usarn en el mtodo corrector. Los mtodos predictorcorrector necesitan para su arranque el empleo de un mtodo de un solo paso, ya que requieren informacin de varios puntos previos. Generalmente se emplea el Mtodo de Runge-Kutta como arranque. El algoritmo que se obtiene del Mtodo de Adams-Moulton de cuarto orden, Predictor Corrector es el siguiente: Problema: y (t) = f(y(t),t), a t b, dado que y(a) = para N + 1 puntos igualmente espaciados en el intervalo [a, b] Algoritmo 5.1 Mtodo de Adams-Moulton de cuarto orden, con paso fijo
Leer a, b, N, condicin inicial Paso 1: h = (b-a)/N t0 = a w0 = 61
Salida: (t0, w0) Paso 2: Para i = 1,2,3 hacer { (Calcular los valores iniciales usando Runge-Kutta) Paso 3: k1 = h f(ti -1, wi -1) k2 = h f(ti -1+ h/2, wi -1+ k1/2) k3 = h f(ti -1+ h/2, wi -1+ k2/2) k4 = h f(ti -1+ h/2, wi -1+ k3) Paso 4: Hacer wi = wyi -1 + (k1+ 2 k2+ 2 k3 + k4)/6 ti = a + ih Paso 5: Salida : (ti, wi) } Paso 6: Para i = 4,,N hacer { Paso 7: Hacer t = a + ih w = w3 + h [55 f(t3,w3) 59 f(t2,w2) + 37 f(t1,w1) -9 f(t0,w0)]/24; Predictor w = w3 + h [9 f(t,w) +19 f(t3,w3) - 5 f(t2,w2) + f(t1,w1)]/24; Corrector Paso 8: Salida: (t,w) Paso 9: Para j = 0,1, 2 Hacer tj = tj+1 wj = wj +1 Paso 10: Hacer t3 = t y3 = w} Paso 11: Finalizar
Fuente: Anlisis Numrico, Burden y Faires
Ejemplo 5.1 ( Aplicacin de un Mtodo Predictor-Corrector) Resuelva numricamente la siguiente ecuacin diferencial ordinaria: y = 1 - y, 0 t 1; y(0) = 1 , con h = 0,1 Para resolver el problema emplearemos como mtodo predictor, el Mtodo de Adams-Moulton abierto de 4 pasos y como corrector el Mtodo de Adams Moulton cerrado de 3 pasos. Las frmulas a emplear son las siguientes: Predictor
wn + 4 = wn +3 +
h (55 f n +3 59 f n + 2 + 37 f n +1 9 f n ) 24
62
Corrector
wn + 3 = wn + 2 + h (9 f n + 3 + 19 f n + 2 5 f n +1 + f n ) 24
Al hacer el cambio de variable: i + 1 n + 4, en los subndices en la frmula del Mtodo Predictor, obtenemos: Predictor
wi +1 = wi + h (55 f i 59 f i 1 + 37 f i 2 9 f i 3 ) 24
Al hacer el cambio de variable: i + 1 n + 3, en los subndices en la frmula del Mtodo Corrector, obtenemos: Corrector
y i +1 = y i +
h (9 f i +1 + 19 fi 5 f i 1 + f i 2 ) 24
Al emplear inicialmente el mtodo predictor se requiere obtener los valores de fi, fi1, fi-2 y fi-3, los cuales no han sido calculados; para resolver este problema se aplica el Mtodo Runge Kutta de cuarto orden ( tres iteraciones). En las tablas 5.1 y 5.2 aparecen los resultados al aplicar estos mtodos. Los clculos fueron realizados empleando la hoja de Clculo Microsoft Excel.
f(t,w) =-y+t+1
Solucin exacta: e-t + t
a=0 b=1 N = 10 h = 0,1 w0 = y(a) = 1

i 0 1 2 3 Valores exactos 1 1,0048374180 1,0187307531 1,0408182207 K1 0 K2 0,005 K3 0,00475 0,01381423 0,02201588 K4 0,009525 0,0181348 3 0,0259253 2 wi 1 1,0048375 ti 0 0,1
0,00951625 0,014040438 0,01812691 0,022220564
Tabla 5.1 Obtencin de aproximaciones empleando Runge-Kutta (iteraciones 1 a 3)
1,0187309 0,2 1,0408184 2 0,3 Valores que se emplearn en la siguiente iteracin (PredictorCorrector)
63
I 4 5 6 7 8 9 10
t 0,4 0,5 0,6 0,7 0,8 0,9 1
Predecir w 1,07032310 1,10653319 1,14881363 1,19658690 1,24933020 1,30657059 1,36788012
Corregir w 1,07031991824 1,10653026841 1,14881103255 1,19658453138 1,24932806045 1,30656865679 1,36787836602
t0 0,1 0,2 0,3 0,4 0,5 0,6 0,7
t1 0,2 0,3 0,4 0,5 0,6 0,7 0,8
t2 0,3 0,4
w0 1,0048375 1,0187309
0,5 1,04081842 0,6 1,07031992 0,7 1,10653027 0,8 1,14881103 0,9 1,19658453
w1 1,0187309 1,0408184 2 1,0703199 2 1,1065302 7 1,1488110 3 1,1965845 3 1,2493280 6
w2 1,040818422 1,0703199182 4 1,1065302684 1 1,1488110325 5 1,1965845313 8 1,2493280604 5 1,3065686567 9
(Continuacin)
t3 0,4 0,5 0,6 0,7 0,8 0,9 1
w3 1,07031991824 1,10653026841 1,14881103255 1,19658453138 1,24932806045 1,30656865679 1,36787836602 Aproximaciones
Tabla 5.2
Obtencin de aproximaciones empleando el Mtodo de AdamsMoulton (Predictor-Corrector) (iteraciones 4 a 10)
Ejercicios de autoevaluacin
64
1. Emplee el algoritmo 5.1 para aproximar la solucin de: y = 1 - y, 0 t 2; y(0) = 1, con h = 0,05 2. Emplee el algoritmo 5.1 para aproximar la solucin de: 2y + y = 0; 0 t 1 ; y(0) = 1, con h = 0,025
La solucin general de la ecuacin diferencial es: Ce-1/2 t 3. Ecuacin diferencial de primer orden con condiciones iniciales:
y' =
3x 2 , con y(1)=0 x3 + y +1
Calcule: a) Con el mtodo del Predictor-Corrector una aproximacin para y(1.5) y considere los incrementos h= 0.1 El error absoluto de la aproximacin y(1.5) comparada con el valor real igual a 0.706666.
b)
4. Dada la siguiente ecuacin diferencial con condiciones iniciales:

y ' = ty + 4t , con y(0)=1 y y
h=0,25
Calcule con el mtodo del Predictor-Corrector una aproximacin para y(1).
Respuestas a los ejercicios de autoevaluacin
1. Ecuacin diferencial f(t,w) = 1-y 65
a=0 b=2 N = 40 h = 0,05 w = y(a) = 1
Runge- Kutta (iteraciones 1 a 3)

i 0 1 2 3 K1 0 0 0 K2 0 0 0 K3 0 0 0 K4 0 0 0 wi 0 1 1 1 ti 0 0,025 0,05 0,075
Adams- Moulton ( iteraciones 4 a 40)

i 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 t 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95 1 1,05 1,1 1,15 1,2 1,25 1,3 1,35 1,4 1,45 1,5 Predecir w 0,98125000 1,00031128 1,00033700 1,00029349 1,00028613 1,00027211 1,0002588380 1,0002462168 1,0002342086 1,0002227861 1,0002119207 1,0002015852 1,0001917538 1,0001824019 1,0001735060 1,0001650440 1,0001569947 1,0001493380 1,0001420547 1,0001351266 1,0001285364 1,0001222676 1,0001163045 1,0001106323 1,0001052367 1,0001001042 1,0000952221 Corregir w 1,00035156250 1,00033181000 1,00031601916 1,00030073098 1,00028606269 1,00027211153 1,00025884053 1,00024621673 1,00023420859 1,00022278610 1,00021192070 1,00020158520 1,00019175377 1,00018240183 1,00017350598 1,00016504399 1,00015699470 1,00014933798 1,00014205468 1,00013512659 1,00012853638 1,00012226759 1,00011630453 1,00011063229 1,00010523669 1,00010010423 1,00009522209 t0 0,025 0,05 0,075 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95 1 1,05 1,1 1,15 1,2 1,25 1,3 1,35 t1 0,05 0,075 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95 1 1,05 1,1 1,15 1,2 1,25 1,3 1,35 1,4 t2 0,075 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95 1 1,05 1,1 1,15 1,2 1,25 1,3 1,35 1,4 1,45
66
31 32 33 34 35 36 37
1,55 1,6 1,65 1,7 1,75 1,8 1,85 w0
1,0000905781 1,0000861605 1,0000819584 1,0000779613 1,0000741590 1,0000705423 1,0000671019 w1
1,00009057805 1,00008616051 1,00008195841 1,00007796125 1,00007415903 1,00007054225 1,00006710187 w2 t3
1,4 1,45 1,5 1,55 1,6 1,65 1,7 w3
1,45 1,5 1,55 1,6 1,65 1,7 1,75
1,5 1,55 1,6 1,65 1,7 1,75 1,8
38 39 40
1,9 1,95 2
1,0000638293 1,0000607163 1,0000577551
1,00006382927 1,00006071628 1,00005775511
1,75 1,8 1,85
1,8 1,85 1,9
1,85 1,9 1,95
Continuacin
67
1 1 1 1,00035156 1,00033181 1,00031602 1,00030073 1,00028606 1,00027211 1,00025884 1,00024622 1,00023421 1,00022279 1,00021192 1,00020159 1,00019175 1,0001824 1,00017351 1,00016504 1,00015699 1,00014934 1,00014205 1,00013513 1,00012854 1,00012227 1,0001163 1,00011063 1,00010524 1,0001001 1,00009522 1,00009058 1,00008616 1,00008196 1,00007796 1,00007416 1,00007054 1,0000671
1 1 1,00035156 1,00033181 1,00031602 1,00030073 1,00028606 1,00027211 1,00025884 1,00024622 1,00023421 1,00022279 1,00021192 1,00020159 1,00019175 1,0001824 1,00017351 1,00016504 1,00015699 1,00014934 1,00014205 1,00013513 1,00012854 1,00012227 1,0001163 1,00011063 1,00010524 1,0001001 1,00009522 1,00009058 1,00008616 1,00008196 1,00007796 1,00007416 1,00007054 1,0000671 1,00006383
1 1,00035156250 1,00033181000 1,00031601916 1,00030073098 1,00028606269 1,00027211153 1,00025884053 1,00024621673 1,00023420859 1,00022278610 1,00021192070 1,00020158520 1,00019175377 1,00018240183 1,00017350598 1,00016504399 1,00015699470 1,00014933798 1,00014205468 1,00013512659 1,00012853638 1,00012226759 1,00011630453 1,00011063229 1,00010523669 1,00010010423 1,00009522209 1,00009057805 1,00008616051 1,00008195841 1,00007796125 1,00007415903 1,00007054225 1,00006710187 1,00006382927 1,00006071628
0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95 1 1,05 1,1 1,15 1,2 1,25 1,3 1,35 1,4 1,45 1,5 1,55 1,6 1,65 1,7 1,75 1,8 1,85 1,9 1,95 2
1,00035156250 1,00033181000 1,00031601916 1,00030073098 1,00028606269 1,00027211153 1,00025884053 1,00024621673 1,00023420859 1,00022278610 1,00021192070 1,00020158520 1,00019175377 1,00018240183 1,00017350598 1,00016504399 1,00015699470 1,00014933798 1,00014205468 1,00013512659 1,00012853638 1,00012226759 1,00011630453 1,00011063229 1,00010523669 1,00010010423 1,00009522209 1,00009057805 1,00008616051 1,00008195841 1,00007796125 1,00007415903 1,00007054225 1,00006710187 1,00006382927 1,00006071628 1,00005775511 Aproximaciones
Se puede visualizar que la solucin se aproxima a: y(t) = 1 2. Ecuacin diferencial:
68
f(t,w) = 2y + y = 0; a=0 b=1 N = 40 h = 0,025 w = y(a) = 1 Solucin: e-1/2t Runge- Kutta (iteraciones 1 a 3)
Valores exactos 1 0,987577800 5 0,975309912 0 0,963194417 7
i 0 1 2 3
Ti 0 0,025 0,05 0,075
K1 -0,0125 -0,01234178 -0,012185564
K2 -0,01265625 -0,01249605 -0,01233788
K3 -0,0126582 -0,01249798 -0,01233979
K4 -0,01281646 -0,01265423 -0,01249406
wi ti 1 0 0,9873424 4 0,025 0,9748450 9 0,05 0,9625059 3 0,075
Adams-Moulton ( iteraciones 4 a 40)

i 4 5 6 7 8 9 10 11 12 13 t 0,1 0,125 0,15 0,175 0,2 0,225 0,25 0,275 0,3 0,325 Predecir w 0,95055091 0,93873965 0,92708167 0,91556419 0,90419087 0,89295883 0,88186632 0,87091160 0,86009296 0,84940872 Corregir w 0,9505498454 5 0,9387418145 5 0,9270805717 2 0,9155641918 6 0,9041908707 9 0,8929588314 0 0,8818663186 3 0,8709115992 8 0,8600929616 3 0,8494087152 6 t0 0,025 0,05 0,075 0,1 0,125 0,15 0,175 0,2 0,225 0,25 t1 0,05 0,075 0,1 0,125 0,15 0,175 0,2 0,225 0,25 0,275 t2 0,075 0,1 0,125 0,15 0,175 0,2 0,225 0,25 0,275 0,3
69
14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
0,35 0,375 0,4 0,425 0,45 0,475 0,5 0,525 0,55 0,575 0,6 0,625 0,65 0,675 0,7 0,725 0,75 0,775 0,8 0,825 0,85 0,875 0,9 0,925 0,95 0,975 1
0,83885719 0,82843674 0,81814573 0,80798256 0,79794564 0,78803340 0,77824429 0,76857679 0,75902937 0,74960056 0,74028887 0,73109286 0,72201108 0,71304211 0,70418456 0,69543704 0,68679818 0,67826664 0,66984107 0,66152017 0,65330264 0,64518718 0,63717254 0,62925745 0,62144069 0,61372103 0,60609727
0,8388571907 3 0,8284367393 4 0,8181457328 8 0,8079825633 6 0,7979456427 5 0,7880334027 7 0,7782442946 2 0,7685767887 2 0,7590293745 1 0,7496005601 8 0,7402888724 7 0,7310928564 0 0,7220110750 7 0,7130421094 4 0,7041845581 0 0,6954370370 2 0,6867981794 0 0,6782666353 9 0,6698410719 2 0,6615201724 8 0,6533026369 1 0,6451871812 1 0,6371725373 3 0,6292574529 4 0,6214406913 1 0,6137210310 6 0,6060972659 7
0,275 0,3 0,325 0,35 0,375 0,4 0,425 0,45 0,475 0,5 0,525 0,55 0,575 0,6 0,625 0,65 0,675 0,7 0,725 0,75 0,775 0,8 0,825 0,85 0,875 0,9 0,925
0,3 0,325 0,35 0,375 0,4 0,425 0,45 0,475 0,5 0,525 0,55 0,575 0,6 0,625 0,65 0,675 0,7 0,725 0,75 0,775 0,8 0,825 0,85 0,875 0,9 0,925 0,95
0,325 0,35 0,375 0,4 0,425 0,45 0,475 0,5 0,525 0,55 0,575 0,6 0,625 0,65 0,675 0,7 0,725 0,75 0,775 0,8 0,825 0,85 0,875 0,9 0,925 0,95 0,975
70
Continuacin
w0 0,98734244 0,97484509 0,96250593 0,95054985 0,93874181 0,92708057 0,91556419 0,90419087 0,89295883 0,88186632 0,8709116 0,86009296 0,84940872 0,83885719 0,82843674 0,81814573 0,80798256 0,79794564 0,7880334 0,77824429 0,76857679 0,75902937 0,74960056 0,74028887 0,73109286 0,72201108 0,71304211 0,70418456 0,69543704 0,68679818 0,67826664 0,66984107 0,66152017 0,65330264 0,64518718 0,63717254 0,62925745 w1 0,97484509 0,96250593 0,95054985 0,93874181 0,92708057 0,91556419 0,90419087 0,89295883 0,88186632 0,8709116 0,86009296 0,84940872 0,83885719 0,82843674 0,81814573 0,80798256 0,79794564 0,7880334 0,77824429 0,76857679 0,75902937 0,74960056 0,74028887 0,73109286 0,72201108 0,71304211 0,70418456 0,69543704 0,68679818 0,67826664 0,66984107 0,66152017 0,65330264 0,64518718 0,63717254 0,62925745 0,62144069 w2 0,962505933 0,95054984545 0,93874181455 0,92708057172 0,91556419186 0,90419087079 0,89295883140 0,88186631863 0,87091159928 0,86009296163 0,84940871526 0,83885719073 0,82843673934 0,81814573288 0,80798256336 0,79794564275 0,78803340277 0,77824429462 0,76857678872 0,75902937451 0,74960056018 0,74028887247 0,73109285640 0,72201107507 0,71304210944 0,70418455810 0,69543703702 0,68679817940 0,67826663539 0,66984107192 0,66152017248 0,65330263691 0,64518718121 0,63717253733 0,62925745294 0,62144069131 0,61372103106 t3 0,1 0,125 0,15 0,175 0,2 0,225 0,25 0,275 0,3 0,325 0,35 0,375 0,4 0,425 0,45 0,475 0,5 0,525 0,55 0,575 0,6 0,625 0,65 0,675 0,7 0,725 0,75 0,775 0,8 0,825 0,85 0,875 0,9 0,925 0,95 0,975 1 w3 0,95054984545 0,93874181455 0,92708057172 0,91556419186 0,90419087079 0,89295883140 0,88186631863 0,87091159928 0,86009296163 0,84940871526 0,83885719073 0,82843673934 0,81814573288 0,80798256336 0,79794564275 0,78803340277 0,77824429462 0,76857678872 0,75902937451 0,74960056018 0,74028887247 0,73109285640 0,72201107507 0,71304210944 0,70418455810 0,69543703702 0,68679817940 0,67826663539 0,66984107192 0,66152017248 0,65330263691 0,64518718121 0,63717253733 0,62925745294 0,62144069131 0,61372103106 0,60609726597 Solucin Exacta 0,95122942 0,93941306 0,92774349 0,91621887 0,90483742 0,89359735 0,8824969 0,87153435 0,86070798 0,85001609 0,83945702 0,82902912 0,81873075 0,80856032 0,79851622 0,78859689 0,77880078 0,76912636 0,75957212 0,75013657 0,74081822 0,73161563 0,72252735 0,71355197 0,70468809 0,69593431 0,68728928 0,67875163 0,67032005 0,6619932 0,65376979 0,64564853 0,63762815 0,62970741 0,62188506 0,61415988 0,60653066
Aproximaciones
3. a) Empleando las frmulas del mtodo Predictor-Corrector con h=0.1, y0=0 y
71
y' =
tendremos:
3x 2 x 3 + y +1
3 12 y1, p = y 0 + hf ( x 0 , y 0 ) = 0 + 0.1 3 1 + 0 + 1 = 0.15
y1,c
h 0.10 3 12 3 (1.1) 2 = 0.148156 + = y 0 + ( f ( x 0 , y 0 ) + f ( x1 , y1, p ) = 0 + 3 2 2 1 + 0 + 1 (1.1) 3 + 0.15 + 1

Ahora calcularemos la segunda iteracin:
3 (1.1) 2 y 2, p = y1,c + hf ( x1 , y1,c ) = 0.148156 + 0.1 (1.1) 3 + 0.148156 + 1 = 0.294577
h 0.10 3 (1.1)2 3 (1.2)2 + y2,c = y1 + ( f ( x1, y,c1) + f ( x2 , y1. p ) = 0.148156+ (1.1)3 + 0.148156+ 1 (1.2)3 + 0.294577+ 1 = 0.292829 2 2
As, sucesivamente, tendremos la siguiente tabla de aproximaciones:

Valor de x 1.1 1.2 1.3 1.4 1.5 Valor aproximado predictor de y 0.15 0.294577 0.435836 0.573740 0.708254 Valor aproximado corrector de y 0.148156 0.292829 0.434113 0.572017 0.706530
b) Para calcular el error absoluto tenemos:
= y (1.5) 0.706530 = 0.706666 0.706530 = 0.000136

4. Empleando las frmulas del mtodo Predictor-Corrector con h = 0,25, y(0) = 1 y
72
y ' = ty +
4t y
tenemos:
4(0) y1, p = y0 + hf ( x0 , y0 ) = 1 + 0.25 0(1) + =1 1

h 0.25 4(0) y1,c = y0 + ( f ( x0 , y0 ) + f ( x1 , y1, p ) = 1 + 0(1) 2 2 1 4(0.25) + 0.25(1) = 1.09375 1
As, sucesivamente, obtenemos la siguiente tabla de aproximaciones:

Valor de t 0.25 0.50 0.75 1 Valor aproximado predictor de y 1.000000 1.253962 1.626989 1.889633 Valor aproximado corrector de y 1.093750 1.470936 1.817943 1.986706
Ampliacin de conocimientos
Los problemas de ecuaciones diferenciales que hemos resuelto numricamente son problemas de valores iniciales, se trata de ecuaciones a las cuales se les agregan restricciones que se imponen a un mismo valor de la variable independiente generalmente al inicio llamado valor inicial. Cuando las restricciones se imponen en diferentes valores de la variable independiente el problema se llama de valor en la frontera. Al lector interesado se le recomienda investigar sobre este tipo de problemas y los mtodos de solucin empleados. Existe otro tipo de mtodos multipaso, en los que el paso empleado es de tamao variable, una de las ventajas de esta variante es la de permitir el control del error de truncamiento local. Al lector interesado en profundizar en el tema se le recomienda investigar sobre los algoritmos aplicables en esta modalidad y las ventajas de su aplicacin.
73
Consulta en la Web:
Se recomienda consultar la siguiente direccin, la cual ofrece una visin general sobre la solucin numrica de ecuaciones diferenciales ordinarias. http://maestros.its.mx/~sescobedo/metnum/apuntesmn/solecdif.pdf
MDULO III
Simulacin de Sistemas estocsticos Introduccin La simulacin es una tcnica muy poderosa que se emplea para el anlisis y el estudio de sistemas complejos. En los cursos de investigacin de operaciones se analizan y estudian modelos tpicos que pueden ser resueltos analticamente y en la mayora de ellos el objetivo consiste en hallar una solucin ptima. En simulacin se opera con variables y relaciones estocsticas, que hacen las situaciones ms complejas, y por ello dificultan su representacin como modelos nicos. Lo que se pretende con la simulacin es imitar las operaciones del mundo real, el cual evoluciona a travs del tiempo. El proceso de la simulacin involucra la corrida o ejecucin del modelo a travs del tiempo, en el computador, con el fin de generar muestras representativas de las medidas de gestin o comportamiento del sistema. Para estimar el comportamiento 74
del sistema a travs del modelo se debern tomar en consideracin algunos factores como: las condiciones iniciales y la duracin del perodo a ser simulado. Toda simulacin requiere de algn sustento terico que conducir el funcionamiento del sistema. En este mdulo se tratan los fundamentos tericos y las tcnicas que se emplean en simulacin estocstica, los cuales servirn de base para llevar a cabo la formulacin del modelo de simulacin. Objetivo del Mdulo III: Formular un modelo de simulacin, bajo un enfoque lgico y crtico.
Estructura del Mdulo III Unidad 6: Introduccin a la simulacin Unidad 7: Formular un modelo de simulacin dada una situacin.
UNIDAD 6
Introduccin a la simulacin En el inicio de todo proceso de simulacin usualmente se recogen datos que permitirn el estudio del comportamiento del sistema. En algunos casos es fcil verificar que las variables a medir en un sistema siguen una distribucin conocida. En otros casos es necesario interpretar la nocin de la frecuencia para construir la funcin de distribucin de probabilidad. En ambos casos se requerir el empleo de herramientas para generar nmeros aleatorios, bajo una distribucin especfica. En esta unidad se enfoca el proceso de generacin de muestras de variables aleatorias, con una distribucin especfica. Inicialmente se trata el mtodo de muestreo de Monte Carlo, luego los mtodos ms comunes para generar nmeros aleatorios y finalmente la generacin de muestras aleatorias a partir de distribuciones de probabilidad conocidas, tanto en el caso continuo como en el caso discreto. Objetivo de la Unidad 6
75
Obtener los eventos y/o los nmeros seudoaleatorios y/o las variables aleatorias discretas y continuas
Contenido de la Unidad 6: Simulacin de Monte Carlo. Mtodo de generacin de nmeros seudoaleatorios. Generacin de variables aleatorias discretas y continuas. Elementos de simulacin de evento discreto.
Repasar la teora sobre variable aleatoria, media, varianza y distribuciones discretas y continuas. Estudiar las unidades 7, 8 y 9 del mdulo titulado Simulacin de Procesos Estocsticos. Puede omitir las secciones que contienen cdigos de programas, as como el desarrollo del experimento de simulacin. Estudiar en la seleccin de lecturas 6.1, lo relacionado con generalidades de modelado, generacin de nmeros aleatorios, generacin de variables aleatorias y pruebas estadsticas. Disear algoritmos que implementen mtodos de generacin de nmeros seudoaleatorios uniformes en (0,1). Codifquelos en un
76
lenguaje de programacin de su dominio o emplee la hoja de clculo Excel.
Disear algoritmos que implementen mtodos de generacin de valores de una variable aleatoria con distribucin conocida (continuas y discretas). Codifquelos en un lenguaje de programacin de su dominio o emplee la hoja de clculo Excel. Resolver los problemas propuestos y los ejercicios de autoevaluacin. Realizar los ejercicios del libro y de la seleccin de lecturas concernientes al tema en cuestin, empleando la hoja de clculo. Consultar otras fuentes bibliogrficas. Consultar los temas estudiados en sitios de Internet que aborden el tema. Ante cualquier duda, consultar a su asesor en el centro local. Si desea hacer algn comentario o sugerencia acerca del curso o de este material instruccional, comunquese con el profesor que lo administra a travs de la direccin de correo electrnico suministrada por la carrera. Recuerde que su comentario puede ser til para fortalecer y enriquecer dicho material instruccional. deber estar
Cules son las actividades fundamentales que se deben llevar a cabo para realizar un modelo de simulacin? En qu consiste cada mtodo para la obtencin de nmeros seudoaleatorios? En qu consisten las pruebas estadsticas para los generadores de nmeros seudoaleatorios? En qu consiste la simulacin estocstica discreta? Cmo se generan muestras de una variable aleatoria con distribucin continua? Cules son los mtodos ms usados? Cmo se generan muestras de una variable aleatoria con distribucin discreta? Cules son los mtodos ms usados?
77
Modelo de simulacin Un modelo de simulacin es la representacin del comportamiento de un sistema, expresado en relaciones lgicas o matemticas. Los sistemas pueden ser clasificados en discretos y continuos. Los sistemas discretos son aquellos en los que los cambios de estado ocurren en puntos contables o discretos a travs del tiempo. Un ejemplo de un sistema discreto es la atencin de clientes en un cajero automtico, el sistema cambia bien sea cuando un cliente finaliza su operacin con el cajero y se retira o bien cuando llega un nuevo cliente. Estos cambios de estado en el sistema ocurren en puntos discretos en el tiempo. Los sistemas continuos son aquellos en los que los cambios de estado ocurren continuamente en el tiempo. Un ejemplo de un sistema continuo es un proceso qumico. Los sistemas continuos se modelan empleando ecuaciones diferenciales. La simulacin puede ser determinstica o estocstica. La primera no contiene variables aleatorias y la segunda tiene al menos una variable aleatoria. Slo trataremos modelos estocsticos discretos. Iniciaremos el estudio con el Mtodo de Monte Carlo, como un recurso de muestreo aleatorio para estimar la salida de un experimento.
El Mtodo de Monte Carlo El Mtodo de Monte Carlo es un mtodo numrico empleado en la resolucin de problemas en los que se requiere emplear nmeros aleatorios. Fue creado en el ao 1949 por Von Neumann y Ulam y permanece vigente en la actualidad. El nombre del mtodo proviene de la ciudad de Monte Carlo, muy famosa por su casino. El mtodo de Monte Carlo es un mtodo muy verstil que se emplea entre muchas aplicaciones, para hallar aproximaciones de reas de figuras, aproximaciones de integrales, determinacin de intervalos de confianza y en mtodos de remuestreo estadstico. Variantes del MC se usan para resolver problemas muy diversos. Entre ellas el caso de los clculos computacionales relacionados con sistemas moleculares. La importancia actual del mtodo Monte Carlo se basa en varios hechos: La existencia de problemas numricos de muy difcil solucin por mtodos exclusivamente analticos. El desarrollo de las aplicaciones en los computadores, que permite que los experimentos no se tengan que realizar fsicamente sino mediante simulaciones de nmeros aleatorios o de nmeros determinsticos pseudoaleatorios. 78
Las aplicaciones posibles, que han trascendido a las propias Matemticas (ecuaciones diferenciales parciales de Laplace o de Schrdinger, integrales, matrices, distribuciones de Student, redondeos aleatorios, etctera). Debido a las mltiples aplicaciones de este mtodo, cuando hablemos del mismo, nos referiremos en plural, como Mtodos de Monte Carlo.
Fuente: http://canales.laverdad.es/cienciaysalud/6_1_8.html
Ejemplo 6.1 (Aplicacin del Mtodo de Monte Carlo en la aproximacin del rea de una figura en el plano)
Suponga que queremos calcular el rea de una regin arbitraria F, que est dentro del cuadrado unitario, como se muestra en la figura 6.1. Si seleccionamos N puntos al azar dentro del cuadrado y N puntos de estos caen en la regin F, el rea de la regin F ser aproximadamente: N/N. Mientras mayor sea N, mejor es la estimacin del rea del cuadrado. Se puede concebir este mtodo como una serie de intentos o experimentos independientes uno del otro, en donde se promedian las salidas para obtener un resultado. Se realizan N intentos, en donde cada uno de ellos consiste en la obtencin de un nmero aleatorio dentro de los lmites del cuadrado. Los resultados son los siguientes: Sea N, el nmero de puntos que caen en F y N, el nmero de puntos en el cuadrado unitario. Se tiene:
N = 14 N = 37
rea aproximada de F = N/N = 0,37837838 Area de F: 0,40798611
79
y
1
0,5
1 x
Figura 6.1 Es fcil observar que el mtodo utilizado para calcular el rea tendr validez slo si los puntos aleatorios son desplegados uniformemente en el cuadrado unitario. En la prctica este mtodo no se utiliza para aproximar reas, ya que existen mtodos numricos que proveen de mayor exactitud. Hechos acerca del mtodo: No ayuda a ganar al jugar con la ruleta
En resumen, los mtodos de Monte Carlo abarcan una coleccin de tcnicas que permiten obtener soluciones de problemas matemticos o fsicos por medio de pruebas aleatorias repetidas. A continuacin se presenta una aplicacin del mtodo en distribuciones de probabilidades, esta ser de gran utilidad al momento de disear el modelo de simulacin. El procedimiento ms usado para generar los tiempos de ocurrencia de los eventos, dada una distribucin de probabilidad es el muestreo de Monte Carlo. Este mtodo se basa en el concepto de probabilidad como la frecuencia de ocurrencia de los eventos.
80
Ejemplo 6.2 (Muestreo de Monte Carlo) Suponga que la duracin de cierto evento es una variable aleatoria con la siguiente distribucin de probabilidad:
Duracin del evento (minutos) 1 2 3
Probabilidad 35% 40% 25%
Tabla 6.1 Para obtener resultados que se correspondan con la distribucin dada, el muestreo debe ser independiente, esto significa que cada duracin del evento obtenida a travs de l, es independiente de la precedente y de la que le sigue. Mostraremos cmo se realiza la generacin, arreglando la distribucin en una ruleta, como se muestra en la figura 6.2
puntero S1 25 % S3 x=3 40 % x=2 S2 35 % x=1 giro
Figura 6.2 Ruleta para la distribucin Si hacemos girar la ruleta y el puntero marca el sector S2, significa que el evento a representar durar 2 minutos; si el puntero marca el sector S1, el evento durar 1 minuto y si marca el sector S3 , el evento durar 3 minutos. Suponiendo que la ruleta no presenta desperfectos, al efectuar el muestreo, ocurrir con ms frecuencia el evento cuya duracin es: 2 minutos. En la prctica no es fcil contar con una ruleta apropiada a cada distribucin. Adems la simulacin se realiza en el computador y se emplean funciones 81
generadoras de nmeros aleatorios. Para llevar a cabo el proceso de muestreo en el ejemplo presentado, se supone que la ruleta posee 100 nmeros, desde el 00 hasta el 99 inclusive. Los nmeros del 00 hasta el 34 inclusive, se asocian con la duracin del evento de 1 minuto, los nmeros comprendidos entre 35 y 74 se corresponden con la duracin de 2 minutos y los que van desde el 75 hasta el 99, con el de 3 minutos. Se emplea un procedimiento generador de nmeros aleatorios desde 00 hasta 99 y se realiza la asignacin correspondiente, como se muestra en la tabla 6.2 Nmeros aleatorios 00-34 35-74 75-99 Duracin (minutos) 1 2 3
Tabla 6.2 En la tabla 6.3, se presentan una serie de nmeros aleatorios obtenidos empleando la hoja Microsoft Excel. La funcin aleatorio() genera nmeros aleatorios entre 0 y 1. Se multiplican por 100, se redondean a nmeros enteros (tambin es posible truncarlos) y se aplica la asignacin expresada en la tabla 6.2 NA multiplicado Redondeado Tiempo de por 100 a entero duracin 89.35683126 89 3 46.89626557 47 2 23.86984661 24 1 4.47029194 4 1 65.88772402 66 2 71.39239945 71 2 73.7959739 74 2 71.49502732 71 2 48.93089933 49 2 83.28355546 83 3 Tabla 6.3
Nmero aleatorio (NA) 0.893568313 0.468962656 0.238698466 0.044702919 0.65887724 0.713923995 0.737959739 0.714950273 0.489308993 0.832835555
Ejemplo 6.3 (Muestreo de Monte Carlo) En una empresa distribuidora de refrescos, se reciben pedidos cuya magnitud oscila entre 3.000 y 18.000 cajas. De acuerdo al archivo histrico de datos, la distribucin de probabilidad es la siguiente:
82
Magnitud de los pedidos (en cajas) 3.000 - 8.000 8.000 - 13.000 13.000 18.000 Tabla 6.4
Probabilidad 0,3 0,2 0,5
La funcin continua de distribucin acumulada es la siguiente:
F(x)
1
0,5 U0 0,3
0,0 3
8 O1
x
13 18 (en miles de cajas)
Figura 6.3 Funcin de distribucin acumulada de la magnitud de los pedidos La relacin y = F(x) expresa el valor de la funcin acumulada F, dado un valor U0. Para hallar el valor de o1, debemos saber en qu intervalo se encuentra U0, En la figura, U est en el intervalo [0,3 , 0,5]. Calculamos la ecuacin de la recta que pasa por los puntos (8, 0,3) y (13, 0,5), y la expresamos en funcin de x:
x=
5U + 0,5 0,2
(6.1)
83
Si asignamos a U0 el valor de 0,4, entonces de acuerdo a la ecuacin 6.1, x (magnitud de los pedidos), U = 0,4, ser igual a 10,5 cajas. Si asignamos a U0 el valor de 0,46, entonces de acuerdo a la ecuacin, x (magnitud de los pedidos) ser igual a 11 cajas. Por cada intervalo debe obtenerse una ecuacin similar a la 6.1 Ampliacin de conocimientos
Al lector interesado se le recomienda investigar sobre las diferentes aplicaciones del mtodo de Monte Carlo. En la siguiente seccin se presentan mtodos para generar nmeros aleatorios Mtodos de generacin de nmeros seudoaleatorios En todo experimento de simulacin estocstica se requiere el empleo de nmeros aleatorios. En el computador y en las calculadoras existen limitaciones para la representacin de los nmeros, adems las tcnicas de produccin de estos nmeros en estos dispositivos son deterministas, es por ello que a estos nmeros aleatorios se les denomina nmeros seudoaleatorios. Los mtodos de generacin de nmeros aleatorios se utilizan para obtener nmeros aleatorios entre 0 y 1. Los nmeros a obtener, cualquiera sea el mtodo deben tener las siguientes caractersticas: Uniformemente distribuidos Estadsticamente independientes La media debe ser estadsticamente igual a La varianza debe ser igual a 1/12 Los mtodos ms conocidos para generar nmeros aleatorios son:
Mtodos congruenciales Mtodo de cuadrados medios
Mtodos congruenciales: Se basan en operaciones del siguiente tipo:
ri+1 = (a + c. ri) mod m
(6.2)
84
En donde a, c y m son constantes y r0 es denominado la semilla del generador. En algunos lenguajes de programacin existen funciones para la generacin de nmeros aleatorios, entre 0 y 1, entre 0 y un nmero positivo mayor que 1. Tambin existen funciones que permiten asignar valores a la semilla. Recordatorio
La operacin mdulo (mod) se efecta entre nmeros enteros y consiste en hallar el resto de la divisin entera de x entre y. As la operacin 5 mod 3 = 2; 15 mod 3 = 0.
Ejemplo 6.4 (Generacin de nmeros aleatorios empleando un mtodo congruencial) Genere 10 nmeros aleatorios, utilizando como semilla r0 = 29, y como constantes: a = 117, c = 11 y m = 311 De acuerdo a la relacin (6.2) se tiene:
Nmero obtenido segn Nmero Aleatorio Recurrencia (NA) 125 0,40322581 248 0,8 46 0,1483871 1 0,00322581 128 0,41290323 281 0,90645161 98 0,31612903 262 0,84516129 200 0,64516129 140 0,4516129 Tabla 6.5 Nota: Estos resultados se obtuvieron en una hoja de clculo Excel. La funcin equivalente a mdulo es la funcin residuo. Si m tiene un valor pequeo, ocurrir un ciclo de repeticin de los nmeros, por ello se recomienda escoger a m como el entero ms grande que se pueda aceptar el computador. 85
Existen reglas para la seleccin de los valores de a y c, estas son:
El nmero c debe ser un entero impar, no divisible entre 3 ni entre 5. El nmero a debe ser escogido tal que a mod 8 = 5, para el caso en que se emplee una computadora binaria y a mod 200 = 21, para el caso en que se emplee una computadora decimal
Ejercicios y actividades propuestas:
Utilizando la hoja de clculo Excel o alguna calculadora, genere 20 nmeros aleatorios con valores de m menores a 311. Examine los nmeros obtenidos. Observe que cuando el valor de m es pequeo, por ejemplo m = 7, se repiten los nmeros obtenidos. Utilizando la hoja de clculo, genere 30 nmeros aleatorios. Calcule la media aritmtica y la varianza de estos nmeros generados. Verifique si estos estimadores tienen las caractersticas deseadas.
Mtodo de cuadrados medios: El procedimiento para obtener los nmeros aleatorios de acuerdo a este mtodo, es el siguiente:
Suministrar una semilla Elevar al cuadrado la semilla Tomar el k dgitos centrales, para formar el nmero aleatorio. Los k dgitos pasarn a ser la nueva semilla para obtener el nuevo nmero aleatorio
Nmero Cuadrado 3567 12723489 7234 52330756 3307 10936249 Dada la aleatorios
NA 0,7234 0,3307 0,9362
Ejemplo 6.5 (Generacin de nmeros aleatorios empleando el mtodo de cuadrados medios) semilla 3567, obtener 6 nmeros de 4 dgitos.
86
9362 6470 8609
87647044 41860900 74114881
0,647 0,8609 0,1148
Tabla 6.6
Dada la semilla 3567, obtener 6 nmeros aleatorios de 4 dgitos
La seleccin de los parmetros a, b y m en los mtodos para la obtencin de los nmeros aleatorios, no es arbitraria. Su determinacin est fundamentada en la teora de los nmeros. Se recomienda al lector interesado investigar sobre los criterios y las bases que sustentan la seleccin de estos parmetros.
Pruebas estadsticas Al emplear un generador de nmeros aleatorios, es importante constatar si la secuencia de nmeros obtenidos cumple con las caractersticas deseadas. Existen ciertas pruebas estadsticas, las cuales se mencionan a continuacin:
Pruebas de medias Pruebas de variancia o varianza Pruebas de forma Pruebas de independencia
Para profundizar en las pruebas estadsticas referidas se recomienda realizar los ejemplos que aparecen en la seleccin de lecturas, captulo Simulacin Generacin de variables aleatorias discretas y continuas En toda simulacin probabilstica se maneja la ocurrencia de eventos. La ocurrencia de eventos debe estar regida por una distribucin de probabilidad. Para obtener estos eventos empleando una funcin de distribucin de probabilidad se emplean los generadores de eventos. Los generadores de eventos de poblaciones aleatorias son muy tiles para modelar situaciones especficas al hacer una simulacin.
87
Existen varios mtodos para la generacin de eventos a partir de distribuciones de probabilidad conocidas. Todos ellos se basan en el uso de nmeros aleatorios (0,1) uniformes, independientes e igualmente distribuidos. Consideraremos el muestreo en primer lugar para el caso en que la variable aleatoria tiene una distribucin continua y en segundo lugar cuando tiene distribucin discreta. Caso: variable aleatoria continua Las funciones de distribucin para variables aleatorias continuas ms conocidas son:
Exponencial Uniforme Triangular Normal Gamma Chi Cuadrado Weibull Erlang
A continuacin se presentan los mtodos genricos: Transformacin Inversa o Mtodo Inverso y el Mtodo de Aceptacin-Rechazo y los mtodos especficos: Convolucin y Directo. La exposicin sobre cada mtodo se ilustra con ejemplos referidos a distribuciones conocidas. Mtodo de Inversin: Suponga que se requiere hallar una muestra aleatoria x, de la funcin de densidad de probabilidad f(x). La funcin acumulativa de probabilidad, si la variable aleatoria es de distribucin continua est dada por:
F ( x ) = f (t )dt = P ( x < x )
Como se conoce la funcin de densidad de la variable aleatoria y se requiere hallar la muestra aleatoria, la misma se obtendr a partir de la inversa de la funcin acumulativa, como se expresa a continuacin : x = F-1(r), en donde r (0,1) (6.3)
Por lo cual el mtodo consiste en hallar un nmero aleatorio uniformemente distribuido entre 0 y 1 y aplicando la funcin acumulativa inversa se obtiene la muestra aleatoria x. Cabe destacar que existen funciones de distribucin para las cuales resulta muy costosa la obtencin de la funcin inversa. 88
Ejemplo 6.6 (Generacin de muestras aleatorias con distribucin uniforme, empleando el mtodo de Inversin) Sea una variable aleatoria uniformemente distribuida: U(2,8). La funcin de distribucin uniforme es la siguiente:
0 x a F(x) = b a 1
x<2 2 x 8 x8
El valor de x se obtiene, empleando la relacin 6.3, as x = F-1(U) = 2 + (8-2)U Si se obtienen nmeros aleatorios a partir de un generador de nmeros aleatorios en (0,1), los resultados son:
NA 0,07100566 0,15760714 0,46562939 0,61228534 0,94271469 0,62618179 0,3896156 0,61604503 0,23677881 0,71815757
a+(b-a)*U 2,42603398 2,94564281 4,79377637 5,67371203 7,65628813 5,75709076 4,33769363 5,69627021 3,42067288 6,30894539
Tabla 6.7 Los valores obtenidos son vlidos siempre que los nmeros aleatorios empleados sean uniformemente distribuidos en (0,1)
89
Generacin de muestras aleatorias con distribucin Exponencial Para hallar muestras aleatorias con esta distribucin, empleamos el Mtodo de Inversin. La funcin de distribucin acumulativa (ver figura 6.5) es: F(x) = 1- e-ax Como deseamos obtener valor de x, debemos despejar x en la expresin: r = 1- e-ax en donde r (0,1) De aqu se obtiene:
x=
1 Ln(r ) a
(6.4)
Figura 6.4 Funcin de densidad para nmeros aleatorios con distribucin exponencial
90
1.0
0.0 Figura 6.5 Funcin de distribucin acumulativa para nmeros aleatorios con distribucin exponencial A continuacin se presenta un ejemplo en donde emplea el Mtodo de Inversin, para obtener muestras aleatorias con distribucin exponencial.
Ejemplo 6.7 (Generacin de muestras aleatorias con Distribucin Exponencial, Mtodo de Inversin) Genere nmeros aleatorios para la distribucin Exponencial, con = 15. Como x = -1/ Ln r, donde r es un nmero aleatorio uniformemente distribuido en (0,1) r 0.00404103 0.95884255 0.86271739 0.9153499 0.30126301 0.0893076 0.94775257 0.18997418 0.57723029 0.35977659 x 0.36741707 0.00280189 0.00984454 0.00589659 0.07998477 0.16104458 0.00357745 0.11072447 0.03663427 0.06815147
91
Tabla 6.8 El mtodo de inversin no se puede aplicar siempre, ya que en algunos casos no es fcil obtener la inversa de una funcin. Existen otros mtodos que pueden ser tiles para obtener muestras aleatorias con distribuciones conocidas como el mtodo de Aceptacin y Rechazo y el de Convolucin. Mtodo de Aceptacin -Rechazo Este mtodo es empleado cuando no existe la distribucin acumulativa en forma cerrada. Para este tipo de distribuciones se emplear el mtodo que se especifica a continuacin: Sea f(x) una funcin de distribucin de una variable aleatoria, definida en un intervalo finito a x b. Se seguirn los siguientes pasos para hallar una muestra aleatoria x: Paso 1: Seleccionar una constante M tal que M es el mayor valor de f(x), sobre el intervalo [a, b] Paso 2: Obtener dos nmeros aleatorios en (0,1), r1 y r2. Paso 3: Calcular x* = a + (b-a) r1 Paso 4: Evaluar f en x*, sea f(x*) Paso 5: Si f(x*)/M r2, entonces x* es aceptada como una muestra aleatoria cuya distribucin es f(x). Terminar. En caso contrario se rechaza x* y se repite el paso 2
En ele ejemplo siguiente se aplica el Mtodo de Aceptacin-Rechazo
Ejemplo 6.8 (Generacin de muestras aleatorias con Distribucin Triangular, empleando el Mtodo de AceptacinRechazo) Sea la variable aleatoria x, cuya funcin de distribucin es la siguiente:
3 x 0 x 1 f ( x) = 0 en otro caso
Como primer paso se debe obtener el valor de M, para el ejemplo M = 3
92
M= 3 a= 0 b= 1 Al obtener dos nmeros aleatorios r1 y r2, se tienen los siguientes resultados: r1= 0,346736653 r2= 0,512154324 Los resultados son:
r1 0,34673665
x* 0,346736653
f(x*) 1,04020996
f(x*)/M Prueba 0,34673665 Se acepta x*
Entonces, se acepta el valor x* como una muestra aleatoria con la funcin de distribucin f(x) Si para este ejemplo, los valores de r1 y r2 hubiesen sido: r1= 0,325386011 r2= 0,196939764 Resultados: r1 0,32538601 x* 0,325386011 f(x*) 0,97615803 f(x*)/M 0,32538601 Prueba Se rechaza x*
Se rechaza el valor x*. En este caso es necesario generar dos nuevos nmeros aleatorios y repetir el proceso
Mtodo de Convolucin La generacin de valores para las variables aleatorias con distribucin normal no es posible empleando alguno de los mtodos anteriores. Para ello se utiliza el Mtodo de convolucin el cual consiste en la suma de variables aleatorias independientes, con distribuciones ms sencillas y se apoya en el Teorema del Lmite Central. La suma Y de n variables aleatorias independientes e idnticamente distribuidas: Y1, Y2,, Yn, cada una con media y varianza finita 2 es aproximadamente normal 93
distribuida con media n y varianza n2. Si aplicamos esto a variables aleatorias uniformes U(0,1), con media = y varianza 2= 1/12, entonces:
Z=
R
i =1
0.5n
1/ 2
n 12
(Transformada z)
Es aproximadamente normal con media tenemos:

12
varianza 1. Si n = 12 entonces
Z = Ri 6
i =1
Si deseamos generar un valor para una variable aleatoria con distribucin normal, media y varianza 2, obtenemos Z y luego la estandarizamos empleando la relacin: X = + Z (6.5)
El mtodo de convolucin presentado aqu slo se aplica a la distribucin normal y no puede emplearse en otras distribuciones. Sin embargo se pueden generar muestras aleatorias para variables con distribucin Erlang, con parmetro k, partiendo del hecho que una variable con distribucin Erlang puede obtenerse como la suma de k variables independientes e idnticamente distribuidas. Existe otro mtodo aplicable a la distribucin normal denominado mtodo directo, que se explica a continuacin. Mtodo Directo Consiste en generar dos nmeros aleatorios U(0,1), r1 y r2, los cuales sern transformados en valores con distribucin normal, media 0 y varianza 1 a travs de lo siguiente: Z1 = (-2lnr1) sen 2 r2 Z2 = (-2lnr1) cos 2 r2 Al estandarizar se tiene X1 = + Z1 (6.7) 94 (6.6)
X2 = + Z2 El mtodo de Convolucin genera valores aleatorios aproximados a la normal. El mtodo Directo produce valores normales exactos.
Ejemplo 6.9 (Generacin de muestras aleatorias con Distribucin Normal, aplicando el Mtodo de Convolucin y el Mtodo Directo) La demanda de litros de leche en una distribuidora de alimentos es una variable aleatoria con distribucin normal, media de 1.200 litros y desviacin estndar de 200 litros. Se requiere obtener una muestra aleatoria para la demanda. Empleando el Mtodo de Convolucin, en una hoja Excel se obtuvo lo siguiente:
n 1 2 3 4 5 6 7 8 9 10 11 12
Ri 0,971674663 0,145035063 0,911982646 0,866916748 0,38829355 0,789381701 0,069327368 0,41857793 0,685858561 0,25603001 0,206697919 0,371481898 Tabla 6.9
Funcin: ALEATORIO ()
R
i =1
12
=6,081258059
12
Z=
R
i =1
6 =
0,081258059
95
Media: 1200 Desviacin Estndar: 200 X : 920,6681866 921 litros

Funcin: DISTR.NORM.INV(probabilidad; media; desv_estndar)
Empleando el mtodo directo se obtuvieron dos muestras aleatorias: xi (estndar) zi -0,179082687 1164,18346 1.164 litros -0,209283594 1158,14328 1.158 litros
1 2
ri 0,96277541 0,61264834
Los mtodos de la inversin y Aceptacin-Rechazo son los ms utilizados para la generacin de muestras de variables aleatorias de distribuciones continuas conocidas. Existen otros mtodos como el de Composicin y el de Cocientes de Uniformes, que se pueden emplear para el mismo fin. Al lector interesado se recomienda investigar sobre estos mtodos.
Caso: variable aleatoria discreta En algunas situaciones se presentan funciones de distribucin que no se corresponden con funciones de distribucin conocidas, generalmente se cuenta con un conjunto de datos, relacionados con la ocurrencia de los eventos. A este tipo de distribuciones discretas se les denomina empricas y su tratamiento se hace empleando el Mtodo de monte Carlo. Las funciones de distribucin para variables aleatorias discretas ms conocidas son:
Bernoulli Binomial Hipergeomtrica Poisson Binomial negativa 96
Igualmente como en el caso discreto, existen mtodos genricos y especficos. Describiremos los mtodos de Inversin y Aceptacin Rechazo.
Mtodo de inversin Este mtodo se basa en el siguiente resultado: sea F (u ) = min { x : F ( x ) x } . Si U es una variable aleatoria con distribucin uniforme, U(0,1), entonces la variable X = F (U ) tiene una funcin de distribucin F. Si queremos obtener valores de una variable aleatoria discreta, con funcin de probabilidad: P{ X = xj } = pj, j = 0,1,, En donde
(6.8)
p
j
=1
Se debe generar un nmero aleatorio U, con distribucin uniforme, U(0,1), tal que:
x0 x1 X = M x j M si si U < p0 p0 U < p0 + p1
si
p
i =1
j 1
U < pi
i =1
(6.9)
Como P{ a U < b} = b-a Para 0< a < b < 1, se tiene que:

j 1 j P {X = x j } = P pi U < pi = p j i =1 i =1
(6.10)
97
Por lo que X tiene la distribucin deseada Lo aqu presentado se puede expresar en el siguiente algoritmo:
Generar un nmero aleatorio U Si U < p0 entonces hacer X = x0 Terminar Si U < p0 + p1 entonces hacer X = x1 Terminar Si U < p0 + p1+ p2 entonces hacer X = x1 Terminar

Si los xi, i 0, estn ordenados de manera que x0 < x1 < x2 < y si F denota la funcin de distribucin acumulativa de X, entonces:
j
F ( x j ) = pi
i =0
X = xj
si F(xj-1) U F(xj)
(6.11)
Ejemplo 6.10 (Generacin de muestras aleatorias con Distribucin Bernoulli, aplicando el Mtodo de Inversin) Obtenga 10 muestras aleatorias con distribucin Bernoulli, dado que p = 0,45 Sea X una variable aleatoria con distribucin Bernoulli (1, p) Se emplear la siguiente funcin inversa:
98
1 si u 1 p F (u ) = I ( u 1 p ) = 0 si u < 1 p
(6.12)
Se generan 10 nmeros aleatorios uniformes en (0,1). Por cada nmero aleatorio obtenido se emplea la relacin (6.12) para hallar las muestras.
Nmero aleatorio 0,04541273 0,9401114 0,74745227 0,31183547 0,76602184 0,66241266 0,10665422 0,01882653 0,76090088 0,83887074
Muestra 0 1 1 0 1 1 0 0 1 1 Tabla 6.10
Mtodo de Aceptacin-Rechazo Es similar al caso continuo. Dada una variable aleatoria discreta con una funcin de masa de probabilidad { pj, j 0}, simulamos una variable aleatoria Y, con funcin de masa { qi } y luego se acepta este valor si se cumple que es menor o igual que pY /qY (probabilidad proporcional) Se seguirn los siguientes pasos para hallar una muestra aleatoria x: Paso 1: Generar un valor Y con su funcin de masa qj Paso 2: Obtener un nmero aleatorio U, en (0,1) Paso 3: Calcular C = pY/(cqY) todo j c es una constante tal que c pj /qj para
Paso 4: Si U < C, hacer X = Y . Terminar. Se acepta el valor de Y En caso contrario Y es rechazado, ir al paso 1
99
Ejemplo 6.10 (Generacin de muestras aleatorias, aplicando el Mtodo de Aceptacin-Rechazo ) Dada una variable aleatoria X, la cual puede tomar los respectiva probabilidad mostrados en la tabla (6.11) valores con su
xi 1 2 3 4 5 6 7 8 9 10
p(xi) 0,02 0,12 0,13 0,05 0,07 0,12 0,12 0,25 0,08 0,04 Tabla 6.11
Se quiere obtener una muestra aleatoria, empleando el Mtodo de AceptacinRechazo. Se tomar q (la variable simulada) con una funcin de densidad uniforme discreta en 1, , 10. Entonces qj = 1/10, j = 1,,10 C = Max { pj/qj} = 2,5 Para esta situacin dada, con el fin de obtener un valor para py, se modifica el algoritmo presentado, al siguiente:
Paso 1: Generar un nmero aleatorio U1 en (0,1) y hacer: Y = Entero (10.U1) + 1 Paso 2: Obtener otro nmero aleatorio U2, en (0,1) Paso 3: Calcular C = pY/(cqY) c es una constante tal que c pj /qj para todo j. Para este caso c*qY = 0,25 Paso 4: Si U2 < C, hacer X = Y . Terminar. Se acepta el valor de Y
100
En caso contrario Y es rechazado, ir al paso 1 Resultados al aplicar el algoritmo:
U1 0,33472058
Y 4
qY
0,1
cqY
0,25
pY
pY/cqY
0,2
0,05
Prueba U2 (U2<pY/(cqY)?) 0,11486849 Se acepta
Luego Y = 4 es una muestra aleatoria
Los mtodos de la inversin y Aceptacin-Rechazo son los ms utilizados para la generacin de muestras de variables aleatorias de distribuciones discretas conocidas. Existen otros mtodos como el de Composicin y el de Alias, as como mtodos especficos. Al lector interesado se recomienda investigar sobre estos mtodos.
6.1
En un quiosco de ventas de peridicos y revistas, se desea hacer un estudio sobre el comportamiento de la venta de la revista Al Da. De acuerdo a datos almacenados sobre la conducta de la demanda de dicha revista, se estiman las siguientes categoras:
Categora de la demanda de la revista Alta Media Baja
Porcentaje de ocurrencia 25% 40% 35%
Tabla 6.10
101
Adems se obtuvo la siguiente distribucin, dentro de cada categora:
Distribucin de probabilidad
Demanda 25 32 38 45 58 65 72 85
Alta 0,05 0,05 0,05 0,05 0,1 0,2 0,2 0,3
Media 0,05 0,05 0,2 0,2 0,3 0,1 0,05 0,05
Baja 0,25 0,15 0,15 0,15 0,1 0,1 0,05 0,05
Tabla 6.11 En donde la demanda se cuantifica en nmero de unidades vendidas a la semana. Sobre la base de la distribucin dada, realice un procedimiento para hallar valores de la demanda. Genere 10 valores de la demanda empleando nmeros aleatorios. 6.2 Obtenga una ecuacin similar a la ecuacin 6.1, en el ejemplo 6.3, para el caso de los intervalos [0 , 0,3] y [0,5 , 1], en funcin de x Genere una secuencia de 30 nmeros aleatorios entre 0 y 1 empleando el mtodo congruencial, para a = 40, c = 13 y m = 1231 y una semilla de 4571. Dada la siguiente funcin de distribucin para la variable aleatoria x:
6.3
6.4
x 0 x2 f ( x) = 3 , 0 en otro caso
102
utilice el Mtodo de Inversin para obtener muestras aleatorias con esta funcin de distribucin, empleando nmeros aleatorios uniformes en (0,1). 6.5 El proceso de las llegadas en un sistema de reclamos se rige por una distribucin de Poisson. Dado que el parmetro de la distribucin es de 5 reclamos por hora. Obtenga una muestra aleatoria Poisson.
6.1
Para poder generar valores para la demanda, se obtienen las funciones de distribucin acumulativas y la asignacin de nmeros aleatorios
Categora de la demanda Alta Media Baja
frecuencias 0,25 0,4 0,35
Acumula tiva 0,25 0,65 1
Asignacin de nmeros aleatorios 0-24 25-63 64-99
Tabla 6.12
Distribucin Acumulativa por categora
Alta 0,05 0,1 0,15 0,2 0,3 0,5 0,7 1
Media 0,05 0,1 0,3 0,5 0,8 0,9 0,95 1
Baja 0,25 0,4 0,55 0,7 0,8 0,9 0,95 1 Tabla 6.13
103
Asignacin de nmeros aleatorios por categora Alta 0 5 10 15 20 30 50 70 4 9 14 19 29 49 69 99 0 5 10 30 50 80 90 95 Media 4 9 29 49 79 89 94 99 0 25 40 55 70 80 90 95 Baja 24 39 54 69 79 89 94 99 Demanda (Unidades) 25 32 38 45 58 65 72 85
Tabla 6.14 Para hallar valores para la demanda, se genera un nmero aleatorio y se determina la categora de la misma (alta, media, baja), segn la asignacin presentada en la tabla 6.12. Luego se genera otro nmero aleatorio que permitir determinar la demanda dentro de la categora, de acuerdo a la asignacin de nmeros aleatorios de la tabla 6.14.
NA Transformacin 0,43471486 43 0,5380535 53 0,43624139 43 0,19328224 19 0,68068241 68 0,49755314 49 0,37300542 37 0,35008265 35 0,79972903 79 0,82288855 82 Categora MEDIA MEDIA MEDIA ALTA BAJA MEDIA MEDIA MEDIA BAJA BAJA NA Transformacin 0,58340409 58 0,22211303 22 0,95469003 95 0,41520653 41 0,64048507 64 0,54377652 54 0,09707081 9 0,45258993 45 0,54487743 54 0,5001867 50
Tabla 6.15
Nota: NA se refiere al nmero aleatorio generado
104
La demanda semanal de la revista Al Da se muestra en la tabla 6.16 NA transformado 58 22 95 41 64 54 9 45 54 50
Categora MEDIA MEDIA MEDIA ALTA BAJA MEDIA MEDIA MEDIA BAJA BAJA
Demanda (unidades) 58 38 85 65 45 58 32 45 38 38
Tabla 6.16 Ecuaciones:
6.2
Para el intervalo [3,8] : al asignar valores de U comprendidos entre [0 , 0,3], se obtienen los valores de x de acuerdo a la relacin:
x=
5U +3 0,3
Para el intervalo [13,18] : al asignar valores de U comprendidos entre [0,5 , 1], se obtienen los valores de x de acuerdo a la relacin:
x=
U +8 0,1
6.3 Mtodo congruencial a = 40 c =13 m =1231 semilla = 4571
105
Nmeros seudoaleatorios 375 1222 1154 270 1088 643 1013 899 648 1078 513 554 1087 630 844 1164 400 316 455 1031 Tabla 6.17 6.4 Funcin acumulativa: 1133 1228 1 53 729 900 661 16 248 802
x<0 0 2 x F ( x) = 0 x2 6 1 x 2
Al resolver para x se obtiene:
x2 = r; 6
6.5
por lo tanto:
x = 6r
Para obtener una muestra con distribucin Poisson, = 5, se parte de lo siguiente: Una variable aleatoria X es Poisson, con tasa si
pi = P {X = i } = e
i
i!
En este caso consiste en el nmero de reclamos que llegan en un intervalo de tiempo dado.
106
Para calcular las probabilidades de Poisson, se emplea la siguiente frmula: (6.13) pi +1 = pi , i 0 i +1 Se aplicar el siguiente algoritmo, el cual se basa en el resultado (6.13) para obtener la muestra:
Paso 1: Generar un nmero aleatorio U , U(0,1), Paso 2: i= 0, p = e- , F = p Paso 3: Si U< F , X = N, terminar Paso 4: p=p/(i+1), F = F +p, i = i+1 Paso 5: Ir al paso 3
En la siguiente tabla se muestran los resultados, al aplicar el algoritmo:
i 0 1 2 3 4
F 0,006737947 0,04042768 0,12465202 0,26502592 0,44049329
U 0,82574706 0,48204587 0,62895448 0,73075022 0,01386511
Observaciones No se satisface la condicin No se satisface la condicin No se satisface la condicin No se satisface la condicin Se satisface la condicin
e-= 0,006737947
0,03368973 0,08422434 0,1403739 0,17546737
Tabla 6.18 La muestra corresponde a X = 4
107
UNIDAD
Desarrollo del modelo de simulacin En los mdulos anteriores se ha acentuado la necesidad de estudiar un sistema empleando un modelo, as como tambin se ha manejado el concepto de simulacin, como tcnica para analizar el comportamiento de un sistema. Cuando se realiza la simulacin se experimenta con diferentes entradas y condiciones con el objeto de estudiar las salidas. En esta unidad se abordar el desarrollo de un modelo de simulacin, contemplando todas sus fases, desde la conceptualizacin del mismo hasta el anlisis de los resultados. Reiteramos que nuestro enfoque estar centralizado slo en el modelo de simulacin de eventos discretos o simulacin discreta. Bajo esta tcnica se tratan los sistemas que evolucionan en forma discreta, lo cual significa que su estado cambia slo en ciertos instantes de tiempo y no en forma continua. En todo momento se estimula a la utilizacin del computador como medio indispensable para la realizacin del modelo de simulacin.
Objetivo de la Unidad 7 Formular un modelo de simulacin dada una situacin.
Contenido de la Unidad 7: Formulacin del modelo de simulacin. Seleccin de Lenguajes de simulacin. Pruebas estadsticas. Validacin y Estabilizacin.
108
Repasar en la seleccin de lecturas 6.2, la cual se titula Lneas de espera el captulo relacionado con los modelos de colas o lneas de espera y su solucin. Estudiar en las unidades 8 y 9 del mdulo titulado Simulacin de Procesos Estocsticos, lo relacionado con los experimentos de simulacin. Puede omitir las secciones que contienen cdigos de programas. Estudiar en la seleccin de lecturas 6.3, lo relacionado con el desarrollo del modelo de simulacin, lenguajes de simulacin, validacin y estabilizacin del modelo. Leer la seleccin de lecturas 7.1, titulada: Simulacin por computadora: Aplicaciones y Anlisis Estadstico, esta seleccin presenta casos en los cuales se aplica el proceso de simulacin discreta y para su implementacin se emplea un paquete de simulacin. Resolver los ejercicios propuestos en la seleccin de lecturas. Utilice la hoja de clculo o algn lenguaje de simulacin. Resolver los ejercicios del libro relacionados con los experimentos de simulacin. Utilice la hoja de clculo, algn lenguaje de simulacin o programacin de propsito general, para realizar sus experimentos. Consultar otras fuentes bibliogrficas. Consultar los temas estudiados en sitios de Internet que aborden el tema. Ante cualquier duda, consultar a su asesor en el centro local. Si desea hacer algn comentario o sugerencia acerca del curso o de este material instruccional, comunquese con el profesor que lo administra a travs de la direccin de correo electrnico suministrada por la carrera. Recuerde que su comentario puede ser til para fortalecer y enriquecer dicho material instruccional.
109
deber estar
En qu consiste la simulacin estocstica discreta? Cules tipos existen? Cmo se elabora un modelo de simulacin? Qu son lenguajes de simulacin? Cules son los lenguajes ms utilizados? Qu son simuladores? Cules son los simuladores ms utilizados? En qu consiste la validacin y la estabilizacin del modelo de simulacin? Cmo se deben analizar los resultados de una simulacin?
110
Simulacin estocstica La realizacin de una simulacin comprende un conjunto de actividades, que describen a continuacin: se
Formulacin del problema: Consiste en la definicin de las variables de estado, parmetros, medidas y criterios a considerar. En general, en el proceso de formulacin del problema se establecen las relaciones entre las entidades importantes que conforman el sistema en estudio. Elaboracin del modelo: Previamente a la elaboracin del modelo se recolectan los datos, provenientes de la observacin del sistema y/o datos histricos. Se recomienda disear un modelo simple y progresivamente incorporar los nuevos elementos o relaciones que sean necesarias. Se establecen las restricciones, limitaciones, criterios de ejecucin y parada. Esta etapa incluye: el tipo de simulacin a emplear, la lista de los eventos y la tipificacin de los datos. Correr el modelo: Consiste en seleccionar el lenguaje de simulacin o herramienta computacional o bien elaborar el programa a implantar en el computador y ejecutarlo. Verificar el modelo: En esta etapa se determina si los resultados obtenidos al ejecutar el programa, se corresponden con lo que se quera obtener, en pocas palabras, si el programa funciona de manera apropiada. Validar el modelo: Es una etapa fundamental en ella se evala si representa al sistema real y los resultados son confiables. Si se logra comprobar que el modelo es vlido, se procede al diseo del experimento. En caso contrario es preciso revisar el modelo, para hacer los ajustes que se requieran. Disear el experimento: Consiste en realizar diferentes corridas de la simulacin, empleando diferentes criterios. Analizar los resultados obtenidos: Incluye la recoleccin de los resultados y la realizacin de anlisis estadsticos. El proceso descrito se puede visualizar en la siguiente figura (Figura 7.1) Elaboracin del modelo de simulacin Los sistemas que sern estudiados son aquellos que al evolucionar en el tiempo presentan cambios en algn atributo de alguna entidad, cada atributo se asocia a una variable. Cada vez que ocurre un evento, los valores de estas variables cambian, por lo tanto cambia el estado del sistema. Los eventos ocurren en distintos 111
instantes de tiempo y el paso del tiempo se controla con un reloj de simulacin. Una de las actividades a realizar cuando se quiere elaborar un modelo de simulacin, dependiendo de la implantacin en el computador es definir el tipo de modelo que se realizar. Tipos de simulacin Existen dos tipos de simulacin discreta, cuando se emplea el mecanismo del reloj:
Orientada a intervalos Orientada a sucesos
A continuacin se describen ambos tipos Simulacin orientada a intervalos Tambin se le conoce como sncrona. En este tipo de simulacin se mantiene un reloj que se incrementa en pasos fijos de tiempo t. As la medicin del tiempo se hace en los puntos: t, t + t, t + 2t y as sucesivamente. El diagrama de flujo de este tipo de simulacin se muestra en la figura 7.2.
112
Formulacin
Elaboracin del modelo
Correr el modelo
Verificado ? si Validado ?
no
no
Disear el experimento
Analizar los resultados
Completa ? si Documentar
Figura 7.1
Pasos en el proceso de simulacin
113
Figura 7.2 Simulacin con incremento uniforme de tiempo

Fuente: Ros D., Ros S. y Martn J.
Caractersticas del mtodo de Simulacin orientada a intervalos: Es de implementacin sencilla. Slo se detectan los eventos que ocurren en intervalos de tiempo t + jt, t + (j +1)t, lo cual ocasiona mediciones innecesarias. Es muy empleado en simulaciones de sistemas continuos.
114
Simulacin orientada a eventos Este tipo de simulacin tambin se le conoce como asncrona, en ella el tiempo avanza de acuerdo a la ocurrencia de un evento, es decir del instante t al instante t. El diagrama de flujo se muestra en la figura 7.3
Figura 7.3 Simulacin con incremento variable

Fuente: Ros D., Ros S. y Martn J.
115
Caractersticas del mtodo de Simulacin orientada a intervalos: Slo se representan los eventos. Se invierte ms eficientemente el tiempo de computacin. Es la estrategia ms usada en los lenguajes de simulacin. Lista de eventos En toda simulacin es importante elaborar una lista de los eventos que podran ocurrir en la misma. Son ejemplos de eventos los siguientes:
Inicio Una llegada de un elemento al sistema. Ocurrencia de una falla Una salida de un elemento Fin
En algunas simulaciones se les asigna un cdigo a cada evento, a efectos de llevar a cabo un conteo de sus ocurrencias. En general podra haber diferencias en cuanto a la tipificacin que se emplea en un lenguaje de simulacin y a la que se realiza empleando un programa o una hoja de clculo. Tipificacin de datos y variables Los datos y variables a utilizar en la simulacin, de acuerdo a su naturaleza son de los siguientes tipos:
iniciales: condiciones iniciales. Se refieren a los datos previos a la simulacin, ejemplo: en los problemas de inventario, podra ser el inventario inicial de un artculo o un pedido del artculo. Determinsticos: Son aquellos cuyo valor se conoce con certeza. Por ejemplo la duracin del envo de una orden es de 2 semanas. Estocsticos: Son aquellos de cuyo valor se tiene incertidumbre y se le asignan funciones de probabilidades empricas o conocidas.
Las variables de acuerdo a su uso son de los siguientes tipos:
Conteo: Se emplean para contar el nmero de ocurrencias de eventos. Tiempo: Llevan la cuenta del tiempo de la simulacin. Estado del sistema: Describen el estado del sistema en el tiempo t. como ganancias esperadas,
Existen otras variables que miden otros valores prdidas, etc.
116
Observaciones acerca de la simulacin numrica: no simule cuando

El problema puede resolverse analticamente. No hay informacin o ni siquiera datos estimados. El comportamiento del sistema es demasiado complejo o no puede ser definido. Las expectativas del modelo no pueden ser alcanzadas El problema puede resolverse usando anlisis de sentido comn. Es ms fcil cambiar o ejecutar experimentos directamente en el sistema real. El modelo no puede ser verificado o validado
En el siguiente ejemplo: se muestra un caso muy sencillo de simulacin en donde no se requiere llevar un conteo de reloj.
Ejemplo 7.1 ( Simulacin de una venta de plizas ) Juan Prez es un corredor de seguros, que trabaja para la empresa Seguros Saturno. Su dinmica de trabajo consiste en visitar a clientes potenciales de casa en casa para venderles plizas de seguros. Basado en datos histricos que posee debido a su amplia experiencia en el ramo, ha determinado que de todas las visitas que hace el 50 % de las veces la persona no est dispuesta a adquirir una pliza. Si la persona est dispuesta a adquirir una pliza, esto no significa que se asegure la venta, se estima que 1/3 de esas personas compran la pliza A, cuyo costo es de 1.000 UM, un 1/6 de ellas adquiere la pliza B, cuyo costo es de 2.000 UM y definitivamente no adquiere pliza alguna. Sobre la base de la situacin planteada realiza una simulacin de 20 visitas. A continuacin se presenta la simulacin de 20 visitas. Para la determinacin de disposicin o no disposicin de adquirir la pliza se emplean nmeros aleatorios uniformes en (0,1), si resultan menores que 0,5, se considera que no hay disposicin de adquirir la pliza, en caso contrario estn dispuestos a hacerlo. Para determinar el tipo de pliza, se utiliza la distribucin presentada en la siguiente tabla:
X 1 2 3 p(x) 0,5 0,33333333 0,16666667 P(x) 0,5 0,83333333 1 Asignacin de NA 0 - 49 50 -82 83 - 1 Tipo de pliza No adquiere A B
Tabla 7.1 Distribucin de probabilidades y asignacin de NA
117
En la siguiente tabla se expone la simulacin de la situacin. En ella se genera un nmero aleatorio que en caso de resultar menor que 0,5, se interpreta que la persona no est interesada en adquirir la pliza. Si la persona est dispuesta a adquirirla (NA1 0,5), se generar otro nmero aleatorio NA2, que una vez multiplicado por 100 y truncado a dos dgitos se asigna segn la tabla 7.2
No dispuesto X X X X X X X X 0,34091065 0,94203678 X 0,55106905 X X 0,30863562 0,14639037 X X 0,1277856 A 1.000,00
Visita 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
NA1 Dispuesto 0,24605947 0,14316615 0,25190223 0,03533658 0,23081397 0,44853065 0,41604419 0,91658076 X 0,29484831 0,95449848 X 0,73105903 X 0,2605152 0,7223643 X 0,39583658 0,32177828 0,91111876 X 0,89633796 X 0,26063385 0,03757757 0,56235785 X
NA2
Tipo de pliza
Valor
0,95094565
2.000,00 0,00 2.000,00
0,00 0,00
0,00
Tabla 7.2 Simulacin realizada en la hoja de clculo MS. Excel.

(Un guin indica que an cuando exista disposicin, de adquirir la pliza, no se hizo)
Adems se incluye una columna en donde se especifica el valor de la pliza, si acaso se adquiere. Es posible realizar varias simulaciones, para estudiar el comportamiento del modelo y determinar por ejemplo las ganancias esperadas. La simulacin que mostramos en el ejemplo anterior es muy fcil de realizar, en cada lnea o fila de ella, se simula la visita a un cliente. Los eventos son los siguientes:
El cliente no est dispuesto a adquirir la pliza El cliente est dispuesto a adquirirla El cliente adquiere una pliza A El cliente adquiere una pliza B. El cliente definitivamente no adquiere la pliza
118
En el siguiente ejemplo se realiza una simulacin, en donde se presenta una situacin de lneas de espera o colas.
Ejemplo 7.2 (Simulacin orientada a eventos, sistema de colas) Los clientes llegan a una taquilla de reclamos de una empresa de telefona mvil. Se ha observado el sistema y se han realizado mediciones de los tiempos entre llegadas y de servicio. Los clientes llegan uno a uno, no lo hacen en grupos y el primero que llega es el primero en ser atendido. En los modelos de colas estudiados se supona que tanto los tiempos entre llegadas como los de servicio eran exponenciales, pero en este caso hemos obtenido a partir de las observaciones distribuciones empricas tanto de las llegadas como del servicio. Se puede decir que los clientes que llegan a la taquilla provienen de una fuente infinita adems no hay limitaciones de espacio que podran truncar la cola. Las llegadas ocurren en forma aleatoria, de acuerdo a la siguiente funcin de distribucin:
Tiempo entre llegadas (minutos) 1 2 3 4
Probabilidad 0,2 0,15 0,35 0,3
Tabla 7.3 Distribucin del tiempo entre llegadas Los tiempos de servicio son aleatorios y su distribucin es la siguiente:
Tiempo de servicio (minutos) 1 2 3
Tabla 7.4 Distribucin del tiempo de servicio Sobre la base de la situacin planteada se requiere realizar una simulacin, de 27 minutos. Grficamente se puede representar el sistema como se muestra en la figura 7.4
119
Poblacin infinita
Taquilla de atencin
salida
Figura 7.4 Grfico que representa el sistema Para realizar una simulacin discreta del comportamiento de este sistema, definiremos los siguientes estados: 1. Nmero de clientes en el sistema. 2. Estado del servidor: libre u ocupado 3. El tiempo de la prxima llegada Los eventos estn relacionados con los estados, son aquellos que cambian el estado del sistema y son los siguientes: E1: La llegada de un cliente al sistema E2 : La salida de un cliente del sistema una vez que es atendido En la simulacin estos eventos ocurrirn en ciertos puntos del tiempo. Se tiene una variable de tiempo de reloj. La simulacin se puede comenzar en un tiempo cero, cuando el sistema estar vaco. El tiempo final de la simulacin es 27 minutos, esto significa que el evento ficticio fin ocurrir en el tiempo 27. Al llegar el primer cliente, encuentra la taquilla libre y es atendido inmediatamente. Si llega un nuevo cliente y encuentra el servidor ocupado se une a la lnea de espera. La determinacin de la prxima llegada as como la duracin del servicio se
120
hace empleando nmeros aleatorios y la asignacin apropiada segn las distribuciones presentadas en las tablas 7.2 y 7.3 respectivamente. Ajuste de la variable reloj cuando ocurre una llegada al sistema:
tiempo de reloj + tiempo generado entre llegadas
Ajuste de la variable reloj cuando ocurre una salida del sistema:
tiempo de reloj + tiempo generado de servicio Antes de realizar la simulacin, estableceremos que ocurre una llegada al sistema en el tiempo 1(evento inicial) Las asignaciones de los nmeros aleatorios a los tiempos entre llegadas y de servicio se exponen en las siguientes tablas:
Tiempo
p(x)
1 2 3 4
0,2 0,15 0,35 0,3
P(x) 0,2 0,35 0,7 1
Asignacin de NA 0 19 20 34 35 69 70 100
Tabla 7.5 Asignacin de los NA1 segn la distribucin de los tiempos entre llegadas (tabla 7.3)
Tiempo p(x) P(x) Asignacin de NA
1 2 3
0,4 0,35 0,25
0,4 0,75 1
0 40 75
39 74 100
Tabla 7.6 Asignacin de los NA2 segn la distribucin de los tiempos de servicio (tabla 7.4) Para realizar la simulacin aplicaremos el Mtodo del Prximo Evento, cuyo algoritmo est esbozado en un diagrama de flujo (Figura 7.5). Este mtodo consiste en mantener una lista de eventos y en cada iteracin (lnea de simulacin) se selecciona el evento ms prximo a ocurrir. 121
Adems de los eventos E1 y E2 ya descritos para la situacin actual, consideraremos el evento fin de la simulacin, E3. Las variables utilizadas se describen en la siguiente tabla: Variable Reloj LLE SAL COLA Servidor Lista de eventos Descripcin Lleva el conteo del tiempo Prxima llegada programada (*) Prxima salida programada Tamao de la cola Podr indicar: libre u ocupado Est constituida por todos los eventos generados, ordenados crecientemente por tiempo. En ella se almacena el tipo de evento y el tiempo asignado (LLE SAL) segn sea el tipo; si se trata del evento final se le asigna el tiempo que durar la simulacin. El evento que tenga el menor tiempo de reloj asignado, ser el prximo a ocurrir. (*)
Tabla 7.7 Descripcin de las variables empleadas

(*) Su valor se determina, generando un nmero aleatorio, uniforme en (0,1) y empleando las asignaciones presentadas en las tablas 5.5 y 7.6 segn corresponda a tiempo entre llegadas o salida.
122
Iniciar variables de estado, evento inicial, evento final, lista de eventos
Llegada (E1)
Prximo Evento ?
Salida (E2)
Reloj = Reloj + LLE
Reloj = Reloj + SAL
Fin (E3)
Servidor ocupado
Terminar
Si
Cola =0 Servidor ocupado Servidor libre COLA = COLA -1
No
Servidor libre ?
No
COLA >0 ?
Si
COLA = COLA +1
Generar E2
Generar E2
Generar E1
Actualizar Lista de eventos
Figura 7.5. Diagrama de flujo, Mtodo del Prximo Evento, para un servidor
123
A continuacin se muestra la tabla de la simulacin resultante al aplicar el mtodo.
Reloj Tipo de evento 0 1 2 3 5 5 7 9 10 12 13 14 15 17 19 20 21 22 24 25 27 27 Inicial Llegada Salida Llegada Salida Llegada Salida Llegada Llegada Salida Salida Llegada Llegada Salida Llegada Salida Salida Llegada Salida Llegada Salida Fin
Nm. Estado de cte. servidor ____ 1 1 2 2 3 3 4 5 4 5 6 7 6 8 7 8 9 9 10 10 libre ocupado libre ocupado libre ocupado libre ocupado ocupado ocupado libre ocupado ocupado ocupado ocupado ocupado libre ocupado libre ocupado libre
Long. cola 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0
NA1 ____ 0,660721 0,311413 0,110182 0,768063983 0,114317289 0,873871
Prox. Lleg. ____ 3 2 1 4 1 4
NA2 ____ 0,56794769 0,6791305 0,4103644 0,807430103 0,32696152
Prox. Sal.
Lista de eventos
____ E3/27 2 E2/2;E1/3; E3/27

E1/3;E3/27
2 2 3 1 3 3 1 2 1 2
E2/5; E1/5;E3/27 E1/5;E3/27 E2/7;E1/9;E3/27 E1/9;E3/27 E1/10;E2/12;E3/27 E2/12;E1/14;E3/27 E2/13;E1/14;E3/27 E1/14;E3/27 E1/15;E2/17;E3/27 E2/17;E1/19;E3/27 E1/19;E2/20;E3/27 E2/20;E1/22;E3/27 E2/21;E1/22;E3/27 E1/22; E3/27 E2/24;E1/25;E3/27 E1/25;E3/27 E2/27;E1/28;E3/27 E1/28 E1/28
0,065577 0,965361 0,665767448
1 4 3
0,90555342 0,89005008 0,31608744
0,45019032 0,64901154
3 3
0,633220502 0,55763054
Tabla 7.8 Simulacin Un evento resaltado en negrilla, en la lista de eventos, corresponde al prximo evento a ocurrir. Grficamente se puede representar la simulacin sealando las ocurrencias de las llegadas y las salidas, a travs de los 27 minutos, como se muestra en la figura 7.6.
Llegada Salida
minutos
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
Figura 7.6 Grfico de las ocurrencias de llegadas y salidas
124
Una vez obtenida la simulacin se puede recolectar informacin sobre las medidas de efectividad de este sistema de colas, tales como los tiempos de espera, el nmero de elementos en la cola, el nmero de elementos en todo el sistema, etc. Atencin: El algoritmo que se aplic es especfico para el caso en que ocurren tres tipos de evento (tomando en cuenta el evento fin de la simulacin). Al aplicar el mtodo para un mayor nmero de eventos, se debe ampliar la seccin de determinacin del prximo evento, sealada con , segn sea la situacin.
Ejercicios y actividades propuestas
Un ejercicio interesante es realizar una simulacin de colas, con servidores paralelos y ocurrencia de eventos de acuerdo a ciertas distribuciones de probabilidades, empleando estructuras de datos tipo cola. El programa emitira reportes de estadsticas de la simulacin: conteo de las colas, ocupacin de los servidores, nmero de llegadas en un perodo de tiempo, etc.
Seleccin de Lenguajes de simulacin. En los ejemplos analizados hemos visto que ha sido fcil elaborar una simulacin. En situaciones ms complejas, en donde se maneja un mayor nmero de eventos, resulta ms difcil de hacerlo. Cualquier simulacin puede realizarse empleando lenguajes de programacin de propsito general, como: C, Pascal y Fortran, los cuales proveen facilidades para elaborar instrucciones relacionadas con: condiciones, asignaciones, bucles (loops), secuencias de acciones y procesos. Adems poseen funciones para la generacin de nmeros seudoaleatorios. Comercialmente se han desarrollado muchos paquetes de software. Dentro de la gama de software de simulacin existente se pueden distinguir dos tipos: lenguajes de simulacin y simuladores. Cabe destacar que cuando no se posee un software especializado, un recurso muy til para hacer simulaciones numricas es la hoja de clculo(1). Las ventajas que posee la hoja de clculo son: simplicidad de manejo, facilidad de inclusin de funciones matemticas, lgicas, estadsticas y otras. Otra de las ventajas que ofrece esta (1) herramienta es la de facilitar la visualizacin integral de la data y resultados. Existen adems complementos para la hoja de clculo que simplifican la tarea de simulacin. Una de los problemas que presenta la hoja de clculo es cuando se manejan muchos eventos, en algunos
(1)Cuando mencionemos la hoja de clculo siempre nos referiremos a la Microsoft Excel, que es la ms usada.
125
casos se dificulta llevar el control de los sucesos. Algunos autores han determinado ciertas funciones que requiere la simulacin discreta, que hacen la diferencia entre un lenguaje de simulacin y uno de propsito general, las cuales son:
Generar nmeros aleatorios. Variar el tiempo hasta la ocurrencia del siguiente evento. Generar variables aleatorias. Representar grficamente el modelo y la simulacin Realizar anlisis estadstico sobre datos registrados. Construir salidas en formatos determinados. Detectar inconsistencias y errores.
Cuando se emplea un lenguaje de simulacin algunas cosas que debamos tomar en cuenta para el modelaje del problema resultan transparentes para el diseador Lenguajes de simulacin Son paquetes de software desarrollados con el propsito de facilitar la realizacin de la simulacin, en general suelen proveer facilidades para la modelizacin. Un lenguaje de este tipo proporcionar mecanismos de reloj, mtodos para llevar a cabo la ocurrencia de eventos dadas las distribuciones de probabilidades, generadores de nmeros aleatorios, herramientas para recoleccin y manipulacin de la data, anlisis estadstico y herramientas para la validacin del modelo. Algunos lenguajes de simulacin son:
GPSS GASP R SIMAN SIMSCRIPT SIMULA SIMULINK SLAN TOOL KIT VENSIM
126
Los lenguajes disponibles en el mercado, para simulacin discreta pueden ser de dos categoras: 1- Orientados a eventos 2- Orientados a procesos
Lenguajes orientados a eventos Para operar con estos lenguajes, el usuario debe detallar los eventos y todas las acciones a seguir con las ocurrencias de cada uno de ellos. El lenguaje permite incluir la data sobre distribuciones de probabilidad, realizan el muestreo automtico y generan medidas estadsticas. Lenguajes orientados a procesos Se basan en el concepto de la caja negra, con el efecto de simplificar los detalles de clculo. Operan con bloques o nodos que se vinculan entre s formando una red. Si empleamos un lenguaje de simulacin de esta categora para resolver el problema planteado en el ejemplo 7.2, tendramos que considerar un bloque para representar los clientes que provienen de una fuente infinita, un bloque para la cola y otro para el servidor. Simuladores Los simuladores son paquetes de software que se desarrollan para tratar situaciones especficas. Son de fcil uso, pero limitados a usos determinados. Muchos de ellos se construyen a partir de lenguajes de simulacin, son ejemplos de ellos los siguientes:
SIMFACTORY: Se utiliza para la simulacin de sistemas de manufacturacin LANNET: Se utiliza para simulacin de redes de rea local NETWORK: Se emplea en la simulacin de redes de comunicacin XCELL: Sistemas de proceso
127
Caso de estudio: Simulacin de un problema de colas, en una estacin de cobro de peaje Simulacin de un sistema de colas en una estacin de cobro de peaje (ejemplo 15.3, expuesto en el captulo 15 de Mathur y Solow, el cual ha sido incluido en las lecturas complementarias) El organismo de trnsito encargado del mantenimiento de la Autopista de Nueva Jersey, desea mejorar el flujo de trfico a travs de sus casetas de cobro. Uno de los administradores ha sugerido que se favorezca el paso de vehculos teniendo en servicio casetas especiales para automviles que lleven dos o ms pasajeros. A los canales que conducen a las casetas especiales se les denomina carriles rpidos. Actualmente la estacin posee 3 casetas para el cobro de peaje, la comisin ha seleccionado una de ellas para evaluar el impacto de la propuesta. Como analista de operaciones Ud. ha sido designado para determinar el impacto que tendra en el flujo actual el hecho de convertir una de las tres casetas en atencin del carril rpido. El esquema de la situacin se muestra en la figura 7.7. La comisin luego de estudiar la situacin y recolectar datos sobre el nmero de vehculos, la frecuencia y el nmero de personas en la cola y otros hechos, ha determinado que la caseta de cobro seleccionada actualmente atiende 20 vehculos por minuto, durante las horas pico. De estos vehculos slo 1/3 lleva dos o ms pasajeros. Los datos tambin muestran que el tiempo entre llegadas de dos vehculos pueden ser aproximados por una distribucin exponencial, con una tasa promedio = 20 vehculos por minuto. Los datos registrados adems indican que las casetas que atienden al trfico en general requieren un tiempo de atencin por vehculo que obedece a la siguiente distribucin:
Tiempo (segundos) 3-8 8 -13 13 -16 Tabla 7.9
128
Figura 7.7 No existen datos similares para la caseta rpida propuesta. Adems no se espera que el tiempo de servicio en sta siga la distribucin anterior debido a que dicha distribucin pertenece a automviles, camiones y otros tipos de vehculos, mientras que la caseta rpida es slo para la atencin de automviles. De la experiencia con casetas rpidas se estima que el tiempo de servicio puede ser estimado bastante bien por una distribucin exponencial, con una tasa media de 10 autos por minuto. Sobre la base de la situacin planteada desarrolle un modelo de simulacin, a partir del cual se podr emitir estimaciones del tiempo de espera por vehculo, el nmero esperado de vehculos y la fraccin de tiempo que tarda el empleado en atender a un vehculo. Modelo de Simulacin Condiciones iniciales: Nmero de vehculos en el sistema, al iniciarse la simulacin, por ejemplo hay un vehculo en la caseta rpida y uno en cada caseta general. Como la simulacin se har en un perodo lo suficientemente largo, las condiciones iniciales no debern influir en los resultados. Datos Determinsticos: Duracin de la simulacin, nmero de casetas( 2 puestos con idntica distribucin y uno rpido). 129
Datos Estocsticos: Llegadas de los vehculos(entre llegadas con distribucin exponencial, = 20 vehculos/minuto). Servicio segn el tipo de caseta, como 1/3 de los vehculos llevan dos personas, el 33% podr circular por el carril rpido. El tiempo de servicio en canales generales (distribucin emprica dada). El tiempo de servicio en la caseta rpida (exponencial, = 10 vehculos/minuto). Generacin de eventos: Para la generacin de eventos se deber contar con un generador de nmeros aleatorios uniformes (0,1) Los eventos son:
Duracin del tiempo entre llegadas de los vehculos Nmero de personas en el vehculo Duracin del servicio en las dos casetas generales Duracin del servicio en la caseta rpida Fin de la simulacin ( ser predeterminado)
La formacin de la cola, surge a la llegada de un vehculo cuando la estacin est ocupada y puede haber otros vehculos en espera, as las colas son:
Cola en los canales generales ( 2 canales) si estn ocupados Cola en canal rpido, si est ocupado
Para ver en detalle la realizacin de la simulacin, se recomienda leer en la seleccin de lecturas: Simulacin por computadora: Aplicaciones y Anlisis Estadstico de Mathur K. y Solow D., el ejemplo 15.3. En la solucin del mismo se aplica primero una simulacin, empleando un esquema de contabilidad manual y luego se emplea el paquete de simulacin SIMAN. Al final se analizan los resultados.
Atencin: Gran parte de los problemas que son objeto de estudio en simulacin estn relacionados con sistemas de colas. Esto no significa que slo trataremos problemas de este tipo. Una vez elaborado el modelo de simulacin es preciso considerar aspectos como validar el modelo, cul es el tamao de la simulacin y cul el nmero de corridas a realizar. Lo que sigue corresponde analizar el comportamiento del sistema a travs
130
de los resultados obtenidos en la simulacin y aplicar correctivos si acaso fuese necesario en pro del buen funcionamiento del sistema.
Validacin Una de las preguntas que se hacen quienes desarrollan modelos de simulacin es cuntas simulaciones hacer para obtener resultados confiables?, esto significa que los resultados obtenidos puedan ayudar a inferir sobre el comportamiento real del sistema. Validar un modelo consiste en comprobar las hiptesis planteadas al modelar; al respecto cabe hacerse la siguiente pregunta el modelo se comporta como se esperaba?
Diseo de experimentos Otra pregunta frecuente es cul debe ser el tamao de la simulacin, recordando el ejemplo de las plizas, cuntas visitas simular?, en el ejemplo de las colas cuntos minutos simular?. El resultado de las variables en el modelo tiende a estabilizarse a medida que transcurre el tiempo de la simulacin o el nmero de intentos, es entonces cuando los valores de las variables sern confiables; en este caso se dice que los resultados presentan una condicin de equilibrio. El diseo del experimento se hace de acuerdo a los objetivos del estudio. En el se consideran esencialmente los siguientes aspectos:
1. Longitud de las corridas 2. Longitud del periodo de calentamiento, si es necesario. 3. Numero de replicaciones independientes (rplicas)
Otro de los aspectos no menos importante, es la seleccin de las condiciones iniciales. Una inadecuada seleccin de las condiciones iniciales podra distorsionar los resultados de la simulacin e incrementar el valor de la varianza. Longitud de las corridas: En general el tamao de la corrida depende de la eficacia del generador de nmeros aleatorios uniformes (0,1) y de las condiciones iniciales establecidas. Clculo de rplicas: Algunos autores recomiendan que el nmero de rplicas sea de 3 a 10. Para realizar el anlisis estadstico es necesario calcular los estimadores de media, varianza e intervalo de confianza de cada rplica.
131
Anlisis de los resultados Una vez efectuadas las corridas planificadas se procede analizar e interpretar los resultados. Si el estudio fue bien planificado, se habr planteado un conjunto bien definido de preguntas y el anlisis tratar de responderlas. Es muy importante tambin, cuidar la validez estadstica de los resultados. Antes de implantar las soluciones en el sistema, algunos autores consideran conveniente experimentar con algunas variables del modelo, con el fin de hallar mejores soluciones, esto se asocia al anlisis de sensibilidad de la solucin.
7.1 A un supermercado llegan los clientes, estimndose que el tiempo entre llegadas sigue una distribucin uniforme (1, 3) minutos. Estos emplean en promedio 1 minuto por la compra de cada artculo; el nmero de artculos adquiridos sigue una distribucin exponencial, con una tasa de 1/12. Se dispone de seis cajas estndar que admiten a los clientes, cualquiera sea el nmero de artculos a adquirir, dos cajas rpidas que admiten compras de hasta 10 artculos y una caja especial para minusvlidos y ancianos. El nmero promedio de clientes que utilizan la caja especial es del 4%. Sin tomar en cuenta el tiempo invertido en la cola, cada cliente que pasa por una caja estndar emplea 6 segundos por artculo seleccionado, a travs de la caja rpida, 5 segundos; cuando se trata de un minusvlido se emplean 2 minutos por artculo. Sobre la base de la situacin planteada, determine cules son los eventos a considerar y las distribuciones de probabilidades correspondientes. 7.2 Una papelera emplea tres cajeras para servir a sus clientes, los cuales llegan de acuerdo con un proceso de Poisson, con una tasa media de dos por minuto. Si un cliente encuentra todas las cajas ocupadas, se ubica al final de una fila a la que dan servicio todas las cajeras; es decir, no hay colas frente a cada caja, sino que esperan formados hasta que una cajera se desocupa. El tiempo para realizar las transacciones entre la cajera y el cliente tiene una distribucin exponencial con media de tres por minutos. Con base a lo anterior obtenga los valores de las siguientes medidas de efectividad: a) Promedio de Clientes en el sistema b) Promedio de clientes en la cola
132
c) Tiempo promedio en la cola d) Tiempo promedio en el sistema e) Fraccin de tiempo en que las 3 cajeras permanecen ociosas f) Fraccin de tiempo en que las 3 cajeras estarn ocupadas.
7.1 Eventos:
Evento Cliente llega al supermercado. Cliente escoge un nmero de artculos. Cliente escoge una caja estndar o rpida. Hay 6 cajas estndar y 2 rpidas. (+). Slo podr unirse a la cola rpida si tiene un nmero de artculos entre 1 y 10. Cliente escoge una caja especial .Hay 2 cajas especiales. (+) Cliente ingresa en alguna cola (hay 10 colas) (+) Cliente es atendido en la caja correspondiente (salida), hay cajas 10 cajas
Distribucin Tiempo entre llegadas U(1,3) Exponencial negativa con parmetro 1/12 (*) 96/100
4/100 Tiempo transcurrido antes de unirse a la cola: Se corresponde con el nmero de artculos, obtenido en (*), en minutos. Tiempo de atencin: Segn la caja y el nmero de artculos escogidos(*). Caja estndar (6 segundos por artculo). Caja rpida(5 segundos por artculo). Caja especial ( 2 minutos por artculo)
(+)
Se podr suponer que el cliente se unir a la cola que tenga menos personas, segn la categora que le corresponda
7.2 La situacin presentada se ajusta perfectamente a un modelo abierto de colas de Poisson, con 3 puestos de servicio. Este modelo tiene una solucin analtica, es por ello que para obtener las medidas solicitadas no se requiere realizar una simulacin.
133
Los resultados son: a)

2 Po + L= 2 ( s 1)!( s )
s P0 = s!
s 1 1 + n = 0 n! 1 s
L = 0,68060395 clientes en el sistema b)

s Lq = P 2 0 ( s 1)!( s )
Lq = 0,009291521
c)
Wq = C P0
C= (s 1)! (s )2
Wq = 0,004645761 minutos
W = Wq + 1
d)
W = 0,337979094 minutos
134
e) Es la
fraccin de
tiempo en que las tres cajeras estn
desocupadas y equivale a calcular Po Po = 0,512195122, esto significa que aproximadamente el 52% del tiempo las cajeras estarn libres. f) Fraccin de tiempo en que las 3 cajeras estarn ocupadas es F = 1- Po P1 P2 Como:
1 n Po si 0 n s n! n Pn = s! s n s Po sin > s
Entonces F = 0,03252033, esto significa que aproximadamente el 3,25% del tiempo las 3 cajeras estarn ocupadas. Ampliacin de conocimientos
La simulacin multivariada es aquella en la que las variables aleatorias son vectores, por lo cual las distribuciones de probabilidad son multivariadas. En las ltimas dcadas se han desarrollado tcnicas para generar muestras con estas caractersticas. Al estudiante interesado en ampliar sus conocimientos en este campo, se le recomienda indagar sobre el tema y sus aplicaciones. Consulta en la Web:
Se recomienda consultar la siguiente direccin, la cual ofrece un resumen del proceso de simulacin http://www.fing.edu.uy/inco/cursos/io/archivos/teorico/simulac.pdf
V. Bibliografa
135
Azarang, M., Garca, E. (1996). Simulacin y Anlisis de Modelos Estocsticos. Mxico. Mc. Graw Hill. Burden, R., Faires, J. (1985). Anlisis Numrico. Mxico. Iberoamericana. Chapra, S., Canale, R. (1990). Mtodo numricos para ingenieros. Mxico. Graw Hill. Mc
Eppen, G., Gould, F., Schmidt, C., Moore, J., Weatherford, L. (2000). Investigacin de Operaciones en la Ciencia Administrativa. Mxico. Pearson Educacin. Garca, J., (1983). Matemticas Financieras con Ecuaciones de Diferencia Finita. Barcelona, Espaa. Planeta. Gerald, C., Wheatley, P. (2000). Anlisis Numrico con aplicaciones. Mxico. Pearson Educacin. Gutirrez, M., (1983). Simulacin de Sistemas. Caracas. UNA. Mathur, K.,Solow, D. (1996). Investigacin de Operaciones. Mxico. Prentice Hall. Nakamura, S.,(1992). Mtodos Numricos Aplicados con Software. Mxico. Prentice Hall. Phillips, D., Ravindran, A., Solberg, J. (1976). Operations research Principles and Practice. Canada. Wiley and Sons. Ros, I., Ros I., Martn, J. (2000). Simulacin, Mtodos y aplicaciones. Mxico. Alfaomega Grupo Editor. Ross, S. M.(1990). Simulacin. Mxico. Prentice Hall
136
Taha, Hamdy A. (1998) Investigacin de Operaciones, una introduccin. 7ma edicin. Mxico. Pearson Educacin. The Open University. (1971). Diferencias Finitas. Cali, Colombia. Mc Graw Hill. The Open University. (1971). Ecuaciones Diferenciales I. Cali, Colombia. Mc Graw Hill. Winston W., (2005). Investigacin de Operaciones, Aplicaciones y Algoritmos. Mxico. Thomson. Zill, D. (1982). Ecuaciones Diferenciales con Aplicaciones. EUA. Iberoamericana.
137

337 Mia

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

337 Mia

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADMICO AREA: INGENIERA / CARRERA: INGENIERA DE SISTEMAS

MATERIAL INSTRUCCIONAL DE APOYO

Caracas, Marzo 2006

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

III. Objetivo del Curso

IV. Contenido MDULO I

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Figura 1.1. Representacin de sistema y su entorno 9

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Objeto formal no generalizado Porcin de la realidad que aislamos para estudiarla

Simulacin de Sistemas - 337

Tipos de Modelos: Existen tres tipos de modelos:

Modelos Icnicos Modelos Anlogos Modelos Simblicos

Tipo de Modelo Modelo fsico

Simulacin de Sistemas - 337

Ejemplo 1.4. (Modelos Dinmicos)

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

& x (t ) = ax (t ) [trmino de interaccin] & y (t ) = cy (t ) + [trmino de interaccin]

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Xt+1 kYt aXt g

Yt+1 mXt bYt h

x1 = vc, x2 = i2, u = u(t), y1 = i1, e y2 = i2.

Simulacin de Sistemas - 337

Quedando las ecuaciones de salida definidas como:

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

yt+1 o ft+1 en vez de f(t+1)

Figura 2.1 Representacin grfica de f(t)

Simulacin de Sistemas - 337

Simulacin de Sistemas - 337

yt+1 = 2y + 5t yt+1- yt = 8 yt+1-3yt+1 = 2t

es una solucin de la ecuacin de

Reemplazando los valores de yt y yt+1 en la ecuacin, tenemos:

Ecuacin de diferencia lineal de primer orden 28

Simulacin de Sistemas - 337

a1 yt+1 +a0 yt = g(t)

g(t) = Cn tn +Cn-1 tn-1+...+C1 t+C0

Simulacin de Sistemas - 337

Segn la condicin dada en el problema, tenemos:

yt+1 = 3/4 yt + 2.000

x 1 = x0 + b x2 = x1+b=x0+2b x3 = x2+b= x0 +3b ..

x1 = ax0 x2 = ax1 =a2x0 x3 = ax2 =a3x0

Simulacin de Sistemas - 337

xn+1 = axn , n = 0,1,2,...; a 0

Simulacin de Sistemas - 337

yt+1 = Ayt + B, dado y0

y1 = Ay0 y2 = Ay1 y3 = Ay2 yt = Aty0

B B = A2y0 + B(1 + A) B = A3y0 + B(1 + A + A2) B(1 + A + A2 + k + At-1)