Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes Simulacion Tec - Acapulco PDF
Apuntes Simulacion Tec - Acapulco PDF
Ingeniera en Sistemas
Computacionales
Apuntes de
Simulacin
Catedrtico
Ing. Vales Ortiz Gilberto
Alumno
Horario
1
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
ndice
Unidad I. Introduccin a la simulacin
Introduccin................................................................................................................... 4
Proceso de la simulacin ............................................................................................... 5
Actividades de presimulacin........................................................................................ 5
Actividades de desarrollo .............................................................................................. 7
Actividades de operacin .............................................................................................. 8
Consideraciones relativas a la simulacin..................................................................... 9
Variables exgenas...................................................................................................... 11
Variables de estado...................................................................................................... 12
Variables endgenas.................................................................................................... 12
Parmetros ................................................................................................................... 12
Caractersticas de operacin ........................................................................................ 12
Identidades................................................................................................................... 12
Mtodos analticos, numricos y de simulacin.......................................................... 14
Simulacin de un sistema de inventarios..................................................................... 17
Mtodo de congruencias.............................................................................................. 25
Mtodo multiplicativo ................................................................................................. 26
Computadoras binarias ................................................................................................ 27
Computadoras decimales............................................................................................. 28
Pruebas estadsticas ..................................................................................................... 29
Prueba de medias......................................................................................................... 31
Prueba de varianzas ..................................................................................................... 34
Prueba de poker ........................................................................................................... 35
Prueba de series ........................................................................................................... 37
Apndice...................................................................................................................... 40
Definiciones................................................................................................................. 40
Teoremas ..................................................................................................................... 42
2
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Unidad V. Validacin
3
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
UNIDAD I
Introduccin A La Simulacin
La simulacin consiste bsicamente en construir modelos informticos que describen la
parte esencial del comportamiento de un sistema de inters, as como en disear y realizar
experimentos con el modelo y extraer conclusiones de sus resultados para apoyar la toma de
decisiones. Tpicamente, se utiliza en el anlisis de sistemas tan complejos que no es posible su
tratamiento analtico o mediante mtodos de anlisis numricos. Sus orgenes estn en los
trabajos de Student para aproximar la distribucin que lleva su nombre, y los mtodos que Von
Neumann y Ulam introdujeron para resolver ecuaciones integrales. Desde entonces, la
Simulacin ha crecido como una metodologa de experimentacin fundamental en campos tan
diversos como la Economa, la estadstica, la Informtica o la Fsica, y con enormes aplicaciones
industriales y comerciales, como los simuladores de vuelo, los juegos de simulacin, o la
prediccin burstil o meteorolgica.
Existen diversas maneras para definir el trmino simulacin. Sin embargo debido a que se
considera a la simulacin como una extensin lgica y natural de los modelos analticos y
matemticos, inherentes a la Investigacin de Operaciones, la siguiente definicin es considerada
como una de las ms completas.
Ventajas:
4
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
5. La simulacin nos permite experimentar con situaciones nuevas, para los cuales no se
tiene o hay poca informacin.
Desventajas:
1. Los modelos de simulacin para computadora son costosos y requiere tiempo para
desarrollarse y validarse.
2. Se requiere gran cantidad de corridas para encontrar soluciones ptimas.
3. Es difcil aceptar los modelos de simulacin.
4. Los modelos de simulacin no son de optimizacin directa (son modelos de anlisis).
5. Se pueden tener restricciones o limitaciones en la disponibilidad del software requerido.
El Proceso De La Simulacin.
Es apropiado examinar el proceso completo para el cul el anlisis de simulacin es
planeado y ejecutado. El diseo del modelo de simulacin es en s mismo una parte crtica de
cualquier estudio.
1. Actividades de presimulacin.
2. Actividades de desarrollo.
3. Actividades de operacin.
Actividades De Presimulacin
La primera actividad es el reconocimiento del problema, este nos lleva al estudio y
anlisis del sistema y culmina en el establecimiento de un objetivo dirigido a la solucin del
problema.
5
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
En esta etapa del proceso el usuario debe evaluar las diferentes herramientas disponibles
relacionadas con su objetivo.
ACTIVIDADES DE PRESIMULACIN
RECONOCIMIENTO
DEL PROBLEMA
ANLISIS DEL
SISTEMA
ESTABLECIMIENTO
DEL OBJETIVO
SELECCIN
APROXIMADA
Ejemplos:
6
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Actividades De Desarrollo
Las primeras actividades de desarrollo son el diseo y la implementacin del modelo de
simulacin. Despus que estas tareas son completadas la siguiente actividad es la verificacin
del modelo.
Un modelo validado, es aquel que ha probado ser una abstraccin razonable del sistema
del mundo real que intenta representar.
La exploracin del comportamiento del sistema intenta explicar la relacin entre los
resultados de la Simulacin y los parmetros controlables.
7
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
ACTIVIDADES DE DISEO
DISEO DEL
MODELO
VERIFICACIN DEL
MODELO
VALIDACIN DEL
MODELO
DISEO
ESTRATGICO DEL
EXPERIMENTAL
Actividades De Operacin
En esta etapa el proceso de simulacin, el modelo ha sido diseado, implementado y ha
sido planeado.
Las actividades posteriores son las de llevar a cabo la experimentacin. Esta debe iniciar
con el diseo tctico de los experimentos que van a ser ejecutados. Estas actividades son: la
determinacin de nmero de corrida, y la cantidad de datos a utilizar en cada corrida.
Otras consideraciones son: el tamao de la muestra requerido para los datos, las tcnicas a
utilizar en la comparacin del sistema alternativo, s ste es el objeto de estudio.
8
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
ACTIVIDADES DE OPERACIN
DISEO TCTICO DE
EXPERIMENTACIN
EXPERIMENT NO
O COMPLETO?
SI
ANLISIS DE DATOS
SIMULADOS MODELO EXPERIMENTO
SE CUMPLEN NO
MODIFICAR
LOS OBJETIVOS?
SI ALTO
Control de tiempo
Generacin de nmeros aleatorios
Generacin de V.V.A.A.
Tcnicas de reduccin de varianzas
Lenguajes de simulacin
9
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
totalidad del mismo. Un modelo til debe necesariamente incorporar elementos de dos atributos
en discrepancia: realismo y simplicidad.
Por un lado el modelo ha de ser una aproximacin razonable del sistema real y por tanto
incorporar la mayor parte de los aspectos importantes de este; por otro lado, no es conveniente
que un modelo resulte tan complejo que se vuelva imposible entenderlo.
Las variables se usan para relacionar un componente con otro y se clasifican en:
Las variables que aparecen en los modelos econmicos se emplean para relacionar un
componente con otro y se clasifican, convenientemente, como variables exgenas, variables de
estado y variables endgenas.
Las variables exgenas son las independientes o de entrada del modelo y se supone que
han sido predeterminadas y proporcionadas independientemente del sistema que se modela.
Las variables endgenas son las dependientes o de salida del sistema y son generadas por
la interaccin de las variables exgenas con las de estado, de acuerdo con las caractersticas de
operacin del ltimo.
El hecho que una variable en particular este clasificado como exgena, de estado o
endgena, depende del propsito de la investigacin.
10
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Hay dos relaciones funcionales que describen la interaccin de las variables y los
componentes de un modelo econmico: las identidades y las caractersticas de operacin.
El propsito del modelo es relacionar el tiempo total que requiere una orden para pasar a
travs de n procesos, con la forma en que llegan las rdenes y el tiempo que consume cada uno
de tales procesos.
Variables Exgenas.
ATi = El intervalo de tiempo entre la llegada de la i-sima orden y la (i-1)-sima orden, en
donde i=1,2,...,m.
11
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Variables De Estado.
WTij = el tiempo que la i-sima orden espera para entrar al j-simo proceso, en donde
i=1,...,m y j=1,...,n.
IDTij = el tiempo que el proceso j-simo permanece ocioso mientras que espera la llegada
de la i-sima orden, en donde i=1,...,m y j=1,...n.
Tij = el tiempo total que la i-sima orden esta en el j-simo proceso, donde i=1,...,m y
j=1,...,n.
Variables Endgenas.
Ti = el tiempo total que la i-sima orden esta en el sistema, es decir, el tiempo requerido
para pasar a travs de los n procesos.
Parmetros
E (AT) = El intervalo de tiempo esperado entre las rdenes.
Var (AT) = La varianza del intervalo del tiempo entre las rdenes.
E (STij) = El tiempo esperado para el j-simo proceso donde j=1,2,...n.
Var (STij) = La varianza del tiempo para el j-simo proceso donde j=1,2,...n.
Caractersticas De Operacin
f (ATi) = La funcin de densidad de probabilidad para el intervalo de tiempo entre las
rdenes.
f (STij) = La funcin de densidad de probabilidad para el tiempo de procesamiento del
j-simo proceso donde j=1,...,n.
Identidades
Cuando la primera orden llega a la empresa, es decir, cuando i=1, se supone que las
siguientes ecuaciones describen el sistema de procesos mltiples:
AT1 = 0
WT11 = 0, WT12 = 0,..., WT1n = 0 n-1
IDT11 = 0, IDT12 = ST11,..., IDT1n = ST1j
j=1
12
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Para rdenes subsiguientes, esto es, cuando i = 2,3,...,m, estas ecuaciones se modifican
adecuadamente; las ecuaciones de tiempo se convierten en:
Si DIFj es positiva para el j-simo proceso, entonces el tiempo de ocio ser nulo y el
tiempo de espera puede calcularse con:
Si DIFj es negativo para un proceso en particular, entonces el tiempo de espera ser nulo y
el tiempo de ocio ser igual a:
Este modelo de una empresa con procesos mltiples, tiene varias aplicaciones posibles,
por ejemplo, supngase que al comprar un equipo nuevo, la empresa reducir, un 50% el tiempo
esperado de procesamiento, para un proceso en particular. El modelo servir entonces para
estimar el aumento esperado en el nmero total de rdenes, que es posible procesar
completamente durante un perodo particular de planeacin, para determinar s la empresa esta
justificada en la compra del nuevo equipo.
13
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
E (T ) = min( x 1 , x 2 ) 1 e 1 x1 2 e 2 x 2 dx 1 dx 2
0 0
Aproximacin Analtica
Observemos que para esta aproximacin resulta esencial emplear hiptesis de independencia y
exponencialidad, de manera que el razonamiento empleado es poco robusto; si cambiamos alguna
de esas dos hiptesis, el clculo exacto puede resultar mucho ms complicado e, incluso,
imposible de obtener mediante un mtodo analtico.
Aproximacin Numrica.
ln (1 u1 ) ln (1 u 2 )
1 1
E (T ) = min , du1 du 2
1 2
0 0
14
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
y podemos aplicar, por ejemplo, la regla del trapecio. En nuestro caso, con 15 nodos y, como
antes, 1 = 1 , 2 = 2 , obtenemos el valor .317 como aproximacin del tiempo esperado hasta el
fallo.
tiempofallo=0
desde i=1 hasta n
desde j=1 hasta 2
generar Uj uniforme en (0,1)
hacer X j = (ln(1 u j )) j
tiempofallo=tiempofallo + min(X1, X2)
esp(tiempofallo)=tiempofallo/n
16 82 39 86 86 73 07 32 72 35 12 82 87 21 30 30 60 53 89 92
38 63 63 30 36 25 66 30 53 98 49 78 40 92 80 97 67 46 38 34
Para ello, asociamos al nmero correspondiente el cociente resultante son 16 y 38, con lo cual
U1=.16, U2=.38, X1=.17, X2=.24 y min(X1, X2)=.17. Repitiendo el proceso, resulta la estimacin
.308.
16 82 39 86 86 73 07 32 72 35 12 82 87 21 30 30 60 53 89 92
99 77 85 43 72 34 52 99 30 86 81 40 18 61 20 16 92 39 34 44
01 48 69 32 37 05 99 27 23 55 88 47 38 48 53 79 41 08 73 95
08 34 04 83 42 92 64 49 51 23 44 62 75 43 09 22 55 51 38 18
09 22 76 47 23 99 48 66 26 73 95 53 37 47 00 43 66 80 44 18
64 18 83 13 90 95 64 21 97 09 86 59 99 70 20 73 35 11 81 57
15
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
77 67 94 40 00 12 26 45 77 54 21 51 91 91 28 74 47 00 53 95
73 01 20 47 86 40 71 03 13 36 98 50 48 45 30 23 40 85 76 63
72 67 37 77 52 79 93 67 57 78 77 07 58 19 48 32 72 94 66 11
58 96 79 92 08 88 46 62 58 96 75 18 57 89 21 17 26 92 26 63
41 69 24 18 81 29 14 06 67 15 23 70 27 89 40 77 31 98 71 15
16 45 84 78 49 17 84 92 51 12 08 78 30 35 63 84 34 68 97 10
92 09 48 47 40 81 30 44 03 98 19 38 33 07 00 55 70 65 24 19
26 92 58 75 64 61 49 58 68 45 09 32 76 03 29 08 73 11 33 79
17 33 86 83 91 26 51 12 57 73 21 12 09 58 24 64 91 53 24 92
91 41 97 06 57 45 39 16 64 92 66 18 78 71 55 99 29 18 02 56
52 00 40 81 14 06 94 03 71 39 09 33 74 08 42 15 85 08 35 30
10 07 82 40 99 00 91 31 44 73 51 42 08 28 31 35 20 07 85 96
70 70 14 24 43 71 60 86 17 85 61 05 65 10 68 73 03 31 45 23
96 50 32 72 89 62 28 76 60 00 52 94 67 16 32 08 88 27 01 94
20 89 41 95 46 28 45 92 21 97 51 15 02 82 11 95 65 27 50 08
30 99 84 95 47 72 38 22 55 44 50 61 71 58 86 49 25 60 69 17
94 53 29 42 38 74 90 06 18 71 99 27 84 88 03 43 07 53 96 02
50 61 25 57 55 50 92 14 39 77 29 17 73 75 83 38 40 02 06 47
38 63 63 30 36 25 66 30 53 98 49 78 40 92 80 97 67 46 38 34
Por supuesto, si escogemos otra muestra de la tabla, lo que correspondera a una nueva
replicacin del experimento, obtendremos una estimacin diferente.
16
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Una compaa vende un producto en particular. Desea saber cuantos de estos productos se
tendra en el inventario para cada uno de los prximos n meses.
Los tiempos entre las demandas son variables aleatorias IID, con una media de 0.1 mes.
Los tamaos de las demandas D, son variables aleatorias IID, con
1 w.p 1/6
D= 2 w.p 1/3 donde w.p. se lee con probabilidad.
3 w.p 1/3
4 w.p 1/6
Al inicio de cada mes la compaa revisa el nivel del inventario y decide cuantos artculos
ordenar de su proveedor. Si la compaa ordena Z artculos, incurre en un costo de K+iZ, donde
K = $32 que es el costo de preparacin e i = $3 que es el costo incremental por artculo ordenado.
(si Z = 0, este costo no ocurre). Cuando una orden es colocada, el tiempo requerido para que esta
llegue (llamado periodo de entrega o Leadtime) es una variable aleatoria que esta distribuida
uniformemente entre 0.5 y 1 mes.
La compaa usa una poltica (s,S) para decidir cuanto ordenar, i.e.
SI si I < s
Z=
0 si I s
Cuando una demanda ocurre, esta es satisfecha inmediatamente si el nivel del inventario
es al menos tan grande como la demanda. Si la demanda excede el nivel del inventario, el exceso
sobre el suministro es acumulado y satisfecho por futuras entregas. (En este caso, el nuevo nivel
del inventario es igual al nivel del inventario anterior menos el tamao de la demanda, resultando
en un nivel del inventario negativo). Cuando una orden llega, primero es usada para eliminar
cuando mucho tanto como sea posible las demandas pendientes; el resto de la orden es agregada
al inventario.
Hasta ahora, hemos discutido solamente un tipo de costo incurrido por el sistema de
inventario, el costo de ordenar. Sin embargo, en la mayora de los sistemas reales tambin hay
dos tipos de costos adicionales, costo de mantenimiento y de escasez o dficit, los cuales
17
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
discutiremos despus de introducir algunas anotaciones adicionales. Sea I(t) el nivel del
inventario en el tiempo t[ note que I(t) podra ser positivo, negativo o cero]; sea I+(t)= max
[I(t),0] el nmero de artculos fsicamente disponibles en el inventario en el tiempo t[note que
I+(t)0]; y I-(t)= max [-I(t),0] los pendientes en el tiempo t[I-(t)0 tambin]. Una posible
realizacin de I(t), I+(t), I-(t) se muestra en la figura 1.41. Los puntos en el tiempo que I(t)
decrece son los nicos en los cuales la demanda ocurre.
I(t): Nivel del inventario en el tiempo t, siendo el valor de t positivo, negativo o cero.
El tiempo de los puntos al cual I(t) decrece son los nicos puntos donde ocurre la demanda.
18
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Similarmente, suponga que la compaa incurre un costo de dficit de =$5 por artculo
por mes en dficit; esto cuenta para el registro de los costos extraguardado cuando existe un
dficit, tambin la perdida de buenos clientes. El nmero de promedio de veces de artculos en
dficit esta dado por es
s 20 20 20 20 40 40 40 60 60
S 40 60 80 100 60 80 100 80 100
No discutiremos aqu el resultado de cmo estas polticas particulares fueron elegidas para
su consideracin, tcnicas estadsticas para hacer tal consideracin sern discutidas ms adelante.
Note que las variables de estado para un modelo de simulacin de este sistema de
inventario son el nivel de inventario I(t), la cantidad de una orden prominente de la compaa al
proveedor, y el tiempo del ultimo evento.[el cual es necesaria para calcular las reas bajo las
funciones I+(t) e I-(t)]
19
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Hemos tenido que hacer el fin de la simulacin, como un evento de tipo 3 en lugar del
tipo 4, ambos eventos fin-simulacin y evaluacin-inventario desde el tiempo 120 que sern
eventualmente programar y querer ejecutar el primer evento anterior en este tiempo. (Puesto que
la simulacin se hace despus del tiempo 120, no hay sentido en la evaluacin del inventario y un
posible ordenamiento, incurriendo en un costo de ordenar por una orden que nunca llegar). La
ejecucin del evento tipo 3 antes del evento tipo 4 es garantizado por que la rutina del tiempo da
preferencia al mas bajo evento numerado, si dos o mas eventos son programados para ocurrir al
mismo tiempo. En general un modelo de simulacin sera designado a procesar eventos en un
orden apropiado cuando un ciclo de tiempo ocurra.
Orden de
Demanda Evaluacin
llegada
Termino de
la simulacin
Hay tres tipos de variables aleatorias que se necesitan para simular este sistema. Los
tiempos indeterminados son distribuidos exponencialmente, as que el mismo algoritmo (y
cdigo) como se desarrollo en la seccin 1.4 pueden ser usados aqu.
20
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Los subprogramas para generar los tamaos de demandas todos usan estos principios y
toman como entrada el interruptor de puntos definiendo los subintervalos de llegada anterior los
cuales son las probabilidades acumuladas de la distribucin de D.
Los atrasos en las entregas son uniformemente distribuidos pero no sobre el intervalo
unitario [0,1]. En general podemos generar una variable aleatoria uniformemente distribuida
sobre cualquier intervalo [a,b] generando un numero aleatorio U(0,1) y despus regresar a
a+U(b a).
En el evento llegada orden, se muestra en la figura 1.43 y debemos hacer los cambios
necesarios cuando una orden llegue del proveedor. El nivel del inventario es incrementado y
desde su consideracin del evento llegada de una orden debe ser eliminada.
Evento de
orden de llegada
Regreso
21
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
El evento de la demanda est dado en la figura 1.44 y procesa los cambios necesarios para
representar un caso de demanda. Primero, el tamao de la demanda es generada, y el inventario
es decrementado por esta cantidad. Finalmente el tiempo de la prxima demanda es programada
en la lista de eventos. Note que esto ocurre donde el nivel del inventario pueda ser negativo.
El evento evaluacin del inventario tiene lugar en el comienzo de cada mes, su diagrama
de flujo es el siguiente. Fig. 1.45
Como en el modelo de colas de un solo servidor, es conveniente escribir una rutina para
actualizar los acumuladores de la estadstica de tiempo continuo. Para este modelo, sin embargo,
haciendo esto ligeramente mas complicado, daremos al diagrama de flujo.
Evento evaluacin
del inventario
Si
I(t)<s?
Determine la cuenta de
orden [S I(t)]
Programar el prximo
evento evaluacin del
inventario
Return
22
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
23
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
UNIDAD II
Generacin De Nmeros Pseudoaleatorios
En principio definiremos la funcin de distribucin acumulada para la distribucin
uniforme estandarizada como:
0 x<0
F(X) = x 0<x<1
1 x>1
En la prctica, se requieren sucesiones de nmeros aleatorios para la generacin de los
datos de entrada para el proceso de simulacin.
En el caso de los mtodos digitales hay 3 formas para proveerse de nmeros aleatorios:
provisin externa, generacin interna por medio de un proceso fsico al azar, generacin interna
por medio de una relacin de recurrencia.
En el caso de provisin externa, lo que se hace es, grabar las tablas de nmeros aleatorios
en una cinta del sistema de la computadora digital.
24
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Cualquiera que sea el mtodo para generar nmeros aleatorios debe satisfacer las
siguientes condiciones:
Deben ser:
1. Uniformemente distribuidos
2. Estadsticamente independientes
3. Reproducibles
4. Sin repeticin dentro de una longitud determinada de la sucesin
5. Generacin a grandes velocidades
6. Requerir el mnimo de capacidad de almacenamiento
Mtodo De Congruencias:
Estos mtodos se basan en una relacin fundamental de congruencias que se expresa
como:
ni+1 a ni + c (mod m) 1
donde:
ni, a, c y m : son enteros no negativos
para i= 0,1,2,... al desarrollar la ecuacin
n1= a n0 + c (mod m)
n2= a n1 c= a(an0 + c) + c a2 n0 + (a +1)c (mod m)
n3= a3n0 (a2-a+1)c = a3n0 + c (a2-1) (mod m)
. (a-1)
.
.
ni= aino + c(ai-1) (mod m) 2
(a-1)
n0 = constante inicial
c = constante aditiva
a = constante multiplicativa
25
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Los trminos de la sucesin {ni} forman una sucesin de residuos modulo m, es decir, ni <
m ni; a partir de los nmeros enteros de la sucesin {ni} se pueden obtener nmeros racionales
en el intervalo (0,1) con solo formar la sucesin:
{ri} = {ni / m}
Respecto a la pregunta de que si existe un mnimo valor positivo para i, i=h tal que nh = n0
donde h es el perodo de la sucesin {ni}; si h existe, cabe preguntarse que condiciones se pueden
imponer sobre n0, a, c y m de manera que el periodo de {ni} sea lo ms largo posible.
1. Mtodo Aditivo
2. Mtodo Multiplicativo
3. Mtodo Mixto
Mtodo Multiplicativo
El modulo que emplea este mtodo es m = pe donde p representa el nmero de
guarismos del sistema numrico que usa la computadora y e denota el nmero de dgitos en
una palabra. En computadoras binarias p=2; en computadoras decimales p=10.
26
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Computadoras Binarias
m = 2b
b = nmero de bits de palabra b >2
h = 2b-2 mximo perodo que se puede obtener
El problema se reduce a encontrar multiplicadores que tengan orden h=2b-2; a tiene que
ser primo relativo de m=2b y por lo tanto tiene que ser impar.
a 3 (mod 8) a = 8t 3
Los valores de a prximos a 2b/2 minimizan la correlacin en serie de primer orden. Con
respecto al valor inicial no, este debe ser primo relativo de m = 2b, entonces n0 puede ser
cualquier nmero entero impar.
Procedimiento:
Ejemplo:
Sea b = 4, m = 24 = 16 y h = 24-2 = 4
1.- n0 = 7 n0 = 0111
27
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
y as sucesivamente...
Computadoras Decimales
m = 10d = 2d 5d
d = nmero de dgitos decimales de la palabra. d>3
a = debe ser nmero primo relativo de 10d
a = (3, 11, 13, 19, 21, 27, 29, 37, 53, 59, 61, 67,69, 77, 83, 91) (mod 200)
a = 200t p t = 0, 1, 2, 3, ...
p = uno de los 32 nmeros dados anteriormente.
De igual modo n0 debe ser primo relativo de m = 10d, lo cual implica que tiene que ser
impar, no divisible entre 5 para seleccionarse como valor inicial.
a 10d/2
28
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejemplo:
1.- n0 = 5379
2.- a 102 = 100
a = 200(0)+91 a = 200(1)-91
a = 91 a =109
3.- an0 = (0091)(5379) =00489489
n1 = 9489 r1 = 9489 = 0.9484
10000
y as sucesivamente...
Pruebas Estadsticas
Las propiedades estadsticas que deben poseer los nmeros pseudoaleatorios generados
por los mtodos congruenciales tiene que ver con independencia y aleatoriedad estadsticas.
2
x x
N
1 2
=
N
j =1
f j x
29
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejercicio:
0 - 0.1 0.1 0.2 0.2 0.3 0.3 - 0.4 0.4 0.5 0.5 0.6 0.6 0.7 0.7 0.8 0.8 0.9 0.9 1.0
0.001213 0.108501 0.227241 0.352862 0.499629 0.557434 0.634536 0.762627 0.805480 0.941875
0.092645 0.199044 0.282693 0.339548 0.456790 0.585186 0.696237 0.751033 0.898980 0.936553
0.032722 0.155062 0.299315 0.386183 0.406443 0.589628 0.655595 0.721023 0.826543 0.986111
0.052303 0.199621 0.210002 0.332164 0.433081 0.574100 0.624006 0.789616 0.888098 0.915126
0.072814 0.191479 0.239493 0.308614 0.416789 0.543258 0.650020 0.760869 0.858532 0.908297
0.031858 0.120791 0.222878 0.344882 0.493837 0.582447 0.676216 0.799824 0.833586
0.054759 0.170288 0.265936 0.385079 0.442675 0.578800 0.683348 0.730594 0.859031
0.091330 0.106944 0.277380 0.333813 0.429894 0.535597 0.641837 0.779105 0.817720
0.081128 0.182840 0.294530 0.343580 0.558774 0.657266 0.701195 0.887525
0.050106 0.141519 0.216310 0.369820 0.551502 0.611683 0.745795 0.876167
0.115375 0.208524 0.337294 0.517813 0.791130
0.734352
0.792691
Fo 10 11 11 11 8 11 10 13 10 5
12 =
(F .O F .E )2
F .E
30
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Donde:
12 =
(1010)2 + (1110)2 + (1110)2 + (1110)2 + (8 10)2 + (1110)2 + (1010)2 + (1310)2 + (1010)2 + (5 10)2
10 10 10 10 10 10 10 10 10 10
= 4.2
1
2
Nosotros especificamos arbitrariamente un valor de = 0.05 (esto significa un error del tipo
I del 5%) el valor obtenido de 12 = 4.2 as pues podemos compararlo con el valor crtico de:
X20.05(9) = 16.919
Puesto que X20.05(9) = 16.919 > 12 = 4.2, entonces podemos decir que la tabla de nmeros
aleatorios se distribuye uniformemente.
Prueba De Medias
Consiste en verificar que los nmeros generados tengan una media estadsticamente igual
a 1/2, de este modo la hiptesis planteada es:
Ho = hiptesis nula: =
H1 = hiptesis alternativa:
1 + Z / 2 1
ls x =
2 12 n
1 Z / 2 1
li x =
2 12 n
Paso 3 Si el valor X se encuentra entre li y ls, aceptamos que los nmeros tienen una
media estadsticamente igual a con un nivel de aceptacin 1-.
31
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejemplo:
= 15.22015
X = 15.22015/30 = 0.507338
X 0.5000
1
ls x = 0 . 5 + Z 0 .025
2 30
1
li x = 0 . 5 Z 0 .025
12 30
Para buscar el valor de Z0.025 se resta 1 - 0.025 = 0.975 y se busca en la tabla
|Z0.025| = 1.96
lsx = 0.5298 lix X lsx
lix = 0.4701
Ho se acepta
32
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
X n +1 = 3 X n (mod 100)
100 = 2 50 = 2 2 25 = 2 2 5 5 = 2 2 5 2
d =2
[( ) ( )
(m ) = m.c.m P1 e , P2 e , K , Ps e
1 2
( )]
s
n Xn rn
(100) = m.cm[ (2 2 ), (5 2 )] n Xn rn 11 21 0.21
1 29 0.29
(4) = (2 1)2 2 1 = 1 2 = 2
12 63 0.63
2 87 0.87 13 89 0.89
(25) = (5 1)5 2 1 = 4 5 = 20
3 61 0.61 14 67 0.67
4 83 0.83
(100) = m.c.m[2,20]
15 1 0.01
5 49 0.49 16 3 0.03
= 20 6 47 0.47 17 9 0.09
7 41 0.41 18 27 0.27
8 23 0.23 19 81 0.81
h = (100 ) = 20 9 69 0.69 20 43 0.43
10 7 0.07
X 0 = 43 21 29 0.29
Pruebas de frecuencias
2
x x
N
1 =
2
N
fj
j =1 x
Sub int Fj
x=5 0 - 0.2 4
0.2 - 0.4 4
N
x = 205 = 4 0.4 - 0.6 4
0.6 - 0.8 4
0.8 - 1 4
12 = 0
12 = (4 4)2 + (4 4)2 + (4 4)2 + (4 4)2 + (4 4)2
2 0.05, 4 = 9.49
Pruebas de medias
l ix l sx
Z 2 Z 2
l s x = 12 + l ix = 12 +
12 n 12 n
2 2
= 12
H0 = = 1
X=
x = nivel de confianza de la prueba
H1 =
2
1
n = 1% o 5% 2
33
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Prueba De Varianza
Consiste en verificar si los nmeros aleatorios generados tienen una variancia de 0.083, de
tal forma que la hiptesis queda expresada como:
(r x)
i
2
V (x ) = i =1
n 1
2 2 , n 1
ls V ( x ) =
12 (n 1 )
2 1 2 , n 1
li V ( x ) =
12 (n 1 )
Paso 3. Si V(x) se encuentra entre los valores de liv(x) y lsv(x), aceptamos la hiptesis nula
y los nmeros aleatorios tiene una variancia estadsticamente igual a 1/12.
Ejemplo:
Realice la prueba de variancia a los siguientes 30 nmeros con un nivel de confianza del
95%.
x = 0.507337
Aplicando la ecuacin del paso 1 se tiene V(x)= 0.104. Al calcular los lmites de
aceptacin para muestras de tamao 30,
2 2,n1 45.7
lsV ( x ) = = = 0.1313
12(n 1) 12(29)
34
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
21 2,n1 16.00
liV ( x ) = = = 0.046
12(n 1) 12(29)
El valor se encuentra dentro de lmites de aceptacin por lo que se acepta que la variancia
de la muestra es estadsticamente igual a 1/12.
Prueba De Poker
Las pruebas de independencia consisten en demostrar que los nmeros generados son
estadsticamente independientes entre s, esto es, que no depende uno de otro.
La prueba de Poker
La prueba de corridas arriba y abajo
La prueba de corridas arriba debajo de la media
La prueba de la longitud de las corridas
La prueba de series
Ho : ri independiente
H1 : ri dependiente
Paso 1. Calcular las probabilidades esperadas para un juego de poker con 5 cartas
numeradas del 0 al 9 con reemplazos. Se tienen 7 eventos con las siguientes
probabilidades:
P (Pachuca) = 0.3024
P (par) = 0.5040
P (2 pares) = 0.1080
P (1 tercia) = 0.0720
P (Full) = 0.0090
P (Poker) = 0.0045
P (Quintilla) = 0.0001
Paso 3. Para cada nmero aleatorio generado verificar si es Pachuca, 1 par, 2 pares,
etc., tomando los primeros 5 dgitos a la derecha del punto decimal. Con estos resultados
se genera una tabla de frecuencias observadas de cada uno de los eventos.
35
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
m
12 =
(FEi Foi )2
i =1 FE
Ejemplo:
Realice la prueba de Poker a los siguientes 30 nmeros con un nivel de confianza del
95%. ( = 5%)
FO PE FE
Pachuca 14 0.3024 9.072
Un Par 14 0.5040 15.12
Tercia 1 0.0720 2.16 FE = PE.n
Dos Pares 1 0.1080 3.24
Full 0 0.0090 0.27
Poker 0 0.0045 0.135
Quintilla 0 0.0001 0.003
12 =
(9.072 14)2 + (15.12 14)2 +
(2.16 1)2 +
(3.24 1)2 + 0.27 + 0.135 + 0.003
9.072 15.12 2.16 3.24
12 = 2.676 + 0.082 + 0.622 + 1.548 + 0.27 + 0.135 + 0.003
1 2 = 5.336
20.05, 6 = 12.6
1 2 2 0.05,6 H0 se acepta
36
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Prueba De Series
Ho : ri independiente
H1 : ri dependiente
m
(FE i FOi )2
12 =
i =1 FE i
Paso 4 Si el valor de 12 es menor o igual al estadstico de tablas 12 con m-1 grados de
libertad y una probabilidad de rechazo , entonces aceptamos que estadsticamente los
nmeros son independientes.
Ejemplo:
Realice la prueba de series a los siguientes 30 nmeros con un nivel de confianza del 95%
ri+1 1 3 2 1 2
0.75 1 1 1 3
0.50 1 3 3 1
0.25 2 2 1 2
0 0.25 0.50 0.75 1 ri
37
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
m
(FE i FOi )2 16
(1.8125 FOi )2
12 = =
i =1 FE i i =1 1.8125
12 =
1
1.8125
[
7(1.8125 1) + 5(1.8125 2) + 4(1.8125 3) = 5.75
2 2 2
]
El valor de la tabla 2 con un nivel de confianza del 95% y con 15 grados de libertad es
igual a 25. Si se compara 12 =5.75 con este valor, se acepta la independencia de la secuencia de
nmeros.
1 2 2 0.05,15
Por consiguiente Ho se acepta.
Ejemplo:
Realice la prueba de Poker y la prueba de series a los siguientes 30 nmeros con un nivel
de confianza de 95%
Prueba de poker
Evento PE FO FE
Pachuca 0.3024 7 9.072
Par 0.5040 15 15.12
Tercia 0.0720 5 2.16
2 Pares 0.1080 3 3.24
Full 0.0090 0 0.27
Poker 0.0045 0 0.135
Quintilla 0.0001 0 0.003
12 =
(7 9.072)2 + (15 15.12)2 + (5 2.16)2 + (3 3.24)2 + 0.27 + 0.135 + 0.003
9.072 15.12 2.16 3.24
1 2 = 2.11
02.05,6 = 12.6
1 2 < 02.05,6
38
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Prueba de series
1
IIIIII II III
6 2 3
2
3
III IIII
3 0 4
1
3
III IIIII III
3 5 3
1
3
2
3
1
29
FE = = 3.22
9
12 =
1
3.22
[
(0 3.22)2 + (2 3.22)2 + 4(3 3.22)2 + (4 3.22)2 + (5 3.22)2 + (6 3.22)2 ]
1 2 = 7.31
02.05,8 = 15.51
1 2 < 02.05,8
39
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Apndice A
Definiciones
Definicin 1. Para dos enteros a y b, con b 0, existe un nico par de enteros t y n, tal que a = bt
+ n 0 n < b, en donde t es el cociente n es el residuo.
Definicin 8. Para una a dada, el menor entero positivo n tal que a n (mod m) recibe el nombre
de residuo mdulo m. Existe m residuos distintos (mod m); 0, 1, 2, . . .,m 1.
Definicin 9. Una clase de enteros mutuamente congruentes para un mdulo dado, forman una
clase residual. Existen m distintas clases residuales (mod m). Ejemplo: si m=2, las dos clases
40
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
residuales distintas son: la coleccin de todos los nmeros impares y la de los nmeros pares,
respectivamente.
Definicin 10. Para un mdulo dado m, el conjunto de los m enteros congruentes en algn orden
con los residuos 0, 1, 2, . . ., m 1, forman un sistema residual completo.
Definicin 11. Un subconjunto de un sistema residual completo que contenga todos los enteros
que sean primos relativos de m, recibe el nombre de un sistema residual reducido.
Definicin 13. Los residuos potenciales son los residuos de las potencias sucesivas de un entero
a mdulo m. Si el residuo de la i-sima potencia de a (mod m) se denota por ni, entonces todos
los residuos potenciales satisfacen la relacin de congruencia ni ai (mod m) (i = 1, 2, 3, . .)
Definicin 14. Si (a, m) = 1, el mnimo exponente positivo i = h, tal que ai 1 (mod m), se dice
que es el orden de a (mod m). El mnimo exponente positivo h tambin recibe el nombre de
multiplicador de m cuando a se dice que pertenece a m. En este caso, h se denota por h = (m).
El orden h de a (mod m) es igual al nmero total de nmeros distintos, esto es, la longitud de una
sucesin que no se repite de residuos potenciales de a, llamada el perodo de la sucesin {ni};
i = 1, 2, . . ., h (mod m).
41
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Teoremas
Teorema 6. Para todas las potencias de un nmero primo p > 2 existen las races primitivas, i.e.
existe un nmero tal que (a, pe) = 1 y a(pe) 1 (mod pe) donde h (pe).
Teorema 8. Si m = pe y p es un primo impar entonces h = (m) = (p-1) pe-1 = (m) para valores
de a que son races primitivas de m.
Corolario: Si p = 2, i.e., h = (m) = 2e-2 para e > 2, entonces (m) (m). La prueba se
debe a Euler.
42
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Teorema 10. El menor entero positivo a tal que (ah - 1)/ (a - 1) 0 (mod m) es h = m, si (1) a 1
(mod p) si p es un factor primo de m y (2) a 1 (mod 4) si 4 es un factor de m. La prueba se
debe a Hull y Dobell.
43
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
UNIDAD III
Generacin De Valores De Variables Aleatorias
La generacin de estadsticas simuladas o sea de valores de las variables aleatorias, es de
naturaleza numrica y debe configurarse mediante la aportacin de nmeros pseudoaleatorios.
Si la variable aleatoria es discreta, x tomar valores especficos y F(x) ser una funcin
escalonada. Si la variable aleatoria es continua, x tomar valores en un rango especificado.
0 F (x ) 1
Existen tres mtodos para generar los valores de variables aleatorias a partir de
distribuciones de probabilidad:
Puesto que F(x) se define en el rango de 0 a 1 se pueden generar nmeros aleatorios para
sustituir a F(x)=r.
44
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
F(x)
F(xi) = ri
0 xi X
x
Podemos de manera general establecer que: r = F ( x ) = f (t )dt
[
Entonces p( x x ) = F ( x ) = p[r F ( x )] = p F 1 ( x ) x ]
Ejemplo:
Genrese los valores x de variables aleatorias con una funcin de densidad f(x) = 2x
0x1
x
F ( x ) = 2tdt
0
r = F (x ) = x 2 x = r 0 r 1
Ejemplo:
1
0 x 1
4
f (x ) =
3
1 x 2
4
1 parte 2 parte
x
1
F ( x ) = dt
x
F (x ) =
1 3
+ dt
0
4 4 14
F (x ) =
x 1 3 3 3
F (x ) =
1
4 + x = x
4 4 4 4 2
x
r= 3
r = x
1
4 4 2
45
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
x = 4r si 0 r 1
4
x = 43 r + 2
3 si 1
4 r 1
Para generar un valor de x se debe en primer lugar generar un valor de r; cuando r <
el valor de x estar determinado por x = 4r.
Ejemplo:
x x
F ( x ) = e dt = e t ( dt )
t
0 0
F (x ) = e [ ] t x
0 [ ] [ ]
= e t e 0 = e t 1
F ( x ) = 1 e t = r 1 r = e t
ln (1 r ) = x x = 1 ln (1 r ) x = 1 ln r
Ejemplo:
x x
1 1
F (x ) = dt = dt
a
b a b a a
F (x ) =
1
[t ]ax = 1(x a )
ba ba
xa a xb
F (x ) =
ba
xa
r= x a = r (b a )
ba
x = a + r (b a )
46
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Mtodo De Rechazo
Este mtodo requiere que f(x) sea una distribucin de probabilidad acotada y con rango
finito a a x b.
f(x)
a b X
2x 0x1
f(x)
0 en otra parte
En este caso:
a=0 b=1 M=2
1. Generar R1 y R2
2. Calcular x = r1
3. f(x) = 2r1
4. r2 2r1 = 2r1 r2 r1 x = r1
M 2
47
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
2
(x a ) si axb
(c a )(b a )
f(x) =
2
(x c ) si bxc
(c a )(c b )
2
M=
(c a )
f(x)
a b c X
1. Generar r1 y r2
2. Calcular x = a + (c a)r1
3. Es x < b si la respuesta es afirmativa
f (x ) =
2
([a + (c a )r1 ] a ) = 2r1
(c a )(b a ) (b a )
si la respuesta es negativa, entonces f(x) es :
f (x ) =
2
(a + (c a )r1 c ) = 2(1 r1 ) = 2(1 r1 )
(c a )(c b ) c b cb
f (x )(c )
4. Es r2
2
48
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejemplo.
3
f (x)
0 x 1
4
3
(x1 , y1 ) f (x ) =
4
9 15
x+ 1 x 5
3
8 8
( x2 , y 2 )
0 5 x
1 3
y = mx + b x
F (x ) = 34 dt
y1 y 2
y y1 = (x x1 ) 0
x1 x2 F (x ) = [ 34 t ]0
x
0
F (x ) = 34x
3
y 34 = 4
(x 1)
1 53
3
r = 34x
y 34 = 4
(x 1) x = 43 r 0r 3
23 4
y 34 = 98 x + 89
y = 98 x + 98 + 34
y = 98 x + 158
2 parte b b 2 4ac
x
x=
2a
F ( x ) = + ( 98 t + 158 )dt
3
4
15
( 158 )2 4(169 )(169 + r )
x=
1 8
[
F ( x ) = 34 + 916t + 158 t 1
2
]
x
2(169 )
49
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Mtodo De Composicin
En esta tcnica f(x), la funcin de densidad probabilidad de la distribucin que se va
simular, esta expresada como una mezcla de probabilidad de funciones de densidad propiamente
seleccionadas.
f = f (x ) = g (x y )dH ( y )
Ejemplo: Generar una varianza aleatoria de f ( x ) = n y n e xy dy cuando (sea) dH ( y ) = n ydyn +1
1 < y < , n 1 y g ( x ) = ye yx
Una varianza es ahora obtenida desde una funcin de densidad cuya su funcin de
distribucin acumulativa es H(y). Una vez que y es seleccionada, esta determina una particular
g(x) = ye-yx. La varianza deseada de f(x) es entonces una varianza simplemente generada de
g(x) = ye-yx. Para continuar con las siguientes instrucciones, genera dos varianzas uniformes R1
y R2, y cuando:
1n
s1 = R1
X = 1
s1 log R 2
Esta tcnica es apropiada cuando se desea generar distribuciones de tipo mas alto usando
distribuciones La dificultad recae en identificar la H(y) y g(xy) la cul se necesita para
producir una f(x) dada dentro de la relacin.
50
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
f (x ) = g (x y )dH ( y )
La Distribucin De Poisson
Si los intervalos de eventos similares estn distribuidos exponencialmente, el nmero de
eventos ocurridos en un intervalo unitario de tiempo, tiene la distribucin de Poisson.
Las aplicaciones de las variables aleatorias de Poisson incluyen tantas reas tales como
control de los inventario, teora de colas, control de calidad, flujo de trfico y muchas otras reas
ciencias administrativas.
x e
f (x ) = x = 0,1,2, K,
X!
donde es el nmero esperado de sucesos por unidad de tiempo. Esto implica que el
tiempo entre eventos esta distribuido exponencialmente con media de 1
Podemos utilizar esta relacin entre la distribucin Poisson y la exponencial para generar
desviaciones de la distribucin de Poisson.
x x +1
yi 1 yi
i =1 i =1
donde y1, y2,....,yx+1 son desviaciones aleatorias de una distribucin exponencial teniendo
como media 1/ y son generadas por (la tcnica de transformada inversa)
y i = 1 ln Ri
donde Ri est dada por la distribucin uniforme. En conclusin, las sumas acumulativas
son generadas hasta que se obtiene la desigualdad. Cuando esto ocurre, x es la desviacin
aleatoria de Poisson deseada.
51
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
yi yi
i =1 i =1
donde yi es otra vez las desviaciones de la distribucin exponencial pero con media 1/,
esto es:
ln Ri
yi =
Las 2 tcnicas son esencialmente las mismas, pero la primera parece ser ms apropiada
con la definicin de la distribucin exponencial donde las yis tiene una media de 1 .
Ejemplo.
xe
f (x ) = X = 0, 1, 2,,
x!
1 = 3 eventos por hora.
ti = ln ri
n 1 2 3 4 5
rn 0.058962 0.673284 0.479909 0.948578 0.61396
tn 0.9436 0.1318 0.2447 0.1075 0.1624
n
t
i =1
i 0.9436 1.0754 1.3201 1.3376 1.5002
t = 1.4
n n +1
X = Variable aleatoria de Poisson
i =1
ti t i =1
ti
X = 4 nmero de eventos que llegan en 1.4 hrs.
52
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Distribucin Erlang
La distribucin Erlang es una forma de la distribucin gamma con K igual a un entero
positivo. Estadsticos Matemticos han probado que esta distribucin es solo la suma de las
variables exponenciales de K, cada una con un valor esperado 1/k.
Para generar una desviacin Erlang, nosotros solo necesitamos la suma de las
desviaciones exponenciales K, cada una con el valor esperado 1/k. De esta manera la varianza x
de Erlang es esperada como:
k k
X = y i = 1 ln Ri
i =1 i =1
Distribucin Binomial
Una variable aleatoria x definida como el nmero de eventos exitosos en una secuencia de
n tiradas o intentos independientes de Bernoulli, cada una con probabilidad de xito p, es
conocida como una variable aleatoria binomial. La distribucin binomial es una de las ms
importantes en las distribuciones estadsticas usadas en un rea de ejemplificacin y control de
calidad. La funcin de densidad de probabilidad binomial est dada por:
n
f (x) = pxqnx x = 0, 1, L, n
x
donde
Este procedimiento puede entonces ser repetido tantas veces como sea necesario para
generar otras desviaciones binomiales.
53
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Otro procedimiento involucrado que usa la distribucin normal como una aproximacin a
la binomial para casos donde n 20 y np 10. Desde que la varianza binomial es un entero, la
varianza normal usada como una aproximacin debe ser redondeada al valor entero ms cercano.
Este mtodo es ms rpido pero es solo una aproximacin.
La figura nos muestra en forma grfica el procedimiento anterior para una funcin
cualquiera p(x) discreta.
La dificultad de este mtodo radica en que no existe una expresin final sencilla, como en
el caso de la continua.
f(x) F(x)
0 x 0 Xi= F -1 (Ri) x
Metodologa
Paso 3 Generar un valor ri. Verificar en F(x) a qu intervalo de x pertenece y ese ser el
nmero aleatorio generado por la distribucin propuesta.
54
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejemplo.
n
P( x ) = p x q n x
x
n=5 q = 0.80
p = 0.20
n n (n - 1)(n 2 )K1 n!
= =
x x!(n x )! x!(n x )!
5
P(0 ) = (0.20)0 (0.80)5 = 0.32768
0
5
P(1) = (0.20)1 (0.80)4 = 0.4096
1
5
P(2 ) = (0.20)2 (0.80)3 = 0.2048
2
5
P(3) = (0.20)3 (0.80)2 = 0.0512
3
5
P(4 ) = (0.20)4 (0.80)1 = 0.0064
4
5
P(5) = (0.20)5 (0.80)0 = 0.00032
5
f (x )
0.4
0.3
0.2
0.05
x
0 1 2 3 4 5
55
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
F (x )
1
0.90
0.75
0.50
0.25
x
0 1 2 3 4 5
Nmeros aleatorios
r1 = 0 . 72484 x1 = 1
r 2 = 0 . 71997 x2 = 1
r3 = 0 . 34565 x3 = 1
r 4 = 0 . 82745 x4 = 2
r5 = 0 . 03991 x5 = 0
r6 = 0 . 43999 x6 = 1
56
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
UNIDAD IV
Lenguajes De Simulacin
Introduccin
Cualquier sistema por simular en este lenguaje se debe describir mediante un diagrama de
bloques que representan las actividades, unidos mediante lneas que representan la secuencia que
seguirn un grupo de transacciones, que a su vez se mueven a travs de los bloques. Las
transacciones dependen de la naturaleza del sistema, por ejemplo un sistema de comunicaciones
se refiere al movimiento de mensajes; un sistema de transporte se refiere al vehculos
motorizados; un sistema de produccin, al movimiento de piezas.
La simulacin mediante GPSS se realiza con dos elementos bsicos conocidos como
transacciones y bloques. Una transaccin es aquello que fluye a travs del sistema de
manufactura, y que puede ser: informacin, piezas, rdenes de produccin, fallas, operarios,
mecnicos, etctera, mientras que un bloque se define como cualquier operacin que realiza una
transaccin dentro de un sistema; algunas operaciones pueden ser las siguientes: procesamiento,
entrada a un almacn, salida de un almacn, inicio de proceso, fin de proceso, salida del sistema,
ensamble, desensamble, etctera.
De este concepto naci el diseo de lenguaje especfico para programas de simulacin con
los cuales se ha ido facilitando al usuario la programacin de sus modelos.
57
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
c) Instrucciones de Lgica del programa. Este tipo de instrucciones son las conocidas como
bloques; son las que se ejecutarn durante la simulacin; la lgica depender de cada sistema
que se desee simular. Teniendo en cuenta la funcin que realizan, una clasificacin de los
bloques o instrucciones de lgica es la siguiente:
58
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
2 8 19 31
Operandos: Cada bloque representa la accin por ejecutar, sin embargo, es necesario
incluir un complemento, como puede ser la duracin o el lugar de dicha accin. Los
operandos son las caractersticas individuales de cada bloque, y dependern de la lgica
del sistema. Se colocan en la columna 19.
59
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
En algunas versiones del GPSS, como en la de GPSS/PC, cada instruccin debe ir precedida de
un nmero de instruccin en forma ascendente de acuerdo con la lgica, pero se utiliza slo como
referencia para la edicin del programa.
As, una vez dados los lineamientos generales, elementos y estructura del GPSS, a
continuacin se explican de manera ms detallada los principales bloques del GPSS, incluyendo
algunos ejemplos ilustrativos.
Desventajas
60
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
61
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
62
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Retraso Actividad
Llegada al elemento. Este evento ocurre en el momento en que una transaccin hace su
entrada al sistema. Esta entrada puede realizarse en dos formas: la primera tiene lugar cuando las
transacciones provienen de un sistema que no se desea incluir dentro del modelo a simular; por
tanto, la entrada de dichas transacciones debe realizarse mediante el bloque GENERATE. La
segunda ocurre cuando la transaccin proviene de otro elemento bsico de produccin; en este
caso, el ltimo bloque del elemento bsico i ser el bloque que simule la llegada al elemento
bsico i+1.
Fin del retraso. Ocurre en el mismo tiempo que el evento anterior, y representa el punto
en el que una transaccin termina su espera al haberse iniciado una actividad. Para dar por
terminado el retraso, se hace uso del bloque DEPART.
Actividad. Representa la accin primordial por la que una transaccin entr al elemento
bsico de produccin. Esta actividad se mide en unidades de tiempo, y es el bloque que sirve para
modelar tiempos de proceso o transporte. El bloque ADVANCE se utiliza para este fin.
63
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Salida del elemento. As como existen dos formas para entrar al elemento bsico de
produccin, para salir tambin es posible hacerlo de dos maneras: la primera representa un
abandono total del sistema por parte de la transaccin y se realiza mediante el bloque
TERMINATE; la segunda ocurre cuando existen dos elementos bsicos interconectados. En este
ltimo caso no hay bloque de salida sino una conexin lgica como la mencionada en el prrafo
correspondiente a llegada al elemento.
Lenguaje GPSS
Generate Se puede pensar en un bloque GENERATE como una puerta a travs de la cual
entran las transacciones. No existe ningn lmite en cuanto a la cantidad de bloques GENERATE
que puede contener un modelo.
GENERATE A, B, C, D, E
A: Tiempo medio entre llegadas. El operando tiene que ser nombre, nmero, SNA o nulo.
No se pueden utilizar parmetros. Default = 0 (opcional).
B: Desviacin con respecto a la media (en caso de la distribucin uniforme). El operando
tiene que ser nombre, nmero, SNA o nulo. No se pueden utilizar parmetros. Default = 0
(opcional).
C: Tiempo en que se generar la primera transaccin. El operando tiene que ser Nombre,
nmero, SNA o nulo. No se pueden utilizar parmetros.
D: Lmite total de transacciones
64
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
E: Nivel de prioridad. El operando tiene que ser nombre, nmero, SNA o nulo. No se
pueden utilizar parmetros. Default = 0 (opcional).
En GPSS, las distribuciones de tiempos entre llegadas estn divididas en dos categoras:
1. Distribucin Uniforme.
2. Todas las otras distribuciones.
El operando D pone un lmite al total de las transacciones que pueden entrar al modelo a
travs del bloque GENERATE. Al generar el nmero de transacciones indicadas en el operando
D, el bloque GENERATE se vuelve inactivo.
65
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
SNA
SEIZE
Una instalacin puede ser capturada por una sola transaccin en un momento dado. Las
transacciones restantes esperaran de acuerdo con la disciplina de primeras entradas primeras
salidas para capturar la instalacin que con otras instrucciones o bloques cambie la disciplina de
captura. Por ejemplo, SEIZE CAJA significa que la transaccin entrante capturar la instalacin
con el nombre de CAJA.
SNA
RELEASE
66
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
SNA
QUEUE
El bloque QUEUE permite obtener estadsticas de colas que se forman al momento que
las transacciones esperan usar un servidor. El bloque QUEUE debe complementarse con el
bloque DEPART. El bloque QUEUE se puede visualizar como punto de inicio para la toma de
datos estadsticos de las colas que se pueden formar.
En algunos problemas, una transaccin puede representar una caja o pallet, en cuyo caso
se puede usar el operando B para representar nmero de partes que realmente existe en la cola.
Por ejemplo, QUEUE COLA, 10 indica que cada transaccin (caja) contiene 10 piezas esperando
en COLA.
SNA
67
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
DEPART
DEPART A, B
A: Nombre o nmero de cola. El operando debe ser nombre, entero positivo SNA
(requerido).
B: Nmero de unidades en que se decrementa el contenido de la entidad de cola.
Default = 1 (opcional). El operando debe ser nombre, entero positivo o SNA.
Al utilizar los bloques QUEUE y DEPART en el reporte aparece una serie de datos
estadsticos en el reporte que contienen la siguiente informacin:
SNA
ADVANCE
68
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
ADVANCE A,B
A: Es el tiempo medio de retardo de la actividad (servicio). El operando debe de ser
nombre, entero positivo o SNA (requerido).
B: Desviacin con respecto a la media para la distribucin uniforme. El operando debe ser
nombre, entero positivo o SNA (opcional).
TERMINATE
Solo remueve las transacciones activas que pasen por l, pero no controla el tiempo de
corrida de simulacin.
TERMINATE 1
START 100
En el momento en que una transaccin cruza por el TERMINATE, es destruida y sale del
sistema, pero decrementa el valor START en una unidad; de esta manera, cuando 100
transacciones crucen por el TERMINATE, el valor del START llegar a 0 y el proceso de
simulacin se detendr.
TERMINATE 2
START 100
Cuando una transaccin cruza por el TERMINATE, es destruida y sale del sistema, pero
decrementa el valor START en 2 unidades; de tal manera que cuando 50 transacciones crucen por
el TERMINATE, el valor del START llegar a 0 y el proceso de simulacin se detendr.
SNA
Tomando en cuenta los bloques vistos hasta el momento, es interesante manejarlos de una
forma integral. Para esto se presentan a continuacin algunos ejemplos de sistemas que se desean
modelar mediante GPSS.
69
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Operacin A B C D
E F
70
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
GENERA LIBERA
DESENLAZA
71
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejemplo:
GENERATE 7,3
QUEUE ALMACEN
SEIZE TORNO
DEPART ALMACEN
ADVANCE 5,2
RELEASE TORNO
TERMINATE 1
*
START 500
END
En este ejemplo se tiene la unidad elemental de produccin en la que entran las piezas al
modelo por el bloque GENERATE, cruzando el sistema y abandonndolo en el bloque
TERMINATE. Cada vez que una pieza abandona el modelo resta 1 del valor del START que
detendr la simulacin cuando llegue a 0
Ejemplo:
Modifique el modelo anterior si desea simular adems un rectificado de las piezas despus
del torneado en otro torno en el que el tiempo de operacin es de 6 1 minuto con distribucin
uniforme.
SIMULATE
*
GENERATE 7.3
QUEUE ALMACEN
SEIZE TORNO
DEPART ALMACEN
ADVANCE 5,2
RELEASE TORNO
QUEUE WIP
SEIZE TORNO2
DEPART WIP
ADVANCE 6,1
RELEASE TORNO2
TERMINATE 1
*
START 500
END
72
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejemplo:
En un puerto se cuenta con una gra destinada a la descarga de barcos. Existe dos tipos
de barcos que entran al puerto a descargar; los tiempos de descarga siguen una distribucin
uniforme con parmetros de 10 2 y 17 5 horas para los barcos de tipo 1 y tipo 2,
respectivamente. El tiempo entre llegadas entre los barcos sigue una distribucin uniforme con
parmetros de 15 2 y 24 5 horas para los de tipo 1 y tipo 2, respectivamente.
GENERATE 15,2
QUEUE MUELLE
SEIZE GRUA
DEPART MUELLE
ADVANCE 10,2
RELEASE GRUA
TERMINATE 1
*
GENERATE 24,5
QUEUE MUELLE
SEIZE GRUA
DEPART MUELLE
ADVANCE 17,5
RELEASE GRUA
TERMINATE 1
*
START 90
END
Al existir dos tipos de barcos o dos tipos de transacciones con diferentes condiciones de
proceso, es necesario crear dos elementos bsicos para cada uno de ellos. Los barcos tipo 1 se
introducen al modelo en el GENERATE 15,2 y son destruidos en TERMINATE 1 de su propio
elemento, con lo que se evita que entren al segundo elemento. El otro tipo de barco entra al
sistema en el GENERATE 24,5 y despus de cruzar por el segundo elemento es destruido en su
respectivo TERMINATE. Los barcos nunca se cruzan dentro de los segmentos sin embargo,
comparten el recurso GRUA y las estadsticas de la espera tambin se encuentran compartidas en
el mismo MUELLE. Gracias a las cadenas de eventos, el GPSS logra unir internamente los dos
elementos y manejarlos en forma simultnea o paralela, de manera que se pueda pensar que se
mezcla los barcos internamente. Como se desea simular 90 barcos sin importar de que tipo son,
73
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
el control de la simulacin debe ser llevado a cabo por los dos elementos; por eso, ambos
TERMINATE se codifican con el valor 1 para el operando A.
GENERATE 15,2
QUEUE MUELLE
SEIZE GRUA
DEPART MUELLE
ADVANCE 10,2
RELEASE GRUA
TERMINATE
GENERATE 24,5
QUEUE MUELLE
SEIZE GRUA
DEPART MUELLE
ADVANCE 17,5
RELEASE GRUA
TERMINATE 1
START 40
END
En este inciso, lo nico que se desea es detener la simulacin mediante el conteo de uno de
los tipos de barcos; en este caso, al controlarlo con barcos tipo 2, se debe eliminar el valor del
operando A del TERMINATE de los barcos tipo 1 y mantener el valor en el TERMINATE de los
barcos tipo 2.
c) Simule el puerto durante una semana, dndole mayor prioridad en la descarga de los
barcos tipo 1.
GENERATE 15,2,,,5
QUEUE MUELLE
SEIZE GRUA
DEPART MUELLE
ADVANCE 10,2
RELEASE GRUA
TERMINATE
GENERATE 24,5
QUEUE MUELLE
SEIZE GRUA
DEPART MUELLE
ADVANCE 17,5
RELEASE GRUA
TERMINATE
GENERATE 168
74
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
TERMINATE 1
START 1
END
Los cambios que deben hacerse para el modelado de la nueva situacin son: 1) dar mayor
prioridad a los barcos tipo 1 generados en el primer segmento utilizando el cuarto operando en
donde se coloca una prioridad mayor que los barcos tipo 2 del segundo segmento, 2) se elimina
el control de la simulacin mediante barcos al colocar el TERMINATE con el valor por omisin
(default) del operando A y 3) se agrega un nuevo segmento, que genera transacciones cada 168,
cruzar el TERMINATE y restar 1 del valor del START, que al llegar a 0, dar por terminada la
simulacin.
ENTER
El bloque ENTER tiene dos funciones; en la primera se utiliza para simular la seleccin y
captura de uno o ms servidores en paralelo; en la segunda se utiliza para simular la entrada, el
inicio de estadsticas y la ocupacin de un espacio dentro de una fila de capacidad finita.
ENTER A,B
A: Nombre o nmero de almacenaje (storage) por utilizar. El operando debe ser nombre,
entero positivo o SNA (requerido)
B: Nmero de unidades por los que se decrementa la capacidad disponible de almacenaje
(storage). Default = 1. El operando debe ser nombre, entero positivo o SNA (opcional)
El operando B se puede definir tambin como el nmero de servidores que captura por
cada transaccin que entra al bloque ENTER. Para definir el nmero (capacidad) de servidores
existentes en paralelo se requiere utilizar la instruccin STORAGE.
La transaccin que entra al bloque ENTER capturar cualquier servidor que est
disponible en ese momento. En caso de no encontrar ningn servidor disponible (segn la
capacidad definida en STORAGE), la transaccin en espera ser puesta a Delay Chain (cadena de
espera).
SNA
R: Capacidad disponible del storage
S: Cantidad del storage que est en uso
SA: Nmero promedio de transacciones que estn siendo atendidas (nmero de servidores
ocupados)
SC: Nmero de transacciones que han entrado al almacenaje
SE: Regresa al valor 1 si el storage est vaco, y 0 de otra manera
75
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejemplo:
Una mquina herramienta de un taller de fabricacin produce piezas a razn de una por
cada 5 minutos. Conforme se terminan, las piezas van a un inspector que necesita
4+3 minutos para examinar cada una y rechaza aproximadamente 10% de las piezas. Cada
pieza queda representada por una operacin y la unidad de tiempo elegida para el problema ser
de 1 minuto.
76
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
GENERATE
ADVANCE
TRANSFER
ACC REJ
TERMINATE 1 1
Asociadas con el sistema que se simula hay muchas entidades permanentes tales como
artculos de equipo, que operan sobre las transacciones. En GPSS se definen dos tipos de
entidades permanentes para representar el equipo del sistema.
Se defina una facilidad como una entidad que puede utilizar una sola transaccin a la vez.
Se define un almacenaje como una entidad que pueden ocupar muchas transacciones a la vez,
hasta cierto lmite predeterminado. Puede haber muchas instancias de cada tipo de entidad hasta
un lmite impuesto por el programa (generalmente 300). Las entidades individuales se identifican
mediante nmero; se utiliza una secuencia numeral distinta para cada tipo. El nmero 0 es ilegal
para stas y las otras entidades del GPSS. El usuario puede asignar los nmeros en cualquier
orden o puede utilizar nombres simblicos y dejar que el programa ensamblador asigne los
nmeros.
Algunos ejemplos de cmo podran interpretarse las entidades del sistema en distintos
sistemas son:
77
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Una troncal significa un cable que consiste en muchos alambres cada uno de los cuales
puede transportar varios mensajes simultneamente y por tanto se representa como un
almacenaje. En este caso se supone que un interruptor slo pasa un mensaje a la vez, por lo que
se representa como una facilidad.
La figura muestra cuatro tipos de bloques SEIZE, RELEASE, ENTER Y LEAVE, que
se refieren a la utilizacin de facilidades y almacenajes. El campo A de cada caso indica la
facilidad o almacenaje de referencia y, generalmente la seleccin se marca en la bandera que se
anexa a los smbolos de los bloques. El bloque SEIZE permite que una transaccin utilice una
facilidad si est disponible. El bloque RELEASE permite que la transaccin libere la facilidad.
En forma anloga un bloque ENTER permite que una transaccin ocupe espacio en un
almacenaje, de estar disponible el bloque LEAVE permite que ceda el espacio. Si est en blanco
los campos B de los bloques ENTER y LEAVE, el contenido del almacenaje se cambia en 1. Si
hay un nmero (mayor o igual que 1), se cambia el contenido en ese valor.
Se puede colocar cualquier cantidad de bloques entre los puntos en que se toma y libera
una facilidad para simular las acciones que se seguirn mientras una transaccin tiene el control
de una facilidad. Se aplican arreglos semejantes para la utilizacin de los almacenajes.
78
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
GENERATE
SEIZE
ADVANCE
RELEASE
TRANSFER
ACC REJ
TERMINATE
79
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
GENERATE
QUEUE
ENTER
DEPART
MARK
ADVANCE
LEAVE
TABULATE
TRANSFER
ACC REJ
TERMINATE
80
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejemplo: Los usuarios llegan a razn de uno cada 1015 minutos para utilizar un solo telfono.
Si el telfono est ocupado, 50% de las personas regresan 5 minutos despus y lo intentan de
nuevo y el resto lo abandona del todo. Suponiendo que una llamada toma 63 minutos, cuente
cuntas personas habrn abandonado el intento para cuando se hayan terminado 1000 llamadas.
Cdigo GPSS
GENERATE 10,5
INI TRANSFER BOTH,TEL,OCU
TEL SEIZE TELEF
ADVANCE 6,3
RELEASE TELEF
TERMINATE
OCU TRANSFER 0.500,ESP5,BYE
ESP5 ADVANCE 5,0
TRANSFER ,INI
TERMINATE 1
BYE TERMINATE 1
81
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejemplo: La sala de espera del consultorio de un doctor cuenta con 4 sillas. Los pacientes al
llegar al consultorio, se sientan mientras el doctor est ocupado. Si llega un paciente y no
encuentra ninguna silla disponible, se va a otro doctor. El tiempo de consulta est uniformemente
distribuido entre 20 y 30 minutos por paciente. La llegada de los pacientes al consultorio es
uniforme entre 153 minutos.
Cdigo GPSS
paciente STORAGE 4
GENERATE 15,3
TEST E
SF$paciente,0,descartar
ENTER paciente
SEIZE cola
LEAVE paciente
ADVANCE 25,5
RELEASE cola
TERMINATE 1
descartar TERMINATE 1
Start 1
82
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Eventos discretos
Se pueden considerar dos puntos generales de vista acerca de cmo se identifiquen los
eventos discretos. En uno de los puntos de vista, al que se refiere como orientado a la partcula,
o basado en el material, la atencin se centra en las entidades del sistema y se considera a la
simulacin como la tarea de seguir los cambios que ocurren conforme a las actividades. En ese
caso se considera a los tiempos en que ocurren los cambios al sistema como atributos a las
entidades. En el otro punto de vista, que se refiere como orientado al evento o basado en la
mquina, la atencin se centra en las actividades y la simulacin sigue la historia de las
actividades conforme se aplican a distintas entidades. En ese caso se considera a los tiempos en
que ocurren los cambios al sistema como caractersticos de las actividades.
La ejecucin de una simulacin se mantiene igual sin importar el punto de vista que se
tome. Es necesario llevar registros de todas las actividades que desarrollan y de las entidades
involucradas, y se deben de cambiar peridicamente para reflejar la secuencia de eventos en el
sistema. Para hacerlo es necesario llevar registros de los tiempos de eventos y los clculos deben
computar los tiempos de eventos futuros conforme se desarrolla la simulacin.
El paso del tiempo se registra mediante un nmero al que se conoce como tiempo del
reloj. Generalmente se hace igual a cero al principio de una simulacin y posteriormente indica
cuntas unidades de tiempo simulado han transcurrido desde el inicio de la simulacin. A menos
que especficamente se expresa de manera contraria, el trmino tiempo de simulacin significa el
tiempo de reloj indicado y no el tiempo que ha necesitado un computador para realizar la
simulacin. Por regla general no hay conexin directa entre el tiempo simulado y el necesario
para realizar los cmputos. El factor de control en la determinacin del tiempo de cmputo es el
nmero de eventos que ocurren. Dependiendo de la naturaleza del sistema que se simula, y el
detalle con que se modela, puede variar considerablemente la relacin del tiempo simulado al
tiempo real. Si una simulacin estudiara el funcionamiento detallado de un sistema de
computador en que los eventos reales ocurren en intervalos medidos en fracciones de
microsegundos, aunque la simulacin se realizara en un computador digital de alta velocidad,
fcilmente tomara varios miles de veces mas tiempo que la operacin real del sistema.
Existen dos mtodos bsicos de actualizar el tiempo del reloj. Uno consiste en avanzar el
reloj a la hora a que debe ocurrir el siguiente evento. El otro mtodo es avanzar el reloj en
intervalos pequeos (generalmente uniformes) y determinar en cada intervalo si debe de ocurrir
un evento en ese momento. Al primer mtodo se le conoce como orientado al evento y del
segundo se dice que est orientado a intervalos. Por lo general la simulacin de sistemas
discretos se realiza utilizando el mtodo orientado a los eventos en tanto que la simulacin de
sistemas continuos utiliza normalmente el mtodo orientado a los intervalos.
83
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Sin embargo, se debe de sealar que no se puede expresar una regla definitiva con
respecto a la manera en que se representa el tiempo en las simulaciones para sistemas discretos y
continuos. Un programa orientado a los intervalos detecta cambios discretos y por tanto puede
simular sistemas discretos, en tanto que se puede hacer que un programa orientado a eventos siga
cambios continuos introduciendo artificialmente eventos que ocurren a intervalos regulares.
La entidad que llega generalmente requiere que se generen ciertos valores de atributos, en
cuyo caso debe ponerse atencin a la hora en que se generan los valores. Se pueden generar
cuando se calcula el tiempo de llegada o pueden generarse cuando la entidad llega fsicamente. Si
no hay interaccin entre los atributos y los eventos que ocurren dentro del sistema, la generacin
puede hacerse en cualquier momento. Sin embargo, si los valores de los atributos dependen del
sistema, se debe acordar que al tiempo de generar el tiempo de la llegada, la llegada real todava
es un evento en el futuro. Entonces es necesario posponer la generacin de los valores de atributo
hasta que se ejecute el evento de la llegada. Por ejemplo una simulacin en que se generan
llamadas telefnicas. Es necesario generar la longitud de la llamada y su origen. No hay
interaccin entre la distribucin de la longitud de la llamada y el estado del sistema, de manera
que se puede generar la longitud de la llamada al tiempo que se decide la hora de llegada o
cuando llega la llamada. Sin embargo, una llamada no puede provenir de alguna lnea que ya est
ocupada, de manera que la seleccin del origen debe de posponerse hasta que llegue la llamada.
Elegir el origen cuando se decide la hora de llegada implica el riesgo de que otra llamada haya
ocupado el origen propuesto antes de que llegue la llamada en cuestin.
El sistema tiene una cantidad de telfonos (slo se muestran los ocho primeros)
conectados a un conmutador mediante lneas. El conmutador tiene una cantidad de enlace que se
pueden utilizar para conectar cualesquiera dos lneas, sujeto solo a la condicin de que se puede
84
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
hacer nicamente una conexin a la vez a cada lnea. Se supondr que el sistema es de llamadas
perdidas, o sea que se abandona de inmediato toda llamada que no se pueda conectar cuando
llega. Una llamada se puede perder debido a que el llamado puede estar ocupado, en cuyo caso se
dice que la llamada est ocupada; o tambin se puede perder debido a que no se disponga de un
enlace, en cuyo caso se dice que es una llamada bloqueada.
El estado actual del sistema, que se muestra en la figura es que la lnea 2 est conectada
ala 5 y que la lnea 4 est conectada a la 7. En la figura 2 aparece una manera de representar el
estado del sistema. Se considera a cada lnea como una entidad que tiene como atributo a su
disponibilidad. Se establece una tabla de nmeros para mostrar el estado actual de cada lnea. Un
cero en la tabla significa que la lnea est libre, en tanto que uno significa que est ocupada.
DE A LONG
3 7 120
SIGUIENTE
LLAMADA HORA DE LLEGADA
LNEAS
1057
1 0
ENLAC ES
2 1 LLAMADAS EN PROC ESO
NUM. 3
3 0 MAX.
2 DE A FIN
4 1 EN USO
RELO J
5 1 4 7 1075
1027 2 5 1053
6 0
7 1
8 0
CONTADORES DE LLAMAS
PROCESADAS COMPLETADAS BLOQUEADAS OCUPADAS
131 98 5 28
85
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
No es necesario llevar una historia detallada de cada enlace individual, ya que cada uno
puede dar servicio a cualquier lnea. Basta con incorporar en el modelo la restriccin impuesta
por el hecho de que hay un nmero fijo de enlaces (en este caso tres). Bajo estas circunstancias,
el grupo de enlaces se representa como una sola entidad en que loa atributos son el nmero
mximo de enlaces y los que actualmente estn en uso. En consecuencia, dos nmeros
representan los enlaces.
Para llevar control de los eventos se concluye un nmero que representa el tiempo de
reloj. De momento se indica que el tiempo de reloj es 1027, en que se considera que la unidad de
tiempo es 1 segundo. El reloj se actualiza en la forma orientada a los eventos segn se desarrolla
la simulacin. Cada llamada es una entidad separada que tiene como atributos a su origen, destino
y longitud. La simulacin se realizar utilizando el concepto orientado a las partculas de los
eventos, de manera que ser necesario generar el tiempo en que termina la llamada, como un
atributo adicional de la misma. Existe una lista de llamadas en proceso que muestra cules lneas
conecta cada llamada y la hora que termina la llamada. Para generar la llega de llamadas se
utiliza el mtodo de cordn de bota, de manera que se lleva un registro de la hora en que debe
llegar la siguiente llegada. Se supondr que la llamada tiene igual probabilidad de provenir de
cualquier lnea que no est ocupada, y que puede dirigirse a cualquier lnea excepto a si misma,
sin importar que la lnea est ocupada o no. La seleccin del origen debe de posponerse hasta que
llegue la llamada. Por conveniencia se generarn en ese momento tanto el origen como el destino
y longitud de la llamada. La generacin de la longitud de la llamada se puede posponer no slo
hasta que haya llegado la llamada sino hasta determinar si se puede conectar.
El conjunto de nmeros dentro del bloque principal de la figura 2 recuerda el estado del
sistema al tiempo 1027. Hay dos actividades que provocan eventos; pueden llegar nuevas
llamadas y pueden terminar las llamadas existentes.
86
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
DE A LONG
3 7 120
SIGUIENTE
LLAMADA
HORA DE LLEGADA
LNEAS
1057
1 0
ENLACES
2 0 LLAMADAS EN PROCESO
NUM. 3
3 0 MAX. 1 DE A FIN
4 1 EN USO
RELO J
5 0
1053 4 1075
6 0 7
7 1
8 0
CONTADORES DE LLAMAS
PROCESADAS COMPLETADAS BLOQUEADAS OCUPADAS
132 99 5 28
Se puede ver que el siguiente evento es la llegada de una llamada el tiempo 1057. Se
actualiza el reloj al tiempo de llegada y se generan los atributos de la nueva llegada. Ya que la
actividad elegida es conectar una llamada, es necesario realizar pruebas; primero para determinar
si hay un enlace disponible, y luego para determinar si est ocupado el que recibir la llamada. En
este caso el que recibe la llamada est ocupado de manera que se pierde la llamada. Se
incrementan en 1 los contadores de llamadas procesadas y de llamadas ocupadas. Se genera una
nueva llegada y entonces el estado del sistema al tiempo de que se perdi la llamada aparece
como se muestra en la figura 4.
DE A LONG
3 6 98
SIGUIENTE
LLAMADA HORA DE LLEGADA
LNEAS
1063
1 0
ENLACES
2 0 LLAMADAS EN PROCESO
NUM. 3
3 0 MAX. 1 DE A FIN
4 1 EN USO
RELO J
5 0
1057 4 1075
6 0 7
7 1
8 0
CONTADORES DE LLAMAS
PROCESADAS COMPLETADAS BLOQUEADAS OCUPADAS
133 99 5 29
87
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Nuevamente el siguiente evento potencial es una llamada, pero esta vez puede conectar la
llamada llegada de manera que el estado del sistema cambia al que se muestran en la figura 5.
DE A LONG
1 5 132
SIGUIENTE
LLAMADA
HORA DE LLEGADA
LNEAS
1082
1 0
ENLACES
2 0 LLAMADAS EN PROCESO
NUM. 3
3 1 MAX. 2 DE A FIN
4 1 EN USO
RELO J
5 0 3 6 1161
1063 4 1075
6 1 7
7 1
8 0
CONTADORES DE LLAMAS
PROCESADAS COMPLETADAS BLOQUEADAS OCUPADAS
133 99 5 29
ATRIBUTOS DE ACTIVIDADES
LASENTIDADES
IMAGEN DEL
GENERA SISTEMA RUTINAS
MDELO
88
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
GENERAR
CREAR MODELO
ENCONTRAR
1 SIGUIENTE
EVENTO
POTENCIAL
2 ELEGIR
ACTIVIDAD
3 DETERMINAR SI SIMULAR
PUEDE HACERSE
N
Y
CAMBIAR
4 IMAGEN
5 RECABAR
ESTADISTICAS
Y
MAS
GENERAR INFORME
INFORME
89
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
UNIDAD V
Validacin
Clculo Del Nmero ptimo De Simulaciones
Debido a la naturaleza probabilstica de los sistemas donde se utiliza la simulacin, se
hace imprescindible crear modelos cuyos resultados sean estadsticamente iguales a los sistemas
reales. Uno de los factores que afectan en forma directa estos resultados es el tamao de la
corrida de simulacin o bien el nmero de corridas de simulacin realizadas para encontrar
resultados confiables. Al realizar una corrida de simulacin el resultado promedio de las variables
del sistema tienen un perodo de inestabilidad y, conforme transcurre el tiempo, esas variables
tienden a un estado estable y es entonces cuando los valores de las variables de respuesta son
confiables.
2 (Z 2 )2
n=
K2
Donde:
Z = Estadstico normal estndar para cierta .
K = Desviacin absoluta mxima permitida sobre la media de la distribucin a simular.
2 = Variancia de la distribucin a simular.
90
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
s 2 (tn11, 2 )
2
n=
K2
Donde:
Esta segunda frmula se emplea para calcular n ptima basndose en una corrida
simulada del sistema de tamao n1. A esta corrida pequea se le conoce como prueba piloto, y su
funcin es calcular n en funcin de la distribucin general y del generador utilizado en la prueba
piloto.
Pueden usarse ambas frmulas siempre y cuando la informacin de donde se obtienen los
estimadores sigan, estadsticamente, una distribucin normal. En caso de que los datos analizados
sigan otra distribucin se debe hacer uso del teorema de Tchebycheff de tal suerte que el clculo
se ve reducido a:
m2
n=
Donde:
= Probabilidad de error permitida.
m2 = Nmero de desviaciones estndar mximo permitido sobre la media de la
distribucin a simular.
El clculo del nmero de corridas ptimo, del modelo de simulacin en donde se tengan
varias variables probabilsticas, se realiza ejecutando el clculo para cada una de ellas y se
selecciona la mayor de todas las n; ste ser el nmero de simulaciones del modelo
computacional.
Ejemplo:
2 (Z 2 )2
n=
K2
91
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Donde:
Z = 1.96 para una confiabilidad del 95%
K = 0.166s = 0.166
Sustituyendo la informacin:
n = 139.4
m2 36
n= = = 720.00
0.05
Este clculo del nmero de simulaciones ptimo, es un clculo a priori, sin embargo, no
se asegura del todo que se cumpla con las condiciones de estabilidad.
Teniendo los resultados de cada una de las rplicas, es necesario tomar estos resultados
para calcular los estimadores de media, variancia e intervalo de confianza de acuerdo con el
siguiente procedimiento.
Calcular la media y variancia de las observaciones para cada rplica individual con las
frmulas:
n
xj = 1
n x
i =1
ij
(x xj )
n
sj =
2 1 2
n 1 ij
i =1
92
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Con la media y la variancia de cada una de las rplicas, encuentre la media y variancia
entre rplicas con las frmulas siguientes:
r
x= 1
r xj =1
j
(x x)
n
s2 = 1 2
r 1 j
i =1
Ic = x
(s )t
x rr 1, 2
Reduccin De Varianza
En muchos estudios de simulacin, una gran parte del tiempo se emplea en el desarrollo
del modelo y en la programacin del mismo; pero slo un pequeo esfuerzo se utiliza para
desarrollar un diseo apropiado de las corridas o para analizar correctamente los resultados que
genera la simulacin. Partiendo de que la informacin de entrada es una variable aleatoria, la
informacin de salida es tambin aleatoria. Por lo tanto, un modelo de simulacin slo puede
producir un estadstico estimado de la medida de desempeo.
Ejemplo:
93
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Observe que los resultados para varias corridas pueden ser completamente diferentes. As,
una sola corrida no produce las respuestas. Se presentan aqu algunas tcnicas que ayudarn al
analista a encontrar de forma ms rpida un estimador del resultado.
Muestreo antittico
El objetivo de esta tcnica es inducir una correlacin negativa entre los elementos
correspondientes en las series de nmeros aleatorios utilizados para generar variaciones de
entrada en rplicas diferentes. Una forma de generar correlaciones negativas consiste en correr el
modelo, primero, con nmeros aleatorios ri para obtener u estimador Y1 del parmetro estudiado
y despus, con nmeros 1-ri, obteniendo un estimador Y2 del parmetro estudiado.
Corridas comunes
El objetivo principal es iniciar nuevas corridas de simulacin utilizando siempre los datos
almacenados; de esta forma, el uso de las corridas comunes afecta a todas las alternativas de igual
forma. Se debe aplicar cuando el problema consiste en la comparacin de dos o ms alternativas.
Muestreo clasificado
94
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Variaciones de control
Este mtodo utiliza aproximaciones de modelos analticos para reducir la varianza. Por
ejemplo, una simulacin puede ser un modelo complejo de colas donde interese conocer la
longitud promedio de la fila, cuyo valor puede estimarse analticamente.
Muestreo estratificado
Muestreo sesgado
Consiste en distorsionar las probabilidades fsicas del sistema real, de tal forma que los
eventos de inters ocurran ms frecuentemente. Los resultados obtenidos presentarn tambin
una distorsin que debe corregirse mediante factores probabilsticos de ajuste.
Validacin De Resultados
Al usar la simulacin para estudiar un sistema complejo, encontramos varios tipos de
error como:
a) errores de diseo,
b) errores en la programacin,
c) errores en los datos utilizados,
d) errores en el uso del modelo,
e) errores en la interpretacin de los resultados.
Evaluar un modelo significa desarrollar un nivel aceptable de confianza de modo que las
interferencias obtenidas del comportamiento del modelo sean correctas y aplicables al sistema del
mundo real. La validacin y verificacin es una de las tareas ms importantes y difciles que
enfrenta la persona que desarrolla un modelo de simulacin.
95
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Ejemplo
H0 : V(modelo) = V(real)
H1 : V(modelo) V(real)
V(real) = 40.57
V(modelo) = 36.96
2
S1 40.57
F= =
S 2 36.96
H0 : (modelo) = (real)
H1 : (modelo) (real)
E(modelo) = 104.90
E(real) = 103.87
96
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
x1 x2
t=
n1 1 + n2 2
2 2
1 1
+
n1 + n 2 n1 n 2
104.9 103.87
t= = 0.3496
8(40.57 ) + 10(36.96 ) 1 1
+
8 + 10 8 10
Ya que t es menor que tc, se acepta que los resultados en cuanto a la produccin de
carburadores por da del simulador son estadsticamente iguales, en cuanto a la media, a los de la
produccin real.
En cuanto a la prueba de forma entre ambas muestras no se puede afirmar nada ya que la
cantidad pequea de datos que se est manejando imposibilita la formacin de histogramas para
realizarla.
Optimizacin
La finalidad de cualquier anlisis de sistemas es optimizar la medida de efectividad,
describiendo normas para las variables de decisin a la vista de variables no controlables. As
pues, el tomador de decisiones desea encontrar ese conjunto de variables de decisin.
Simplex
Simplex EVOP
Superficies de repuestas
97
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Sensibilidad Y Experimentacin
Es el ltimo paso dentro del proceso de simulacin y puede efectuarse antes o durante la
implantacin de las soluciones en el proceso real. Consiste en jugar o experimentar con el
modelo ante situaciones nuevas o imprevistas, que tengan cierta probabilidad de ocurrencia, con
el objeto de encontrar una solucin ptima ante ese posible escenario. Esto es til pues los
sistemas reales son dinmicos y de esta manera podemos adelantarnos y ser capaces de hacerles
frente con anticipacin. El anlisis de sensibilidad se enfoca principalmente a estudiar las
variables no controlables por el tomador de decisiones dentro del proceso real.
Monitoreo
Como se acaba de mencionar, los sistemas reales son dinmicos, esto significa que se
debe llevar un estricto control de los cambios ocurridos en ellos para inmediatamente
implantarlos en el modelo y para que pueda seguir siendo un fiel reflejo de la realidad.
98
Instituto Tecnolgico de Acapulco Catedrtico: Ing. Vales Ortiz Gilberto
Ingeniera en Sistemas Computacionales Simulacin
Bibliografa
Simulacin de Sistemas
Geofrey Gordon
Editorial Diana
99