SIMULACIÓN REGERATIVA

Presentado por: Docente : Ana Milena Gutiérrez rojas.

Juan Camilo Arias
Asignatura: Métodos Matemáticos Aplicados
Camilo Clavijo en la simulación
Ingeniería Informática
Semestre 6.
 Introducción

• La simulación regenerativa proviene de considerar que el proceso de

salida sea regenerativo, Ross ( 1993 ).
• Este nuevo enfoque se basa en el hecho de que muchos sistemas
estocásticos se regeneran, es decir, empiezan en el mismo punto de
partida a partir de intervalos regulares de tiempo.
 ¿Cuando es regenerativo?

• Un proceso estocástico(?Xt?t>0) es regenerativo si existen instantes en

los que el proceso recomienza probabilísticamente, es decir, con
probabilidad 1, y existe un instante T1 tal que la continuación del
proceso más allá de T1 coincide, probabilísticamente, con la realización
del proceso desde 1. Esto implica que existen T2, T3,... con la misma
propiedad que T1. (Se sigue además que T1, T2,. son los tiempos entre
llegadas de un proceso de renovación. Decimos que se completa un ciclo
cada vez que se completa la renovación )

T= tiempo
 Ejemplo

• Consideremos un sistema de líneas de espera en el que los clientes llegan

de acuerdo con un proceso Poisson y supongamos que el primer cliente
llega en el instante 0. Si el tiempo aleatorio T representa el siguiente
instante en que una llegada encuentra al sistema vacío, entonces decimos
que el tiempo de 0 a T constituye el primer ciclo. El segundo ciclo sería
entonces el tiempo desde T hasta el primer instante posterior a T en que
una llegada encuentra al sistema vacío, y así sucesivamente
 ¿ Qué problemas resuelve el
sistema regenerativo?

• La simulación regenerativa resuelve los siguientes problemas

• 1. ¿Cómo empezar la simulación?

• 2. ¿Cuándo empezar a colectar datos?

• 3. Tamaño de la corrida y número de corridas.

• 4. ¿Cómo manejar los resultados cuando estos están correlacionados?

 Ejemplo
Aquí se puede apreciar que los clientes son
generados por una fuente alimentadora, la cual
genera n número de clientes por unidad de tiempo. Si
un cliente que llega al sistema encuentra desocupado
el servidor, entonces es atendido inmediatamente y se
retira luego de ser servido. Por el contrario, si un
cliente al arribar encuentra a un servidor ocupado,
entonces este cliente pasa a una sala de espera
donde esperará su turno para ser servido. Finalmente,
los clientes que permanecen en la cola, son servidos
en base a la disciplina FIFO (Primero en llegar,
primero en ser servido).

Una forma razonable de estimar E(W) sería: sea W1 el tiempo de

espera en la cola del cliente 1, W2 el tiempo de espera en la cola del
cliente 2, y así sucesivamente. Por consiguiente, si durante la
simulación del sistema entraron a este n clientes, entonces el
promedio muestral sería:
 La forma tradicional de tratar el
sesgo del estimador debido a
condiciones iniciales

• es correr el modelo de simulación durante algún tiempo sin colectar ningún dato, hasta que
el sistema de colas haya alcanzado la condición de estado estable. A partir de este
instante, se empieza a colectar la información.
• Por ejemplo, se puede simular el sistema para 1000 clientes y solo considerar los tiempos
de espera de los últimos 500, y entonces usar:

como un estimador de E(W). Sin embargo, esta solución no es muy recomendable por la
siguiente razón:

1. Es muy difícil determinar la longitud del periodo de estabilización.

2. Una gran cantidad de tiempo de computadora es desperdiciado.
Otra de las desventajas que encontramos es la alta correlación que existe entre Wi y Wi+1
independientemente de que el sistema se encuentra o no en estado estable. Por lo que, si los Wi no
son independientes, no podemos hallar intervalos de confianza para el tiempo promedio de espera
mediante la teoría estadística conocida.
 Ejemplo

W : tiempo promedio de un cliente esperando en el sistema. Ocioso= desocupado

En el esquema anterior observamos que el tiempo de espera para cada uno de los clientes 1,5, 8, 9, ... , n-6, n-2 es igual a cero
ya que encontraron desocupado al servidor a la hora de llegar al sistema. También, se puede observar que el servidor está
constantemente ocupado desde que llega el cliente 1 hasta que se va el cliente 4, luego se encuentra ocioso que llega el
cliente 5, y así sucesivamente. Por consiguiente, si al tiempo que transcurre entre empezar a servir y quedar ocioso, se le
considera como un ciclo, entonces para el esquema mostrado existen k ciclos para un total de n clientes, donde el primer ciclo
lo comprenden los clientes 1, 2, 3, 4, el segundo ciclo lo comprenden los clientes 5, 6, 7, el tercer ciclo lo comprende el cliente
8, y así sucesivamente. Por lo que, un nuevo ciclo empieza cuando un cliente llega al sistema y encuentra al servidor ocioso.
 Bloques de datos

• Puesto que cada vez que llega un cliente al sistema y encuentra al servidor ocioso, es
equivalente y está gobernado por la misma estructura probabilística que cuando llega el
primer cliente al sistema, entonces sería razonable agrupar los resultados de la
simulación en bloques de datos, donde el primer bloque contendrá los tiempos de espera
en la cola de los clientes que forman parte del primer ciclo, el segundo bloque contendrá
los tiempos de espera en la cola de los clientes que forman parte del segundo ciclo, y así
sucesivamente.,

• Para el esquema dado Los bloques serían:

De este modo, puesto que cada ciclo es iniciado en las mismas condiciones, los bloques de
datos de ciclos sucesivos son estadísticamente independientes e idénticamente
distribuidos. P
• Por lo tanto, si definimos Dj como la suma de los tiempos de espera de todos los
clientes servidos el ciclo j, y Nj como el número de clientes que llegan al sistema
durante el ciclo j, entonces los pares (D1,N1), (D2,N2), (D3,N3) ... (Dk,Nk) son
estadísticamente independientes e idénticamente distribuidos, a pesar de la
correlación que existe entre Dj y Nj , j = 1, 2, 3, ... ,k. Donde :
• D1 = W1 + W2 + W3 + W4
• N1 = 4.

• donde N1 = 4 ya que en el primer ciclo tenemos las llegadas de 4 clientes, cada

uno con su respectivo tiempo de servicio. Para el ejemplo, W1 representa el tiempo
de servicio para el primer cliente, W2 representa el tiempo de servicio para el
segundo cliente , W3 representa el tiempo de servicio para el tercer cliente , y W4
representa el tiempo de servicio para el cuarto cliente. Esta misma lógica la
aplicamos para cada uno de los pares (Dj , Nj) .

• Por lo tanto, la correlación entre Wk y WK+1 ha sido eliminada y los datos han sido
agrupados en bloques estadísticamente independientes e idénticamente distribuidos
• Suponiendo que n clientes fueron servidos durante la simulación, a
partir de los cuales se formaron k ciclos, la estimación del tiempo de
espera en la cola se puede determinar por medio de la siguiente
expresión :

• Dado que (D1,D2,D3, ... , Dk) , (N1, N2, N3, ... ,Nk) son grupos de
variables aleatorias independientes e idénticamente distribuidas,
entonces por el teorema del límite central, la expresión anterior
converge a :
Gracias!