Вы находитесь на странице: 1из 20

Nombre de la asignatura: Tcnicas de Simulacin

Parcial de estudio: Primero


Introduccin
Recuerde que Tcnicas de Simulacin es la aplicacin de muchos temas que se trataron en
otras asignaturas, entre las cuales podemos citar: Estadstica Bsica, Estadstica Aplicada,
Investigacin Operativa y Matemticas; deber poner en prctica conocimientos adquiridos
anteriormente, estudie con cuidado los temas de distribucin de probabilidad, distribucin
continua y distribucin discreta.
En primer lugar analizaremos todo lo relacionado con teora de colas, con sus diferentes
ecuaciones y los modelos correspondientes. Su estudio es una aplicacin prctica de hechos en
la vida real, ya que las colas se dan con frecuencia en casi todos los negocios, as en
hospitales, bancos, gasolineras, etc.
Luego estudiaremos todo lo relacionado con el modelado de simulacin, con sus diferentes
tipos, elementos, ecuaciones y los modelos correspondientes.
Asesora didctica
Orientaciones generales
Iniciaremos con las siguientes pastillas prcticas:
En el texto gua de Handy Taha considere lo siguiente:
En la pgina 582, la distribucin exponencial se define como:
<

t e t f
t
0 ) (


La media o promedio de la distribucin exponencial es:
E (t) = 1 / lambda
La tasa de llegadas (o frecuencia de ocurrencia de un evento) es lambda,
( ) t E
1

En los ejercicios, Lambda puede trabajar en minutos o en horas.
P(t<= T) = 1 - e
t
es la probabilidad de que S ocurra un evento en el tiempo T.
P( t > T)= e
t
es la probabilidad de que NO ocurra un evento en el tiempo T.
La suma de los dos resultados debe dar uno.
En la pgina 583 ponga atencin a la interpretacin de amnesia o falta de memoria
de la exponencial.
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
En la pgina 587 est la frmula de la distribucin de Poisson con su respectiva
media. Adems consta la relacin con la exponencial.
En la pgina 589 consta un ejemplo de probabilidades de Poisson resuelto con
TORA y con Excel, le sugiero practicar este ejercicio por los dos mtodos como
aprendizaje.
En la pgina 602 en modelos con servidor, las llegadas suceden con la frecuencia
de Lambda clientes por unidad de tiempo y la tasa de servicio es U (mu) clientes
por unidad de tiempo.
En la pgina 616 tome el debido cuidado en escoger bien la frmula para obtener
Po. As, hay dos frmulas: segn p / c = 1 o diferente de 1.
Independiente del material que consta en el texto gua, le recomiendo que usted revise
la siguiente informacin, que le permitir adquirir un conocimiento ms explcito de los
diferentes temas, as deber proceder en cada uno de los parciales de estudio.
Asesora didctica 1
Sistema de colas
Captulo 17 del texto gua
Modelo de colas con un solo punto de servicio
Para este modelo se considerar el caso en el cual las llegadas son aleatorias y provienen de
una distribucin de probabilidad de Poisson o de Markov.
Se supone que el tiempo de servicio es tambin una variable aleatoria que sigue una
distribucin exponencial o de Markov. Adems que los tiempos de servicio son independientes
entre s e independientes del proceso de llegada.
Solo hay un punto de servicio o canal.
La disciplina de cola se basa en el principio FIFO y no hay un lmite para el tamao de la cola.
Las tasas de llegadas y de servicio no cambian con el tiempo. El proceso ha estado en
operacin el tiempo suficiente para eliminar los efectos de las condiciones iniciales.
Notacin. Una prctica comn es representar los modelos de colas con una notacin abreviada,
como sigue:
Distribucin del Distribucin del Nmero de canales
Tiempo de llegada tiempo de servicio o puntos de servicio
Donde:
M = Distribucin de Markov (de Poisson o exponencial)
D = Tiempos deterministas (es decir, constantes)
G = Distribucin general con una desviacin estndar especfica
Con base en esta notacin, el modelo que se considera es un modelo de cola M/M/1. Sea:
= Nmero promedio de clientes que llegan en una unidad de tiempo
= Nmero promedio de clientes al cual puede dar servicio la instalacin en una
unidad de tiempo, suponiendo que no hay escasez de clientes
Ls = Nmero esperado de unidades que se atienden y/o esperan en el sistema
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
Lq = Nmero esperado en cola (el nmero en cola no incluye la unidad que se
atiende)
Pn = Probabilidad de tener n unidades en el sistema
Wq = Tiempo probable de espera en cola de una llegada
Ws = Tiempo probable de permanencia en el sistema (tanto en cola como en servicio)
Hay varias relaciones importantes:
P0 = 1- /
Pn = (/)nP0
Pn = (/)Pn -1
Como p0 es la probabilidad de que el sistema est vaco, representa el tiempo de inactividad
esperado del sistema. Asimismo, (1 p0) = /, es el tiempo de actividad esperado del
sistema o la utilizacin esperada.
El nmero esperado en la cola de espera y /o en servicio es:
) (

s
L

El nmero esperado en cola es:
( )

2
q
L

El tiempo de espera promedio (en la cola) para una llegada es:

L
L
W
q
q


Adems, como la tasa media de servicio es, el tiempo medio de servicio es 1/; por lo tanto,
el tiempo promedio de permanencia en el sistema (tanto en espera como en servicio) es:
Ws = Wq +1/
La probabilidad de que el nmero de unidades en cola y en servicio sea mayor que k es:
P(n>k)= (/)k+1
Las ecuaciones son aplicables solo si (/) <1. Si la tasa de llegadas es mayor que la tasa
de servicio, , la cola crecer sin fin a menos que cambie una de las hiptesis.
Tiempos generales de servicio: Modelo M/G/I
Considere un sistema con un solo punto de servicio, llegadas de Poisson (o de Markov) y
disciplina de cola FIFO. Suponga que la distribucin de probabilidad del tiempo de servicio es
arbitrario o general, con media 1/ y desviacin estndar . En esta situacin se aplican las
siguientes frmulas:

,
_

1 2
2
2
q
W

1
+
q
W W

Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
Lq = Wq Ls = Ws
P0 = 1 - /
Observe que la varianza del tiempo de servicio, 2, aparece en el numerador de la ecuacin.
Esto implica que el tiempo de espera depende directamente de las variaciones en el tiempo de
servicio.
Tiempos constantes de servicio: Modelo M/D/I
Los tiempos de servicio constantes o deterministas tambin pueden obtenerse dndole un
valor de cero a la desviacin estndar . Entonces, la ecuacin se convierte en:

,
_

1 2
2
q
W

y esta ecuacin se puede usar para calcular medidas del rendimiento para el modelo M/D/I.
Puntos de servicio mltiples: Modelo M/M/c
Supondremos ahora que hay c canales y que exista una sola cola de espera si todas las
instalaciones de servicio estn ocupadas. Cada canal tiene la misma tasa de servicio ,. Una
vez ms se usar n para representar la suma de los clientes en servicio y en la cola de espera.
Las frmulas que se presentan a continuacin muestran la probabilidad de cero clientes en el
sistema (p0) y la probabilidad de n clientes (pn). Estas frmulas son ms complejas que las
correspondientes a un solo canal:

)! 1 (
...
! 1
1
1 !
1
1 1 0

,
_

,
_

+ +

,
_

,
_


c
c
c
P
c c



c
!
0

,
_

si
n
p p
n
n


c n si P P
n
>

,
_

! 1
1
0


Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
La utilizacin de la capacidad en este sistema es

c
Se pueden usar las ecuaciones anteriores si:
1 <

c

1 >

c
S i
entonces la cola de espera se hace cada vez ms larga; es decir, n se hace infinito si el
proceso dura lo suficiente.
Cuando c = 1 (hay una instalacin de servicio)
c n si
n
P P
n
n

,
_

!
0

Pero n solo puede tomar valores de 0 o 1 si n c = 1; por lo tanto:


n
n
P P

,
_

0
Con c instalaciones de servicio, el nmero promedio de clientes en la cola es:
0
2
1
1 ) ! (
p
c
c c
L
c
q

,
_

,
_


El nmero promedio en el sistema (en espera y en servicio) es:
L = Lq + /
El tiempo medio de espera en cola para una llegada es:

q
q
L
W

As mismo, el tiempo medio de permanencia en el sistema (espera ms servicio) es:
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero

s
s
L
W

Distribucin exponencial
Con relacin al proceso de Poisson se analiz la distribucin de probabilidad de Poisson, la cual
da la probabilidad de ocurrencias de un suceso, dada una intensidad y cierto periodo de
tiempo T. Tambin se poda investigar cul es el tiempo de espera entre sucesos inmediatos
para el mismo proceso de Poisson (es decir, el tiempo entre llegadas), en otras palabras,
cul es la distribucin de probabilidad del tiempo, t, entre sucesos? Esta distribucin de
probabilidad se denomina distribucin exponencial. La funcin de densidad de probabilidad
exponencial es:
<

t e t f
t
0 ) (


La media de la distribucin exponencial es E(t) = (1/) y la varianza es (1/)2.
La cola del lado derecho de la distribucin exponencial es:
p(t >T)=e-m donde m = T
Es decir, la probabilidad de que el tiempo entre sucesos (llegadas) sea mayor que T, es e-
m. Observe que este es tambin el valor de la funcin de masa de probabilidad de Poisson
para cero sucesos (llegada) en el periodo T.
Por lo tanto, la distribucin de Poisson de llegadas por unidad de tiempo y la distribucin
exponencial de tiempos entre llegadas son dos modos alternativos para describir la misma
cosa. Podemos decir que el nmero de llegadas por unidad de tiempo es una distribucin de
Poisson con tasa media = 5, por hora, por ejemplo, o bien que los tiempos que transcurren
entre llegadas se distribuyen exponencialmente con un promedio ente ellas de (1/)= 1/5
hora; las dos expresiones se implican mutuamente.
.. ... , 3 , 2 , 1 , 0 ,
!
e ) (
) (

n
n
t
t p
t n
n

Modelo de nacimiento puro


Dado que las llegadas ocurren a la tasa de clientes por unidad de tiempo, entonces para un
intervalo de tiempo suficientemente pequeo h > 0.

) ( 0 1 .......
! 2
) (
1 e ) (
2
2
0
h h
h
h h P
h
+ +

(7-33)
El axioma afirma que durante h > 0, cuando mucho puede ocurrir un evento (llegada). De
esta forma, como
0 h
h h P h P ) ( 1 ) (
0 1
Este resultado muestra que la probabilidad de que ocurra una llegada durante h es
directamente proporcional a h, siendo la tasa de llegada la constante de proporcionalidad.
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
Para derivar la distribucin de Poisson con base en los axiomas del teorema, defina
) (t p
n

como la probabilidad en n llegadas durante t. As para h > 0 y suficientemente pequeo
Pn(t + h) Pn (t)(1 - h) + Pn-1(t) hn > 0
Pn(t + h) Pn (t)(1 - h). n = 0
En la primera ecuacin se realizarn n llegadas durante t + h si hay n llegadas durante t y
ninguna durante h. o. (n.-1) llegadas durante t y una llegada durante h. Todas las dems
combinaciones no estn permitidas. La ley del producto de probabilidades se aplica al lado
derecho de la ecuacin por la condicin de independencia. Para la segunda ecuacin, puede
ocurrir cero llegadas durante t + h solo si no ocurre ninguna llegada durante h.
Al reacomodar los trminos y tomar los lmites cuando h 0. Obtenemos:
0 ) ( ) (
) ( ) (
lim ) (
1
0
,
> +
+

n t p t p
h
t p h t p
t p
n n
n n
h n

) (
) ( ) (
lim ) (
0
0 0
0
,
0
t p
h
t p h t p
t p
h

+


Donde
) (
,
t p
n
es la primera derivada de pn(t) con respecto a t.
La solucin de las anteriores ecuaciones diferenciales en diferencias da:
..... , 3 , 2 , 1 , 0 ,
!
e ) (
) (

n
n
t
t p
t n
n


(7-34)
que es la distribucin de Poisson con media E' n|t; =
t
llegadas durante t. La varianza
de la distribucin de Poisson tambin es igual a
t
El resultado anterior muestra que si el tiempo entre llegadas es exponencial con media

1

Entonces el nmero de llegadas durante un periodo especfico t es de Poisson con media
t

Lo contrario tambin es cierto.
Procesos de nacimiento y muerte

0


1 n


........... ....

1


1 + n

0 1 2
n-
1
n
N+
1
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero

c
p

0 1
P P


0
2
2
P P

,
_


0
P P
n
n

,
_


0
1
0
1
P P


0
2 1
1 0
2
P P


0
3 2 1
2 1 0
3
P P



0
4 3 2 1
3 2 1 0
4
P P


1
4 2 1 0
+ + + P P P P
3 2 1
3 2 P P P L + +


3 2
2P P L
q
+

4 4 3 3 2 2 1 1 0 0
P P P P P + + + +


q
q
L
W
L
W
El texto gua contiene un CD con programas de computacin, que le permitir resolver los
ejercicios con ms facilidad, pero recuerde que en el examen no lo podr usar.
En el caso de los modelos markovianos M/M, la distribucin de probabilidad que define la
llegada o salida de transacciones de un sistema y, por ende, los cambios de estado en un t +
t, est dada por la distribucin Poisson expresada como:

!
e ) (
) (
0
0
0
x
t
t x X p
t X

X0=0,1,2,...... .
Si se define un intervalo t pequeo que asegure el cumplimiento de los siguientes postulados,
Solamente puede ocurrir una llegada entre t y t.
Solamente puede ocurrir una salida entre t y t.
Solamente puede ocurrir una llegada o una salida entre t y t.
Asesora didctica 2
Modelado de simulacin
Captulo 18 del texto gua
Este captulo se dedica a la ltima tcnica importante de investigacin de operaciones. La
simulacin se clasifica muy alta entre las tcnicas que ms se usan. Todava ms debido a que
es una herramienta tan flexible, poderosa e intuitiva, sus aplicaciones crecen con rapidez de
manera continua.
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
Esta tcnica involucra el uso de una computadora para iniciar (simular) la operacin de un
proceso o sistema completo. Por ejemplo, a menudo se usa simulacin para realizar un anlisis
de riesgo de procesos financieros mediante una imitacin repetida de la evolucin de las
transacciones necesarias para generar un perfil de los resultados posibles. La simulacin
tambin nene un uso amplio en el anlisis de sistemas estocas ticos que continuarn en
operacin indefinidamente. Para ese tipo de sistemas, la computadora genera y registra las
ocurrencias de los eventos que impulsan el sistema como si en realidad estuviera en operacin
fsica. Debido a su velocidad, la computadora puede simular incluso aos de operacin en
cuestin de segundos. El registro del desempeo de la operacin simulada del sistema para
varias alternativas de diseo o procedimientos de operacin permite evaluar y comparar estas
alternativas antes de elegir una.
Deber tomar en cuenta los siguientes aspectos: Simulacin Monte Carlo, solucin a travs de
Excel, tipos de simulacin, muestreo a partir de distribuciones de probabilidades, distribucin
de Erlang, distribucin de Poisson, distribucin normal, distribucin beta, generacin de
nmeros aleatorios, simulacin manual y en hoja de clculo de un modelo con un servidor
mtodo del subintervalo, mtodo regenerativo, lenguajes de simulacin.
Simulacin de Monte Carlo
La simulacin de Monte Carlo recurre al uso de un muestreo aleatorio para estimar la salida de
un experimento. Se le considera el precursor de la simulacin actual.
Esta seccin utiliza un ejemplo para demostrar el procedimiento. El objetivo del ejemplo es
resaltar la naturaleza estadstica del experimento de simulacin.
Ejemplo
Utilizaremos el muestreo de Monte Carlo para estimar el rea de un crculo cuya ecuacin es:
(x 1)^2 + (y 2)^2 = 25
(x - h)^2 + (y - k)^2 = (r)^2 frmula de geometra analtica
(x 1)^2 = 0 entonces x = + 1 que es el valor de h
(y 2)^2 = 0 entonces y = + 2 que es el valor de k
El radio del crculo es r = 5cm y su centro es (h , k) = (1 , 2).
El procedimiento para estimar el rea requiere encerrar el crculo cmodamente en un
cuadrado cuyo lado iguala el dimetro del crculo. Los puntos de las aristas se determinan de
la geometra del cuadrado (dibujado en el sistema coordenado).
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
La estimacin del rea del crculo se basa en la suposicin de que todos los puntos del
cuadrado son igualmente probables. As, de una muestra aleatoria de n puntos en el
cuadrado, se encuentra que m caen dentro del crculo, entonces:
(rea del crculo) =
n
m
(rea del cuadrado) =
n
m
(10 x 10)
La idea se pone en prctica representando las coordenadas x e y de un punto en el cuadrado
mediante las siguientes distribuciones uniformes (que se obtienen del grfico coordenado,
ubicando el centro (h,K)):
f (x) =
10
1
, - 4

6
Simulacin de Monte Carlo
f (y) =
10
1
, - 3

7
Ambas funciones son igual a cero fuera de los rangos indicados.
Sean R1 y R2, dos nmeros aleatorios distintos entre 0 y 1, tomados de la tabla 18-1, en
sentido vertical. Entonces un punto aleatorio igualmente probable (x, y) en el cuadrado se
determina como:
[ ] 1 10 4 1 ) 4 ( 6 4 R R x + +
Note que el 10 es el dimetro.
[ ] 2 10 3 2 ) 3 ( 7 3 R R y + +
Se deben usar 10 puntos o pares ordenados ya que sali 10R1, 10R2; si fueran 8 puntos
obtendr 8R1, 8R2.
La tabla 18-1 presenta una pequea lista de nmeros aleatorios (0,1) Estos se generan con el
uso de operaciones aritmticas especiales.
TABLA 18-1
.0589 .3529 .5869 .7900 .6307
.6733 .3646 .1281 .7698 .2346
.4799 .7676 .2867 .2871 .4220
.9486 .8931 .8261 .9534 .6991
.6139 .3919 .8261 .1394 .9745
.5933 .7876 .3866 .9025 .3428
.9341 .5199 .7125 .1605 .6037
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
.1782 .6358 .2108 .3567 .2569
.3472 .7472 .3575 .3070 .0546
.5644 .8954 .2926 .5513 .0305
Si el enunciado del ejercicio no lo menciona, se debe iniciar R1 en la primera columna, R2 en
la segunda columna. Bajando verticalmente. Luego se contina en la tercera para R1 y en la
cuarta para R2.
Por cada par de nmeros aleatorios distintos (R1, R2), podemos generar un punto aleatorio
(uniforme) (x, y) en el cuadrado utilizando las frmulas dadas. Un punto de muestra (x2, y2)
cae dentro del crculo si.
(x1 1)2 + (y1 -2)2
25
Por ejemplo si R1 = .0589 Y R2 = .6733, entonces
x1 = - 4 + 10 R1 = - 4 + 10(.0589) = -3.411
y1 = - 3 + 10 R2 = - 3 + 10(.6733) = 3.733
Como (- 3.411 + 1) 2 + (3.733 2)2 = 22.46 es menor que 25, el punto (x1y1) cae
dentro del crculo.
La estimacin del rea del crculo mejora conforme aumenta el tamao de la muestra por las
repeticiones 1 y 2.
El promedio de las 10 rplicas para cada tamao de la muestra n proporciona una menor
estimacin del rea que cualquiera de las rplicas. En la figura 18- 2, la media de las 10
repeticiones se aproxima al rea exacta (= 78.54cm2) ms rpido que las estimaciones
proporcionadas por las rplicas individuales.
La exactitud del valor medio de las rplicas N aumenta con el tamao de la muestra n,
como es evidente por la disminucin del valor de la desviacin estndar.
Elementos de simulacin de eventos discretos
Esta seccin muestra cmo se lleva a cabo el concepto de eventos y cmo se renen las
estadsticas del sistema simulado.
Definicin genrica de eventos
Todas las simulaciones de eventos discretos describen, directa o indirectamente, situaciones
de colas (o de lnea de espera) en las que llegan los clientes, esperan en una cola si es
necesario y despus reciben un servicio antes de salir del sistema. En general, cualquier
modelo de eventos discretos se compone de una red de colas estrechamente relacionadas.
Dado que un modelo de evento discreto en realidad es un compuesto de colas, notamos que
para reunir estadsticas (medidas del desempeo) los cambios en el sistema (por ejemplo,
longitud de la cola y estado de las instalaciones de servicio) solo ocurren cuando un cliente
llega a la cola y cuando un cliente sale de las instalaciones despus de haber sido atendido.
Esto significa que los dos eventos principales en cualquier modelo de simulacin discreta son
una llegada y una salida. Se trata de los dos nicos instantes en los que necesitamos examinar
el sistema. En cualquier otro tiempo, no ocurre ningn cambio que afecte las estadsticas del
sistema.
Ejemplo
La empresa Metalco Jobshop recibe dos tipos e trabajos regulares y urgentes. Todos los
trabajos se procesan en dos mquinas consecutivas con amplias reas de estabilizacin. Los
trabajos urgentes siempre tienen prioridad sobre los trabajos regulares. Identifique los eventos
de la situacin.
Esta situacin consiste en dos colas en tndem que corresponden a las dos mquinas,
respectivamente. A primera vista, nos inclinaramos a identificar los eventos de la situacin
comos sigue.
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
A11: Un trabajo regular llega a la mquina 1
A21: Un trabajo urgente llega a la mquina 1
D11: Un trabajo regular sale de la mquina 1
D21: Un trabajo urgente sale de la mquina 1
A12: Un trabajo regular llega a la mquina 2
A22: Un trabajo urgente llega a la mquina 2
D12: Un trabajo regular sale de la mquina 2
D22: Un trabajo urgente sale de la mquina 2
En realidad, solo tenemos exactamente dos eventos: la llegada de un trabajo (nuevo) al taller
y la salida de un trabajo (terminado) de una mquina. Note primero que los eventos D11 y
A12 coinciden exactamente y, por tanto no se distinguen. La misma observacin se aplica a
D21 y A22. Enseguida, en la simulacin discreta podemos usar un evento (llegada o salida)
para ambos tipos de trabajo y simplemente marcar el evento con un atributo que identifique
el tipo de trabajo como regular o urgente. (El atributo, en este caso se considera un nmero
de identificacin personal y, en realidad, lo es). Dado este razonamiento, los eventos del
modelo se reducen a (1) una llegada A (al taller) y (2) una salida D (de cada mquina). Las
acciones asociadas con el evento de salida dependern de la mquina en la que ocurran.
Ya que se definieron los eventos bsicos de un modelo de simulacin, ahora mostramos cmo
se ejecuta el modelo. La figura 18-4 da una representacin esquemtica de ocurrencias tpicas
de
Eventos sobre la escala de tiempo de la simulacin. Despus de que todas las acciones
asociadas con un evento actual se han llevado a cabo la simulacin avanza saltando al
siguiente evento cronolgico. En esencia, la ejecucin de la simulacin ocurre en los instantes
en los que ocurren los eventos.
Cmo se determina la simulacin el tiempo en el que ocurren los eventos? Los eventos de
llegada estn separados por el tiempo relacionado entre llegadas (el intervalo entre las
llegadas sucesivas), y los eventos de salida se especifican con el tiempote servicio en las
instalaciones.
Estos tiempos son deterministas (por ejemplo, un tren que llega a una estacin cada 5
minutos) o probabilistas (por ejemplo, la llegada aleatoria de clientes a un banco). Si el tiempo
entre eventos es determinista, la determinacin de los tiempos de ocurrencia es directa. Si es
probabilstica, usamos un procedimiento especial para obtener muestras del tiempo entre
eventos a partir de la distribucin de la probabilidad correspondiente. Este punto se aborda en
la siguiente seccin.
Identifique los eventos discretos necesarios para simular la siguiente situacin: dos tipos de
trabajos llegan de dos fuentes diferentes. Ambos tipos se procesan en una sola mquina, y se
da prioridad a los trabajos que llegan de la primera fuente.
Llegan trabajos con una tasa constante a un sistema de transporte de carrusel. Tres estaciones
de servicio estn espaciadas a la misma distancia alrededor del carrusel. Si el servidor est
inactivo cuando llega un trabajo a la estacin, este ltimo se quita del transportador para su
procesamiento. De otra forma, el trabajo contina girando en el carrusel hasta que un servidor
est disponible. Un trabajo procesado se almacena en un rea de embarque adyacente.
Identifique los eventos directos necesarios para simular esta situacin.
Llegan autos a un banco de servicio que cuenta con dos carriles, donde cada carril puede dar
cabida a un mximo de cuatro autos. Si los dos carriles estn llenos, los vehculos que llegan
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
buscan servicio en otra parte. Si en cualquier momento un carril tiene al menos dos autos ms
que el otro, el ltimo auto en el carril ms largo maniobrar a la ltima posicin en el carril
ms corto. El banco opera las instalaciones de servicio en el auto de 8:00 a 15:00 cada da
laborable. Defina los eventos discretos para la situacin.
El comedor de la escuela Eldale Elementary proporciona un almuerzo de men nico en una
bandeja para todos sus estudiantes. Los nios llegan a la ventanilla despachadora cada 30
segundos. Lleva 18 segundos despachar la bandeja del almuerzo.
Trace un mapa de los eventos de llegada-salida en la escala de tiempo para los primeros cinco
estudiantes.
Muestreo a partir de distribuciones de probabilidad
La aleatoriedad en la simulacin surge cuando el intervalo, t, entre eventos sucesivos es
probabilista. Esta seccin presenta los mtodos para generar muestras aleatorias sucesivas
....) 2 , 1 ( t t t
a partir de una distribucin de probabilidad
) (t f
. Todos los mtodos se
fundamentan en el uso de nmeros aleatorios (0,1) uniformes, independientes y distribuidos
de forma idntica.
Mtodo de la inversa: Supongamos que se desea obtener una muestra aleatoria x de la
funcin densidad de probabilidad (continua o discreta)
). (x f
El mtodo inverso determina
primero una expresin de forma cerrada de la funcin densidad acumulada F(x) = P
} { x y
,
donde 0

f (x)

1 para todos los valores definidos de y. Dado que R es un valor aleatorio


que se obtiene de una distribucin uniforme 80,1) y suponiendo que F-1 es el inverso de F, los
pasos del mtodo son los siguientes.
Paso 1: Genere el nmero aleatorio (0,1) R
Paso 2: Calcule la muestra deseada x = F-1 (R)
La validez del procedimiento propuesto se basa en mostrar que la variable aleatoria
z
= F(X)
se distribuye de manera uniforme en el intervalo 0


1 z
, como lo prueba el siguiente
teorema.
Teorema. Dada la funcin de densidad acumulada F(X) de la variable aleatoria
x x1
, la variable aleatoria
1 0 ), ( z X F z
, tiene la siguiente funcin
densidad de probabilidad.
, 1 ) ( z f
0
1 z
que es una distribucin (0,1) uniforme.
Prueba: la variable aleatoria se distribuye de manera uniforme si, y solo si.
} { Z z P
=
, Z
0
1 Z
Este resultado se sigue directamente de las siguientes igualdades:
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
} { Z X F P ) (
=
} { Z X F P ) (
=
{ x P
F-1 (Z)
}
= F
[ ] ) (
1
Z F

= Z
De manera adicional, 0

1 porque 0
} { Z z P
1
Ejemplo 18.3-2 (DISTRIBUCIN EXPONENCIAL)
El tiempo t, entre llegadas de clientes a una peluquera se representa con una distribucin
exponencial con media

0 t , e ) t (
t -
>

f
Determine una muestra aleatoria t de f (t).
La funcin densidad acumulada se determina como
0 t , e - 1 dx e F(t)
t - x - t
0
>

Al igualar R = F ( t ) se puede despejar t, y se llega a


t = -

1
ln (1 R ) FRMULA DEL TIEMPO ENTRE LLEGADAS, ESTA ES LA FRMULA A
USAR EN LOS EJERCICIOS.
Como 1 R es el complemento de R, se reemplaza ln (1 R) con ln ( R ). PERO ALLI SE
OBTIENE EL COMPLEMENTO DEL TIEMPO.
En trminos de simulacin, el resultado significa que las ocurrencias de los eventos estn
espaciada t unidades de tiempo aparte. Por ejemplo, dada

= 4 clientes por hora y R = .9,


una muestra del periodo hasta la llegada del siguiente se calcula como

minutos 34.5 horas .577 9) - 1 ( In
4
1
-
1

,
_

t
IMPORTANTE.- Ntese que el texto, el ejemplo 18.3-2, resuelve con la frmula
( ) R t 1 ln
1

DE MODO QUE el conjunto de problemas 18.3B se podra resolver de forma


similar.
Mtodo de convolucin: La idea bsica del mtodo de convolucin es expresar la muestra
deseada como la suma estadstica de otras variables aleatorias fciles de muestrear. La
distribucin de Erlang y la de Poisson son tpicas, y es posible obtener muestras de las
correspondientes a la distribucin exponencial.
Ejemplo (Distribucin de Erlang)
La variable aleatoria m de Erlang se define como la suma estadstica (convoluciones) de m
variables aleatorias exponenciales independientes y distribuidas de forma idntica.
Representamos con y la variable aleatoria m de Erlang, entonces.

m
Y Y Y Y + + + .......
2 1
Donde y,
m i ,... 2 , 1
son variables aleatorias exponenciales independientes y distribuidas de
forma idntica, cuya funcin densidad de probabilidad se define como:
{ } decir. es tiempo; de unidades
1
t E

Nombre de la asignatura: Tcnicas de Simulacin


Parcial de estudio: Primero
y
e yi f


) (
, y
0 > i
,
m i ,..... 2 , 1
Del ejemplo, la
sima i
distribucin exponencial se muestrea como

,
_

1
yi
ln (R1),
m I ,.... 2 , 1
As, la muestra m de Erlang se calcula como:

,
_

1
y
) { ) ( 1 ..... ) 2 ( 1 ) 1 ( 1 Rm n R n R n + +
=
) .... 2 1 ( 1
1
Rm R R n

Para ilustrar el uso de la frmula supongamos que m = 3 y

= 4 eventos por hora. Los


primeros tres nmeros aleatorios en la columna 1 de la tabal 18- 1 dan R1R2R3 = (.0589)
(.6733) (.4799) = .0190, lo que produce y =
) horas n 991 . 019 (. 1
4
1

,
_

Ejemplo (Distribuciones de Poisson)


Si la distribucin entre la ocurrencia de eventos sucesivos es exponencial, entonces la
distribucin del nmero de eventos por unidad de tiempo deber ser de Poisson y viceversa.
Usamos esta relacin para muestrear la distribucin de Poisson.
Supongamos que la distribucin de Poisson tiene un valor medio de

eventos por unidad de


tiempo. Entonces el tiempo entre eventos es exponencial con media

1
unidades de tiempo.
Esto significa que una muestra de Poisson, n, ocurrir durante t unidades de tiempo, si, solo
si.
Periodo hasta que ocurre el evento n

. Periodo hasta que ocurre el evento n + 1.


Esta condicin se traduce a:
t1 + t2 + tn

+ t2 +...... tn + 1, n > 0
0

t1, n = 0
donde t1 es una muestra de la distribucin exponencial con media

1
. Del resultado del
ejemplo tenemos.
-

,
_

) ... 2 1 ( 1
1
Rn R R n

), 1 .... 2 1 ( 1
1
+

,
_

Rn R R n t

n > 0
0
), 1 ( 1
1
R n t

,
_

<

n= 0
que se reduce a:
t
e Rn R R

.... 2 1
> R1R2....Rn + 1, n > 0
1
t
e

> R1, n = 0
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
Para ilustrar la puesta en prctica del proceso de muestreo, suponga que

= 4 eventos por
hora y que deseamos obtener una muestra para un periodo t = .5 horas. Esto da
t
e

= .
1353. Usando estos nmeros aleatorios en la columna 1 de la tabla 18- 1, notamos que R1 = .
0589 es menos que
t
e

= .1353. Por tanto, la muestra correspondiente es n = 0.
Ejemplo (Distribucin normal)
El teorema del lmite central afirma que la suma (convolucin) de n variables aleatorias
independiente e idnticamente distribuida tiende a ser normalmente distribuida a medida que
n se hace lo suficientemente grande. Usamos este resultado para generar una muestra a partir
de una distribucin normal con media

y desviacin estndar

.
Defina
X = R1 + R2 +... + Rn
La variable aleatoria es asintticamente normal por el teorema del lmite central. Dado que el
nmero aleatorio uniforme. (0,1) R tiene una media de
2
1
y una varianza de
12
1
, se sigue que
x tiene una media de
2
n
y una varianza de
12
n
. As, una muestra aleatoria, y de una
distribucin normal con media

y desviacin estndar

, N
) ( +
, se calcula a partir de
x como:
+ y

,
_

12
2
n
n
x
En la prctica, tomamos n = 12 por conveniencia, lo que se reduce la frmula a:

) 6 ( + x y
Para ilustrar el uso de este mtodo, supongamos que se desea generar una muestra a partir
de una N (10,2) (media
10
y desviacin estndar
). 2
Tomando la suma de los
primeros 12 nmeros aleatorios en las columnas 1 y 2 de la tabla 18- 1, obtenemos x =
6.1094. As, y = 10 + 2(6.1094 6) = 10.2188.
La desventaja de este procedimiento es que requiere generar 12 nmeros aleatorios (0,1)
para cada muestra normal, lo cual es insuficiente para su clculo. Un procedimiento ms
eficiente requiere usar la transformacin.
X =
) ( ln 2
1
R
cos (2
2 R
)
Box y Muller (1958) probaron que x es una N (0,1) estndar. As, y =
x +
producir una
muestra a partir de N (
,
). El nuevo procedimiento es ms eficiente porque solo requiere
dos nmeros aleatorios (0,1).
Realmente, el mtodo de Box- Muller es an ms eficiente que lo afirmado porque probaron
que la frmula anterior producir otra muestra N (0,1). Simplemente remplazando cos (2
2 R
) con sen (2
2 R
). Esto significa que los dos nmeros aleatorios R1 y R2 se pueden usar para
generar dos muestras N (0,1) simultneas.
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
Para ilustrar la puesta en prctica del procedimiento Box- Muller a la distribucin normal N
(10,2), los primeros dos nmeros aleatorios en la columna 1 de la tabla 18-1 generan las
siguientes muestras N (0,1):
X1 =
) 0589 . 0 ( ln 2
coos (2
6733 . 0 x
)
4635 . 0
X2 =
) 0589 . 0 ( ln 2
sen (2
8861 . 0 ) 6733 . 0 x
De esta manera, las muestras N (10, 2) correspondientes son:
0730 . 9 ) 4635 . ( 2 10 1 + y
2278 . 9 ) 8861 . ( 2 10 2 + y
Generacin de nmeros aleatorios
Los nmeros aleatorios uniformes (0,1) juegan un papel clave en el muestreo de las
distribuciones. Los verdaderos nmeros aleatorios (0,1) solo se generan mediante dispositivos
electrnicos. Debido a que los modelos de simulacin se ejecutan en la computadora, el uso de
dispositivos electrnicos para generar nmeros aleatorios es demasiado lento para ese
propsito, Adems, los dispositivos electrnicos se activan por las leyes de posibilidad y, por
ello, ser importante duplicar la misma secuencia de nmeros aleatorios a voluntad. Este
punto es importante porque la correccin, verificacin y validacin del modelo de simulacin a
menudo requiere duplicar la misma secuencia de nmeros aleatorios.
El nico mtodo plausible para generar nmeros aleatorios (0,1) para uso en la simulacin se
basa en operaciones aritmticas. Estos nmeros no son ciertamente aleatorios porque pueden
generar con anticipacin. Por eso es ms apropiado referirse a ellos como nmeros
pseudoaletorios.
La operacin aritmtica ms comn para generar nmeros aleatorios (0,1) es el mtodo de
congruencia multiplicativa. Dado los parmetros

0, b, c y m, un nmero pseudoalearorio Rn
se genera de la frmula.
n

1
(

n
bu
+ c) mod. (m). n = 1,2,.....
n
R
=
,
m
u
n
n = 1,2,....
El valor inicial
0

generalmente se denomina como la semilla del generador.


Ejemplo.
Genere tres nmeros aleatorios basados en el mtodo de congruencia multiplicativa usando los
valores iniciales: b= 9, c = 5,
0

= 11, y m =12
6667 .
12
8
1 , 8 12 mod ) 5 11 9 ( 1 + R x
4167 .
12
5
2 , 5 12 mod ) 5 8 9 ( 2 + R x
1667 .
12
2
3 ; 2 12 mod ) 5 5 9 ( 3 + R x
Las selecciones especficas de

, b, c y m son cruciales para determinar la calidad


(estadstica) del generador as como su longitud del ciclo (antes de que la secuencia generada
se repita por s misma). Aplicaciones fortuitas de la frmula de congruencia no producirn
un buen nmero aleatorio generador. Los generadores confiables, adems de producir un ciclo
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
grande, tambin deben probarse estadsticamente para asegurar la secuencia obtenida se
genera a partir de distribuciones uniformes (0,1) independientes y distribuidas de forma
idntica. Este punto se debe tener en cuenta cuando se use software enlatado para nmeros
aleatorios generadores.
Actividades de aprendizaje
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
Actividad de aprendizaje 1.1.
Planteamiento
Del texto gua, captulo 17 (Papel de la distribucin exponencial), conjunto de
problemas 17.3A, resuelva el ejercicio 3.
Objetivo
Identificar los criterios tcnicos que determinan el papel de la distribucin
exponencial.
Orientaciones
didcticas
En la pgina 584 del texto gua Investigacin de operaciones de Hamdy Taha
encontrar el enunciado; para su resolucin, debe previamente estudiar el numeral
17.3 (Papel de la distribucin exponencial), pgina 582.
Esta metodologa es similar para el resto de actividades de aprendizaje.
Criterios de
evaluacin
Desarrollo 80%
Respuesta correcta 20%
Actividad de aprendizaje 1.2.
Planteamiento
Del texto gua, captulo 17 (Modelo de muertes pura), conjunto de problemas 17.4B,
resuelva el ejercicio 6, en forma manual y utilizando el programa TORA. Los datos
que all constan multiplquelos por 1,4.
Objetivo
Precisar la estrecha relacin de los criterios tcnicos incluidos en la distribucin
exponencial y la de Poisson.
Orientaciones
didcticas
En la pgina 591 del texto gua Investigacin de operaciones encontrar el
enunciado; para su resolucin, debe previamente estudiar el numeral 17.5 (Modelo
generalizado de cola de Poisson), pgina 593.
Esta metodologa es similar para el resto de actividades de aprendizaje.
Criterios de
evaluacin
Desarrollo 80%
Respuesta correcta 20%
Actividad de aprendizaje 1.3.
Planteamiento
Del texto gua, captulo 17 (Modelo generalizado de cola de Poisson), conjunto de
problemas 17.5A, resuelva el ejercicio 2. Los datos que all constan multiplquelos
por 2,5.
Objetivo Formular un modelo general de cola basndose en las hiptesis de Poisson.
Orientaciones
didcticas
En la pgina 593 del texto gua Investigacin de operaciones encontrar el
enunciado; para su resolucin, debe previamente estudiar desde la pgina 590 en
que el modelo tiene un lmite del sistema finito.
A ms de la resolucin manual, tambin puede enviar otra resolucin mediante TORA
y tendr UN PUNTO adicional a la nota.
Criterios de
evaluacin
Desarrollo 80%
Respuesta correcta 20%
Actividad de aprendizaje 1.4.
Planteamiento Del texto gua, del conjunto de problemas 17.4A, resuelva el ejercicio 4.

Objetivo
Complementar los conocimientos sobre las fuertes relaciones entre las distribuciones
exponencial y de Poisson.
Nombre de la asignatura: Tcnicas de Simulacin
Parcial de estudio: Primero
Puntaje por actividad
El tutor de la asignatura
Actividades de aprendizaje
Puntaje
Actividad de aprendizaje 1.1. 2
Actividad de aprendizaje 1.2. 3
Actividad de aprendizaje 1.3. 3
Actividad de aprendizaje 1.4. 2
Actividad de aprendizaje 1.5 2
Actividad de aprendizaje 1.6 3
Actividad de aprendizaje 1.7. 3
Actividad de aprendizaje 1.8. 2
Total 20
En caso de que en el examen sea estrictamente
necesaria la consulta de tablas, frmulas, esquemas o
grficos, estos sern incluidos como parte del examen
o en un anexo.
EL EXAMEN SER SIN CONSULTA.

Вам также может понравиться