Professional Documents
Culture Documents
SIMULACIN
DOCENTE:
ING. SIMN DVILA
CURSO:
3 CURSO 5 SEMESTRE A
AO LECTIVO:
2017 2018 (I Ciclo)
ndice
INTRODUCCIN DEL CONTENIDO ............................................... Error! Bookmark not defined.
OBJETIVO GENERAL .................................................................................................................... 6
RESUMEN DEL CONTENIDO ........................................................................................................ 8
SEMANA 1 ..................................................................................................................................... 9
1.1. INTRODUCCIN A LA SIMULACIN ................................................................................ 9
CONCEPTOS BSICOS DE SIMULACIN................................................................................ 10
BIBLIOGRAFA............................................................................................................................ 14
ANEXOS....................................................................................................................................... 15
1.2. CLASIFICACIN DE LOS DISTINTOS TIPOS DE SISTEMAS .......................................... 15
Modelos y su clasificacin ...................................................................................................... 16
TIPOS DE SISTEMAS............................................................................................................... 19
BIBLIOGRAFA............................................................................................................................ 22
ANEXOS....................................................................................................................................... 23
1.3. VENTAJAS Y DESVENTAJAS PARA ELABORAR MODELOS........................................... 24
VENTAJAS ............................................................................................................................... 24
DESVENTAJAS ........................................................................................................................ 25
EJEMPLOS DE VENTAJAS DE SIMULACIN .......................................................................... 26
BIBLIOGRAFA............................................................................................................................ 27
ANEXOS....................................................................................................................................... 28
SEMANA 2 ................................................................................................................................... 30
2.4. IMPORTANCIA DE LOS DATOS QUE SE INGRESAN EN UNA SIMULACIN ................ 30
BIBLIOGRAFA............................................................................................................................ 33
ANEXOS....................................................................................................................................... 34
2.5. HERRAMIENTAS ESTADSTICAS VARIABLE UNIFORME PARA TRABAJAR SOBRE
DATOS DE UNA SIMULACIN.................................................................................................... 35
BIBLIOGRAFA............................................................................................................................ 38
ANEXOS....................................................................................................................................... 39
2.6. DISTINTOS TIPOS DE SIMULACIN ............................................................................. 40
Modelos y su clasificacin ...................................................................................................... 42
TIPOS DE SISTEMAS............................................................................................................... 44
BIBLIOGRAFA............................................................................................................................ 48
ANEXOS....................................................................................................................................... 49
SEMANA 3 ................................................................................................................................... 51
3.7. APLICACIN DE LA VARIABLE UNIFORME .................................................................. 51
BIBLIOGRAFA............................................................................................................................ 53
ANEXOS....................................................................................................................................... 54
3.8. HERRAMIENTAS ESTADSTICAS VARIABLES ALEATORIAS DISCRETAS PARA
TRABAJAR SOBRE DATOS DE UNA SIMULACIN .................................................................... 55
BIBLIOGRAFA............................................................................................................................ 57
ANEXOS....................................................................................................................................... 58
3.9. APLICACIN DE LA VARIABLE DISCRETA ................................................................... 59
BIBLIOGRAFA............................................................................................................................ 61
ANEXOS....................................................................................................................................... 62
SEMANA 4 ................................................................................................................................... 64
4.10. HERRAMIENTAS ESTADSTICAS DE VARIABLE ALEATORIA BINOMIAL PARA
TRABAJAR SOBRE DATOS DE UNA SIMULACIN .................................................................... 64
BIBLIOGRAFA............................................................................................................................ 65
ANEXOS ...................................................................................................................................... 66
4.11. APLICACIN DE LA VARIABLE BINOMIAL ............................................................... 67
BIBLIOGRAFA............................................................................................................................ 69
ANEXOS....................................................................................................................................... 70
4.12. HERRAMIENTAS ESTADSTICAS VARIABLE ALEATORIA GEOMTRICA PARA
TRABAJAR SOBRE DATOS DE UNA SIMULACIN .................................................................... 71
BIBLIOGRAFA............................................................................................................................ 73
ANEXOS....................................................................................................................................... 74
SEMANA 5 ................................................................................................................................... 76
5.13. APLICACIN DE LA VARIABLE ALEATORIA GEOMTRICA.................................... 76
BIBLIOGRAFA............................................................................................................................ 79
ANEXOS....................................................................................................................................... 80
5.14. HERRAMIENTAS ESTADSTICAS DE LA VARIABLE ALEATORIA POISSON PARA
TRABAJAR SOBRE DATOS DE UNA SIMULACIN .................................................................... 81
BIBLIOGRAFA............................................................................................................................ 83
ANEXOS....................................................................................................................................... 84
5.15. APLICACIN DE LA VARIABLE ALEATORIA POISSON ............................................ 85
BIBLIOGRAFA............................................................................................................................ 87
ANEXOS....................................................................................................................................... 88
SEMANA 6 ................................................................................................................................... 90
6.16. COMPARAR LAS DISTINTAS DISTRIBUCIONES DE PROBABILIDAD ...................... 90
BIBLIOGRAFA............................................................................................................................ 97
ANEXOS....................................................................................................................................... 98
6.17. METODOLOGAS PARA ELABORAR MODELOS PARA SIMULAR ............................. 99
BIBLIOGRAFA.......................................................................................................................... 104
ANEXOS..................................................................................................................................... 105
6.18. IMPORTANCIA DE LOS DATOS QUE SE INGRESAN EN UNA SIMULACIN
DISCRETA ................................................................................................................................. 106
BIBLIOGRAFA.......................................................................................................................... 110
ANEXOS..................................................................................................................................... 111
SEMANA 7 ................................................................................................................................. 113
7.19. MOSTRAR CMO SE TRABAJA CON LOS DATOS ARROJADOS POR UNA
SIMULACIN DE COLAS ........................................................................................................... 113
BIBLIOGRAFA.......................................................................................................................... 116
ANEXOS..................................................................................................................................... 117
7.20. DIFERENTES MEDIDAS DE DESEMPEO DE UN SISTEMA DE COLA ................... 118
BIBLIOGRAFA.......................................................................................................................... 121
ANEXOS..................................................................................................................................... 122
7.21. MODELOS PARA SIMULACIN DE COLAS PARA RESOLVER PROBLEMAS REALES
123
BIBLIOGRAFA.......................................................................................................................... 127
ANEXOS..................................................................................................................................... 128
SEMANA 8 ................................................................................................................................. 130
8.22. MODELOS PARA SIMULACIN DE COLAS PARA RESOLVER PROBLEMAS REALES CON
2 SERVIDORES.......................................................................................................................... 130
BIBLIOGRAFA.......................................................................................................................... 135
ANEXOS..................................................................................................................................... 136
8.23. MODELOS PARA SIMULACIN DE COLAS PARA RESOLVER PROBLEMAS REALES CON
3 SERVIDORES.......................................................................................................................... 137
BIBLIOGRAFA.......................................................................................................................... 139
ANEXOS..................................................................................................................................... 140
8.24. COMPARAR LOS DISTINTOS TIPOS DE SERVIDORES ................................................... 141
BIBLIOGRAFA.......................................................................................................................... 145
ANEXOS..................................................................................................................................... 146
PRLOGO
Con el llegado de las computadoras, una de las ms importantes herramientas
de analizar el diseo y operacin de sistemas o procesos complejos de la
simulacin.
MISIN
La Universidad Agraria del Ecuador est conformada por un gran equipo de
trabajo que ao con ao traemos a la sociedad temas relacionados con
simulacin. Nuestra misin es impartir conocimientos relacionados con la
simulacin y conceptos relacionados.
VISIN
Interpretar los conceptos de simulacin y realizar prcticas para que los
estudiantes puedan fortalecer sus conocimientos sobre simulacin de sistemas.
RESUMEN DEL CONTENIDO
SISTEMA DE SISTEMA DE
UNIDAD TEMA SISTEMA DE CONOCIMIENTOS
HABILIDADES VALORES
Definicin de Simulacin
Tipos de Simulacin Entender los principios Honestidad:
bsicos de la Simulacin.
Ventajas y desventajas de la Sentido de
Introduccin a Identificar bajo qu
1 la Simulacin Simulacin
circunstancias se aplica una
pertenencia.
Ejemplos tpicos de aplicacin Simulacin conociendo sus Sentido del
de la Simulacin ventajas y desventajas deber
Sistemas y Modelos
Identificar las Distribuciones
Variable Uniforme y nmeros aleatorios que Dignidad:
Generacin Variable Aleatoria Discreta van a ser de importancia Compromiso
2 de Variables Variable Aleatoria Binomial para el comportamiento de con la sociedad.
Aleatorias Variable Aleatoria Geomtrica Simulacin. Solidaridad.
Variable Aleatoria Poisson Generar Variables Nacionalidad.
Aleatorias Discretas
Metodologa de la construccin
de Modelos de Simulacin de Creatividad y
Sistemas Discretos
Lenguajes Reconocer parmetros y Originalidad:
de Caractersticas generales de los
variables en un modelo. Observar
Lenguajes de Simulacin de
Simulacin Determinar los hechos, planear
Sistemas Discretos: la "Visin del
4 de parmetros y variables los sistemas,
Mundo" de un lenguaje de
Sistemas Simulacin del modelo a partir de clasificarlos,
Discretos Anlisis algortmico de las mediciones del objeto relacionarlos y
estrategias de Simulacin de bajo estudio. preparar
Sistemas Discretos exposiciones.
Un ejemplo de Lenguaje: GPSS
Identificar el avance
Generadores de simuladores, tecnolgico de la Sensibilidad:
Tendencias
entornos de simulacin y Simulacin. Comprender Amor a la
actuales de animacin grfica
5 la relacin de la profesin.
la
Simulacin visual interactiva Simulacin con la Compromiso
Simulacin
Simulacin e inteligencia artificial aparicin de otras social
ciencias.
SEMANA 1
1.1. INTRODUCCIN A LA SIMULACIN
http://simulacionkarla.blogspot.com/p/blog-page.html
ANEXOS
En otras palabras, un modelo debe ser tan simple que sea ventajoso trabajar
con l y no directamente sobre el mundo real, y que por otra parte las
conclusiones que se puedan extraer de su operacin sean tan confiables
como las derivadas de una experimentacin directa.
a) Descriptivos:
Son aquellos que solo proporcionan informacin acerca del estado de las
cosas, es decir, slo son una imagen.
b) Predictivos:
c) Normativos:
a) Icnicos:
En estos, los elementos y/o procesos de un sistema son sustituidos por los
elementos y/o procesos de otro sistema.
c) Simblicos:
a) Estticos:
b) Dinmicos:
En funcin a la incertidumbre:
a) Deterministas:
b) Probabilsticos:
4. Estimacin de parmetros
l) EL programa de computadora
3) La generacin de datos.
7. Anlisis de datos
Una vez obtenidos los datos de La simulacin, estos se deben analizar por
alguno de los dos mtodos siguientes:
TIPOS DE SISTEMAS
Modelos de simulacin esttica vs. Dinmica
Un modelo de simulacin esttica, se entiende como la representacin de un
sistema para un instante (en el tiempo) en particular o bien para representar
un sistema en el que el tiempo no es importante, por ejemplo la simulacin
Montecarlo; en cambio un modelo de simulacin dinmica representa a un
sistema en el que el tiempo es una variable de inters, como por ejemplo en el
sistema de transporte de materiales dentro de una fbrica, una torre de
enfriamiento de una central termoelctrica, etc...
Esttico
Son aquellos que no toman en cuenta, explcitamente, a la variable tiempo.
Ejemplo: costo para cantidad de camas reservadas (en un hospital)
Dinmico
Los modelos dinmicos son una representacin de la conducta dinmica de
un sistema, mientras un modelo esttico involucra la aplicacin de una sola
ecuacin, los modelos dinmicos, por otro lado, son reiterativos. Los modelos
dinmicos constantemente aplican sus ecuaciones considerando cambios de
tiempo.
Modelos de simulacin determinista vs estocstica
Si un modelo de simulacin no considera ninguna variable importante,
comportndose de acuerdo con una ley probabilstica, se le llama un modelo
de simulacin determinista. En estos modelos la salida queda determinada una
vez que se especifican los datos y relaciones de entrada al modelo, tomando
una cierta cantidad de tiempo de cmputo para su evaluacin. Sin embargo,
muchos sistemas se modelan tomando en cuenta algn componente
aleatorio de entrada, lo que da la caracterstica de modelo estocstico de
simulacin. Un ejemplo sera un sistema de inventarios de una fbrica, o bien el
sistema de lneas de espera de una fbrica, etc. Estos modelos producen una
salida que es en s misma de carcter aleatorio y sta debe ser tratada
nicamente para estimar las caractersticas reales del modelo, esta es una de
las principales desventajas de este tipo de simulacin.
Determinstico
En stos ni las variables exgenas, ni las endgenas, se obtienen por medio del
azar, debido a que se suponen relaciones exactas para las caractersticas de
operacin. Son variables con valores preestablecidos.
Es aquel en el cual se establecen las condiciones para que al ejecutar el
experimento se determine el resultado.
Estocstico
Los valores de sta o estas variables, se obtienen al azar.
Es aquel en el cual informacin pasada, no permite la formulacin de una
regla para determinar el resultado preciso de un experimento.
Modelos de simulacin continuos vs discretos
Los modelos de simulacin discretos y continuos, se definen de manera
anloga a los sistemas discretos y continuos respectivamente. Pero debe
entenderse que un modelo discreto de simulacin no siempre se usa para
modelar un sistema discreto. La decisin de utilizar un modelo discreto o
continuo para simular un sistema en particular, depende de los objetivos
especficos de estudio. Por ejemplo: un modelo de flujo de trfico en una
supercarretera, puede ser discreto si las caractersticas y movimientos de los
vehculos en forma individual es importante. En cambio si los vehculos pueden
considerarse como un agregado en el flujo de trfico entonces se puede usar
un modelo basado en ecuaciones diferenciales presentes en un modelo
continuo. Otro ejemplo: Un fabricante de comida para perros, requiere el
auxilio de una compaa consultora con el objeto de construir un modelo de
simulacin para su lnea de fabricacin, la cual produce medio milln de latas
al da a una velocidad casi constante. Debido a que cada una de las latas se
represent como una entidad separada en el modelo, ste resulto ser
demasiado detallado y por ende caro para correrlo, hacindolo poco til.
Unos meses ms tard, se hizo una reformulacin del modelo, tratando al
proceso como un flujo continuo. Este nuevo modelo produjo resultados
precisos y se ejecut en una fraccin del tiempo necesario por el modelo
original.
Discreto
El estado de los cambios en los modelos slo se da cuando esos eventos
ocurren.
La llegada de rdenes, o las partes que estn siendo ensambladas, as como
los clientes que llaman.
Una fbrica que ensambla partes es un buen ejemplo de un sistema de evento
discreto.
Las entidades individuales (partes) son ensambladas basadas en eventos
(recibo o anticipacin de rdenes).
Continuo
En modelos continuos, el cambio de valores se basa directamente en los
cambios de tiempo.
La simulacin continua es anloga a un depsito en donde el fluido que
atraviesa una caera es constante. El volumen puede aumentar o puede
disminuir, pero el flujo es continuo.
Fsico
Llamados as, debido a que se semejan al sistema en estudio.
Durante muchos aos, los ingenieros han usado modelos de tamao natural y
han reducido y puesto a escala a los mismos para probarlos. (NASA, lneas
areas comerciales).
Anlogos
Los modelos anlogos poseen algunas propiedades similares a los objetos
representados pero sin ser una rplica morfolgica de los mismos.
Un ejemplo de un modelo anlogo es un mapa impreso que se construye
mediante un conjunto de convenciones cartogrficas que conducen a un
resultado final claramente distinto del objeto representado.
Mediante esta transformacin se persigue hacer legibles propiedades tales
como altitud, distancia, localizacin fsica de objetos geogrficos, sus
relaciones importancia.
Simblicos
Los modelos simblicos se construyen mediante reglas notablemente ms
abstractas ya que esta denominacin suele aplicarse a los casos en los que el
objeto real se representa mediante una codificacin matemtica.
Un ejemplo de modelo simblico es la representacin de un edificio mediante
la identificacin y codificacin en una estructura geomtrica de sus elementos
bsicos.
El modelo as construido permite la aplicacin de algoritmos para, por
ejemplo, la estimacin de esfuerzos a los que est sometido.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206
http://simulacionkarla.blogspot.com/p/blog-page.html
ANEXOS
1.3. VENTAJAS Y DESVENTAJAS PARA ELABORAR
MODELOS
La tcnica de simulacin de sistemas se ha extendido rpidamente en los
ltimos aos a las diferentes reas. Sin embargo, debe aclararse que aunque
existen varias razones para su utilizacin, esta no siempre es la mejor
alternativa. El investigador, debe en principio de acuerdo a sus objetivos,
ponderar la conveniencia y/o desventajas de echar mano de esta
herramienta. Si el contexto del problema es el adecuado para la aplicacin
de tcnicas distintas, deben estas considerarse como prioritarias. Diversos
autores han analizado las posibles ventajas de su utilizacin, algunas de las
razones que ms se han mencionado son:
VENTAJAS
a) La simulacin permite estudiar y/o experimentar con sistemas, cuyo grado
de complejidad es muy variado.
DESVENTAJAS
Por otra parte, tambin pueden mencionarse algunas desventajas de la
simulacin:
http://simulacionkarla.blogspot.com/p/blog-page.html
https://simulaciondeprocesosempresariales9.wordpress.com/2011/02/21/
conceptos-basicos-de-simulacion/
ANEXOS
SEMANA 2
2.4. IMPORTANCIA DE LOS DATOS QUE SE INGRESAN
EN UNA SIMULACIN
Los elementos que forman parte del sistema vienen condicionados por el
objetivo del estudio que se pretende realizar, ya que un sistema definido para
un estudio determinado puede ser una parte de un sistema ms amplio
definido para otro estudio particular. Por ejemplo, si se quiere determinar cul
es el nmero ms adecuado de operarios y mquinas en la seccin de
mecanizado de una empresa que tiene una determinada cartera de pedidos,
estos elementos sern los que formen parte del sistema a analizar, mientras
que, si lo que se desea es estudiar la capacidad productiva de la empresa, los
elementos mencionados anteriormente slo sern una parte del sistema.
Variables aleatorias
Una de las caractersticas ms notables de la simulacin es la existencia de
fenmenos no deterministas que se deben representar mediante variables
aleatorias.
De una variable determinista se sabe con certeza el valor que toma. Por el
contrario, de una variable aleatoria no se sabe con certeza el valor que toma,
pero se conoce que puede tomar valores dentro de un determinado rango,
de tal manera que existe una determinada probabilidad de que la variable
tome un determinado valor dentro de dicho rango o se conoce la
probabilidad de que dicha variable tome un valor determinado o uno menor
que dicho valor.
Uniforme
Exponencial
Gamma
Weibull
Normal
Normal-logartmica
Beta
Triangular
Uniforme, U (a, b)
En otras palabras, un modelo debe ser tan simple que sea ventajoso trabajar
con l y no directamente sobre el mundo real, y que por otra parte las
conclusiones que se puedan extraer de su operacin sean tan confiables
como las derivadas de una experimentacin directa.
a) Descriptivos:
Son aquellos que solo proporcionan informacin acerca del estado de las
cosas, es decir, slo son una imagen.
b) Predictivos:
c) Normativos:
a) Icnicos:
b) Analgicos:
En estos, los elementos y/o procesos de un sistema son sustituidos por los
elementos y/o procesos de otro sistema.
c) Simblicos:
a) Estticos:
b) Dinmicos:
En funcin a la incertidumbre:
a) Deterministas:
b) Probabilsticos:
TIPOS DE SISTEMAS
Modelos de simulacin esttica vs. Dinmica
Esttico
Dinmico
Determinstico
En stos ni las variables exgenas, ni las endgenas, se obtienen por medio del
azar, debido a que se suponen relaciones exactas para las caractersticas de
operacin. Son variables con valores preestablecidos.
Estocstico
Discreto
Continuo
Fsico
Anlogos
En ciertos casos es til simular el muestreo de una variable aleatoria con una
distribucin dada. El muestreo de Montecarlo es un procedimiento general
para obtener muestras aleatorias de cualquier tipo de variable (discreta o
continua) si su funcin de distribucin es conocida o se puede calcular. De
hecho, todas las muestras artificiales de Statmedia han sido generadas a
travs del mtodo de Montecarlo.
Supongamos que queremos generar una muestra procedente de una variable
aleatoria X con funcin de distribucin F(x). El proceso comprende los
siguientes pasos:
1. Obtener un valor aleatorio y entre cero y uno. Es decir, obtener una
muestra de una distribucin Uniforme entre cero y uno. La mayora de
lenguajes de programacin incorporan un generador de este tipo.
2. Considerar el valor obtenido como el valor de la funcin de distribucin
a generar: y = F(x).
3. El valor x = F 1 (y) (la inversa de la funcin de distribucin en el punto y)
es un valor procedente de la distribucin de la que desebamos
generar la muestra.
4. Si queremos obtener una muestra con n individuos debemos repetir los
pasos anteriores n veces.
Generacin de una muestra uniforme procedente de una distribucin Binomial
Supongamos que queremos simular el experimento de contar el nmero de
caras obtenidas en 5 lanzamientos de una moneda trucada con probabilidad
de cara igual a 0,75. Es decir, queremos obtener una muestra de una
distribucin Binomial con n = 5 y p = 0,75.
Estas tareas son especialmente importantes por las siguientes razones:
En primer lugar, para que el nivel de detalle del modelo sea el adecuado.
No conviene que el detalle sea tan pobre que no se pongan de manifiesto
los fenmenos relevantes del sistema, pero tampoco es interesante que el
nivel de detalle sea mayor del necesario. En el primer caso, aunque el
desarrollo pueda ser no muy costoso, los resultados sern poco fiables y el
modelo intil. En el segundo, el nivel de detalle puede no aportar
informacin adicional interesante, implicar casi con toda seguridad un
tiempo total de desarrollo mayor y, finalmente, se traducir en un modelo
informtico ms lento.
En segundo lugar, la definicin clara de los objetivos y la definicin precisa
del problema facilita la generacin de alternativas potencialmente ms
interesantes y evita el estudio de alternativas menos atractivas.
Finalmente, permite establecer las variables de salida adecuadas, para
evaluar de forma correcta la eficacia y la eficiencia del sistema en
diferentes circunstancias, adems de facilitar que su estudio en trminos
estadsticos sea el adecuado.
NMEROS ALEATORIOS ENTEROS. Es una observacin aleatoria de una
distribucin uniforme sincretizada en el intervalo n, n+1 Por lo general,
n =0 1 donde estos son valores convenientes para la mayora de las
aplicaciones
NMEROS ALEATORIOS UNIFORMES. Es una observacin aleatoria a partir de
una distribucin uniforme (continua) en un intervalo [a, b]
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=11322649
&ppg=3
Variables aleatorias
Los ordenadores pueden simular probabilidades y variables aleatorias
numricamente.
Aplicaciones:
De una variable determinista se sabe con certeza el valor que toma. Por el
contrario, de una variable aleatoria no se sabe con certeza el valor que toma,
pero se conoce que puede tomar valores dentro de un determinado rango,
de tal manera que existe una determinada probabilidad de que la variable
tome un determinado valor dentro de dicho rango o se conoce la
probabilidad de que dicha variable tome un valor determinado o uno menor
que dicho valor.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=11322649
&ppg=3
De una variable determinista se sabe con certeza el valor que toma. Por el
contrario, de una variable aleatoria no se sabe con certeza el valor que toma,
pero se conoce que puede tomar valores dentro de un determinado rango,
de tal manera que existe una determinada probabilidad de que la variable
tome un determinado valor dentro de dicho rango o se conoce la
probabilidad de que dicha variable tome un valor determinado o uno menor
que dicho valor.
Discreto
Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son
posibles dos resultados. A uno de estos se denomina xito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 -
p.
Para representar que una variable aleatoria X sigue una distribucin binomial
de parmetros n y p, se escribe:
~ (, )
Ejemplos.
Experimento Binomial
Cul de stas es la que uno llama "la" distribucin geomtrica, es una cuestin
de convencin y conveniencia.
( = ) = (1 )1
( = ) = (1 )
Ejemplo:
menos que n = 1.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206
Cul de stas es la que uno llama "la" distribucin geomtrica, es una cuestin
de convencin y conveniencia.
( = ) = (1 )1
( = ) = (1 )
Ejemplo:
() = , () =
() = , () =
() = () = , || < ( )
( ) ( )
EJEMPLO 1
Datos: Solucin:
x = 15 (, ) = ( )
p = 0,05 ( = 15) = 0.05(1 0.05) 151
q = 0,95 ( = 15) = 0.05(0.95) 14
( = 15) = 0.0244
Respuesta:
La probabilidad de que falle por primera vez en su dcimo quinto disparo es
de 2.44%.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206
(; ) =
!
Dnde:
= , = (. ) =
(; ) = = .
!
Procesos de Poisson
E[x] = 1p + 0q = p;
V[x] = p p = p (1-p) = p q.
Ejemplo: El 10% de los trabajadores del pas est desempleado, Cul es
la probabilidad de seleccionar un individuo al azar y est
desempleado?
X = 1 Desempleado p = 0,1
p(x=1)=0,1
As, por tanto, sea X una variable aleatoria discreta, se dice que se
distribuye como una distribucin binomial de parmetros (n,p). Siempre
se debe de verificar que n>1 y que p tome valores entre 0 y 1.
As, por tanto, sea X una variable aleatoria discreta, se dice que se
distribuye como una distribucin de Poisson,
X P (),
Ejemplo: Una central telefnica recibe una media de 480 llamadas por
hora. Si el nmero de llamadas se distribuye segn una Poisson y la
central tiene una capacidad para atender a lo sumo 12 llamadas por
minuto, cul es la probabilidad de que en un minuto determinado no
sea posible dar lnea a todos los clientes?
X U (a, b);
Introduccin
Las variables aleatorias son los instrumentos matemticos destinados a
representar los resultados de un determinado experimento aleatorio.
Para ello se requiere asignar a cada elemento del espacio de las
muestras un nmero. El resultado de dicha asignacin es una funcin
matemtica llamada variable aleatoria. As, si el experimento es lanzar
una moneda y observar si sale cara o cruz, podemos asignar un 1 a la
cara y un 0 a la cruz y tendremos una variable aleatoria.
Evidentemente esta asignacin es en s misma aleatoria, podramos
asignar cualesquiera otros dos nmeros distintos. En muchos
experimentos cientficos la variable aleatoria asociada surge de manera
natural. Por ejemplo si el experimento consiste en contar el nmero de
bacterias en un cierto cultivo de hora en hora, la variable tomar como
valores el nmero de cada recuento. Si se trata de medir la temperatura
en una cierta estancia, la variable tomar los valores de dichas lecturas
de temperatura.
Las variables aleatorias se dividen en discretas, si toman valores discretos
de un cierto conjunto, y continas, si toman valores en un rango
continuo. Como cada suceso tiene asignado un cierto valor de la
variable aleatoria, es equivalente hablar de probabilidades para los
sucesos y para los valores que toma la variable aleatoria.
Esta asignacin de probabilidades se realiza mediante una funcin
llamada de densidad de probabilidad. Definida para variables discretas
como:
() = ( = )
Distribuciones continuas
Las variables aleatorias continuas son las que pueden tomar cualquier
valor de entre el infinito nmero de valores de un intervalo. Por este
motivo resulta imposible asignar probabilidad a cada uno de los valores
particulares de forma que la suma sea 1, ya que se tienen infinitos
sumandos, y se ha de recurrir al concepto de integral.
Una variable aleatoria continua, existe una funcin f(t) llamada funcin
de densidad de probabilidad, de manera que la probabilidad de
obtener valores en un intervalo viene dada por:
De entre las distribuciones continuas, la distribucin normal es, con
mucho, la ms importante de todas y, adems, la mayor parte de las
distribuciones continuas se deducen de combinaciones normales.
Matlab dispone las funciones de densidad de las distribuciones
continuas ms usuales: Normal, Exponencial, chi-cuadrado, T de Student
y F de Snedecor.
Normal
Chi-cuadrado
T de Student
F de Snedecor
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206
SIMULACIN DE PROCESOS
Simulacin es la imitacin de la operacin de un proceso del mundo
real o de un sistema en el tiempo1 o definido de otra forma, la
simulacin es una tcnica, donde un modelo, tal como una hoja de
clculo, es iterado con diferentes valores de entrada, con la intencin
de conseguir una completa representacin de todos los escenarios
que podran ocurrir en una situacin incierta.
Los elementos que forman parte del sistema vienen condicionados por
el objetivo del estudio que se pretende realizar, ya que un sistema
definido para un estudio determinado puede ser una parte de un
sistema ms amplio.
Descripcin
Los elementos que forman parte del sistema vienen condicionados por
el objetivo del estudio que se pretende realizar, ya que un sistema
definido para un estudio determinado puede ser una parte de un
sistema ms amplio.
Los modelos de lneas de espera de la IO, no optimizan una funcin de
efectividad como lo hacen los modelos de programacin matemtica,
sin embargo, los resultados que arrojan estos modelos pueden utilizarse
para costear la operacin por este rubro, del sistema.
Descripcin
Medidas de desempeo
Cualquier sistema de colas pasa por dos fases bsicas. Por ejemplo,
cuando el banco abre en la maana, no hay nadie en el sistema, de
modo que el primer cliente es atendido de forma inmediata. Conforme
van llegando ms clientes, lentamente se va formando la cola y la
cantidad de tiempo que tienen que esperar se empieza a aumentar. A
medida que avanza el da, el sistema llega a una condicin en la que el
efecto de la falta inicial de clientes ha sido eliminado y el tiempo de
espera de cada cliente ha alcanzado niveles bastante estables.
SIMULACIN EN EXCEL
El siguiente paso ser construir una tabla que simular los procesos de
llegada de diez coches y la limpieza de los mismos. Sea X la variable
que mide el tiempo entre llegadas, tal y como se ha expuesto
anteriormente, la distribucin que mejor ajusta corresponde con una
distribucin de
Por tanto, se obtendrn diez valores aleatorios en Excel uno por cada
vehculo que llega y posteriormente, mediante la frmula anterior, se
obtendr un valor de llegada de los diferentes vehculos.
Caractersticas de los Sistema de Colas
En cualquier caso dos son las situaciones generales en las que trabajar.
En la primera, llamada en ingls preemptive, si un cliente llega a la
cola con una orden de prioridad superior al cliente que est siendo
atendido, este se retira dando paso al ms importante. Dos nuevos
subcasos aparecen: el cliente retirado ha de volver a empezar, o el
cliente retorna donde se haba quedado. La segunda situacin es la
denominada no-preemptive donde el cliente con mayor prioridad
espera a que acabe el que est siendo atendido.
Capacidad del sistema: En algunos sistemas existe una limitacin
respecto al nmero de clientes que pueden esperar en la cola. A estos
casos se les denomina situaciones de cola finitas. Esta limitacin puede
ser considerada como una simplificacin en la modelizacin de la
impaciencia de los clientes.
Ejemplos
Personas esperando por un servicio (bibliotecas, bancos, gasolineras,
urgencias en hospital, . . . )
Maquinas esperando por una reparacin, piezas de un producto
esperando a ser ensambladas.
Programas de ordenador esperando a ser ejecutados por un
procesador.
Informacin de internet esperando en un nodo para ser transferida a
su destino.
Aviones esperando a despegar o aterrizar.
Las variaciones en un sistema de colas pueden ser mltiples. Solo se
pueden resolver de forma analtica un conjunto reducido de sistemas.
Los clientes se caracterizan por los intervalos de tiempo que separan sus
llegadas.
El servicio se caracteriza por el tipo y tiempo de servicio, adems de por
el nmero de servidores. El tipo de servicio o disciplina representa el
orden en el que los clientes se seleccionan de la cola.
Las llegadas de clientes pueden ser deterministas o aleatorios (en este
caso se modelan mediante una distribucin estadstica).
Los tiempos de servicio tambin pueden ser deterministas o aleatorios
(distribucin estadstica).
Analisis de sistemas de colas
Notacin de Kendall: Las caractersticas del sistema se especifican por
los smbolos: A/B/s/k/t/d/
Donde A y B denotan las distribuciones de los tiempos entre llegadas y
de servicio, respectivamente. s denota el nmero de servidores en
paralelo o canales, k denota la capacidad del sistema, t denota el
tamao de la fuente de entrada, y d es la disciplina de la cola.
Simulacin con un nico servidor
Por ejemplo, un sistema que se describe como M/M/1///FCFS
tasa de llegadas.
tasa de servicio.
s numero de servidores.
Simulacin con dos servidores
MODELO M / M / S
Caractersticas
P (Sistema ocupado) =
Y lo podemos calcular por medio de la siguiente ecuacin:
P (Sistema ocupado) =
Con las ecuaciones anteriores podemos calcular los dems datos que
requiera el sistema. En el modelo M / M / S, al igual que el modelo M / M
/ 1, se tiene que L = Lq + r, pero aqu utilizaremos el valor P (sistema
ocupado) para calcular Lq:
Lq = P (sistema ocupado) x
MODELO M / M / 1/ k
Donde:
Pn = Probabilidad de que haya n paquetes en el sistema,
Los clientes se caracterizan por los intervalos de tiempo que separan sus
llegadas.
El servicio se caracteriza por el tipo y tiempo de servicio, adems de por
el nmero de servidores. El tipo de servicio o disciplina representa el
orden en el que los clientes se seleccionan de la cola.
Las llegadas de clientes pueden ser deterministas o aleatorios (en este
caso se modelan mediante una distribucin estadstica).
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206