Professional Documents
Culture Documents
Begoña Vitoriano
bvitoriano@mat.ucm.es
Universidad Complutense de Madrid
Índice
Elementos de la simulación
Metodología de un estudio de simulación
Generación de variables aleatorias
Software de simulación
Análisis de resultados
Análogo para M2
Tipos de Sistemas:
9 Continuos: Las variables de estado cambian de forma
continua con el tiempo
9 Discretos: Las variables de estado cambian en ciertos
instantes de tiempo
¾ Elementos de la simulación
0 s1 s2 s3
• Ventajas:
– los periodos de inactividad son saltados → MENOR TIEMPO DE
EJECUCIÓN
– tiene en cuenta instantes exactos (no error)
Programa principal
Actualizar estado
Actualizar contadores
2 Llamar
rutina evento
Generar futuros eventos y
actualizar lista de eventos
Rutina evento i
¿Fin de NO
Regla de parada
simulación?
SI
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
...
Otras variables:
9 TM : Reloj de simulación
9 DL : Tiempo entre llegadas =d F
9 DS : Tiempo de servicio =d G
9 TL : Instante de la próxima llegada
9 TS : Instante del próximo fin de servicio
9 SUMA: contador acumulando suma de áreas de clientes en el
sistema por tiempo de permanencia
9 TANT : Variable auxiliar (Instante de último evento)
NO ¿N>1? SI Llegada
Volver
1. Variables de estado
Generar DS N=N+1
TS=TM+DS
2. Actualizar próximos eventos:
Si N=1, Generar DS, poner TS=TM+DS.
Generar DL
TL=TM+DL Generar DL, poner TL=TM+DL
3. Actualizar contadores y auxiliares
SUMA=SUMA+(N-1)(TM-TANT) Poner SUMA=SUMA+(N-1)(TM-TANT)
Poner TANT=TM
Volver 4. Volver
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA
DEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL Modelos matemáticos de simulación - 26
Índice
6. DISEÑAR EL EXPERIMENTO
Estrategias, pruebas, número de simulaciones,...
Técnicas de Reducción de la Varianza
7. LLEVAR A CABO LAS EJECUCIONES DE SIMULACIÓN
8. ANALIZAR LOS RESULTADOS
Muestra simulada → Análisis estadístico
NO
9. DECIDIR SI DAR POR TERMINADA LA SIMULACIÓN
10. DOCUMENTAR Y ORGANIZAR LAS EJECUCIONES
Software de simulación
Análisis de resultados
Aleatoriedad
i −1 i
si ∑ pk ≤ u < ∑ pk o sea,
d
Generar u =U (0,1) , X = xi Fx ( xi−1 ) ≤ u < Fx ( xi )
k =1 k =1
Ejemplo: F (x )
⎧0 con prob p1 = 0.1 1
⎪1 con prob p2 = 0.2
0.8
⎪
X =⎨
⎪2 con prob p3 = 0.5
0.3 0 1 2 3
⎪⎩3 con prob p4 = 0.2 0.1
0 1 2 3
9 U= 0.27, 0.54, 0.06, 0.89, 0.15, x = 1, 2, 0, 3, 1
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA
DEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL Modelos matemáticos de simulación - 34
Generación de variables aleatorias continuas
.
3 ) G E N E R A C IÓ N V A R IA B L E S A L E A T O R IA S A B S . C O N T IN U A S
M É T O D O D E L A T R A N S F O R M A C IÓ N IN V E R S A
X V .A . F U N C IÓ N D E D IS T R IB U C IÓ N A C U M U L A D A E S F ( x ) = P { x ≤ X } .
G E N E R A R U U (0 ,1 ), Y D E T E R M IN A R A N T IIM A G E N , X T A L Q U E F ( x ) = u .
D IS T R IB U C IÓ N E X P O N E N C IA L :
ln(1 − u ) d ln(u )
F ( x) = 1 − e −α x
x ≥ 0 (1 α M E D I A ) . U TAL QUE F ( x ) = u x=− =− .
α α
D IS T R IB U C IÓ N U N IF O R M E E N ( a , b ) :
x−a
F ( x) = S I x ∈ ( a , b ) . U T A L Q U E F ( x ) = u , S E T IE N E Q U E x = a + (b − a )u .
b−a
1 α
D IS T R IB U C IÓ N W E IB U L L (α , β ) : (M E D IA Γ (1/ α ) Y D E N S ID A D f ( x ) = αβ α xα −1e − ( β x ) , x ≥ 0 )
αβ
1 d 1
( − ln(1 − u ) ) ( − ln(u ) )
α 1/ α 1/ α
F ( x ) = 1 − e − ( β x ) , x ≥ 0 . U T A L Q U E F ( x ) = u , S E T IE N E x= = .
β β
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA
DEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL Modelos matemáticos de simulación - 35
Generación de variables aleatorias continuas
M É T O D O D E A C E P T A C IÓ N - R E C H A Z O : M É T O D O S IM P L E D E R E C H A Z O
X v . a . d e n s id a d f(x ) s o p o r te a c o ta d o (a ,b ) . c ≥ max { f ( x ) : x ∈ ( a1 , a 2 )} .
P u n to u n ifo rm e (a ,b )x (0 ,c ), s i p o r e n c im a d e la c u r v a r e c h a z a r , s i n o , a c e p ta r
A lg o r it m o : 1 ) G e n e r a r u1 , u 2 U ( 0 , 1 )
C a l c u l a r x = a + ( b − a )u1 . C a l c u l a r y = cu 2
2 ) C a lc u la r f ( x ) . S i y > f ( x ) ir a 1 )
3 ) S a lid a : X f ( x)
1
P (Aceptar un valor dado por ( x1 , y1 )) = ⇒ c = max { f ( x ) : x ∈ ( a , b )}
c (b − a )
E je m p lo : F (X )
⎧x 0 ≤ x ≤1
⎪
f ( x ) = ⎨ 1 − ( x − 1) 1≤ x ≤ 2
⎪0 fuera de [ 0,2 ]
⎩ 0 1 2
d d
1 ) G e n e r a r r1 = U (0,1) y r2 = U (0,1) . C a l c u l a r x = 2 r1 e y = r2
2 ) A c e p t a r x s i r2 ≤ f ( x ) , s i n o , r2 > f ( x ) y v o lv e r a l p a s o 1 )
n /12
2
Con n=12, ∑u
i =1
i −6 (12 pequeño)
9 Método de Box-Müller
• Algoritmo:
1) Generar u1, u2 U(0,1)
2) Salida: x = −2ln u cos(2π u ) y = −2 ln u1 sen(2π u2 ) v.a.i.i.d. N(0,1)
1 2
¾ Software de simulación
Análisis de resultados
¾ Análisis de resultados
∑ Yi ∑ i
(Y − Y ) 2
Y ± tn −1,α / 2
S
Y= i =1
S =2 i =1
n
n n −1
(De 100 intervalos confiamos en que en al menos α % estará la media)
Muestreo de dimensión fija:
9 n fijado antemano → precisión la que resulte
Muestreo secuencial:
9 precisión fijada antemano (anchura del intervalo) → tamaño de muestra
indeterminado (fijar y si no se alcanza precisión, seguir)
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA
DEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL Modelos matemáticos de simulación - 44
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA
DEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL
Begoña Vitoriano
bvitoriano@mat.ucm.es
Universidad Complutense de Madrid
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA
DEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL Modelos matemáticos de simulación - 45