Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Simulación
Andrés Ramos
Universidad Pontificia Comillas
http://www.iit.comillas.edu/aramos/
Andres.Ramos@comillas.edu
Índice
Elementos de la simulación
Software de simulación
Generación de variables aleatorias
Análisis de resultados
Análogo para M2
6. DISEÑAR EL EXPERIMENTO
Estrategias, pruebas, número de simulaciones,...
Técnicas de Reducción de 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
Tipos de Sistemas:
Continuos: Las variables de estado cambian de forma
continua con el tiempo
Discretos: Las variables de estado cambian en ciertos
instantes de tiempo
Elementos de la simulación
Software de simulación
Generación de variables aleatorias
Análisis de resultados
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:
TM : Reloj de simulación
DL : Tiempo entre llegadas =d F
DS : Tiempo de servicio =d G
TL : Instante de la próxima llegada
TS : Instante del próximo fin de servicio
SUMA: contador acumulando suma de áreas de clientes en el
sistema por tiempo de permanencia
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 Simulación - 29
Índice
Software de simulación
Análisis de resultados
Aleatoriedad
0 p1 p1+p2 p1+p2+p3 1
d i −1 i
D IS T R I B U C I Ó N E X P O N E N C I A L :
ln(1 − u ) d ln(u )
F ( x) = 1 − e −α x
x ≥ 0 (1 α M E D I A ) . U TAL Q UE F ( x ) = u x=− =− .
α α
D IS T R I B U C I Ó 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 ) )
− ( β x )α 1/ α 1/ α
F ( x) = 1 − e , 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 Simulación - 40
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 t e a c o ta d o (a ,b ). c ≥ max { f ( x ) : x ∈ ( a1 , a 2 )} .
P u n to u n ifo r m 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 itm o : 1 ) G e n e r a r u1 , u 2 U ( 0 ,1 )
C a l c u la r x = a + ( b − a ) u1 . C a lc u la 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 lc 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 )
Tablero de Galton
http://www.youtube.com/watch?v=AUSKTk9ENzg&feature=related
n
Método del Teorema Central del Límite
X1,..., Xnv.a.i.i.d media µ y desviación σ
∑X i − nµ D
i =1
→ N(0,1)
Aplicado a U(0,1): σ n n
n
n
∑ ui − 12
x = ∑ ui − 6
i =1 2
Con n=12, (12 pequeño)
n /12 i =1
Método de Box-Müller
• Algoritmo:
1) Generar u1, u2 U(0,1)
2) Salida: x = −2 ln u cos(2π u )
1 2
y = −2 ln u1 sen(2π u2 ) v.a.i.i.d. N(0,1)
Análisis de resultados
∑Y i ∑ 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)
Una multiplicación por 4 del número de muestras implica una disminución
del intervalo de confianza aproximadamente a la mitad
Precisión de la estimación de la media (coeficiente de
variación) S 2 (n )
β= n
Xn
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA
DEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL Simulación - 47
Tipos de muestreo (simulación)