Professional Documents
Culture Documents
S I M U L A C I N
DEFINICIN DE SIMULACIN
Viene a ser la reproduccin artificial de un sistema en sus relaciones de entrada y salida (a
travs de variables aleatorias), implementadas en un programa de una PC.
Esta tcnica numrica permite realizar experimentos de una PC. de programas matemticos
y lgicos que describen el comportamiento de un sistema (manufactura, negocios, casos
sociales, etc.) a travs de grandes perodos de tiempo.
2.
3.
4.
5.
6.
7.
8.
9.
RECOLECCIN Y
PROCESAMIENTO
DE DATOS
FORMULACIN DEL
PROBLEMA MATEM.
ESTIMACIN DE
LOS PARMETROS
EVALUACIN
DEL MODELO
FORMULACIN DEL
PROGRAMA
VERIFICACIN
DISEO DE
EXPERIMENTOS
ANLISIS DE DATOS
DE LA SIMULACIN
1.
2.
REALIDAD
El lector quiz argir legtimamente, que una discusin sobre los requisitos para procesar
los datos en experimentos de simulacin, tendra que preceder a nuestros comentarios sobre
la formulacin del problema, por ser simplemente posible formular un problema o un
conjunto de objetivos para un experimento, sin tener acceso adecuado a la informacin
(cuantitativa o de otra clase) acerca del sistema que se investiga.
Aunque nuestra intencin no es enfrascarnos en una amplia discusin sobre el procesamiento
de datos, intentaremos bosquejar algunos de los problemas ms importantes que se
encuentran al recolectar y reducir los datos a una forma ms apropiada, para ser utilizados en
los experimentos de simulacin. Existen, por lo menos, cinco razones es necesario disponer
de un sistema eficiente para el procesamiento de datos, que permitan alcanzar el xito al
realizar los experimentos de simulacin.
3.
2.
3.
4.
a.
b.
c.
d.
2.
a.
b.
5.
Es necesario hacer un juicio inicial de la suficiencia de nuestro modelo una vez que
formulamos un conjunto de modelos matemticos que describen el comportamiento de
nuestro sistema econmico y estimamos los parmetros de sus caractersticas operacionales
sobre la base de las observaciones tomadas del mundo real; es decir debemos probar el
modelo. Es claro que seran pocos los beneficiados que se obtendran con la utilizacin de un
modelo inadecuado para realizar experimentos de simulacin en computadora, ya que
estaramos solamente simulando nuestra propia ignorancia.
Este paso representa solo la primera etapa de la prueba de un modelo de simulacin previa a
las corridas en la computadora por lo que en este punto nuestro inters reside en probar las
suposiciones o entradas que se programarn en la computadora.
En el caso de que las caractersticas operacionales toman la forma de distribucin de
probabilidad, ser necesario aplicar pruebas de bondad de ajuste que determinan qu tan bien
se ajusta una distribucin hipottica de probabilidad a los datos del mundo real de los cuales
se ha derivado. Deseamos tambin la importancia estadstica de nuestras estimaciones de los
valores esperados, variancias y otros parmetros de estas distribuciones de probabilidad.
Estas pruebas podran comprender.
1.
2.
3.
b.
b.
Pruebas F
b.
c.
Tablas de contingencia
d.
4.
6.
Pruebas no paramtricas
a.
b.
c.
La prueba de la mediana.
d.
La Prueba U
e.
Pruebas de corridas
f.
Diagrama de flujo.
2.
Lenguaje de la Computadora
a.
b.
3.
Bsqueda de errores
4.
5.
Generacin de datos.
6.
Reportes de salida
10
el FROTRAN, ALGOL, COBOL, o PL/I o bien emplear uno de los lenguajes de simulacin
de propsitos especiales como el GPSS, SIMSCRIPT, GASP, SIMPAC, DYNAMO o
PROGRAM SIMULATE, ARENA.
7.
VALIDACION
8.
Una vez que estemos satisfechos con la validez de nuestro modelo para la computadora,
estaremos en posibilidad de considerar su uso para dirigir efectivamente, los experimentos
de simulacin. De hecho como ya hemos definido nuestro problema experimental las
variables endgenas y los factores deberemos interesarnos por los detalles del diseo
experimental.
En esta fase es posible identificar dos metas importantes: en primer lugar seleccionaremos
los niveles de los factores y las combinaciones de niveles, as como el orden de los
experimentos. En seguida y una vez que seleccionemos nuestras combinaciones de factores,
debemos de esforzarnos pro asegurar que los resultados queden libres de errores fortuitos.
9.
2.
11
3.
An cuando el anlisis de los datos simulados es de hecho semejante al anlisis de los datos
del mundo real. Existen algunas diferencias importantes.
12
2.
3.
2.
3.
4.
Ser reproducibles.
5.
6.
Observacin:
a.
X U n ifo rm e (0,1)
f ( x ) 1,
f(x)
1
0 x 1
x
13
b.
1
ba
1
, axb
ba
xa
F(x)
1
; a xb
;
xb
Tambin:
2
14
con
n = 0, 1, .., m-1
Donde:
Xo = Semilla (Xo > 0)
a = multiplicador (a>0)
c = constante aditivo (c>0)
m= mdulo (m> Xo, m>a, m>c)
Ejemplo. Sea el siguiente generador congruencial:
Xn+1 = (5n + 7) mod 8; Xo= 4, genere los Ns As y determine su perodo.
Solucin:
n
Xn
(5Xn+7)/ 8
X n+1
NsAs
X0=4
3 + 3/8
3/8
X1=3
2 + 6/8
6/8
X2=6
4 + 5/8
5/8
X3=5
4 + 0/8
0/8
7/8
7/8
6 + 2/8
2/8
2 + 1/8
1/8
1 + 4/8
4/8
3 + 3/8
3/8
2 + 6/8
6/8
Periodo = 8
15
an 1
X n 1 a n X 0 c
mod .m
a 1
con
n = 0, 1, .., m-1
Donde:
Xo = Semilla (Xo > 0)
a = multiplicador (a>0)
m= mdulo (m> Xo, m>a, m>c)
Ejemplo: Sea X n+1 = 3Xn mod 100, Xo= 17. Halle los Ns.As y su perodo.
n
Xn
3Xn/100
Xn+1
NsAs
17
51/100
51
0.51
51
1+53/100
53
0.53
53
1+59/100
59
0.59
59
1+77/100
77
0.77
19
39
17
0.17
20
17
51
0.51
51/100
Periodo = 20
16
Sistema Decimal
i.
Seleccin de Xo: puede ser cualquier nmero entero no divisible por 3 5 y debe ser
relativamente primo a m.
ii.
iii.
Seleccin de m
(4) = 2
17
2.
SISTEMA BINARIO.
Se deben tomar en cuenta los siguientes criterios.
i.
Seleccin de Xo: puede ser cualquier nmero entero no divisible por 3 5 y debe ser
relativamente primo a m.
(idem sist. decimal seleccin de Xo).
ii.
iii.
Z+
18
I.
i)
ii)
iii)
iv)
La prueba de la distancia
v)
vi)
La prueba de poker
vii)
La prueba de series
(X ) n
Z0
Var ( X )
Z0
i 1
( X 0.5) n
1/12
19
Prueba de hiptesis:
Si Z 0 Z 2 No se rechaza Ho.
Los Nmeros son Aleatorios
Regin de
aceptacin
Observacion:
1.
( X ) n
Z
Var ( x)
~ N (0,1)
Regin de
rechazo
-1
-r
1
r
( FOi FEi )2
=
FEi
i 1
n
i = 1, 2, , n.
Donde:
FOi = Frecuencia observada en el i-simo intervalo
Fei = Frecuencia esperada en el i-simo intervalo
Fei = N/n, donde.
N = tamao de la muestra
n = n de intervalos
20
Grficamente:
FEi
FEi=N/n
N/n
N/n
N/n
N/n
FOi
FO1
FO2
FO3
FOn-1
FOn
1/n
2/n
3/n n-2/n
n-1/n
N=
1+3.33 log (N )
Prueba de hiptesis:
Si Xo2 < X2 ( , n-1) => No se Rechaza Ho.
Los Nmeros son Aleatorios.
Donde:
= nivel de confianza
n = nmero de grados de libertad
2) 0.99
3) 0.33
4) 0.45
5) 0.77
6) 0.39
7) 0.53
8) 0.68
9) 0.09
10) 0.18
11) 0.24
12) 0.86
13) 0.21
14) 0.43
15) 0.69
16) 0.02
17) 0.16
18) 0.81
19) 0.47
20) 0.94
N =
20 = 4.47 5 intervalos.
N 20
4
n
5
21
[
0
>[
0.2
>[
0.4
>[
0.6
>[
0.8
]
1
( 5 4 )2 ( 4 4 )2 ( 4 4 )2 ( 3 4 )2 ( 4 4 )2
X o=
4
2
X2o =
1 0 0 1 0
0.5
4
2
Luego X 0 = 0,5 < 6,3 = x2 (0, 95, 3)
22
1.
1.
2.
Mtodo de rechazo
3.
Mtodo de composicin.
4.
23
Grficamente:
F(x)
R
X=F-1(R)
(X)
Ejemplo: Para los siguientes casos simule las funciones de probabilidad por el mtodo de la
inversa.
a)
X ~ Uniforme (a, b)
b)
X ~ Exponencial ()
c)
X ~ Erlang ()
d)
X ~ Bernoulli (p,q)
e)
X ~ Poisson ()
f)
X ~ Geomtrica (
g)
X ~ Normal (,2)
h)
X ~ Binomial (n:p,q)
i)
X ~ Gamma ( )
j)
X ~ Alfa ( )
24
Solucin :
a)
X ~ Uniforme(a, b)
f(x) =
1
ba
,a<x<b
Hallando F(x):
x
1
1
xa
dt
(t a
ba
ba
a ba
F ( x) f (t )dt
a
xa
F ( x)
; a xb
ba
R = F(x) R =
xa
ba
x = a + (b-a) R
Sol.:
b)
X ~ Exponencial ()
f(x) = e- x, x > 0
Hallando F(x):
x
f(x)
x
x
x
x
F(X)= f ( t )dt = e dt e 0 1 e
F(x) = 1 e x , x > 0
Luego: R = F(x) R = 1 - e x
e x = 1 R
F(x)
1
Ln e x = Ln (1-R)
x =
1
Ln (R)
; R [0, 1]
x
25
c)
X ~ Distribucin emprica
(Una funcin es emprica cuando dicha funcin no es conocida)
f ( x)
Sea:
1 x2
si 0 x 1
si 1 x 2
Solucin:
Hallando la funcin acumulada de esta distribucin
Para 0 x 1
x
F ( x) tdt
0
x2
2
Para 1 x 2
x
1 x1
1 t
x
F ( x) dt + =
2 12
2 2 1 2
x 2R
2R
si 0 x 1 2
si 1 2 x 1
F(x)
1
R2
12
R1
x1
x2
f(x) 0, x
ii)
f ( x)dx 1
D
2.
Hallar F(x)
3.
26
P 2=(x2;y 2)
Y2
Y3
P 1=(x2;y 2)
X1
PENDIENTE : m = tg =
y 2 y1
x 2 x1
X2
,
P1 + t P2 , t
t=
x x1
x 2 x1
,t=
y y1
y 2 y1
x x1
y y1
y y
=
y y1 = 2 1 (x x1)
y 2 y1 x 2 x1
x 2 x1
y y1 = m (x x1)
27
f2
f1
Solucin
f 1.....a x b
f ( x)
f 2.....b x c
Donde:
f1 =
H
( x a ); a < x < b
ba
f2 = -
H
( x c ); b < x < c
cb
H
f
f
b 1 + b 2 = 1 a b a ( x a )dx +
H=
H
b c b ( x c )dx = 1
2
f es fn de prob.
ca
Por reas: A = 1 =
( c a )H
=>
2
H=
2
ca
28
F1 = f1( t )dt
a
H
H ( t a )2
(t-a)dt
=
a b a
ba
2
ax =
H
(x-a)2
2( b a )
F2 =
f1 f 2 f1 =
a
H
(x-a)dx +
ba
= 1-
H
(x-c) 2
cb
H
( x a )2
2( b a )
R2 =1 -
x=a+
H
( x a )2
2( b a )
x=a+
2( b a )
.R1 ;
H
0< R1 <
( b a )H
2
2( b a )
H( b a )
H( b a )
< R2 < 1
.( 1 R 2 ; 1 H
2
2
1 / 2
1
.l
2 r
29
2.
MTODO DE RECHAZO
Es otro mtodo para simular variables aleatorias que describan la fin de probabilidad no
uniforme en un intervalo con dominio finito (a < x < b). (Se aplica cuando no se puede hallar
F-1).
El mtodo implica resolver los siguientes pasos:
1.
2.
3.
4.
F(x)
M
f ( x)
02x
si 0 x 1
caso contrario
30
F(x)
2
Solucin:
1.
Se generan R1 y R2
2.
Calcular x= R1
3.
( R1 ) 2( R1 )
=
= R1
2
2
0.5
31
e 5 .5x
;
x!
x 0,1, 2, 3,...
Tabla de p(x)
P[X x]
p(x)
e-5 = 0.0067
0,0067
5e-5 = 0.0330
0,0397
12,5e-5 = 0.0842
0,1239
0,2639
acumulada
-5
(25/6)e = 0.1400
0,17547
0,17547
Se simula la acumulada
..
f(x) F (x) = R
Si 0,0000 R1 <0.0067
X=0
Si 0,0067 R2 <0.0397
X=1
Si 0,0397 R3 <0.1239
X=2
Si 0,1239 R4 <0.2639
X=3
Si 0,2639 R5 <0.4393
X=4
Si 0,4393 R6 <..
X=5
32
R1
R2
0.0000 0.0067
R3
0.0397
R4
0.1239
0.2639
1
f ( x)
e 2
2
1
x 2
; - x
Para Simular la variable, es necesario hacer uso del teorema del lmite central; el cual dice
que la suma de n variables aleatorias independientes se aproxima a una distribucin normal a
media que n se aproxime al infinito (n muy grande). Sean X1, X2, , Xn la secuencia de
variables aleatorias independientes con E(Xi) =i y Var(Xi) = i2 . Sea Y= a1 X1+ a2X2,
,+an Xn
Entonces se cumple:
n
Y ai X i
i 1
ai 2 2
i 1
Si las variables que se estn sumando son uniformemente distribuidas (Xi Uniforme (0,1)),
entonces:
n
R n2
i 1
12
X Ri 6
i 1
33
f ( x)
( n ) n n nx
x e
; x>0
( n 1)!
34
Casos:
La empresa fabricante de tinas Trbol S.A. tiene asignado un camin especial para
transporte de tinas terminadas. Dicho camin transporta diariamente 5 tinas. El peso de las
tinas sigue la distribucin triangular (como se indica en la figura); Si la capacidad del
camin es de una tonelada.
190
210
230
a) Cul es la probabilidad que el peso de las tinas exceda la capacidad del camin?
b) Suponga si el peso del camin es excedido, una tina es enviada a travs de otra compaa
a un costo de $200 por tina. Y el costo de un nuevo camin es de $60000 (si se trabaja 5
das a la semana y 52 semanas al ao). Cul de las dos alternativas es ms rentable?
Solucin
H = 1/20
f1
190
1
(x 190) ; 190 x 210
f (x) 400
-1
f2
210
230
a) Es f funcin de probabilidad?
Para H=1/ 20, f (x) es funcin de probabilidad.
b) Hallando F(x):
Para 190 x 210
x
F1
400 (t 190)dt
190
1
( x 190) 2
800
35
F2 1
1
( x 230) 2
800
1
2
; 190 x 210
800 ( x 190)
F ( x)
1
1
( x 230) 2 ; 210 x 230
800
c) R = F(x) x = F-1(R)
R1
1
(x 190)2
800
R2 1
190 800.R1
;
x
230 800.(1 R2 ) ;
1
(x 230)2
800
0 R1 0.5
0.5 R2 1
Tabla de Simulacin:
Numero
de
Tina
Corrida
1
Numero
Aleatorio (R)
Peso
Peso
Se
simulado de
Acumulado
excedi de
la Tina
simulado
1 TN?
0.31751
206
206
0.88491
220
426
0.30934
206
632
0.22888
204
836
0.78212
217
1053
0.70014
215
215
0.37239
207
422
0.18637
202
624
0.05327
197
821
0.95096
224
1045
SI
SI
36
10
SI
Supongamos que de las 10 corridas, 8 veces sali que SI SE EXCEDI el Peso de las tinas a
la capacidad del camin (1TN)
a)
probabilidad de un 80% de probabilidad que el peso de las tinas exceda la capacidad del
camin.
b)
Costo (
camin.
37