Simulacion 2013

SIMULACIÓN DE SISTEMAS
Ing. Luis Zuloaga Rotta

Simulación de Sistemas
ST 124
07 ( I2 )
EL( I1 ) 2009 -II
UNI-FIIS<Simulación de Sistemas>
SISTEMA
• Conjunto de entidades u objetos

relacionados entre si (conforman una
estructura) con una misma finalidad,
alcanzar sus objetivos.
Propiedades de los sistemas
• Sinergia:
– la asociación de los elementos genera propiedades distintas a las
de cada elemento.
• Variedad:
– distintos elementos del sistema determinando el nivel de
complejidad del mismo.
• Equifinalidad:
– existen sistemas con la misma finalidad pero con estructuras
internas diferentes.
• Retroalimentación o feedback:
– La retroalimentación es una característica por la cual un sistema se
retroalimenta de sus propias salidas con la finalidad de mejorar sus
procesos internos.
Input Output
Sistema
Requerimientos
(inputs)
Datos del entorno
Resultados
(Outputs)
Transformaciones
(procesos recursos)
Enfoques para el análisis de
Sistemas
• Enfoque de la “caja negra”.
– Estudiamos el comportamiento en función de los
inputs y outputs.
• Enfoque de la transición de estado.
– Definimos un vector de estado para el sistema y
estudiamos el comportamiento en función de
cambios en las variables de estado del vector.
• Enfoque de las partes componentes.
– Estudiamos al sistema en función de sus partes
componentes y de la estructura del todo.
x1
Caja Negra
Sistema f(x1,x2)
x2
Cambio de Estado
V(t2) h2 V(t3) h3
V(t1) h1
Partes
SS1 SS1
Componentes SS3
SS3 =
SS2
SS2
Análisis CADTWE
• C : clientes (quienes se benefician del sistema)
• A : actores (quienes realizan las actividades en el
sistema)
• D : dueño (quienes tienen poder de decisión sobre
el sistema)
• T : transformación (la razón de ser del sistema)
• W : weltanschauung (como se ve al sistema)
• E : entorno (el medio ambiente al sistema)
Enfoque de sistemas
Sistema de
referencia
SHOULD-BE
TO-BE ?
SupraSistema
Sistemas con
equifinalidad
AS-IS
Analista Sistema
en estudio
Modelo
• Es toda representación de un sistema
real o abstracto, con la finalidad de
comprender sus características y/o
funcionalidad.
• Un módelo puede ser simbólico, icónico
u análogo.
– Ej: un mapa, un sistema de ecuaciones, un
diagrama de flujo, un avión a escala, una
formula, diagrama de procesos, etc.
Función de los Modelos
• Una ayuda para el pensamiento
• Una ayuda para la comunicación
• Para entrenamiento e instrucción
• Una herramienta de predicción
• Una ayuda para la experimentación.
Objetivos
Restricciones
Cómo mejorar Procesos
el sistema ? Recursos
Locaciones
Costos
Sistema referencia
Es útil la bajo estudio
Simulación ?
P1 P2
P3
Analista o P5
P4
modelador
Paradigmas
Simulación
• Es el estudio de un sistema a través de
un modelo ayudado de un computador,
con la finalidad de comprender su
comportamiento en un conjunto de
escenarios y plantear propuestas
alternativas de mejora.
• El curso se limitará al estudio de
modelos de simulación para sistemas
discretos.
Simulación
• “ ... es el proceso de diseñar un modelo
de un sistema real y realizar
experimentos con él para entender el
comportamiento del sistema o evaluar
varias estrategias para la operación del
sistema ”
Robert Shannon
Para qué usar la Simulación ?
• Para experimentar con escenarios “what-if”.
• Para comprender el impacto de la
introducción de nuevas tecnologías.
• Para visualizar una representación dinámica
del sistema.
• Para probar/analizar un diseño previo a la
implementación.
• Para analizar la performance del sistema a
los cambios que se presenten en el tiempo.
Para qué usar la Simulación ?
• Permite una experimentación controlada.
• Para un análisis sin disturbios (efecto
Hawthorne) ni interrupciones en el sistema.
• Por su facilidad de uso y comprensión.
• Visualización realistica y convincente.
• Para forzar la atención a detalles del
diseño.
• Porque es muy caro experimentar
directamente sobre el sistema.
Ventajas de la Simulación
• Una vez construido, el modelo puede ser modificado de manera
rápida con el fin de analizar diferentes políticas o escenarios.
• Generalmente es más barato mejorar el sistema vía simulación, que
hacerlo directamente en el sistema real.
• Es mucho más sencillo comprender y visualizar los métodos de
simulación que los métodos puramente analíticos.
• Los métodos analíticos se desarrollan casi siempre, para sistemas
relativamente sencillos o simplificaciones, mientras que con los
modelos de simulación es posible analizar sistemas de mayor
complejidad o con mayor detalle.
• En algunos de los casos, la simulación es el único medio para lograr
una solución debido a la dificultad para realizar experimentos y
observar fenómenos en su entorno real, por ejemplo, estudios de
vehículos espaciales en sus vuelos interplanetarios.
Desventajas de la Simulación
• Se requiere gran cantidad de corridas computacionales
para encontrar "soluciones óptimas"; esto repercute en
altos costos.
• Es difícil de comprobar que resultados de modelos de
simulación son adecuados. Por lo tanto es difícil que sean
aceptados.
• Los modelos de simulación no dan soluciones óptimas.
• La solución de un modelo de simulación puede dar al
analista un falso sentido de seguridad.
FORMULACIÓN EL PROCESO DE SIMULACIÓN
DEL
PROBLEMA
A B
DEFINICIÓN
DEL SISTEMA
EL MODELO
No
ES VÁLIDO ?
ES ÚTIL LA Sí
No
SIMULACIÓN ?
PLANEACIÓN
Sí ESTRATÉGICA
FORMULACIÓN
DEL MODELO FIN
PLANEACIÓN
TÁCTICA
PREPARACIÓN
DE DATOS
DOCUMENTO
EXPERIMENTACIÓN PROPUESTAS
TRASLACIÓN
DEL MODELO
INTERPRETACIÓN
Sí IMPLANTACIÓN
ES ÚTIL ?
A B
Validación del Modelo
• Es el proceso de llevar a un
nivel aceptable la confianza del
usuario referente a que acepte
cualquier inferencia acerca de
un sistema que se derive de la
simulación.
• No existe la “prueba de
validación”. En lugar de esto, el
experimentador debe realizar
pruebas a lo largo del proceso
de desarrollo del modelo, a fin
de crear confianza.
Experimentación y análisis de
sensibilidad
• La experimentación con el modelo
(corrida) nos permite obtener la
información deseada.
• El análisis de sensibilidad consiste en la
variación sistemática de los valores de
los parámetros sobre algún intervalo de
interés y en la observación del efecto
en la respuesta del modelo.
Métodos para validar el modelo
• Debemos cerciorarnos de que el modelo tenga
validez de forma general.
• Es posible que el modelo dé respuestas absurdas
si se lleva los parámetros a valores extremos ?
• S epuede validar un modelo en base a la prueba
de suposiciones y a la prueba de
transformaciones de entrada-salida. Estas
conllevan el uso de pruebas estadísticas de
medias y varianzas, regresión, análisis de
factores, autocorrelación, pruebas no
paramétricas, etc.
Campos de acción de la
Simulación
DIAGRAMA DE
FLUJO
¿Cómo saber si es útil la simulación?
• Para proponer mejoras a un sistema, primero
debemos conocer como funciona u opera.
• Siempre que necesitemos comprender la
funcionalidad del sistema podremos emplear la
técnica de la descomposición funcional de las
actividades o procesos y encontrar la
dependencia lógica entre ellos.
• Con esta comprensión del sistema lograremos
un mejor análisis de las situaciones problema y
ver si es útil la simulación para mejorar el
sistema.
Cómo iniciar el proceso de mejora
del sistema utilizando la simulación
• Para la posibilidad de encontrar alternativas de

mejora al sistema es necesario iniciar nuestro
estudio conociendo que hace
• Es decir identificando sus procesos, la secuencia
de su ejecución, clientes y actores.
• Una técnica útil para esto es la descomposición
funcional planteada por IDEF0.
Como comprender los
procesos de negocio
• Para comprender, estudiar y mejorar los
procesos de negocio, primero tenemos que
identificarlos, definirlos y descubrir tanto su
estructura como sus relaciones.
• Los procesos de negocio no son analizados
como cajas negras.
• Para lograr esto, identificamos los procesos de
alto nivel y continuamos realizando su
descomposición funcional hasta los procesos
elementales.
Funciones y Procesos de Negocio
• Una función es un grupo de actividades de
alto nivel que juntas apoyan un aspecto del
negocio.
• Los procesos de negocio también son
agrupamientos de actividades, pero ocurren a
un nivel inferior.
• La ejecución de un proceso tiene sentido para
el negocio; es una actividad que se inicia por
un evento, que tiene un inicio y un fin.
Cómo modelar el Sistema ?
Cómo se modelan los procesos ?
• Se usan gráficos (generalmente cajas y
flechas) para proveer los datos acerca de la
estructura del sistema, razón por la que la
mayor parte de la gente piensa en modelos de
procesos como representaciones pictóricas.
• Con el modelamiento de procesos se puede
mirar el sistema de interés con profundidad,
de modo que delicados matices de su
organización puedan ser analizados,
comprendidos y tal vez lo mas importante,
comunicados a otros.
IDEFØ: Que es ?
• Una técnica para modelar :
– funciones :
• actividades
• acciones
• procesos
• operaciones
– relaciones funcionales y datos (informacion y
objetos) de un sistema o empresa.
ICOM
• Inputs
– Items consumidos o transformados por procesos
– Ejemplo : materiales, información, capital, energía, ...
• Controles
– Restricciones o gobierno del proceso
– Ejemplos : lineamientos, reglas de negocio, políticas, ...
• Outputs
– Resultados del proceso, esto es una entrada transformada
– Ejemplos : materiales, información, ...
• Mecanismos
– Recursos utilizados para producir la salida (usada por los procesos)
– Ejemplos : personal, sistemas, equipos, ...
IDEFØ
• La actividad (o función) es
representada por una caja.
Restricción • Inputs son representados por la
flechas fluyendo hacia el lado
izquierdo de la caja.
Actividad • Outputs son representados por
Input Output
a ejecutar flechas fluyendo desde el lado
derecho de la caja.
• Flechas que fluyen hacia la parte
Mecanismo superior de la caja representan
(Recurso) restricciones o controles.
• Flechas fluyendo hacia el lado
inferior de la caja son los
mecanismos.
• El Orden de las cajas no implica necesariamente una secuencia !!
• La descomposición es Top Down !!
IDEFØ es una descomposición
Top Down
A-0
Diagrama de Contexto 1
2 Mas General
3
4
A0
Diagrama de Nivel Cero

Este diagrama es el
2.1
2.2
“padre” de ...
2.3 este diagrama.
A2
Diagrama de Primer Nivel
2.3.1
Mas Detallado
2.3.2
2.3.3
A23
Combinaciones de flechas
de interface
• Output – Input
• Output – Control
• Output – Mecanismo
• Output – Control feedback
• Output – Input feedback
Sistema Portuario
• Un puerto presta servicios estiba y desestiba (carga y descarga)
así como del atraque y desatraque a los buques que arriban a
el.
• Los buques pueden ser graneleros o contenedores.
• Para almacenar la carga de los buques graneleros se cuenta
con almacenes de grano y para almacenar la carga de los
buques contenedores cuenta con un gran patio de
contenedores.
• La política de atención se basa en una cola de buques en
altamar según el orden de llegada y se les atiende según la
disponbilidad de los buques remolque y de puestos de atraque.
• Para la estiba y desestiba se cuenta con cuadrillas de
trabajadores y con gruas.
• Se evalúa la posibilidad de adquirir nuevos remolques y
construir nuevos puestos de atraque segun la demanda de
buques.
Normas portuarias
Barcos
SISTEMA
Sistema Portuario
PORTUARIO Barcos
atendidos
Cuadrillas
Normas portuarias
Barcos
REMOLQUE
BARCOS Barcos
atendidos
ATRAQUE
CARGA Y/O
DESCARGA
DESATRAQUE
Cuadrillas
Sistema Bancario
• Una agencia bancaria atiende en un horario pre establecido a
sus clientes.
• La agencia cuenta con cinco ventanillas de atención que
atienden en función del número de clientes esperando por un
servicio.
• La politica de atención se basa en dos colas únicas y en
ventanillas organizadas para clientes y no clientes.
• Se evalúa la posibilidad de implementar un servicio de atención
con tickets que diferencie tres tipos de clientes: clientes bex,
regulares y eventuales (no son clientes).
• Que procesos se identifican: arribo clientes, atencion y salida
cliente.
• El arribo comprende la identificación del tipo de cliente y su
ubicación en la cola correspondiente. La atención comprende la
identificación del tipo de operación y la operación en si misma.
Qué mejorar en el Stma.
Bancario?
• La longitud de las colas que se forman por la lentitud
del servicio.
• La pérdida de clientes por lo largo del tiempo de espera
para ser atendido.
• Hay que determinar el número apropiado de ventanillas
de atención y la política de atención a los clientes.
• Una cola por ventanilla.
• Unas ventanillas para los clientes y otra para los que no lo
son.
• Atención por periodos de alta demanda
• Hay que construir un modelo de simulación y
escenarios de demanda y atención.
Que sigue ... ?
• Una vez identificados y comprendidos x1
x2 x3
los procesos u actividades, se analiza
x4 x5
a detalle la situación problema. xn
• A continuación se identifican las x6
variables del vector de estado (var. xi
[a1,a2]
frec
8
aleatorias), para luego observar y <a2,a3]
<a3,a4]
12
16
registrar su comportamiento <a4,a5]
...
6
(muestra).
• Se organiza la data recogida y se H0:
plotea, procediendo a plantear una
hipotesis nula H0.
x
Números Random ( #r )
• Son números reales (r) distribuídos continua
y uniformemente en el intervalo [0,1].
r
0 r0 1
- 1
r = 1/2 X=
∫xf(x)dx
0
1
-
∫
2
Var(r) = 1/12 Var(x) = ( x – x ) f(x)dx
0
Algoritmos para generar
números Random
• Cuadrado central
– Se elije un número cualquiera bc
– Se obtiene su cuadrado (bc)2= manc
– Se elige el número an
– #r1= an/(100-1)
– Se continúa obteniendo el cuadrado de (an)2= bdam
– Se elige el número da Nº bc manc an #r
– #r2=da/(100-1)
1 12 144 14 14/99
– Se continua así sucesivamente …
2 14 196 19 19/99
3 19 361 36 36/99
4 36 1296 29 29/99
… otro algoritmo
• Producto central
– Se elijen dos números cualesquiera abcd y mnpq
– Se obtiene su producto (abcd).(mnpq)= mancrsta
– Se elige el número ncrs
– #r1= ncrs/(10000-1)
– Se continúa retirando un número e incluyendo el nuevo
– Se obtiene el nuevo producto (mnpq).(ncrs)=bpdramca
– Se elige el número dram
– #r2=dram/(10000-1)
– Se continua así sucesivamente …
Algoritmos para generar #r
• Algoritmos congruenciales :
– Mixto : #ri+1 = ( a + b #ri)Mod(m)
– Multiplicativo : #ri+1 = ( b #ri)Mod(m)
EJEMPLO: Generar 2 números aleatorios de módulo 8

con constantes a= 7 y b= 5 y una semilla r0 = 4.
ri+1= (5ri + 7)MODULO(8)
r1= 27 MODULO (8) = 3 entonces #r1= 3/(8-1) = 0.428
r2= 22 MODULO (8) = 6 entonces #r2= 6/(8-1) = 0.857
Restricciones para los
parámetros de algoritmo
• a, b, m y r0 deben ser mayores que cero (0).
• r0 no debe ser múltiplo de 2 ni de 5.
• a debe ser impar.
• a y m deben ser primos entre si.
• b = 200t ± z tal que :
• z = 3,11,13,19,21,27,29,37,53,59,61,67,69,77,83,o 91.
• t = 1,2,3,4,5, ...
• m = 10d y d 4 (d # de bits de una palabra del computador)

• Periodo máximo m/20
Usos de estos algoritmos
• Para crear juegos de azar
• Para enmascarar datos
• Como claves de verificación de acceso
Bancario
• Para reproducir comportamientos de
ciertas variables en la simulación de
sistemas.
Parámetros y Variables
• En un experimento se tiene información o
datos de dos tipos :
• PARÁMETROS: permanecen sin cambio
durante todo el tiempo que dura el
experimento con un escenario.
• VARIABLES: cambian durante el
experimento con cada escenario a evaluar.
Variable Aleatoria
• PROCESO ESTOCASTICO: experimento
donde no es posible conocer de antemano
los resultados obtenidos para cada valor de
una variable. Se cumplen las propidades de
la teoría de probabilidad para las variables
asociadas.
• VARIABLE ALEATORIA: variable en un
proceso estocástico.
Distribución de probabilidad
Se controlan 210 productos de un proceso de
fabricación y se identifican tres tipos de fallas: A, B y C.
FRECUENCIA PROBABILIDAD
3/7
70
30 1/3
20 1/7
2/21
A B C
FALLAS ~F A B C
FALLAS
Tipos de Distribución
Probabilidad
• CONTINUAS: los valores de las VA están en
algún rango de los números reales y cubren
entre todos ellos todo el rango.
• DISCRETAS: los valores de las VA pertenecen
a algún rango de los enteros o reales. Entre
dos valores de la VA hay por lo general una
infinidad de valores que no se asocian a la
variable aleatoria.
Sistemas de
referencia
Sistemas con
equifinalidad
Analista Sistemas en
estudio
Funciones Generadoras de
Valores Aleatorios
• Para reproducir el comportamiento de
los sistemas a través de los modelos,
es necesario reproducir el
comportamiento de los objetos del
sistema, a través de la reproducción de
las actividades en las que intervienen,
especialmente las relacionadas con
variables aleatorias.
• Recogemos una muestra de datos para
cada variable identificada, realizamos el
ajuste correspondiente a alguna función
de probabilidad conocida o no.
Métodos para generar VA
• Método de la transformación inversa
• Método de la aceptación – rechazo
• Método de la composición
Método de la
Transformación Inversa
• Muchas de las F(x)
Funciones de
1
Distribución de
probabilidad #r
acumuladas (F) son
univalentes de allí que 0 x0 X
tienen inversa.
• Estas F se caracterizan F(x) = p(X  x) ~ UNIF(0,1)
por estar distribuidas también #r ~ UNIF(0,1)
uniformemente en [0,1]. entonces #r = F(x)
por lo tanto x = F-1(#r)
Funciones continuas de
probabilidad
Uniforme Continúa (UC)
F(x) = (x0-a)/(b-a) F(x)
1
1
b-a
#r
x
a x0 0 a b
b x0
f(x)= 1/(b-a) la función de probabilidad
Dado que F tiene inversa, entonces #r = F(x),
luego #r = (x-a)/(b-a) por lo tanto x = a + #r(b-a)
es la función generadora de valores uniformes y
continuos en el intervalo [a,b]
Aplicación
• El tiempo que demora un docente en calificar una
prueba de matemática se distribuye uniformemente y
continua en el intervalo cerrado : [5,12] minutos.
• Determine el tiempo que se demoraría en calificar 5
pruebas utilizando el siguiente generador
congruencial mixto para los números Random:
Ri+1 = (40.Ri + 13) Mod (33)
utilizar como semilla R0 a número 74
Solución
• El Tiempo calificación se comporta Unif [5,12]
• Luego Tpo i = a + (b-a)#R
• Entonces Tpoi = 5 + 7#R
• #Ri+1 = [(40#Ri + 13) MOD(33)] ÷ 32
• Se determinan 5 números Random y se remplazan
en la función generadora de valores uniformes y
continuos
Exponencial Negativa (Exp)
• Función continua con Media (x) = 1/μ
dominio [0,+ . Var (x) = 1/μ2
F(x)
f(x)
μ f(x) = μe-μx ; x0 1
#r
F(x) = o f(x)dx = 1-e-μx
x0
x x
0 x0 0 x0
Dado que F tiene inversa, entonces #r = F(x), luego
#r = 1 - e-μx por lo tanto x = - (1/μ)ln(1- #r)
Aplicación
• Los tiempos entre arribos a una agencia bancaria se
ajustan a una distribución exponencial negativa con
media 3.24 minutos entre cliente y cliente.
• Determine a través de la generación de estos valores
aleatorios cuantos clientes llegaran en 15 minutos.
• Genere números Random a partir del siguiente
algoritmo congruencial mixto:
Ri+1 = (32.Ri + 14) Mod (24)
Solución
• El tiempo entre arribos se ajusta a una Expon(1/µ)
• Por dato (1/µ) =3.24 minutos
• Conocemos que Tpo i = - (1/µ) Ln(1 - #R)
• Además :
Ri+1 = [(32.Ri + 14) Mod (24)] ÷ 23
• Se generan tiempos entre arribos y se van sumando hasta que
el total sea mayor a 15.
• El número de clientes que arribaron en 15 minutos es el índice
correspondiente al tiempo anterior con el que se superan los 15
minutos.
Lineal y continua (Lin)
F(x) = (x-a)2
f (b-a)2 F
1
2
b-a
f(x) #r
x
a b
0 a x b
x
f(x) = 2(x-a) dado que F tiene inversa, entonces #r = F(x)
(b-a)2 entonces x = a + (b-a) #r
Normal (Norm)
• Teorema del Límite Central : Toda variable aleatoria con media y
varianza conocidas, que se expresa como la suma de n variables
aleatorias independientes, también con media y varianza conocidas,
para un n suficientemente grande, se puede aproximar a través de
una distribución normal.
Estandarización de la normal
f(x) = 1 e -(1/2)[(x- μ)/ ]2
z = (x - μ)/  2 
x
μ
• Si t = s1+s2+s3+s4+s5+s6+......+sn / med (si) y var(si) son conocidas,
entonces para un n “suficientemente grande” t ~ Normal (med,var).
• Si t = # r1+# r2+# r3+# r4+# r5+...+# rn = Σ # ri / # ri ~ RANDOM
normalizando t y x tenemos : t – (n/2) = x – μ
n/12  12
Tomando n = 12 encontramos que : X = μ +  [( #ri) - 6]
Funciones discretas de
probabilidad
Bernoulli (Bern)
• Es una distribución discreta en la que los resultados
del experimento aleatorio sólo arrojan dos valores
posibles 0 o 1(fracaso o éxito).
0 si #r > p (no éxito
f(x) = px(1-p)1-x / p = éxito X=
amarillo 1 si #r ≤ p (éxito )
Ej: Trompo f(x) = (1/3)x(2/3)1-x

0(R) si #r > 1/3
X= 1(A) si #r ≤ 1/3
Binomial (Bin)
• Una distribución Binomial involucra varios procesos de
Bernoulli, digamos n procesos y, se desea el número de
éxitos x que se tendrá en todos los procesos tomados en
conjunto. La Binomial mide la probabilidad de que x=i
éxitos en n pruebas:
p(x=i) =(n i)pi(1-p)n-i / med(x)=np y var(x)=np(1-p)
• Como reproducir comportamientosn Binomiales:
Entonces si x= b1+b2+b3+..bn = bi / bi ~ Bern(p)
tenemos que x ~ Bin (n,p) f(x)
0.40
Bin (4,0.5)
0.20
0.10
x
0 1 2 3 4
Aplicación
• La probabilidad de que un foco de luz sea defectuoso
es del 5%. Se desea determinar en forma simulada
cuantos focos serán defectuosos en una muestra de 6.
• Genere números Random a partir del siguiente
algoritmo congruencial mixto:
Ri+1 = (23.Ri + 34) Mod (54)
Solución
• Generar 6 valores Bernoulli que se ajusten a la
función: f(x)= (5/100)x(95/100)1-x
• El generador Bernoulli a utilizar :
0 si #R > 0.05
x=
1 si #R ≤ 0.05
6
• Nro focos defectuosos =  xi se comporta BIN(6,0.05)
f(x)
Poisson (Pois)
f(x) = x e-  / med(x) = 
x!
e-λ
x
0 1 2 3 4 5 6 7 8 9 10 11 12 ....
X=4 X=2 X=1 X=5 X=0 x ~ Poiss()

T T T T T
1 1 1 1 1 1 1 1 1 1 1 t ~ Exp(1/)
t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11
Si ti ~ Exp(1/) entonces t = - (1/)ln(1-#r)

i i+1
Luego x = max {i : ti  T < ti } ~ Poiss()
0 0
Uniforme Discreta (UD)
F(x)
1
f(x)
5/n
#r 4/n
1/n
3/n
2/n
x 1/n x
a1 a2 a3 a4 a5 a6 a7 ... an a1 a2 a3 a4 a5 a6 a7 ... an
a1 si 0  #r  1/n
a2 si 1/n < #r  2/n
X= a3 si 2/n < #r  3/n
...
an si n-1/n < #r 1
Método de Aceptación - Rechazo
• Es un método sencillo y general, aunque en ocasiones no muy
eficiente.
Sea f(x) una función de probabilidades definida en un intervalo finito,
(a,b) y M una cota superior de f(x) .
• Se generan dos valores aleatorios x1 ϵ U [a,b] y p ϵ U [0,M]
X1= a + (b-a)r1 y p= (M)r2 siendo r1 y r2 dos números Random,
entonces:
Se acepta x1 si p ≤ f(x1) o r2 ≤ f(x1)/M
Se rechaza x1 si p > f(x1) o r2 > f(x1)/M
• De esta manera el valor x1 aparece con una densidad de probabilidad
f(x), aunque no se aprovechan todos los valores que obtenemos en la
realización del método.
• De todos modos, este es el único método disponible cuando la
distribución de probabilidades es complicada.
Método de Aceptación - Rechazo
• Se tiene una Variable Aleatoria X
con función de densidad f(x)
definida en a ≤ x ≤ b, además,
• M= max f(x) para a ≤ x ≤ b f(x)
• Sea g(x)= [f(x) / M] M
luego 0 ≤ g(x) ≤ 1
• El método consiste en:
a. Generar r1 y r2, dos
números random ~U(0,1).
1 g(x)
b. Se define x1 ~U(a,b) entonces r1
x1 = a + (b-a)r1 r2 g(x1)
c. Si r2 ≤ g(x1) entonces x1 es a x1
b
observación para f(x). En otro
caso, volver al paso a.
Ejemplos
• Ejemplo1: Sea f(x)= 2 x una fdp para 0 ≤ x ≤ 1
Entonces si M = 2 y g(x)= 2x/2 = x

a. Generar r1 y r2 distribuidos uniformemente en [0,1]
b. x = a + (b – a) r1 = 0 + (1 - 0) r1 = r1
c. Si r2 ≤ r1 entonces x es observación, de lo contrario volver a
generar r1 y r2.
• Ejemplo2: Sea f(x)= 2x/9 una fdp para 0 ≤ x ≤ 3
Entonces si M=2/3 y g(x)= (2x/9)/(2/3)= x/3

b. x= a + (b - a)r1 = 0 + (3 - 0)r1 = 3r1
c. Si r2 ≤ g(x) = x/3, así r2 ≤ 3 r1/3 = r1, o sea si r2 ≤ r1, entonces x
es observación, de lo contrario volver a generar r1 y r2.
Ejemplos …
• Ejemplo 3: Sea f(x)= 3x2/7, una fdp para 1 ≤ x ≤ 2
Entonces si M = 12/7 y g(x)=(3x2/7)/12/7 = g(x)= x2/4

b. Sea x1 = a + (b – a) r1 = 1 + (2 - 1) r1 = 1+r1
c. Si r2 ≤ g(x1)=g(1+r1)=(1+r1)2/4 entonces x1 es observación
de f(x), de lo contrario volver a generar r1 y r2.
Método de la Composición
• Mediante este método la distribución
de probabilidad f(x) se expresa como
una mezcla de varias distribuciones
de probabilidad seleccionadas
adecuadamente.
Procedimiento
• Dividir la distribución de probabilidad original en sub-
áreas, tal como se muestra en la figura:
f(x)
x
A1 A2 A3 An
• Definir una distribución de probabilidad para cada

sub-área asignándole una fracción (Ai) del área total.
Siguiendo …
• Expresar la distribución de probabilidad original en la
siguiente forma:
n
f ( x)  A1 f1 ( x)  A2 f 2 ( x)  ..... An f n ( x)   Ai  1
i 1
• Obtener la distribución acumulada de las áreas vrs

las funciones fi(x):
A1  A2  A3  A4
A1  A2  A3
#r1 A1  A2
A1
f1 ( x) f 2 ( x) f 3 ( x) f 4 ( x)
Finalmente …
• Generar dos números Random #r1 y #r2
• Seleccionar la distribución de probabilidad fi(x) con la
cual se va a simular el valor de x. La selección de
esta distribución se obtiene utilizando el #r1 al aplicar
el método de la transformada inversa a la distribución
acumulada de las áreas.
• Utilizar el #r2 para simular por el método de la
transformada inversa o algún otro procedimiento
especial, números al azar que sigan la distribución
de probabilidad fi(x) seleccionada en el paso anterior.
Ejemplo
• Utilizando el método de la composición construir un
algoritmo que permita generar números aleatorios
que se ajustan a la distribución :
f(x)
1 2 6
Solución
• Dividimos f(x) en sub áreas:
f(x)
2/5 A1 = 1/5
A2 = 4/5
A1 A2
1 2 6
• Determinamos f1(x) y f2(x) como fdp.

f(x)
f1 (x)= 2(x-1)
2
x F1 (x)= (x-1)2
1 2
f(x)
1/2
f2 (x)= (-1/8)(x-6)
F2 (x)= 1 – [(x-6)2/16]
x
2 6
• Expresamos la distribución original como:

f(x) = A1f1(x) + A2f2(x) = (1/5) 2(x-1) + (4/5) (-1/8)(x-6)
f1(x) f2(x)
1/5
f1 (x) f2 (x)
Finalmente …
• Generar dos números random #r1 y #r2
• Es #r1 < 1/5 ?
– Si es afirmativo se simulan valores de f1(x) utilizando el
método de la transformada inversa:
F1(x)=(x-1)2 = #r2 entonces x = 1+ #r2
– Si no es afirmativo se simulan los valores de f2(x)
F2(x)=1 – [(x-6)2/16] = #r2 entonces x = 6 - 4 1- #r2
• Repetir los pasos anteriores tantas veces como sea
necesario para reproducir el comportamiento
deseado.
Pruebas de Bondad de Ajuste
• Estas pruebas nos permiten determinar si
la muestra de los datos recogida, respecto
a una variable aleatoria de interés para el
estudio, se puede aproximar a partir de
una función de distribución de probabilidad
teórica (H0).
H0 : “No existe diferencia significativa entre los datos
observados y los que se obtendrían a partir de una
distribución ............ (distribución de probabilidad teórica)”.
Prueba de Ji-Cuadrado
• Es recomendable para muestras cuyo tamaño
es mayor que 100.
• Calcular :
k
c =
2
i=1
(foi – fei)
2
fei
Donde : k # intervalos de clase
fo frecuencia observada
fe frecuencia esperada, tal que fe = np(xi)5
n tamaño de la muestra
p(xi) probabilidad teórica para xi
Ji-Cuadrado ...
• Luego obtener de tablas el estadístico
de Ji-Cuadrado para : t (1-, #gl)
2
Donde : (1 –  ) es el nivel de significancia, y

#gl : es el número de grados de libertad
tal que #gl = K - #parám.estimados – 1
• Comparamos, y aceptamos H0 si :
c2 <<t2(1-, #gl) Ji-Cuadrado calculado es menor que el teórico
Prueba de Kolmogorov - Smirnov
• Es recomendable para muestras cuyo
tamaño esta comprendido entre 10 y 100.
• Se determinan las frecuencias relativa y
acumulada de los valores observados, y la
probabilidad teórica y acumulada para la
distribución teórica.
• El estadístico K/S calculado se determina a
partir de la máxima de las diferencias PA(x) – FA(x)
absolutas entre la frecuencia y probabilidad
acumuladas.
• El estadístico K/S teórico se obtiene de
tablas dado un  (nivel significancia) y n
(tamaño muestra).
• Se acepta H0 si se cumple que : Dc << Dt (,n)
Tabla de Kolmogorov/Smirnov
para una(1) muestra
Ejemplo 1 Int Frec FrecRel
1 8 0.08
• Suponga que se han 2 17 0.17
3 5 0.05
generado 100 #s 4 5 0.05
aleatorios y deseamos 5
6
12
18
0.12
0.18
comprobar su 7 5 0.05
uniformidad sobre 10 8
9
14
13
0.14
0.13
intervalos equidistantes 10 3 0.03
100
utilizando la prueba de
Kolmogorov/Smirnov.
Usar un  = 5%.
• H0 : Los datos se pueden 0.1 UNIF
aproximar a través de una
distribución Uniforme.
1 2 3 4 5 6 7 8 9 10
Tabla de Cálculos Ejemplo 1
Int Frec FrecRel FrecAbs ProbTeor ProbAcum D k/s
1 8 0.08 0.08 0.1 0.1 0.02
2 17 0.17 0.25 0.1 0.2 0.05
3 5 0.05 0.3 0.1 0.3 0.0
4 5 0.05 0.35 0.1 0.4 0.05
5 12 0.12 0.47 0.1 0.5 0.03
6 18 0.18 0.65 0.1 0.6 0.05
7 5 0.05 0.7 0.1 0.7 0
8 14 0.14 0.84 0.1 0.8 0.04
9 13 0.13 0.97 0.1 0.9 0.07 Max D k/s
10 3 0.03 1 0.1 1 0.0
100
Dc = 0.07
Dt (5%,100) = 1.36/ 100 = 0.136
Como Dc << Dt (5%,100) aceptamos H0:
Ejemplo 2
• La siguiente tabla muestra la
Tiempo Frec
distribución de frecuencias
0t<2
para la variable aleatoria 50
2t<4 33
tiempo entre dos arribos 4t<6 22
consecutivos a un 6t<8 15
SuperMercado. 8  t < 10 11
• Formule la hipótesis 10  t <12 8

12  t < 14 5
adecuada y haga el ajuste
14  t < 16 3
correspondiente a una 16  t < 18 2
función de distribución de 18  t < 20 1
probabilidad teórica
conocida. Use un  = 5%.
Ploteo Ejemplo 2
H0: Los datos del tiempo entre
t frec frecRelat 0.33
1 50 0.33 Arribos se pueden aproximar a
3 33 0.22 través de una Distribución
5 22 0.15 0.22 Exponencial Negativa.
7 15 0.10
9 11 0.07 0.15
11 8 0.05 f(t) = 0.21e- 0.21t
13 5 0.03 0.10
15 3 0.02 0.07
17 2 0.01 0.05
19 1 0.01 0.03
+21 0 0.00 t
150
0 2 4 6 8 10 12 14 16 18 20
(1/) = (ti.fo)/ fo = 714/150 = 4.76 entonces  = 0.21

t Frec ProbTeor Ei=npi (fo - Ei)2/Ei
1 50 0.3440 51.60 0.050
3 33 0.2252 33.78 0.018
5 22 0.1481 22.22 0.002
7 15 0.0973 14.60 0.011
9 11 0.0618 9.27 0.323
11 8 0.0419 6.29 0.468
13 5 0.0275 4.13
15 3 8 0.0181 2.72 6.84 0.197
17 2 0.0119 1.79
19 1 0.0078 1.17
+21 0 3 0.0164 2.46 5.42 1.077
150 1.0000 150.00 2.146

2 2
P(0  ti < 2) = 0 0.21e- 0.21tdt = - e- 0.21t | 0 =0.3440

4 4
P(2  ti < 4) = 2 0.21e- 0.21tdt = - e- 0.21t | 2 =0.2252
...

20 20
P( ti  21) = 1 - 0 0.21e - 0.21t
dt = 1 – (e - 0.21t
) |
0 =0.0164
Respuesta Ejemplo 2 ...
• Determinamos #gl = 8 – 1 – 1 = 6
• De Tablas determinamos :
 2
t (95%,6) = 12.6
• Como :
 c
2
<<  t
2
aceptamos H0:
Recomendaciones
• Dada una muestra de tamaño n para una
variable aleatoria, se puede utilizar la
Fórmula de Sturges para aproximar el
número de intervalos en los que se les
puede agrupar :
• K = 1 + 3.3 log n
• Dado que se tienen que aproximar los parámetros
de la distribución de probabilidad teórica, se pueden
utilizar las siguientes relaciones :
• Med(x) = ( xi.Foi) / n y
• Var(x) = [ xi2.Foi – n.Med2(x)] / (n – 1)
Ejemplo 3
• Construir una función generadora de valores
aleatorios para la siguiente función de
distribución de probabilidades (fdp):
f
x
0 a 2
Cálculo de “a”:
Por condición de una fdp, el área bajo la curva de f en su
dominio debe ser 1.
Entonces (1/2)(a)(a) + (1/2)(a)(2-a) = 1
(1/2)[a2 + 2a - a2] = 1
a=1
Determinación de la regla de correspondencia de f:
x si x ε [0,1] Una vez definida f
f= determinamos la
-x + 2 si x ε <1,2] función de distribución
acumulada F
x2/2 si x ε [0,1]
F=
1 – (1/2)(2-x)2 si x ε <1,2]
• Graficamos la función acumulada F
F
1 Como F es monótona entonces
tiene inversa, F(x) = #r :
i. x2/2 = #r v
1/2
ii. 1 – (1/2)(2-x)2= #r
#r Despejando x en función de #r:
x i. x = 2#r
1 2 ii. x = 2 - 2(1- #r)
x
Luego 0 x 1 0 2#r 1
0 #r 1/2
2#r si #r ε [0,1/2]
x=
2- 2(1- #r ) si #r ε <1/2,1]
Ejemplo 4
• Loas alumnos de la FIIS están distribuidos entre 60% para la
especialidad de Industriales y 40% para la especialidad de Sistemas.
Se desea simular la cantidad de alumnos de la especialidad de
Sistemas que figuran dentro del arribo de un grupo de cuatro alumnos.
• Estamos al frente de un comportamiento Binomial, el cual simulamos
a través de comportamientos Bernoulli.
f(e)=(2/5)e(3/5)1-e para e = 0 o 1 s I I I
0 si #r > 2/5
e= ~ Bern (p=2/5)
1 si #r < 2/5
4
x= e
1
i = 1 + 0 + 0 + 0 ~ Bin (n=4, p=2/5)
0.32+0.45+0.67+0.84
Mecanismos de control de Tiempo
de la Simulación
• Dado que la ejecución de eventos en
una PC es secuencial, estos
mecanismos permiten controlar la
cadena de eventos presente y futura
durante la ejecución de la simulación.
• En los sistemas discretos los eventos
que influyen sobre el sistema ocurren
en puntos específicos en el tiempo, no
en forma continua, de allí que mas
importante será el mecanismo de
control de tiempo variable, cuyo tiempo
se incrementa en función de los
momentos en los que se da la
ocurrencia del evento.
Ejemplo
• Se está diseñando una máquina
para inyectar líquido a envases de
diferentes capacidades, y tiene
una línea de producción.
Eventualmente se derramará
líquido de los envases, esto se da
por la capacidad variable de los
envases y/o por el error de la
cantidad inyectada del líquido.
• Se desea incluir un recipiente
(contenedor) en la máquina para
recibir el líquido derramado, y que
éste no se disperse en el piso. Si
se tienen producciones de hasta
10,000 envases, calcule el
tamaño del contenedor para la
máquina inyectora.
Ejemplo ...
• Se conocen las siguientes características del proceso y de la
máquina:
– La cantidad de líquido que se inyecta no siempre es exacta, se
comporta como una V. A. normal con media igual a la cantidad ideal a
inyectar en el envase y desviación estándar igual al 1% de esa cantidad
ideal.
– Los envases tampoco tienen una capacidad única sino que varían por
defectos de forma y de fabricación. La capacidad de los recipientes es
de 1.05 (de la cantidad ideal a inyectarle) y tienen una desviación
estándar del 5% de su capacidad total . La posibilidad máxima del
defecto es de un 10% de la especificada como capacidad media.
• Construya un programa en C++, Pascal o en cualquier otro
lenguaje para determinar el tamaño del recipiente que se
requiere.
• Se pueden manejar envases con capacidades de inyeccción
desde 200 ml hasta 1.5 litros. Haga su cálculo tomando en
cuenta que llenará envases de 330 ml.
ENVIO DE BOTELLAS
Diagrama de
SIMULAR LLENADO
LINEA 1
Bloques
SIMULAR LA CAPACIDAD
DE LA BOTELLA A LLENAR
SIMULAR LA CANTIDAD
A INYECTAR
DETERMINAR
REBASAMIENTO
ACUMULAR CANTIDAD
REBASADA
FIN
Pseudocódigo del programa para
el Ejemplo
• Se generan los valores aleatorios que se necesitan.
• Se genera la capacidad de la botella que llega a la línea.
– Con una variable aleatoria normal con med =1.05 (330 ml) y
desv.est.= 5% de 1.05(330 ml.)
• Se generan las cantidades inyectadas en la línea .
– Con una variable normal con med=330 ml y desv.est.= 1%(330 ml.)
• Se corrigen los valores que se aportan por las limitaciones físicas.
– Para la inyección hasta un total de 2 litros inyectados(por falla)
– Para la capacidad hasta un 10% del especificado como valor medio
(1.05*330 ml.)
• Se calculan las cantidades rebasadas en cada caso.
– Inyectado - envasado (en el cado que inyectado > envasado)
Población Cola
Tiempo
entre
Politica de
Arribos (t)
servicio
Servicio
Arribos
Tiempo de
Servicio
SISTEMA DE COLAS
Premisas para el estudio de un
Sistema de Colas
• Un sistema de colas puede ser analizado en función de sus
tasas de arribo y de servicio, variables cuyo comportamiento
puede ser aleatorio.
• Para nuestro estudio consideraremos que los arribos se
ajustan a una distribución de Poisson con tasa media  o
tiempo entre arribos Exponenencial con tasa media 1/.
• Los tiempos de servicio son Exponenciales con tasa media
μ.
CONDICIONES
INICIALES
Para t=0
arriba el 1er Cliente
Mecanismo de Control de
C Incremento Fijo
Longitud de
LC = LC + 1
la Cola
A
Tiempo de
GENERAR TA
Arribo
RELOJ = RELOJ + 1
SUMTA = SUMTA + TA
B
VERIFICAR
SERVICIO TS > 1 TS TS = 1
SI DISPONIBLE ? NO
SI COLA =0 ? NO COLA =0 ? TS =TS - 1 TS = TS - 1

NO
TOT = TOT + 1 LC = LC - 1 TS = 0
SE
TET = TET + LC
DESOCUPA
SI SERVICIO
Tiempo Espera
SE OCUPA Total
SERVICIO
Tiempo de RELOJ < SUMTA COMPARAR

RELOJ = SUMTA
GENERAR TS
Servicio RELOJ::SUMTA
A B C
SUMTA4
SUMTA3
SUMTA2
SUMTA1
TA2 TA3 TA4
TA5 TA6
0
c1 TS1
TS2
c2
TO1
TS3
c3
TE3
c4 TS4
TE4
TS5
c5
TE5
c6
TE6
CONDICIONES Para t=0
INICIALES arriba el 1er Cliente Mecanismo de Control de
Incremento Variable
Tiempo
GENERAR TA
de Arribo
TA = TA - TE
Tiempo de
GENERAR TS
Servicio
SI TS = TA ? NO
TE = 0 SI NO
TS < TA ?
Tiempo de
Espera
TE = 0 TO = 0
TO = 0
Tiempo
Ocioso
TO = TA - TS TE = TS - TA
Tiempo Tiempo de
TOT = TOT + TO TET = TET + TE
Ocioso Total Espera Total
TA5=TA5 –TE4
TA4 =TA4 – TE3
TA3 =TA3 – TE1

TA2 =TA2 – TE1
TA2 TA3 TA4
TA5 TA6
0
c1 TS1
TS2
c2
TO2=TA2-TS1
TE2=0 TS3
c3 TE3
TE3=TS2-TA3
T03=0
c4 TE4 TS4
TE4=TS3-TA4
T04=0
TE5 TS5
c5
TE5=TS4-TA5
T05=0
c6
TE6
Ejemplo : Modelo Simulación
• Una Compañía de carga recepciona sus camiones
que llegan en forma aleatoria en una terminal para
descarga. Después de analizar los datos históricos
se ha concluído que el número de llegadas diarias de
camiones se comporta de acuerdo a una distribución
de Poisson con tasa media de 3 camiones por día. El
peso de la carga de cada camión es un factor
importante en lo referente al tiempo de descarga. Se
ha comprobado con los registros pasados que los
pesos de la carga estan distribuídos normalmente
con media 30 mil lbs. Y una desviación estándar de 5
mil lbs. Para la descarga se cuenta con cuadrillas
cuya capacidad de descarga en lbs por hora es
variable y función del tipo de carga.
• La frecuencia de cada tipo de carga y la velocidad de
descarga de las cuadrillas se muestran en la tabla
siguiente :
Modelo Simulación ....
• Una cuadrilla consta de 3 personas: 1operador
de elevador de carga a quien se le paga 4$/Hr
y dos obreros a quienes se les paga 2.50 $/Hr. Nro
Frec
La política de la Cia. es descargar en el día Camiones
0 5
todos los camiones que arribaron el día 1 15
anterior sin importar los costos de tiempo extra 2 22
3 22
implícitos. El contrato del sindicato demanda 4 17
una bonificación del 50% por horas extras 5 11
fuera de la jornada de trabajo de 8 Hr diarias. 6
7
5
3
– Con base a una simulación de 10 días determine 100
cuantas cuadrillas se requieren para reducir al
mínimo los costos totales de descarga. Tipo
Frec
Veloc.Descarga
– Si aplicaramos la política de que los camiones deben Carga Lb/hr x Cuadrilla
A 40 8000
descargarse el mismo día de su llegada en lugar del B 35 7000
día siguiente, y que la tasa media de llegadas sube a C 25 5000
4 Cam/Día Cuántas cuadrillas se requerirán para
reducir al mínimo los costos totales de descarga.
Asignar Nro
Cuadrillas (NCD) Modelo Simulación
Generar Nro TotCD
Camiones (NCM)
Arriban x Día
C6
Generar Tipo C1
Carga x Camión C5
C2
Generar Peso C3
Carga x Camión NCD
Definir Plan Trabajo 1 2 3 4 5 6
Calcular Costo
Imprimir x Día Descarga (CD) Imprimir Ndias,
Valores Generados Nro Cuadrillas
y Costo Descarga y Costo Total
TotCD=TotCD+CD
Descarga
NDias=NDias + 1
NO SI
Ndias=10 ?
Indicadores Iniciales
• Nro arribos ~ Poisson () o
Tpo entre arribos ~ Exponencial (1/)
• Tiempo servicio ~ Exponencial (1/ μ)
• Por lo tanto :
– Tasa arribo  y tasa de servicio μ
– Factor de ocupación del Stma.  = (/μ)
– Probabilidad que Stma.vacio P0 = 1– (/μ)
– Porcentaje de Tiempo Ocioso del Servicio 100P0
Estructuras de los Sistemas de Cola
• 1cola/1servidor/Pobl.NoFinita  s1 μ
• 1cola/1servidor/Pobl.Finita(k) k  s1 μ
• 1cola/MúltiplesServ.(s)Paralelo/Pobl.NoFinita s1 μ
 s2 μ
s μ
• 1cola/MúltiplesServ.(s)Paralelo/Pobl.Finita(k) s1 μ
k  s2 μ
s μ
• 1cola/MúltiplesServ.(s)Serie/Pobl.NoFinita
μ1 μ2 μs
 s1 s2 s
Determinación de la Probabilidad de que en
el Stma. existan n usuarios
• Sea Pn la probabilidad de que existan n usuarios en el sistema al
final del tiempo t, uno de ellos siendo atendido y los otros esperando
en cola.
• La probabilidad de que llegue 1usuario en el tiempo t es igual a t
• La probabilidad de que 1usuario termine de ser atendido en t es
igual a μt
• Para determinar la probabilidad de que existan n usuarios en el
tiempo t+ t, consideramos lo siguiente:
– Que existan n usuarios al final del tiempo t. que no llegue ni se vaya
nadie en t Pn(t)[1- t][1- μt] ........ (1)
– Que existan n usuarios al final del tiempo t, que llegue y se vaya 1 en t
Pn(t)[t][μt] ..................(2)
– Que existan n-1 usuarios al final del tiempo t, que llegue 1 y no se vaya
nadie en t Pn-1(t)[t][1- μt] ...........(3)
– Que existan n+1 usuarios al final del tiempo t, que no llegue nadie y se
vaya 1 en t Pn+1(t)[1- t][μt] ...........(4)
Continuación ....
• Luego sumando (1)+(2)+(3)+(4) tenemos:
Pn (t+t) = Pn(t)[1- t][1- μt] + Pn(t)[t][μt] + Pn-1(t)[t][1- μt] +
Pn+1(t)[1- t][μt]
2
• Agrupando términos y eliminando los factores (t) , tenemos :
Pn (t+t) - Pn (t) = Pn-1(t) – (+μ) Pn(t) + μPn+1(t)
t
• Pero como el tiempo transcurrido desde la ocurrencia del último evento no tiene
efecto en el tiempo restante hasta que ocurre el evento siguiente (propiedad
“del olvido” de la func. exponencial):
Pn (t+t) - Pn (t) = 0 entonces Pn-1 – (+μ) Pn + μPn+1 = 0
• Finalmente, agrupando términos obtenemos :
Pn+1 = (- /μ)Pn-1 + [ (+μ)/μ ]Pn .................... (β)
Continuación ....
• Similarmente para determinar la probabilidad de que exista un usuario
en el sistema :
– No existen usuarios al final del tiempo t y llega uno en t
P0 (t)[t](1- μt)
– Existe 1 usuario al final del tiempo t, no llega nadie y no se va nadie
en t
P1 (t)[1- t][1-μt]
– Existe un usario al final del tiempo t, llega uno y se va uno en t
P1 (t)[t][μt]
2
• Agrupando términos, eliminando los factores (t) y aplicando la
propiedad “del olvido” tenemos que :
– P0 + μP1 = 0 entonces P1 = (/μ)P0 ...... (δ)
• De (β) y (δ) :
2
– para n=1 P2 = (/μ) P0
3
– para n=2 P3 = (/μ) P0
4
– Para n=3 P4 = (/μ) P0
n
– generalizando Pn = (/μ) P0
Probabilidades relevantes
• Probabilidad de que en el stma. existan más de N usuarios:
P(n>N) = PN+1 +PN+2 +PN+3 +PN+4 .......
N+1 N+2 N+3
= (/μ) P0 + (/μ) P0 + (/μ) P0 + ........
N+1 N+2 N+3
= P0 [(/μ) + (/μ) + (/μ) + ........ ]
N+1 N+1
= P0 [ (/μ) / [1- (/μ)] ] luego P(n>N) =(/μ)
• Probabilidad de que existan n usuarios en cola :
n+1
Pn Cola = Pn+1 Stma entonces Pn cola = (/μ) P0
• Probabilidad de que la cola este vacía :
2
P~ Cola = P0 + P1 entonces P~ Cola = 1 - (/μ)
Sistema: 1 Cola/1 Servidor/Población No
Finita
• Número esperado de usuarios en el sistema (NEUS):

NEUS = Σ i.Pi = 0P0 +1P1+ 2P2+ 3P3+ 4P4+ 5P5+ ....
 s.q.  < 
NEUS 
 
• Número esperado de usuarios en la cola (NEUC):
NEUC = 0P0 +1P2+ 2P3+ 3P4+ 4P5+ 5P6+ ....
2 s.q.  < 
NEUC 
(   )
• Tiempo esperado de paso de un usuario en cola (TEPUC):
TEPUC = (1/ μ)NEUS

TEPUC 
(   )
• Tiempo esperado de paso de un usuario en el sistema (TEPUS):
TEPUS = TEPUC + Tpo.Servicio = /μ(μ-) + 1/ μ
1
TEPUS 
 
Costo de Paralización y de Servicio
• Costo Total de Paralización :
CTP = (TasaArribo)(TpoTurno)(TpoEsperPasoUsuarioStma)(CostoParalizxUnidTpo)
CTP = ( λ ) . ( Tpo ) . ( TEPUS ) . ( CPu )

(cl/ut) ( ut ) ( ut/cl ) ( $/ut ) CT CTAS
• Costo Total de Servicio :

CTS = (TasaServicio) (TpoTurno)(CostoServicioxUsuario)
(cl/ut) (ut) ($/cl)
CTS
CTS = (TpoTurno)(CostoServxUnidTpo) C0
(ut) ($/ut)
• Costo Total de Atención del Sistema CTP

CTAS = CTP + CTS
μ0 μ
Problema de Colas
• Fotografías tomadas desde 1 helicóptero mostraron
que en promedio había 80 autos circulando en el carril
de alta velocidad sobre un tramo de 1 milla de una vía
rápida urbana. En meses recientes habían ocurrido
cierto número de accidentes en ese tramo y que han
sido atribuidos al manejo a corta distancia del auto
delantero. Si para plena seguridad la distancia entre
los autos recomendable debería ser de cuando menos
30 pies, en ese tramo y sobre ese carril, que % de los
autos corre a una distancia demasiado corta del
delantero. Considere que la cantidad de autos sobre
el tramo de la vía en cuestión se ajusta a una
distribución de Poisson.
d2
d1
 = 80 autos/milla
1 milla = 5280 pies
di  30 pies
n ~ Poisson ()

30
P(d < 30) = 0 (80/5280)e- (80/5280)d dd d ~ Expon (1/)
= 1 - e- 30/66 = 0.37
Ptto. el 37% de los autos van a una distancia no recomendable.
Problema 2
• El departamento para caballeros de un gran almacén tiene un sastre
para ajustar los trajes adquiridos por los clientes. Parece que el
número de clientes que solicitan ajustes sigue una distribución de
Poisson con una tasa media de llegadas de 24 cli/hora. Los ajustes se
realizan del tipo primero en llegar primero en ser atendido. Los clientes
siempre desean esperar, ya que las modificaciones son gratis.
Aparentemente el tiempo que se tarda en realizar un ajuste se
distribuye exponencialmente con media 2 minutos entre clientes.
Calcular:
• Número promedio de clientes en la sala de ajustes.

• Cuanto tiempo tiene que esperar un cliente en la sala de ajustes.
• Porcentaje de tiempo que permanece ocioso el sastre.
• Cual es la probabilidad de que un cliente espere los servicios del
sastre más de 10 minutos.
• Cuanto tiempo deben esperar los clientes por los servicios del sastre.
• Tiempo medio entre llegadas:   24 cli 2
hora 5
1 1
• Tiempo medio de servicio:  2 min   
 2
 22 4
• Factor de utilización u ocupación: p      0,8
 5 5
– Número medio de clientes en la sala:
4
p
 5 4

1 p 1 4
5
– Tiempo medio de espera en el sistema:
1 1
  10
  1  2
2 5
– Factor de ocio = 1 – Factor de utilización = 0,2
– El 80 % del tiempo, el sastre está ocupado, y el
20% está ocioso.
– probabilidad de que un cliente espere los servicios

del sastre más de 10 minutos.
1 2
10 (    ) 4 10( 2  5 )
P (t espera > 10)  p  e  e  0,29
5
– Tiempo medio de espera en cola:
4
p
 5 8
(1  p )  (1  4 ) 1
5 2
Problema 3
Una carnicería es atendida por el propietario de la misma.
Aparentemente el patrón de llegada de los clientes durante
los sábados se comporta siguiendo una distribución de
Poisson con una tasa promedio de llegadas de 10 personas
por hora. A los clientes se les atiende siguiendo una política
FIFO, y debido al prestigio de la tienda, los clientes siempre
están dispuestos a esperar su turno. Se estima que el tiempo
que se invierte en atender a un cliente se distribuye
exponencialmente con un tiempo de servicio medio de 4
minutos entre clientes. Obtener:
• Probabilidad de que se cree una cola de espera.

• Longitud media de la cola.
• Tiempo esperado de permanencia en cola por cliente.
• Probabilidad de que un cliente permanezca menos de 12 minutos en
la tienda.
• Tiempo medio entre llegadas: 
10 personas 1 persona 1
 
hora 6 min 6
• Tiempo medio de servicio: 1

 4 min   
1
 4
1
• Factor de utilización:  2
p  6 
 1 3
4
– Existirá cola cuando en el sistema haya
más de 1 cliente. P( N > 1)  1  ( P0  P1 )
1
– Probabilidad de 0 clientes en el sistema: P0  p 0 (1  p ) 
3
21 2
– Probabilidad de 1 cliente en el sistema: P1  p 1 (1  p)  
33 9
– Probabilidad de más de 1 cliente en el 1 2 4

P( N > 1)  1  (  ) 
sistema: 3 9 9
• Longitud media de la cola:
p 2 ( 23 ) 2
4
 
1  p 1 2 3
3
• Tiempo medio de espera en cola:
2
p
 3 8
(1  p )  (1  2 ) 1
3 4
• Probabilidad de que un cliente permanezca
menos de 12 minutos en la tienda:
P(t espera  12)  1  P(t espera  12)
1 1
 
12 (   ) 2 12 ( 4 6 ) 2 1
P(tespera  12)  pe  e  e
3 3
Problema 04
• El empleado de una ventanilla observa que de cada
100 veces que cuenta los clientes frente a el, en 64 de
las veces hay dos o mas clientes. El tiempo promedio
que cada cliente permanece desde que se ubica en la
cola hasta que es atendido es de aproximada-mente 30
minutos. Calcular la probabilidad de que :
– lleguen dos (2) clientes en media hora.
– lleguen entre dos(2) y cinco(5) clientes en media hora.
– transcurra mas de una (1) hora entre el arribo de un cliente y el
siguiente.
Ventanilla
p(n>n0) = 64/100 = (/μ)n0+1 , entonces
p(n> 1) = 64/100 = (/μ)2 , entonces
/μ = 8/10 = 4/5 ….… (1)
Luego TEPUS = 1/ (μ- ) = ½ hora/cliente, entonces

1/ (μ-) = 1 media hora/cliente, entonces
μ- = 1 …….... (2)
Resolviendo (1) y (2) : μ- (8/10) μ = 1 , entonces

μ = 5 cl/hor y  = 4 cl/hor
Finalmente :
a. p(x=2) = (4)2e-4/2! = 8e-4
b. p(2<x<5) = p(x=3) + p(x=4) = (4)3e-4/3! + (4)4e-4/4!

2
c. p(t>2) = 1 - 0 (4)e- 4t dt = 1 - [1- e-8] = e-8
Problema 5
• El inventario de un almacén se agota y se vuelve
a surtir según una distribución de Poisson. Los
tiempos medios entre vaciados y resurtidos son
iguales a 1/μ y 1/ respectivamente. Suponga
que por cada unidad de tiempo que el inventario
esta vacío se incurre en un costo de escasez
(Ce), y en un costo de almacenamiento (Ca) por
cada unidad de tiempo que en el almacén se
mantiene un determinado inventario. Si Ce > Ca,
determine:
– Una expresión para el costo total esperado por unidad
de tiempo
– El valor óptimo de  =  /μ
tpo. surtir inventario = 1/ ~ Exp
tpo. agotar inventario = 1/μ ~ Exp
CT inventario = Costo escasez + Costo almacenamiento
= P0 * Ce + Inventario*Ca
= (1- /μ)(Ce) + (NEUS)(Ca)
= (1-)Ce + [ /(μ-  )]Ca
= (1- )Ce + [ /(1- )]Ca
= [(1- )2Ce +  Ca]/(1- )
dCTi = [2(1- )(Ce)(-1)+Ca](1- ) - (-1)[(1- )2Ce+  Ca]
d (1- )2
dCTi = [-2(1- )2(Ce)+Ca(1- ) +(1- )2Ce+  Ca

d (1- )2
dCTi = Ca - (1- )2Ce = Ca - Ce para determinar el  óptimo hacemos

d (1- )2 (1- )2
dCTi = 0 entonces Ca - Ce = 0 luego (1- )2 = Ce/Ca  = 1 - Ca

d (1-)2 Ce
Problema 6
• En un consultorio médico los pacientes
toman asiento en la sala de espera hasta que
les corresponda su turno de atención. En
promedio llegan 4 pacientes por hora según
una distribución de Poisson, y entre cada
atención transcurre un tiempo promedio de
12 minutos, según una distribución
Exponencial. Cuantas sillas como mínimo
serán necesarias en la sala de espera para
que se tenga un 90% de probabilidad o más
de que todos los pacientes esperen
sentados.
Problema 7
• A un cajero automático llegan 3 tipos diferentes de
clientes. Clientes de retiro, de deposito y de consulta.
Los de retiro se ha determinado llegan 12 cli/hora
promedio y son atendidos a razón de 2 min/cli
promedio; los clientes de deposito arriban en un
tiempo promedio de 5 cli/hora y demoran 3 min/cli en
realizar su operación como tiempo promedio. Los
clientes de consulta llegan en promedio 8 cli/hora y la
realizan en un promedio de 1 min/cli . Si todas las
llegadas se ajustan a una distribución de Poisson y
todos los tiempos entre servicios a una distribución
exponencial, hallar la probabilidad de que no existan
usuarios en cola.
Problema 8
• Los automoviles llegan a una caseta de peaje según una
distribución de Poisson con media de 90 autos/hora. El tiempo
promedio de atención en la caseta es de 38 segundos. Los
choferes se quejan por el tiempo de espera y los cobradores
están dispuestos a disminuir a 30 segundos el tiempo de
atención introduciendo un nuevo mecanismo automático. Los
responsables consideran que la introducción de este
mecanismo se justificaría si con el sistema anterior el número
promedio de autos que esperan excede a 5 y además el tiempo
ocioso de la caseta no deberá ser 10% mayor. ¿Se justifica esta
mejora?
Preguntas sobre el
sistemas de colas …

Simulacion 2013

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Simulacion 2013

Încărcat de

Drepturi de autor:

Formate disponibile

SIMULACIÓN DE SISTEMAS

Ing. Luis Zuloaga Rotta

• Conjunto de entidades u objetos

Datos del entorno

• Para la posibilidad de encontrar alternativas de

Diagrama de Nivel Cero

Diagrama de Primer Nivel

• Output – Control feedback

• Output – Input feedback

EJEMPLO: Generar 2 números aleatorios de módulo 8

• m = 10d y d 4 (d # de bits de una palabra del computador)

Ej: Trompo f(x) = (1/3)x(2/3)1-x

X=4 X=2 X=1 X=5 X=0 x ~ Poiss()

Si ti ~ Exp(1/) entonces t = - (1/)ln(1-#r)

Entonces si M = 2 y g(x)= 2x/2 = x

• Ejemplo2: Sea f(x)= 2x/9 una fdp para 0 ≤ x ≤ 3

Entonces si M=2/3 y g(x)= (2x/9)/(2/3)= x/3

Entonces si M = 12/7 y g(x)=(3x2/7)/12/7 = g(x)= x2/4

• Definir una distribución de probabilidad para cada

• Obtener la distribución acumulada de las áreas vrs

• Determinamos f1(x) y f2(x) como fdp.

• Expresamos la distribución original como:

Donde : (1 –  ) es el nivel de significancia, y

• Formule la hipótesis 10  t <12 8

(1/) = (ti.fo)/ fo = 714/150 = 4.76 entonces  = 0.21

SI COLA =0 ? NO COLA =0 ? TS =TS - 1 TS = TS - 1

Tiempo de RELOJ < SUMTA COMPARAR

TA3 =TA3 – TE1

Definir Plan Trabajo 1 2 3 4 5 6

• Número esperado de usuarios en el sistema (NEUS):

CTP = ( λ ) . ( Tpo ) . ( TEPUS ) . ( CPu )

• Costo Total de Servicio :

• Costo Total de Atención del Sistema CTP

• Número promedio de clientes en la sala de ajustes.

– probabilidad de que un cliente espere los servicios

• Probabilidad de que se cree una cola de espera.

• Tiempo medio de servicio: 1

– Probabilidad de más de 1 cliente en el 1 2 4

Luego TEPUS = 1/ (μ- ) = ½ hora/cliente, entonces

Resolviendo (1) y (2) : μ- (8/10) μ = 1 , entonces

dCTi = [-2(1- )2(Ce)+Ca(1- ) +(1- )2Ce+  Ca

dCTi = Ca - (1- )2Ce = Ca - Ce para determinar el  óptimo hacemos

dCTi = 0 entonces Ca - Ce = 0 luego (1- )2 = Ce/Ca  = 1 - Ca

S-ar putea să vă placă și