UNIDAD 1.- Introduccin a la Simulacin de eventos discretos 1.1 Introduccin WHAT IS SIMULATION?

Computer simulation is the discipline of designing a model of an actual or theoretical physical system, executing the model on a digital computer, and analyzing the execution output. Simulation embodies the principle of ``learning by doing'' --- to learn about the system we must first build a model of some sort and then operate the model. The use of simulation is an activity that is as natural as a child who role plays. Children understand the world around them by simulating (with toys and figurines) most of their interactions with other people, animals and objects. As adults, we lose some of this childlike behavior but recapture it later on through computer simulation. To understand reality and all of its complexity, we must build artificial objects and dynamically act out roles with them. Computer simulation is the electronic equivalent of this type of role playing and it serves to drive synthetic environments and virtual worlds. Within the overall task of simulation, there are three primary sub-fields: model design, model execution and model analysis (see Fig. 1). The chapter annotations in Fig. 1 relate to the author's recent simulation textbook (see the section READ MORE ABOUT IT) which focuses on the first two sub-fields.

Figure 1: Three Sub-Fields of Computer Simulation. To simulate something physical, you will first need to create a mathematical model which represents that physical object. Models can take many forms including declarative, functional, constraint, spatial or multimodel. A multimodel is a model containing multiple integrated models each of which represents a level of granularity for the physical system. The next task, once a model has been developed, is to execute the model on a computer --- that is, you need to create a computer program which steps through time while updating the state and event variables in your mathematical model. There are many ways to ``step through time.'' You can, for instance, leap through time using event

scheduling or you can employ small time increments using time slicing. You can also execute (i.e., simulate) the program on a massively parallel computer. This is called parallel and distributed simulation. For many large-scale models, this is the only feasible way of getting answers back in a reasonable amount of time. Simulation of a system can be done at many different levels of fidelity so that whereas one reader will think of physics-based models and output, another may think of more abstract models which yield higher-level, less detailed output as in a queuing network. Models are designed to provide answers at a given abstraction level --- the more detailed the model, the more detailed the output. The kind of output you need will suggest the type of model you will employ. An example of graphical output from a physically-based model (generated using the program AERO is shown as a stereo pair of ``rigid bodies'' in Fig. 2). You can view this stereo pair without the use of external viewing aids, by diverging the eyes .

Figure 2: Falling cans stereo pair.

1.2 Definiciones y Aplicaciones SIMULACION DE EVENTOS DISCRETOS Modelado de un sistema en trminos de sus estados en cada instante de tiempo y de varios eventos cuya ocurrencia provoca un cambio en los estados del sistema. ENFOQUES A LA SIMULACION DE EVENTOS DISCRETOS: a) Programacin de eventos. La concentracin es en los eventos y su impacto en el estado del sistema. b) Interaccin de procesos. La concentracin es en una entidad y la secuencia de eventos y actividades que realiza mientras 'vive' en el sistema. A manera de recordatorio de los conceptos bsicos de simulacin de sistemas orientadas a eventos, se presenta la Tabla 1. Con referencia a esta tabla y debido a que es de inters los sistemas dinmicos, es importante mencionar que los siguientes elementos son funcin del tiempo: Estado, Atributos de entidades, Nmero de entidades activas, Contenido de las colas, Actividades, Retrasos. Esto implica que debe haber un mecanismo que lleve registro de todos estos elementos a lo largo de una simulacin. Este mecanismo se le llama RELOJ de la simulacin, el cual se explicar ms adelante. La definicin de los componentes del modelo porporciona una relacin esttica del mismo; sin embargo, las relaciones dinmicas son necesarias conocerlas para la simulacin. Para ello es necesario definir lo siguiente: Evento Estado, atributos de entidades y contenido de las colas.

Definicin Determinstica o Estocstica de actividades Qu evento marca el fin o inicio de una actividad Qu actividad inicia en funcin del estado del sistema Qu eventos producen retrasos (inicio / fin) Condiciones iniciales del sistema

Concepto Sistema Modelo

Definicin Coleccin de entidades que interactan entre s a lo largo del tiempo para realizar uno o varios objetivos. Representacin abstracta de un sistema (relaciones lgicas y/o matemticas) para describir al sistema en trminos de sus estados, entidades y sus atributos, conjuntos o colas, eventos, actividades y retrasos. del Una coleccin de variables que contiene toda la informacin necesaria para descrbir al sistema en cualquier instante de tiempo. Cualquier objeto o componente que requiere una representacin explcita en el modelo. Las propiedades de una entidad dada (priori-dad de un cliente esperando, ruteo de una pieza en un taller, etc.). Una coleccin (permanente o temporal) de entidades asociadas, ordenadas en una forma lgica (FIFO, LIFO, cola con prioridad, etc.). Una ocurrencia instantnea que cambia el estado del sistema (llegada de un nuevo cliente). Un intervalo de tiempo especfico (tiempo de servicio o tiempo entre arribos) cuya duracin es conocida y cundo inicia (an cuando sea aleatoria). Un intervalo de tiempo de duracin no especificada, cuya duracin no se conoce hasta que acaba (retraso de un cliente en una cola esperando su turno).

Estado Sistema Entidad Atributos

Conjunto o Cola

Evento Actividad

Retraso

Tabla 1. Elementos constitutivos de un sistema. 1.3.Estructura y caracterstica de la simulacin de eventos discretos. La simulacin de eventos discretos es un de las herramientas de programacin mas utilizadas en la actualidad debido a su estructura mas fcil y rpida de aprender. Adems de la disponibilidad de los lenguajes de propsito especial SIMULACION DE EVENTOS DISCRETOS

Modelado de un sistema en trminos de sus estados en cada instante de tiempo y de varios eventos cuya ocurrencia provoca un cambio en los estados del sistema. ENFOQUES A LA SIMULACION DE EVENTOS DISCRETOS: a) Programacin de eventos. La concentracin es en los eventos y su impacto en el estado del sistema. b) Interaccin de procesos. La concentracin es en una entidad y la secuencia de eventos y actividades que realiza mientras 'vive' en el sistema. A manera de recordatorio de los conceptos bsicos de simulacin de sistemas orientadas a eventos, se presenta la Tabla 1. Con referencia a esta tabla y debido a que es de inters los sistemas dinmicos, es importante mencionar que los siguientes elementos son funcin del tiempo: Estado, Atributos de entidades, Nmero de entidades activas, Contenido de las colas, Actividades, Retrasos. Esto implica que debe haber un mecanismo que lleve registro de todos estos elementos a lo largo de una simulacin. Este mecanismo se le llama RELOJ de la simulacin, el cual se explicar ms adelante. La definicin de los componentes del modelo porporciona una relacin esttica del mismo; sin embargo, las relaciones dinmicas son necesarias conocerlas para la simulacin. Para ello es necesario definir lo siguiente: Evento Estado, atributos de entidades y contenido de las colas.

Definicin Determinstica o Estocstica de actividades Qu evento marca el fin o inicio de una actividad Qu actividad inicia en funcin del estado del sistema Qu eventos producen retrasos (inicio / fin) Condiciones iniciales del sistema LISTA DE EVENTOS FUTUROS

La simulacin de eventos discretos produce un conjunto de FOTOS que representan la evolucin del sistema en el tiempo. Cada una de ellas contiene la informacin sobre los estados del sistema, los eventos que van a ocurrir en el futuro, el registro del tiempo, las estadsticas que se necesiten para el criterio de desempeo, etc. Un elemento clave para toda simulacin de eventos discretos es la LISTA DE EVENTOS FUTUROS, la cual consiste de llevar un registro sobre cul evento se va a iniciar o terminar y en qu instante de tiempo ocurrir. A continuacin, se presenta una foto ejemplificando esto. reloj t Estado (x,y..) entidad atributos c. 1 c.2 ... LEF (3,t 1) (1,t 2) ... estadsticas L, W, ...

(2,t n) Tabla 6.2. Foto de una simulacin, mostrando la lista de eventos futuros. El avance del tiempo y la garanta de que todos los eventos ocurran en su orden correcto cronolgico depende de la LISTA DE EVENTOS FUTUROS (LEF). Esta lista contiene todos los eventos programados que van a ocurrir en el futuro. Programar un evento quiere decir que cuando se inicia una actividad, se calcula su duracin y el evento fin de actividad junto con su instante de ocurrencia se mete a la LEF. Esta lista contiene a los eventos ordenados en orden cronolgico:
t t 1 t 2 ... t n ...

El evento asociado a t1 se le conoce como el evento inminente. Cuando el reloj avanza a este instante, se produce otra foto y as sucede hasta acabar la simulacin. Al mecanismo encargado de mover el reloj y construir una nueva foto se le conoce como algoritmo de programacin de eventos y avance de tiempo. Las operaciones que se pueden realizar sobre la LEF son: a) remocin del evento inminente, b) adicin de un nuevo evento y, c) remocin de un evento cancelado. La LEF es una lista ordenada con algoritmos muy eficientes de bsqueda y recorrido Ejemplo de avance de tiempo y actualizacin de fotos. Para fines de ejemplo, considere la foto mostrada en la Tabla 6.3: reloj estado ... LEF

(5,1,6)

...

(3,t1) - evento tipo 3 en t1 (1,t2) - evento tipo 1 en t2 (1,t3) - evento tipo 1 en t3 . .

Tabla 6.3. Foto mostrando el estado de la simulacin, antes de la ocurrencia de un nuevo evento. El algoritmo de avance de tiempo y programacin de eventos operara de la siguiente manera: paso 1. paso 2. paso 3. paso 4. Remover el evento inminente (3,t1) de la LEF. Avanzar el reloj al tiempo de ocurrencia del evento inminente t1. Ejecutar el evento inminente: actualiza estado, atributos y colas (si es necesario). Generar eventos futuros (si es necesario) y localizarlos en la LEF. Ejemplo: evento 4 ocurrir en t*, donde t2<t*<t3. El resultado de esta ocurrencia en la LEF se ilustra en la Tabla 6.4. Actualizar estadsticas y contadores. reloj t1 estado (5,1,5) ... ... LEF (1,t2) - evento tipo 1 en t2 (4,t*) - evento tipo 4 en t* (1,t3) - evento tipo 1 en t3 . .

paso 5.

Tabla 6.4. Actualizacin de la LEF, despus de la ocurrencia del evento 4. Toda simulacin debe tener un evento de paro, el cual define cunto tiempo Tp durar la simulacin. Hay dos formas de programar un paro, a saber: 1. Al inicio, se programa un evento PARO en un tiempo futuro Tp, detrminando el intervalo de tiempo de la simulacin [0,Tp]. 2. Tp lo determina la misma simulacin, de tal manera que en este instante ocurre un evento prespecificado. Por ejemplo, Tp indicara la llegada del cliente nmero 100 a la cola. EJEMPLOS DE SIMULACION DE EVENTOS DISCRETOS

Ejemplo 1. Cola de un slo canal. Considere una tienda con una sla caja. Los clientes llegan a la caja aleatoriamente separados entre 1 y 8 minutos, con la misma probabilidad (tabla 6.5). El tiempo de servicio vara entre 1 y 6 minutos, de acuerdo con la probabilidad mostrada en la tabla 6.6. En la tabla 6.7 se muestran los nmeros aleatorios que se usarn en esta simulacin. Simular el comportamiento del sistema para 60 minutos.

tiempo entre arribos (minutos) 1 2 3 4 5 6 7 8

probabilidad 0.125 0.125 0.125 0.125 0.125 0.125 0.125 0.125

probabilidad acumulada 0.125 0.250 0.375 0.500 0.625 0.750 0.875 1.000

nmeros aleatorios 001-125 126-250 251-375 376-500 501-625 626-750 751-875 876-000

Tabla 6.5. Distribucin de tiempos de arribos. Tiempo de servicio (minutos) 1 2 3 4 5 6 probabilidad acumulada 0.10 0.30 0.60 0.85 0.95 1.00 nmeros aleatorios 01-10 11-30 31-60 61-85 86-95 96-00

probabilidad 0.10 0.20 0.30 0.25 0.10 0.05

Tabla 6.6. Distribucin de tiempos de servicio. Cliente 1 2 3 # aleatorio para tiempo entre arribos 913 727 # aleatorio para tiempos de servicio 84 10 74

Cliente 4 5 6 7 8 9

# aleatorio para tiempo entre arribos 015 948 309 922 753 235

# aleatorio para tiempos de servicio 53 17 79 91 67 89

1.4 Sistemas, Modelos y Control Un modelo es la representacin explicita de lo que uno extiende de una situacin, puede expresarse en smbolos, matemticas pero en esencia es una descripcin de entidades procesos o atributos pero relacionados entre ellos. Puede ser descriptivo o ilustrativo pero sobre todo til Clasificaciones de los modelos: Mecnico, Mental/Verbal, Analtico y Simulacin El decisor debe identificar cul es el tipo de modelo que mejor se adecua al problema de decisin. Es por eso que analizaremos una clasificacin de los modelos antes de entrar en el proceso de construccin del modelo. Si bien la IO/CA se concentra principalmente en los modelos matemticos, los otros tipos de modelos tambin prevalecen en la prctica. Los modelos pueden clasificarse segn sus caractersticas, como sus tipos, evolucin en el tiempo y disponibilidad de informacin, como se ilustra, por ejemplo, en la siguiente figura.

Una clasificacin de los modelos Los modelos icnicos son usualmente estticos por naturaleza, como el billete de un dlar. Los modelos anlogos tambin son fsicos; sin embargo, aunque fueron diseados para actuar como la realidad habitualmente no se le parecen. Son en su mayor parte modelos mecnicos. En cambio, las actividades de negocios son procesos dinmicos. El negocio es un proceso que sigue patrones matemticos. Por lo tanto, puede representarse mediante modelos simblicos (es decir, algebraicos, numricos, lgicos). Entre los modelos simblicos encontramos una gran clase, conocidos como modelos matemticos y de simulacin por computadora (computer simulation). Modelos mecnicos: El modelo que adopta la apariencia fsica del objeto que debe representar se llama modelo fsico. Este tipo de modelo se usa para mostrar o probar el diseo de elementos, desde nuevas construcciones hasta nuevos productos. En la industria de la aviacin, se construyen modelos a escala de las nuevas aeronaves que se prueban en tneles de viento para registrar la aerodinamia del diseo. El fabricante de repuestos automotrices puede tener un modelo a escala tridimensional del piso de la planta, completo con mquinas y equipos en miniatura, para poder analizar un nuevo diseo de la distribucin. Las mquinas en el modelo pueden reubicarse y estudiarse nuevas distribuciones con el objeto de mejorar el flujo de materiales. Los modelos mecnicos ofrecen la ventaja de que pueden usarse para experimentar. En el ejemplo de la aeronave, los ensayos con un diseo diferente quizs impliquen construir un modelo completamente nuevo. Adems de la ventaja de la experimentacin, los modelos mecnicos lcidamente describen el problema o sistema que se est estudiando; resultan tiles para generar alternativas innovadoras de diseo con el objeto de resolver el problema de decisin. No obstante, slo una clase de

problemas relativamente pequea puede resolverse con modelos mecnicos. Algunos ejemplos de problemas que no pueden analizarse con modelos mecnicos son la seleccin de carteras, la seleccin de medios y la planificacin de produccin. Bsicamente, los modelos mecnicos son tiles slo para los problemas de diseo, e incluso en algunos de estos casos se puede hacer un anlisis ms eficiente y completo con modelos matemticos que puedan correrse en computadora. Adems, estos modelos mecnicos no contienen relaciones explcitas entre las alternativas de decisin y las variables y objetivos dependientes, debiendo usarse mtodos de prueba y error para resolver el problema. Si bien esto, de por s, no es una terrible desventaja, el proceso de prueba y error, sumado a la necesidad de reconstruir el modelo con cada cambio de diseo, puede demandar mucho tiempo y muchos gastos, en algunos casos. Modelos mentales/verbales: El modelo verbal es la traduccin del modelo mental. As, el modelo mental/verbal expresa todas las relaciones funcionales entre las variables de un pasaje. Por ejemplo, consideremos al gerente de publicidad de una compaa que fabrica cereal y que hace la siguiente afirmacin en relacin con los comerciales de televisin del sbado a la maana: "Un spot de 20 segundos tiene mucho ms impacto en nuestro target de audiencia que uno de 15 segundos". En este ejemplo, las distintas duraciones del comercial son las alternativas de decisin; el "impacto"-que podemos inferir tiene que ver con la propensin de los padres de los televidentes a comprar el cereal de la compaa-es la variable dependiente. De este modo, tenemos una relacin entre las alternativas de decisin y una variable dependiente que est relacionada con los objetivos de la compaa. Estos modelos se utilizan ampliamente en el mundo de los negocios y ofrecen la ventaja de ser fciles de entender. Con frecuencia son el afloramiento de muchos aos de experiencia gerencial y sirven para resumir esa experiencia en lenguaje comprensible. Sin embargo, los modelos mentales/verbales tienen una serie de deficiencias. El decisor no puede experimentar con ellos, tampoco indican especficamente cmo cambian los resultados o las medidas de su eficacia segn la alternativa de decisin de que se trate. En el modelo mental/verbal precedente no sabemos cunto ms impacto tiene un comercial de 20 segundos versus uno de 15 segundos. La otra desventaja es que no es fcil mostrar cmo cambian las relaciones segn la alternativa de decisin. Si construyramos un modelo mental/verbal que respondiera estas preguntas con todas las duraciones posibles del comercial, tendramos un modelo mental/verbal muy extenso que sera difcil de entender y no se podra experimentar. No obstante, los modelos mentales/verbales pueden jugar un rol importante

en el proceso de decisin. Pueden usarse para verbalizar estrategias de decisin logradas con modelos ms sofisticados. Modelos analticos: Los modelos analticos son modelos matemticos, destinados a hacer una cierta simplificacin y abstraccin de sistemas reales, para poder obtener ms informacin y para entender algn aspecto de inters de la realidad. . Sin embargo, debiera conectarse la modelizacin de la realidad por abstraccin con problemas y dominios reales, y practicarse mediante la verificacin y/o la validacin. Estos tipos de modelos se aplican principalmente en los sistemas estticos y/o deterministas. En comparacin con los modelos mecnicos, los modelos matemticos facilitan la experimentacin, porque todas las variables dependientes, las variables independientes, las constantes y los parmetros estn explcitamente relacionados por el lenguaje de la matemtica. El decisor puede poner a prueba los efectos de las diferentes alternativas de decisin, las constantes y los valores de los parmetros en las variables dependientes con mucha ms facilidad que con cualquier otro tipo de modelo. Adems, los modelos matemticos pueden representar muchos problemas complejos de modo eficiente y conciso y, en muchos casos, pueden ser la manera ms barata de analizar los problemas. Es por estas razones que vamos a analizar los distintos modelos matemticos y las tcnicas de solucin que se usan con ms frecuencia en la prctica. Los procedimientos de solucin pueden ser de pasada nica o iterativos. El procedimiento de solucin de pasada nica es aqul en el que los valores finales de todas las variables de decisin se determinan simultneamente, de acuerdo con algn procedimiento bien definido. La tcnica de solucin iterativa, por otra parte, es aqulla en que se requiere una serie de pasos para arribar a una solucin final y donde en cada paso se reciben soluciones parciales o completas. Con frecuencia se necesitan variables discretas o continuas para algn determinado problema. Finalmente, la ptima es aqulla que puede demostrarse que es por lo menos tan buena como cualquier otra, dadas las presunciones del modelo, mientras que la solucin satisfactoria es la que se considera "buena" con respecto a los objetivos y las restricciones, pero que sin embargo no se puede demostrar que es la mejor. De este modo, si en el ejemplo previo del modelo normativo-esttico-determinista, las variables de decisin son continuas, las relaciones son lineales y se desea hallar la solucin ptima, la lista de tcnicas de solucin potenciales para el modelo se reduce a slo una: la programacin lineal. Entonces, ahora pueden identificarse una o ms alternativas viables para la metodologa de solucin y puede comenzar la formulacin del modelo.

Modelos de simulacin: El grado de abstraccin que tienen los modelos matemticos es un impedimento definido para su aceptacin por parte de los gerentes. No es de sorprender que exista resistencia entre gerentes que no han recibido suficiente capacitacin o exposicin a estos modelos, y tambin entre gerentes que s estn capacitados pero que no tienen tiempo para prestar la debida atencin al modelo. Los modelos matemticos usan el lenguaje simblico de la matemtica que tiene sus propias limitaciones. Los modelos anlogos tambin son fsicos; si bien estn diseados para actuar como la realidad habitualmente no se le parecen. Los modelos pueden ser demasiado complejos (como, por ejemplo, el de un aeropuerto internacional) no pudiendo ser resueltos con eficiencia, y requiriendo groseras simplificaciones del problema real para poder llegar a una buena solucin estratgica. En tales circunstancias, el problema que queda "resuelto" ya no se asemeja al problema original y de implementarse la solucin podra resultar en efectos desastrosos en la organizacin. Una seleccin apropiada del tipo de modelo y de la tcnica de solucin debiera minimizar este tipo de error. Los modelos de simulacin son las duplicaciones computarizadas de los sistemas reales y, de lejos, son mucho ms realistas, en especial en la modelizacin de sistemas dinmicos y/o probabilsticos, como el de un aeropuerto internacional. La importancia de la realimentacin y el control: Es necesario hacer nuevamente nfasis en la importancia que tiene pensar en los aspectos de realimentacin y control en un problema de decisin. Sera un error en el anlisis del contexto del proceso de decisin en IO/CA ignorar el hecho de que jams encontraremos una solucin inmutable al problema de decisin de negocios. La misma naturaleza del medio donde se toma la decisin es de cambio, y por lo tanto, la realimentacin y el control son una parte importante del contexto del proceso de modelizacin en IO/CA. Validacin del modelo: La validacin es el proceso de comparacin de la salida del modelo con el comportamiento del fenmeno; es decir, compara la ejecucin del modelo con la realidad. Validar tiene que ver con la siguiente pregunta: "Estamos construyendo el modelo correcto?" La validacin slo puede demostrarse en relacin con algn uso pretendido del modelo. No hay duda de esto, ya que ningn modelo puede capturar siempre perfectamente todos los detalles de un sistema real (ni tampoco queremos que lo haga). De hecho, tradicionalmente tampoco querramos capturar todas las partes de la realidad en un modelo nico (no parsimonioso). Slo se puede decidir qu tipo y grado de desviacin entre el modelo y la realidad es aceptable en relacin con el marco al cual se lo va a destinar.

Verificacin del modelo: La verificacin es el proceso de comparacin entre el programa informtico y el modelo para garantizar que el programa sea la implementacin correcta del modelo. Durante la verificacin, se controla la implementacin informtica del modelo. Para aprender efectivamente sobre el proceso de toma de decisiones estratgicas acertadas es muy til contar con apoyo informtico, que asegura al usuario los procesos de Anlisis de Sistemas, Diseo y Control que necesita para tomar decisiones estratgicas acertadas, sin importar si el usuario es un novato o un experto en la organizacin. SISTEMA: Coleccin de objetos relacionados entre s, cada uno de los cuales se caracteriza por sus propiedades relacionadas entre s, provocando cambios en el sistema. SISTEMA Atributo propiedades de entidad Evento ocurrencia en tiempo que modifica el estado Actividad intervalo de tiempo especfico Retraso intervalo de tiempo de duracin no conocida CLASIFICACIN DE SISTEMAS a) NATURALEZA DE LOS EVENTOS: Estocsticos Determinsticos b) APARICIN DEL TIEMPO Estticos Dinmicos COMPONENTES DE UN SISTEMA

Modelos de simulacin Dinmicos vs. Estticos Si interviene el tiempo o no (fbrica/localizacin) Continuos vs. Discretos Si cambia el estado del sistema continuamente o no (proceso qumico/restaurante) Estocsticos vs. Deterministas Si los valores de entrada son aleatorios o no (banco/fabricacin flexible) De ciclo abierto vs. De ciclo cerrado Si la estructura del sistema es abierta o no (supermercado/ciclo de vapor)

1.5.Mecanismos de tiempo fijo y tiempo variable 1.6 Etapas de un Proyecto de simulacin 1.6.1. Formulacin del problema 1.6.2. Anlisis y recoleccin de 1.6.2.1.1. datos 1.6.3. Desarrollo del modelo DESARROLLO DE MODELOS ES MUCHO MAS FACIL ASI: LAS LEYES DE LA FISICA PERTENECEN AL SISTEMA EXISTEN FORMAS DE REPREESNETAR LO GRAFICAMENTE LA VARIEDAD DE INFORMACION ELEMENTOS Y RESULTADOS A PROCESAR SON CONTROLABLE PERO EN LOS SIGUIEBNTES COMPLEJOS: POCAS LEYES FUNDAMENTALES DISPONIBLES MUCHOS ELEMENTOS BASICOS DIFICILES DE PROCESAR TOMA DE DECISIONES POR PARTE DE PERSONAS EN EL SISTEMA ALGUNOS ELEMENTOS SIGNIFICATIVOS SON DE AZAR

1.6.4. Verificacin y validacin 1.6.5. Experimentacin y optimizacin 1.6.6. Experimentacin de resultados UNIDAD 2.- Nmeros Aleatorios y Pseudoaleatorios 2.1Nmeros aleatorios definicin propiedades, generadores y tablas Generacin de nmeros aleatorios En simulacin de sucesos discretos, la primera etapa consiste en generar nmeros aleatorios que nos permitan crear los sucesos a simular (generacin de valores de entrada). El procedimiento general para generar tales nmeros ser: primero generar nmeros aleatorios que se originen a partir de la distribucin uniforme: y aplicarles una transformacin que los convierta en los nmeros aleatorios deseados para utilizarlos en la simulacin. Generacin de nmeros aleatorios: tienen que ser independientes e idnticamente distribuidos segn U (0, 1). Los nmeros aleatorios aparecen tpicamente en ciertos procesos fsicos (ruleta, lotera, 5 ltimos dgitos del DNI, etc.). Son muy costosos de conseguir y de reproducir. Nos conformaremos con generar nmeros pseudo-aleatorios: en apariencia idnticos a los realmente aleatorios y muy poco costosos de generar (provienen de un procedimiento algortmico).

Suelen estar basados en generadores congruenciales. Recordar que x = y mod m si x e y dan el mismo resto al dividir por m. 2.2.Nmeros Pseudo aleatorios propiedades Generacin de nmeros pseudo-aleatorios Dadas constantes enteras positivas a, b y m y un valor inicial o semilla, x0, la generacin de nmeros pseudo-aleatorios, uk, se obtiene como: xk+1 = (axk + b) modm uk+1 = xk+1 m Para que la sucesin de nmeros se parezca cada vez ms a la uniforme, m tiene que ser ms grande, pero por limitaciones, no puede ser ms grande que el tamao del mayor entero que pueda almacenar un ordenador, por lo que tpicamente m _ 231. Un problema de esta generacin es la aparicin de ciclos: una vez que un valor de x se repite, los valores siguientes en la sucesin tambin. Dado que los posibles valores de x son finitos, el ciclo siempre se va a producir, por lo que hay que intentar que los ciclos sean lo ms largos posibles, esto es, ms prximos al valor de m. Para conseguir que el ciclo sea m, es necesario que se satisfagan las siguientes condiciones: 1. b y m tienen que ser primos entre s. 2. a 1 tiene que ser mltiplo de p para cualquier p primo divisor de m. 3. a 1 tiene que ser mltiplo de 4 si m es mltiplo de 4. En la prctica se suele tomar b = 0 para simplificar los clculos. Si b = 0 entonces, para conseguir que el ciclo sea m, es necesario que se satisfagan las siguientes condiciones: 1. m tiene que ser primo. 2. ai 1 tiene que ser mltiplo de m para i = m 1 pero no para i < m 1. Diversos programas de software soportan la generacin de datos uniformes. Habitualmente utilizan, a = 16807, b = 0, m = 231 1. a = 6303600167, b = 0, m = 231 1. a = 65539, b = 0, m = 231. Una vez generados los nmeros pseudo-aleatorios hay que comprobar (aunque no se suele hacer) que se parecen a los realmente aleatorios. Hay que comprobar que los datos se distribuyen como una U (0, 1) mediante contrastes de bondad de ajuste (Kolmogorov-Smirnov, 2, . . . ). Hay que comprobar que los datos son independientes mediante contrastes de independencia (tests de rachas, basados en autocorrelaciones, . . . ). Cmo generar datos que procedan de una distribucin distinta a la U (0, 1)?

Software especfico. Simulacin Monte Carlo. La generacin de nmeros no uniformes se obtiene a partir de nmeros uniformes. En muchas ocasiones es til el siguiente resultado: Si u es un nmero uniforme, entonces x = F1(u) se distribuye segn la funcin de distribucin F. 2.2.1 Tcnicas para Generar nmeros Pseudo aleatorios 2.2.1.1 Mtodos de Centros al Cuadrado 2.2.1.2 Mtodos de Congruencia: multiplicativo y mixto 2.3 Pruebas de Aleatoriedad 2.4 Mtodo de Monte Carlo Introduccin El metodo de monte carlo es muy usado es los lenguajes de programacin ya que se usa para hallar la probabilidad de un suceso, el trabajo que les presento explica el Metodo Monte Carlo , usado en la simulacin de la mecanica estadistica.. Esperando su sugerencia . Pedidos del libro de TRUCOS PARA PC(consta de 150 pg con trucos para Windows e internet que ni te imaginas) Monte Carlo simulacin puede inspeccionarse como un mtodo de resolver ecuaciones integrales. Considere el problema de calcular el valor medio real-valor funcin T(x) definido sobre un espacio : de un

(1) Cada valor x es una posiblemente multidimensional cantidad caracterizando el estado del sistema. La funcin f es una funcin de densidad de probabilidad (PDF) determinado la probabilidad ese que el estado del sistema yace entre x y x+dx. Una estimacin de Monte Carlo de es obtenida por dibujar al azar N

muestras desde la distribucin f. Muestra desde f medios esta probabilidad de elegir un muestreo x* desde el intervalo (x,x+ x) es f(x) x. El Monte Carlo de estimacin es dada por

(2)

Este, la intratable integral, Ecuacin 1, es reemplazado por una suma finita. La estadstica bondad o fiabilidad de la estimacin depende de ambos tamao de muestreo N y la variabilidad del la estimacin T(x) que es descrita por la variancia

(3) Debajo condiciones suficientemente generales, el teorema del limite central

muestra que para grandes N, es aproximadamente una distribucin normal con significados de cero y una varianza de uno. Simblicamente:

(4) Donde P(x) denota la probabilidad de suceso x. Por ejemplo, la probabilidad esa yace dentro de el intervalo es 0.95.

La ecuacin 4 implica esta precisin de la estimacin aumenta con la raz cuadrado del nmero de historias. Ese, para cada dgito adicional de importancia, el nmero de historias debe aumentarse un ciento. La tctica bruta de fuerza de N creciente para mejorar precisin rpidamente alcanza el punto de cifras decrecientes. Practica las tcnicas de reduccin de varianza, discutidas en la Seccin VI, apuntadas a reducir la varianza por la unidad de calcular esfuerzo, por alterar los marcando y muestra procedimientos. 2. Implementacion practica de una simulacin de Monte Carlo Hasta ahora, la meta de este captulo ha sido desarrollar las herramientas matemticas necesitadas atacar el problema de escoger el fotn al azar las trayectorias del ncleo de dispersin (Ecuacin 20). Nosotros discutiremos ahora mtodos prcticos de generar foton historias. A. Sistema Coordenadas

El sistema coordenada para describir colisin sitios y foton vuelo de las trayectorias. Para designar la situacin espacial de sitios de la colisin r, la usual coordenada cartesiana r=(x,y,z) son usadas. Los tres cosenos directores (u,v,w) con respecto a los ejes x, y, y z constituye la anotacin ms eficaz por describir la direccin . Los cosenos directores son relativas a las coordenadas esfricas angulares usuales (donde denota el ngulo polar) por;

Una ventaja de esta anotacin es que permanece sin cambiar debajo los desplazamientos lineales S:

(38) donde r ' designa la posicin final despus de un desplazamiento S a lo largo de originar a r. Usa ms acuerdo vector anotacin: (39) Ms pretenciosamente, como demostracin en las secciones siguientes, esta anotacin elimina la necesidad explcitamente evaluar tiempo - consumiendo funciones seno y coseno. Descripcin matemtica del problema transporte de Foton En esta seccin, el problema de transporte se caracterizar matemticamente como una ecuacin integral tener la forma de ecuacin 1. Para este fin, ambos las formas diferenciales e integrales de la ecuacin transporte de Boltzmann se derivan. Esta comprensin formal del problema provee una base conceptual sana para mtodos generales crecientes de la reduccin de varianza y marcando necesidad eficiente para Monte Carlo de simulacin. A. La densidad de flujo y cantidades relacionada La distribucin de fotones dentro de un sistema de absorber y las fuentes pueden ser completamente descritas por especificar la partcula fluidez espacial coordenada r, direccin de trayectoria y la energa del foton E. a cada

es el radio dN/dA, dnde dN es el nmero de fotones que pase mediante el rea dA aline normal a . Este y ubic a r con y tiene las unidades de fotones por cm 2 por la unidad de

ngulo slido y energa. Si es integrado sobre todas las energas y direcciones, nosotros hemos partcula fluidez como definido por el Comisin Internacional sobre Medidas y Unidades de Radiacin (ICRU), esto es., dN/dA, el nmero de fotones: dN que entra en una esfera de la seccin de cruz de area dA se centran a r. La integracin sobre las variables y E ser indicada por los omitidos desde el argumento de de es ignorada. . Para Simplificar el problema, la dependencia

Dada la partcula fluidez, todo el otro dosimetra las cantidades de inters pueden, en el principio, se calculan. Por ejemplo, debajo condiciones de equilibrio electrnico, la dosis al mediano puede ser calculado por (5) Dnde es la masa - energa coeficiente de absorcin y Encomendar partcula de equilibrio aproximadamente existe cuando la carga en el foton partcula fuente es pequeo sobre el electrn secundario de rango. En un extendido mediano, nosotros siempre desde contorno y primario foton las fuentes, esta condicin es aproximadamente satisfecha cuando el electrn secundario de rango es pequea comparada a la foton medio - libre trayectoria. En el caso donde el medio es el aire. La ecuacin (5) es proporcional a la exposicin. El calculo de requiere tres tipos de datos elementales:

1. La probabilidad de cada interaccin elemental procesa como una funcin de incidencia foton energa E y propiedades pertinentes del absorbentes mediano. Estos datos se tabulan desde el punto de vista de foton las secciones de cruz , donde Z es el nmero atmico del mediano. La seccin de cruz tiene las unidades de barns/tomo (10-28 puede

m2/tomo). Equivalente, el coeficiente lineal de atenuacin usarse con unidades de m-1.

2. Para cada proceso de interaccin, la funcin de densidad de probabilidad (PDF) da la probabilidad de cada posible

resultado de la interaccin especificada desde el punto de vista de esparcir ngulo y emergente foton energa E. Esta cantidad es conocido como la seccin diferencial de cruz, . Desde y E son deterministica relacionada para todo procesos discutidos en este captulo, la anotacin diferencial doble es innecesaria en prctica . 3. El conocimiento del PDF que gobierna el transporte de una dispersin o primario foton desde un sitio de colisin a otro. Esta distribucin, discutida en forma detallada en la Seccin IV B.I. es estrechamente relativo a la ley de atenuacin exponencial. B. Ecuacin de transporte de Boltzmann Monte Carlo La densidad de flujo para cualquier combinacin de foton fuente y contorno condiciones es completamente determinada por el tiempo - invarianza ecuacin de transporte de Boltzmann. La derivacin heurstica siguiente se adapta desde Fano. Considere un cilindro derecho con seccin cruz rea dA y la longitud dL con este eje paralelo igual a direccin (Figura 1.). El nmero neto de fotones con la direccin y la energa E cre en el cilindro por el tiempo de unidad es

Esta diferencia es la suma de tres contribuciones: 1. La atenuacin dada por . 2. Foton de fuentes y descender dentro de el volumen dadas por donde S tiene unidades de fotones por el volumen de unidad, ngulo slido, y energa. 3. Dispersin de fotones desde el estado en el estado el diferencial cruz seccin/ longitud de trayectoria de unidad, . Dejar obtenemos (6) La ecuacin 6 es el punto de partida para un tratamiento riguroso del problema afianzado de absorber. Aunque analtico y seminumerico los mtodos que se hayan usado exitosamente para resolver la Ecuacin 6 en el caso de absorber ilimitado, simulacin de Monte Carlo ofrece un general mtodo para la solucin que involucra absorber con direccin. regido por

y poniendo estos trminos juntos, nosotros

1. La Forma Integral de la Ecuacin de Boltzmann La transformacin de Ecuacin 6 es la forma integral ms claramente da a conocer la naturaleza estocstica de transporte de radiacin. Nosotros iniciamos por expandir la ecuacin 6 en ordenes de dispersin:

(7) donde representa la densidad de flujo de dispersin de fotones. Para cada onden de esparcir n, la Ecuacin 6 llega a ser (8) dnde es la funcin delta Kronecker.

Considere ahora el problema de calcular la fuente proviniendo desde dispersin de fotones a lo largo de una lnea , donde r y se fijan y R es una variable positivo numero real. Dejar y anote que.

(9) Aplicar ecuaciones 9 a 8, son obtenidas

Integrando ambos lado a lo largo de la lnea

desde R=0 a R

Finalmente dar

(10) Estas ecuaciones simplemente afirman que la fuente nica de n de veces dispersin de fotones con la energa E y la direccin a r son (n-1) las veces que dispersin de fotones esparciendo en el estado en alguna parte a lo largo de la lnea . El exponencial trmino rinde cuentas para esos fotones que son atenuadas por el mediano antes de alcanzar r. A este punto, probar til a reformular la ecuacin de transporte desde el punto de vista de la densidad de colisin x, ms bien que la partcula fuente, (11) donde representa el nmero de fotones con el estado entrando en colisin por el volumen de unidad, sterioradian, energa y tiempo. Similarmente, es la densidad de fotones entrando en colisin a . Ecuacin revisar 10 desde el punto de vista de , sumando sobre todas las ordenes de esparcir, y reemplazando que la lnea integral con la integracin sobre todos de espacio por el uso de la Funcin Delta de Dirac de , nosotros obtenemos

(12) Donde es la dispersin Kernel

(13) Y .

La inspeccin de Ecuacin 13 da a conocer que es una condicional PDF, exhibicin que foton el transporte es un proceso de Markov. Que es, la probabilidad que un foton experimenta su colisin al es dada por la transicin de probabilidad que depende solo en , el foton estado justo simplemente con anterioridad a esta(n-1) colisin. Ms fundamentalmente, la

Ecuacin 12 implica que la solucin posible caminatas aleatorias a travs de

es equivalente al conjunto de todas -espacio.

2. El calculo de valores esperados En muchos casos prctico de transporte de problemas, la especificacin completa del campo de radiacin desde el punto de vista de o es innecesaria. Las cantidades tpicas de inters son la cantidad de energa depositada en un detector de una geometra y composicin especificada o el nmero de fotones transmitido mediante un superficie determinado, una barrera de proteccin de radiacin. Estas cantidades pueden describirse en nuestro formalismo por medio de una funcin que representa la contribucin relativa de un foton colisionando a cantidad de inters. El significar valor por emitido foton sobre todos posible estados. a la

es dado por promediar la funcin marcar

(14a)

(14aa) La correspondiente varianza es

(14b) En trminos de la notacin usada en la Seccin II para introducir Monte Carlo, designa el estado del sistema donde PDF asociado del sistema es la solucin de la ecuacin integral Fredholm (14c) Como un ejemplo de un marcador funcin, considerando un detector esfrico de radio centr en unidad, es . El T, con dar la energa depositado al detector por la masa de

(15) 4. Solucin de monte Carlo de la ecuacion de boltzmann Un Monte Carlo (MC) simulacin de un sistema de fuentes y absorver involucra azar seleccin de un conjunto finito de trayectoria de fotones o "historias", desde el conjunto de toda posible trayectorias dadas por la solucin de la ecuacin de transporte de Boltzmann. Esto es entonces la posible a reemplazar la integral de Ecuacin 14 por una suma finita para obtener una estimacin estadstica de la cantidad de inters .

En su forma ms simple, MC es un juego de oportunidad, donde cada eleccin aleatoria es dictada por reglas isomorficas (formas iguales) a el elemental PDF que gobierna la absorcin y dispersin de radiacin en el sistema fsico real. Por ejemplo, considerar una isotropico (direcciones iguales, no dependen de la direccin en que se miden) la fuente de punto empotr en un absorber finito. Cada foton de la trayectoria, o historia, se genera segn el siguiente prescripcin. El primero, una trayectoria es escogido para el emitido foton por probando el isotropico emisin PDF. Prxima, distancia al prximo sitio de colisin se prueba accidentalmente desde la exponencial ley de atenuacin. Entonces, una trayectoria y la energa para la dispersin foton sacan forma la seccin normalizada de cruz diferencial . A cada paso, el marcando funcin T, "Haga el foton interaccionar con el detector", poder ser aplicado. Este proceso de seleccionar el sitio de interaccin , dispersin energa, y la trayectoria es repetida hasta que los fotones sea absorbi completamente o escapo desde la absorcin. A. La Descripcin Formal De La Simulacion De Monte Carlo Cada recorrido al azar o foton "historia" k puede ser representada por el conjunto donde cada vector simplemente antes de la colisin: (16) Donde , , y indica la posicin, direccin, y energa de del foton , el foton de peso , es la denota el estado del foton

inmediatamente antes de la colisin. El nmero

probabilidad que el foton ha escapado absorcin durante las primeras j-1 colisiones. Cada secuencia desde cada estado claramente tiene la estructura de un Markov de Cadena, es escogido por muestreo la probabilidad condicional

distribucin, . As, en orden a demostrar ese cada es al azar dibujado desde el conjunto de todo posible trayectoria de Boltzmann, esto es suficientemente a mostrar ese Eligiendo determinado que tienen la forma de Ecuacin 13.

, involucra las opciones aleatorias siguientes:

1. Asigne energa y direccin saliendo (j-1) colisin. a. j=1: Primera Colisin de foton Primario, al azar asigna una trayectoria inicial, sitio de origen y, energa . por muestreo la fuente distribucin de funcin b. j 2: Anteriormente dispersin del foton. a. Al azar escoja el proceso de interaccin a (j-1) la colisin, basado sobre las magnitudes relativas de las secciones totales de cruz de compitiendo procesos ( absorcin fotoelctrico, dispersin coherente y incoherente, etc.). b. Pruebe el PDF, definido por la cruz diferencial seccin de el proceso escogido en el Paso i), para encontrar la direccin saliendo el (j-1) colisin, esto es probando desde

(17) c. Calcule la energa el Ej, saliendo la (j-1) colisin desde la energa dispersin ngulo la relacin. 1. Asigne el peso saliendo el (j-1) colisin.

2. Encuentre el sitio de colisin rj (18) probando la distribucin (ver IV.B.1) (19) para S, la distancia entre (j-1) y la colisin. 3. Encuentre la contribucin de esta colisin a la cantidad de inters. 4. Retorne al paso 1. Desde estas elecciones aleatorias son independientes de uno otra, la probabilidad de elegir dadas es el producto de estos Individual PDFs.

(20) donde la probabilidad condicional probada en el paso 1b: denota la distribucin compuesta

(21) k=1,.....m denota el proceso de dispersin, y . es

Anote esa Ecuacin 20 es idntico a la Ecuacin 13, estableciendo que desde luego al azar sacada el muestreo desde la poblacin deseada. 5. El Monte Carlo estima de expectativa

Valora; para simulaciones que involucran bajas nmero atmico medios, un suceso fotoelctrico para todos los intentos prcticos termina la historia desde la baja-energa caractersticas de los rayos-x se absorben localmente. As, estocasticamente simula colisiones fotoelctricas representa "derrochado" calculo esfuerzo. Un comn mtodo de reduccin calculo de tiempo relativo a la muestra de la varianza (" reduccin de varianza") es eliminar efecto fotoelctrico como un posible mecanismo de interaccin y reduce el foton peso , que saliendo la (j-1)

colisin por la probabilidad de sobrevivir fotoelctrico absorcin. Especficamente, el PE de trmino se elimina Ecuacin de forma 21 y Entonces reemplaza por .

(22) sumando entonces encima de todas las historias simuladas rinde estimaciones estadsticas de la verdadera media y muestra la varianza :

(23) Comparacin de Ecuaciones 23 y 14 muestra que normalizaron colisin densidad es la contraparte analtica de foton peso. La convergencia de la estimacin con M creciente es garantizada por el teorema de lmite central. A. La Generacion De Muestreos Al Azar La simulacin de Monte Carlo se ha mostrada para ser una secuencia de distancia aleatoria a prxima colisin, tipo de proceso de colisin, y trayectoria y foton la energa que dejar colisin. Cada de estos pasos involucra seleccin de un muestreo x* desde la distribucin apropiada f(x). Tal algoritmo es necesariamente altamente repetitivo, como las secuencias de azar las opciones deben repetirse para cada suceso de dispersin evento en el foton historia. Los nmeros grandes de tales historias, sobre la orden de 5,000 a 500,000 deben ser simulados para obtener un intervalo de confianza suficientemente pequea sobre la respuesta final. La precisin lograble es limitada por la computadora del usuario de los recursos: disponible memoria y tiempo procesador central. Para extender estos recursos, es deseable para aumentar al mximo la eficiencia de la tcnica de muestreo empleada. La ms usualmente us digital - computadora de tcnica es la reduccin del problema, eligiendo X* desde f(x), al problema ms simple de al azar eligiendo uniformemente distribucin nmero desde el intervalo de unidad. As, la seleccin de unas secuencias de variables aleatorias equivalente a la generacin uniformemente distribuida secuencia es . a

La reduccin de la muestra procesa a la generacin de uniformemente distribuida al azar variables es descrita por el fundamental teorema de la inversin: Teorema. Dejar X ser al azar variable con PDF f(X), la funcin de distribucin acumulativa (CPD) F(x), y dejar r* denotado un uniformemente distribuido nmero al azar sacado desde el intervalo de unidad. Entonces la probabilidad de elegir x* como definir por

(24) es f(x*). Permita F-1(r) denota la inversa de F(x):

Permita x*=F-1(r*),

Estas igualdades, afirman que es igual al valor de la probabilidad que la escogido la variante uniforme r* es menos de F(y). Desde P(r*)=1 para todo r*,

Esto muestra que el conjunto de variables al azar x* tiene el mismo acumulativo distribucin de probabilidad (CPD) como el X determinado al azar variable X. El problema de azar eligiendo una de N posibilidades discretas probabilidades tal que regido por

es el caso discreto de inversin analtica. Dado un nmero aleatorio r*, la variable aleatoria se encuentra por (25) si no,

donde 6. Dispersin Compton - Monte Carlo En dispersin Compton, un foton es dispersado por un electrn en reposo, impartiendo algo de su energa al electrn. La energa, , del foton incidente es as compartidos entre la dispersin del foton, , y el efecto Compton, , de la cinemtica de coliciones, que puede mostrarse que la energa del foton dispersado es relacionado con la energa del foton incidente y el angulo de dispersin del foton como sigue:

(1) Donde y MeV.

La seccion transversal para la dispersin Compton, basado en el trabajo de KleinNishi

(2) Donde ro=2.81794*10-13cm es el radio clsico de los electrones. Esta seccin transversal ser tabulada y ploteado por NBS. La diferencial de la seccin transversal de Klein-Nishina para dispersiones de un foton de energa a un angulo de con d de es dado por

(3) Usando la transformacin obtenemos (4)

Para una energa dado del foton incidente, esta expresin tiene una funcin de densidad de probabilidad de

(5) Donde, por y es l limite inferior de x. Definiendo

la funcin densidad de probabilidad puede ser escrita como

donde

(6)

y la acumulada funcin de probabilidad como

(7) La muestra de distribucin de Monte Carlo requiere soluciones de esta ecuacin para x, un numero randon igualmente distribuido en [0,1). Everett y Cashwell usan un mtodo de aproximacin la cual es mas sesillo a implementar y razonablemente exacto. Ellos aproximan la inversa de la funcin como (8) Resumiendo, la decisin a simular es basado en la total seccin transversal de Compton, y la partcula en el final estado son simulada por la muestra x de la ecu. 7 y calculando la energa y direccin de dispersin de fotones de las expresiones:

(9) El electrn retorna teniendo energa cintica de (10)

en unidades de

, y el angulo de deflexin del electrn es dado por

(11) La dispersin del foton y del electrn Compton son entonces transportados como una nueva generacin de particulas. 2.4.1.Simulacin de procesos aleatorios (usando nmeros ) manuales y usando Lenguajes de propsito general como ; C, C++, Delphi, Visual,etc. De problemas aplicados a servicios, sistemas productivos, de calidad, de inventarios, econmicos, etc. Programa en fortran 90 Similacion con Monte Carlo SIMULATION OF THE MICROCANONICAL ENSEMBLE ON THE COEXSISTENCE CURVE AND IN THE METASTABLE REGION FOR THE NEAREST NEIGHBOURSING MODEL !......................................................................................... !......SIMULATION OF THE MICROCANONICAL ENSEMBLE !......ON THE COEXSISTENCE CURVE AND IN THE METASTABLE !......REGION FOR THE NEAREST NEIGHBOUR ISING MODEL !.........FIELD VERSIN !........DIETER W. HERMAN !.......GRUPO FUSION !.......................................................... ................................ DIMENSION ISS(12,12,12),IM(12),IP(12)DIMENSIN IDIST(2000) REAL DEMON,H REAL ENERGY,ET REAL RCLUDE RAL MODM2,PB,RAM REAL DMAV,MAGAV !.............................................................................................. H=0.0 L=12 MCSMAX=100 M=L*L*L/2 ISEED=4711 PB=0.0155 IPLAG=2 RECLUDE=L*L*L !.......INITIZALIZE DO 1 I=1,L

IM(I)=I-1 IP(I)=I+1 1 CONTINUE DO 2 I=1,1000 IDIST(I)=0 2 CONTINUE DO 5 I=1,L DO 5 J=1,L DO 5K=1,L ISS(I,J,K)-13 5 CONTINUE C=0 DO 10 I=1,L DO 10 J=1,L DO 10 K=1,L RAN=RANF(ISEED) IF (RAN.GT,PB) GOTO 10 M=M+1 ISS(I,J,K)=ISS(I,J,K)+14 ISS(IM(I),J,K)=ISS(IM(I),J,K)+2 ISS(IP(I),J,K)=ISS(IP(I),J,K)+2 ISS(I,IM(J),K)=ISS(I,IM(J),K)+2 ISS(I,IP(J),K)=ISS(I,IP(J),K)+2 ISS(I,J,IM(K))=ISS(I,J,IM(K))+2 ISS(I,J,IP(K))=ISS(I,J,IP(K))+2 10 CONTINUE ENERGY=0.0 DO 20 I=1,L DO 20 J=1,L DO 20 K=1,L ICT=ISS(I,J,K) IVORZ=ISIGN(1,ICI) ICIA=ICI*IVORZ ENERGY=ENERGY+ICIA-7 20 CONTINUE ENERGY=-ENERGY*2.0*3.0/8.0-H*2.0*M ENERGY=ENERGY/32768.0 H=H*4.0/3.0 WRITE(*,6000) PB,ENERGY,M IF (IFLAG.EQ.1) STOP 1 !.............................................................................................. ! MONTE CARLO DEMAV=0.0 MAGAV=0.0 DEMON=0.0 FLDEM=0.0 DO 200 MCS=1,MCSMAX

DO 100 IZ=1,L IMZ=IM(IZ) IPZ=IP(IZ) DO 100 IY=1,L IMY=IM(IY) IPY=IP(IY) DO 100 IX=1,L ICI=ISS(IX,IY,IZ) IVORZ=ISIGN(1,ICI) IEN=ICI*IVORZ-7 IF (DEMON-IEN-H*IVORZ.LT.0) GOTO 100 DEMON= DEMON-IEN-H*IVORZ !........FLIP SPIN. M=M-IVORZ ISS(IX,IY,IZ)=ICI-IVPRZ*14 ICH=-2*IVORZ ISS(IM(IX),IY,IZ)=ISS(IM(IX)IY,IZ)+ICH ISS(IP(IX),IY,IZ)=ISS(IP(IX),IY,IZ)+ICH ISS(IX,IMY,IZ)=ISS(IX,IMY,IZ)+ICH ISS(IX,IY,IZ)=ISS(IX,IPY,IZ)+ICH ISS(IX,IY,IPZ)=ISS(IX,IY,IPZ)+ICH 100 CONTINUE !......IPTR=10*DEMON+1 !......IDIST(IPTR)=IDIST(IPTR)+1 DEMAV=DEMAV/MCSMAX MAGAV=MAGAV/MCSMAX WRITE(*,6200) DEMAV, MAGAV FLUCT=(FLDEM-DEMAV*DEMAV/MCSMAX)/MCSMAX WRITE(*,6400) FLUCT ! DO 900 J=1,991,10 ! WRITE(*,6500) (IDIST(J-1+I),I=1,10) ! 900 CONTINUE !.........FORMATS 6000 FORMAT(1H,1E20.6,2X,1E20.6,2X,1I10) 6100 FORMAT (1H,1I10,3X,1E20.6,3X,1I10) 6200 FORMAT (IHO,DEMON AV=,1E20.6,3X,MAG AV=,1E20.6) 6300 FORMAT(1HO,1I10,1X,1E20.6,1X,1E2O.6,1X,1E20.6,1X,1I10) 6400 FORMAT(1HO,DEMON FLUCTUATION=,1E20.6) 6500 FORMAT(1HO,10(2X,1I10)) STOP END UNIDAD 3.- Generacin de Variables Aleatorias 3.1 Introduccin 3.2.Mtodos para Generar Variables aleatorias 3.2.1Transformada inversa, aceptacin, rechazo, convolucin, directos.

3.2.1.1.Generacin de variables aleatorias discretas: distribuciones poisson, binomial, y geomtrica 3.2.1.2 Generacin de variables aleatorias continuas: distribuciones uniforme, exponencial, normal, Erlang, Gamma, Beta, y Triangular 3.2.2.Distribuciones Empricas de probabilidad 3.2.3 Simulacin de procesos aleatorios manuales y usando Variables Aleatorias usando lenguajes de propsito general: C, C++, Delphi, Visuals, de problemas aplicados a servicios, sistemas productivos, de calidad, de inventarios, econmicos, etc. UNIDAD 4.- Lenguajes de Simulacin y Simuladores de Eventos Discretos 4.1 Lenguajes de simulacin y simuladores LENGUAJES DE PROPOSITO GENERAL En los aos 50 se realizaron varios compiladores primitivos y fue en 1957 cuando apareci el primer compilador de FORTRAN. El compilador de FORTRAN (FORmula TRANslator) estaba diseado para traducir a lenguaje mquina expresiones y operaciones matemtica, e incluso permita la manipulacin de matrices. La aparicin del FORTRAN fue un gran cambio para los programadores que no todos aceptaron de buen grado. FORTRAN se ha utilizado extensivamente desde que apareci hasta hoy en da, y puede considerarse el lenguaje estandard del clculo cientfico. Unos aos despus de aparecer el FORTRAN apareci el lenguaje ALGOL 60 (Algorithm Language), que fue diseado para ser independiente del ordenador con una gramtica bien definida. Tambin de aquella poca es el COBOL (Common Business Oriented Language) que se diseo para para las manipulaciones de datos normales en aplicaciones de negocios y con un uso mayor del lenguaje ingls en sus frases. lenguajes de alto nivel entre los que podemos mencionar : BASIC (Beginners All-purpose Symbolic Instructional Code), PL/I , APL, PASCAL, ADA, MODULA , C , RPG, PROLOG, LISP, ... etc. Alguno de estos lenguajes han sido diseados para un tipo concreto de aplicaciones. Por ejemplo, el ADA para aplicaciones relacionadas con defensa, RPG para transacciones usuales en los bancos. La evolucin de los lenguajes de programacin ha estado guiada por la evolucin de: Los ordenadores y sus sistemas operativos. Las aplicaciones. Los mtodos de programacin. Los fundamento tericos. La importancia dada a la estandarizacin.

4.1.1 Caractersticas, aplicacin y uso lenguajes: SLAM, ECSL, SIMAN, GPSS, etc. LENGUAJES DE PROPOSITO ESPECIFICO (ORIENTACION POR PROCESO) VENTAJAS DE LENGUAJES DE SIMULACION REDUCCION EN LA TAREA DE PROGRAMACION: El tiempo se reduce, GPPS simula con pocas instruciones eventos que con fortran llevarian un considerable No. De lineas. PUEDE SER USADA MUCHAS VECES MIENTRAS EL MODELO HALLA SIDO CONTRUIDO MEJOR DEFINICIN DEL SISTEMA:Se definen con facilidad las interrelaciones entre entidades del sistema. LA SIMULACION PERMITE ESTIMAR MEDIDAS DE DESEMPEO DEL SISTEMA EXISTENTE BAJO DIFERENTES ESENARIOS DE OPERACIN PERMITE ESTUDIAR AL SISTEMA POR PERIODOS MUY LARGOS EN PERIODOS COMPRIMIDOS Lenguajes de proposito especial GPSS ( General Purpose Somulation Sistem): SIMSCRIPT ( No tiene significado): Fortran y GASP ( General Activity Simulation Program): SLAM (Simulation Language for Alternative SIMNETT II: Fortran, insertos de C (archivos). Seleccin del lenguaje de simulacin. Ensamblador. ensamblador. Fortran. Modeling): Fortran.

Manuales disponibles. Entender e interpretarlos. Compilador compatible. Eficiencia: tiempo de organizar, programar , compilar y ejecutar. Costos : Adquisicin del paquete, instalacin, mantenimiento actualizacin. Conocimiento del lenguaje. Justificacin econmica: Inversin.

GPSS/H (GENERAL PURPOSE SIMULATION SYSTEM) LENGUAJE DE SIMULACION DISCRETA FUE DISEADO CON UN LENGUAJES EMSAMBLADOR DISEADO POR GEOFREY GORDON EN LA DECADA DE LOS 80as EXISTEN DIFERENTES PRESENTACIONES CONSIDERA LOS PROCESOS COMO ENTIDADES QUE SE MUEVEN DENTRO DEL SISTEMA ESTOS PROCESOS SE CONOCEN COMO TRANSACCIONES DESCRIPCION GENERAL UN BLOQUE REPRESENTA UNA ACCION O EVENTO QUE PUEDE AFECTAR A UNA O MAS TRANSACCIONES Y CAMBIAR EL ESTADO DEL SISTEMA LA COLECCIN DE BLOQUES REPRESENTA AL SISTEMA TOTAL LLAMADO DIAGRAMA DE BLOQUES CADA BLOQUE EN EL DIAGRAMA DE BLOQUE REPRESENTA UNA LINEA EN EL PROGRAMA FUENTE NO ES UN LENGUAJE ESTRUCTURADO FUNCIONES y VARIABLES, PARAMETROS y SAVEVALUES. Utilizando el lenguaje GPSS VARIABLES Cuando es necesario realizar un clculo se define una variable (expresin aritmtica que devuelve un valor). Es decir, en GPSS, una variable devuelve un valor cada vez que se la invoca. A diferencia de otros lenguajes, no es posible asignar valor a una variable, ya que esta define una expresin aritmtica, la cual se evala cada vez que una transaccin hace referencia a la variable as definida. SINTAXIS DEL BLOQUE VARIABLE La sintaxis de este bloque es la siguiente: nombr VARIABLE operandos y operadores numer VARIABLE operandos y operadores nombr : es el nombre de la variable numer : es el nmero de la variable (Slo en main frames) operadores: # para multiplicar (* en main frames) / para dividir @ para obtener el resto de la divisin + para sumar - para restar ^ para colocar el exponente (slo para PC) operandos: cualquier atributo numrico estandar (SNA).

El bloque VARIABLE (lo mismo que el bloque FUNCTION que veremos despus), puede definirse en cualquier parte del modelo (similar a los bloques TABLE, QTABLE, STORAGE que son definiciones que el GPSS toma antes de comenzar la simulacin). En las VARIABLE se truncan los decimales de los clculos intermedios y del resultado final. Si en lugar de definir una VARIABLE se define una FVARIABLE, los clculos intermedios se realizan con decimales; el resultado final se trunca. Series de nmeros al azar (RN11, RN2, RN3, ..., RN7, RN8,RN92,...,RN1000,...): Existen series independientes de nmeros al azar que el sistema ofrece al usuario. Basta con hacer referencia a RN3, por ejemplo, y el GPSS entrega un nmero al azar x de la tercera serie de nmeros al azar: 0 x 999. Fcilmente es posible aumentar el rango de definicin mediante el uso de una variable: AZAR VARIABLE 1000#RN3+RN3 En este caso V$AZAR entregar nmeros x al azar tal que: 0 x 999999 Teniendo definida la variable AZAR (se la invoca con V$AZAR) es posible simular la generacin de nmeros al azar dentro de cualquier rango, con una distribucin aproximadamente uniforme dentro del mismo. Para simular una ruleta (nmeros al azar entre 0 y 36): RULA VARIABLE V$AZAR@37 (obtiene el resto de la divisin por 37) Para simular un dado (nmeros al azar entre 1 y 6): DADO VARIABLE 1+V$AZAR@6 Para generar un nmero al azar entre 11 y 18: NUME VARIABLE 11+V$AZAR@8 Recordar que el azar de computadora es pseudoazar, ya que el mtodo de obtencin es algortmico (conociendo el algoritmo se puede predecir la serie completa). Si se quiere cambiar la semilla de generacin de las series RN1 a RN8 se debe utilizar el bloque RMULT. No es posible cambiar la semilla de generacin de las serie RN9 en adelante. FUNCIONES Muchos de los datos que se manejan en los sistemas reales son empricos. No se tiene una expresin analtica. Se tienen las coordenadas X,Y producto de las mediciones con los cuales se define una funcin ( FUNCTION). La funcin devuelve un valor cada vez que se la invoca. Basndose en el valor que tiene la variable independiente; la funcin obtiene un valor como resultado de la interpolacin correspondiente que entrega a la transaccin que invoc a la funcin. Dicho valor se trunca, excepto cuando se utiliza en un GENERATE o en un ADVANCE como segundo operando (operando B). En este caso el truncamiento se realiza luego de haber multiplicado el valor de la funcin por el operando A del bloque.

SINTAXIS DEL BLOQUE FUNCTION La sintaxis de este bloque es la siguiente: nombr FUNCTION A,B numer FUNCTION A,B nombr: es el nombre de la funcin numer: es el nmero de la funcin (Slo en main frames) A : es la variable independiente: cualquier SNA. B : es el tipo de funcin y el nmero de puntos. Se escribe el bloque FUNCTION y luego los pares de X,Y definidos por B. Los pares de valores se separan mediante una barra (/). X se separa de Y por una coma (,). Como ejemplo, se define la funcin VEHIC, discreta, de 4 puntos: VEHIC FUNCTION RN6,D4 Devuelve el tipo de vehculo, suponiendo que: .2,1/.5,2/.9,3/1,4 vehic tipo 1=20%; vehic tipo 2=30%; vehic tipo 3=40%; vehic tipo 4=10% Si la variable independiente de una funcin es cualquiera de las series de nmeros al azar (RN1 a RNn3), cada vez que se invoca a la funcin el GPSS genera un nmero al azar x, tal que 0 x < 1, con una precisin de partes por milln que ingresa como valor de interpolacin en la funcin. Con la probabilidad acumulada de una distribucin (tal como la usada en el ejemplo de la pgina anterior para generar el tipo de vehculo) y utilizando como variable independiente a cualquiera de las series de nmeros al azar provistos por el lenguaje, es posible generar cualquier tipo de distribucin . Teniendo la distribucin para valor medio igual a uno , se puede hacer que la duracin de una tarea o los tiempos entre arribos de transacciones tengan esa distribucin. Basta con poner dicha funcin como operando B del ADVANCE o del GENERATE respectivo. El valor medio de la tarea o de tiempo entre arribos se coloca como operando A (recordar que el sistema multiplicar el valor de la funcin por este valor A; al estar definida la funcin para valor medio igual a uno y al multiplicarse todos los valores por A, el valor medio de dichos valores ser A, salvo el problema del truncamiento que afecta los resultados). TIPOS DE FUNCION C: Continua. Al momento de la evaluacin se realiza una interpolacin lineal entre los puntos definidos que estn a uno y otro lado del valor x de la variable independiente. Si x est entre xi y xi+1 se interpola linealmente entre yi e yi+1. D: Discreta. Al momento de la evaluacin si x est entre xi y xi+1 devuelve el valor yi+1 (toma "el valor de la derecha"). E: Discreta de atributos numricos. Igual que en el tipo D devuelve tambin el valor yi+1 para x entre xi y xi+1; con la diferencia que las ordenadas que se

definen en este tipo de funcin son atributosnumricos estandar. No son un valor sino que son una referencia a un SNA que tiene un valor. Ejemplos Para simular una ruleta (nmeros al azar entre 0 y 36): RULA FUNCTION RN2,C2 (RN2 nunca alcanza el valor 1, por 0,0/1,37 lo que nunca puede salir el 37) Para simular un dado (nmeros al azar entre 1 y 6): DADO FUNCTION RN2,C2 Mnimo valor es 1; Mximo valor es 6.999... 0,1/1,7 Recordar que trunca los decimales Ambas funciones son continuas. El sistema interpola linealmente entre los dos puntos definidos, entregando un valor entero (trunca los decimales). Un hecho comn es tener arribos de transacciones en forma totalmente al azar ("random"). El arribo puede ocurrir en cualquier momento; la probabilidad de arribo aumenta con el tiempo. Es decir la probabilidad p de un arribo se define: p = valor medio x t Se demuestra que la distribucin es exponencial: f(t)=valor medio . e -valor medio.t La probabilidad acumulada y=F(t) se obtiene integrando la funcin f(t) entre 0 y t. y=1-e-valor medio.t -valor medio . t = ln(1-y) Para valor medio igual a uno: t = -ln(1-y) Se puede definir la funcin POISS basndose en lo anterior: POISS FUNCTION RN4,C24 0.0,0.0/0.1,0.104/0.2,0.222/0.3,0.355/0.4,0.509/0.5,0.69 0.6,0.915/0.7,1.2/0.75,1.38/0.8,1.6/0.84,1.83/0.88,2.12 0.9,2.3/0.92,2.52/0.94,2.81/0.95,2.99/0.96,3.2/0.97,3.5 0.98,3.9/0.99,4.6/0.995,5.3/0.998,6.2/0.999,7.0/0.9997,8.0 Si se quiere generar arribos de personas con un valor medio igual a 60 y distribucin exponencial, basta con representar este arribo con el bloque: GENERATE 60,FN$POISS Si se quiere bifurcar en un 20% al rtulo CAJA en un 30% al rtulo BAR en un 40% al rtulo INF en un 10% al rtulo CHAU se define la funcin UNO, con la probabilidad acumulada: UNO FUNCTION RN2,D4 .2,CAJA/.5,BAR/.9,INF/1,CHAU

y se representa la bifurcacin a las cuatro opciones propuestas: TRANSFER ,FN$UNO En un sistema en dnde se comienza a simular partir de las 8 de la maana, si se quiere simular que: hasta las 10 de la maana bifurca el 50% al rtulo BAR entre las 10 y las 12 hrs bifurca el 70% al rtulo BAR a partir de las 12 horas bifurca el 100% al rtulo BAR BIF FUNCTION AC1,D3 se supone que la unidad de tiempo es 7200,500/14400,700/28800,1000 el segundo; AC1 es el reloj (cero al comenzar la simulacin; vuelve a cero con CLEAR). Para representar la bifurcacin propuesta, se debe colocar: TRANSFER FN$BIF,,BAR (en PC) TRANSFER .FN$BIF,,BAR (en "main frame") Parmetros y Savevalues Los atributos de las entidades de un sistema pueden variar a lo largo de una simulacin. Por ejemplo, la cantidad de cajas habilitadas en un lugar de atencin al pblico la cola que elige cada persona a la salida de un supermercado. En GPSS existen casilleros de memoria donde se pueden almacenar estos valores. Existen dos tipos bien diferenciados: - Pertenecientes a las transacciones (parmetros): cada transaccin tiene sus casilleros de memoria que le son propios (Al nacer la transaccin se inicializan en cero; al morir son destruidos, liberndose la memoria utilizada). Son como "bolsillos" de la transaccin; cada transaccin tiene acceso a sus propios parmetros. En "main frame" la cantidad de parmetros que tiene una transaccin es fija y es igual a 12 (aunque se puede modificar utilizando el sexto operando del GENERATE). En PC arma una lista con el nombre/nmero de cada parmetro utilizado. - Comunes al sistema (Savevalues): Es como un vector con casilleros de carcter pblico a los que todas las transacciones tienen acceso. Son como carteles con valores numricos que todas las transacciones tienen a su alcance. Se inicializan en cero antes de comenzar la simulacin (salvo indicacin en contrario en el bloque INITIAL). Parmetros, asignacin de valores: Mediante el bloque ASSIGN se modifica el valor de los parmetros. SINTAXIS DEL BLOQUE ASSIGN La sintaxis de este bloque es la siguiente: ASSIGN A,B ASSIGN A+,B ASSIGN A-,B

 A: es el nmero del parmetro a asignar; sumar; restar B: valor a asignar; sumar; restar del parmetro A. NOTA: En PC, el operando A puede ser un nombre. Ejemplos ASSIGN 1,10 significa P1=10 ASSIGN 2+,5 significa P2=P2+5 ASSIGN 3-,2 significa P3=P3-2 ASSIGN SUEL+,100 significa P$SUEL=P$SUEL+100 (en PC) Mediante el bloque SELECT es posible asignar a un parmetro el nmero de recurso seleccionado: SELECT NU A,B,C,,,F (selecciona la Facility no usada) SELECT MIN A,B,C,,E (selecciona el recurso de valor mnimo) A: Es el nmero de parmetro que recibe lo seleccionado B: Nmero de recurso desde se comienza la seleccin C: Nmero de recurso donde finaliza la seleccin E: Qu es lo que se est seleccionando? F: Rtulo al que bifurca si no pudo seleccionar ninguno NOTA: NU, significa "not used". Slo se aplica para FACILITIES. MIN, significa mnimo y siempre existe un mnimo. Por tanto, NU no lleva operando E (se sabe que es FACILITY); MIN no lleva operando F (siempre existe un mnimo por lo que no tiene sentido el rtulo alternativo) . Ejemplos SELECT NU 1,11,18,,,OCUP Intenta seleccionar entre las Facilities 11 a 18 la Facility no utilizada; en caso de estar todas en uso, bifurca al rtulo OCUP. Si la seleccin fue exitosa el parmetro 1 recibe el nmero de FACILITY seleccionado. La seleccin comienza en la Facility 11 y finaliza al encontrar una Facility que no est en uso al llegar a la Facility 18. SELECT MIN 1,11,18,,Q Selecciona la cola mnima entre las colas 11 a 18. En caso de igualdad se queda con el nmero de cola menor (similar al ejemplo anterior). El parmetro 1 recibe un nmero de cola, para este caso un nmero entre 11 y 18 inclusive. Direccionamiento indirecto: Mediante el uso de parmetros es posible hacer referencia a un recurso cuyo nmero es el nmero de parmetro. Si se quiere simular que al salir de un supermercado donde hay ocho cajas habilitadas (representadas por las FACILITIES 11 a 18) el cliente busca si hay alguna caja desocupada y se ubica en ella, o en caso de estar todas ocupadas selecciona la de cola mnima para hacer lo propio:

SELECT NU 1,11,18,,,OCUP TRANSFER ,CAJA OCUP SELECT MIN 1,11,18,,Q Es interesante observar que CAJA QUEUE *1 este nico conjunto de SEIZE *1 bloques representa DEPART *1 ocho caminos distintos, ADVANCE 60,30 los que simultneamente se RELEASE *1 representan aqu El direccionamiento indirecto permite tambin seleccionar una funcin o variable cuyo nmero es el valor de un parmetro, tal como puede verse en el siguiente ejemplo: COBRANZAS DE SERVICIOS A un banco destinado a la cobranza de servicios, arriban personas cada 15 5 seg, las cuales pertenecen a cuatro tipos distintos de clientes, segn la tabla siguiente: Tipo probabilidad Tiempo en pagar el servicio ------ ---------------- ------------------------------------01 40% 90 30 seg. 02 25% 60 30 seg. 03 15% 45 15 seg. 04 20% 120 60 seg. ------ ---------------- ------------------------------------Para efectuar el pago hay seis cajas con una cola por caja. El cliente selecciona la caja desocupada o la que tiene menor cola, demorando un tiempo que es funcin del tipo de cliente. Terminada la operacin los clientes se retiran del banco. Simular durante el horario bancario de 10 a 15 hs. Modelo en GPSS: 10 UNO EQU 1 ;equivalencia entre 20 DOZ EQU 2 ;los nmeros en 30 TRES EQU 3 ;castellano y su 40 CUATRO EQU 4 ;valor numrico 50 UNO FUNCTION RN3,D4 ;prob. acum. tipo cliente .40,1/.65,2/.80,3/1,4 60 AZAR VARIABLE RN4#1000+RN4 ;0<=azar<=999999 70 UNO VARIABLE 60+V$AZAR@61 ;90 30 80 DOZ VARIABLE 30+V$AZAR@61 ;60 30 90 TRES VARIABLE 30+V$AZAR@31 ;45 15 100 CUATRO VARIABLE 60+V$AZAR@121 ;120 60 110 GENERATE 15,5 ;llegada de clientes 120 ASSIGN 1,FN1 ;P1=tipo de cliente 130 SELECT NU 2,1,6,,,OCUP ;P2=cajero desocupado

140 TRANSFER ,PAG 150 OCUP SELECT MIN 2,1,6,,Q ;P2=cola mnima 160 PAG QUEUE *2 ;se ubican en la cola 170 SEIZE *2 ;toman al cajero elegido 180 DEPART *2 ;dejan la cola 190 ADVANCE V*1 ;c/tipo usa su variable 200 RELEASE *2 ;liberan al cajero 210 TERMINATE ;se van del sistema 220 GENERATE 60 ;reloj 230 TERMINATE 1 ;es un minutero Resultados obtenidos: START_TIME END_TIME BLOCKS FACILITIES STORAGES FREE_MEMORY 0 18000 13 6 0 308768 LINE LOC BLOCK_TYPE ENTRY_COUNT CURRENT_COUNT RETRY 110 1 GENERATE 1190 0 0 120 2 ASSIGN 1190 0 0 130 3 SELECT 1190 0 0 140 4 TRANSFER 651 0 0 150 OCUP SELECT 539 0 0 160 PAG QUEUE 1190 2 0 170 7 SEIZE 1188 0 0 180 8 DEPART 1188 0 0 190 9 ADVANCE 1188 5 0 200 10 RELEASE 1183 0 0 210 11 TERMINATE 1183 0 0 220 12 GENERATE 300 0 0 230 13 TERMINATE 300 0 0 FACILITY ENTRIES UTIL. AVE._TIME AVAILABLE OWNER PEND INTER RETRY DELAY 1 205 0.989 86.85 1 1488 0 0 0 1 2 215 0.973 81.50 1 1485 0 0 0 1 3 210 0.940 80.59 1 1483 0 0 0 0 4 199 0.893 80.82 1 1484 0 0 0 0 5 183 0.859 84.52 1 1481 0 0 0 0 6 176 0.832 85.16 1 0 0 0 0 0 QUEUE MAX CONT. ENTRIES ENTRIES(0) AVE.CONT. AVE.TIME AVE.(0) RETRY 1 2 1 206 23 0.70 61.26 68.96 0 2 2 1 216 56 0.51 42.45 57.31 0 3 1 0 210 109 0.26 22.28 46.32 0 4 1 0 199 148 0.15 13.79 53.82 0 5 1 0 183 157 0.08 8.25 58.04 0 6 1 0 176 161 0.04 4.15 48.67 0

Otro modelo en GPSS (representa al mismo sistema de otra manera): 10 MEDIA FUNCTION P1,D4 ;valor medio pago 1,90/2,60/3,45/4,120 20 DESVIO FUNCTION P1,D4 ;desvo mximo pago 1,30/2,30/3,15/4,60 30 DESVIO VARIABLE FN$DESVIO ;operando B del ADVANCE 50 UNO FUNCTION RN5,D4 ;probab. acumulada tipo .40,1/.65,2/.80,3/1,4 110 GENERATE 15,5 ;llegada de clientes 120 ASSIGN 1,FN$UNO 130 SELECT NU 2,1,6,,,OCUP ;P2=camino elegido 140 TRANSFER ,PAG 150 OCUP SELECT MIN 2,1,6,,Q ;P2=cola minima 160 PAG QUEUE *2 ;se ubica en la cola 170 SEIZE *2 ;toman al cajero 180 DEPART *2 ;dejan la cola 190 ADVANCE FN$MEDIA,V$DESVIO;tiempo f(tipo) 200 RELEASE *2 ;liberan al cajero 210 TERMINATE ;se van del sistema 220 GENERATE 60 ;reloj 230 TERMINATE 1 ;es un minutero Resultados obtenidos: START_TIME END_TIME BLOCKS FACILITIES STORAGES FREE_MEMORY 0 18000 13 6 0 317360 LINE LOC BLOCK_TYPE ENTRY_COUNT CURRENT_COUNT RETRY 110 1 GENERATE 1188 0 0 120 2 ASSIGN 1188 0 0 130 3 SELECT 1188 0 0 140 4 TRANSFER 788 0 0 150 OCUP SELECT 400 0 0 160 PAG QUEUE 1188 1 0 170 7 SEIZE 1187 0 0 180 8 DEPART 1187 0 0 190 9 ADVANCE 1187 6 0 200 10 RELEASE 1181 0 0 210 11 TERMINATE 1181 0 0 220 12 GENERATE 300 0 0 230 13 TERMINATE 300 0 0 FACILITY ENTRIES UTIL. AVE._TIME AVAILABLE OWNER PEND INTER RETRY DELAY 1 224 0.980 78.83 1 1478 0 0 0 1 2 204 0.953 84.09 1 1487 0 0 0 0 3 208 0.920 79.69 1 1479 0 0 0 0

4 194 0.878 81.53 1 1485 0 0 0 0 5 187 0.839 80.83 1 1488 0 0 0 0 6 170 0.756 80.05 1 1480 0 0 0 0 QUEUE MAX CONT. ENTRIES ENTRIES(0) AVE.CONT. AVE.TIME AVE.(0) RETRY 1 2 1 225 49 0.52 41.60 53.18 0 2 1 0 204 91 0.34 29.85 53.88 0 3 1 0 208 144 0.17 14.32 46.53 0 4 1 0 194 164 0.07 6.63 42.87 0 5 1 0 187 174 0.03 2.72 39.15 0 6 1 0 170 168 0.00 0.32 27.50 0 MARCO DE REFERENCIA DE LA MODELACIN CON SIMNET El diseo de simnet se basa en la idea general de los modelos de simulacin discreta pueden crearse de una u otra manera como sistemas de lneas de espera Los nodos en sinnet II estan conectados por ramas. Conforme las transacciones recorren las ramas estas ejecutan importantes funciones en las entre las que se encuentran Controlar el flujo de transacciones en cualquier parte de la red Recolectar estadsticas pertinentes Efectuar clculos aritmticos OTRAS CAPACIDADES DE SIMNET II Ambiente interactivo de depuracin y ejecucin Estimacin del periodo fe transmisin usando graficas interactivas Implementacin interactiva de los mtodos del subintervalo y de replica para recolectar estadsticas globales Lectura y escritura de desde archivos externos durante la ejecucin Uso de indexacin para presentar segmentos de modelacin repetitiva Simnet se basa en el uso de cuatro nodos solamente lo que hace muy fcil de aprender y usar a pesar de la simplicidad el lenguaje es simplemente poderoso para abordar las situaciones mas complejas Simnet es total mente interactivo tanto como para depurar as como parar tambin obtener resultados estadsticos globales, permite la estimacin del periodo de transmisin y luego la implementacin del mtodo estadstico global del subintervalo o de replica siempre sin salir del mtodo interactivo de ejecucin.

4.1.2 Simuladores: PROMODEL, TAYLOR ED, ARENA, WITNESS , etc. 4.2 Aprendizaje y Uso de un Simulador 4.2.1 Caractersticas del software 4.2.2 Elementos del modelo 4.2.3 Mens principales 4.2.4 Construccin del modelo 4.2.5 Practicas usando el simulador de problemas aplicados a servicios, sistemas productivos, de calidad, de inventarios, econmicos, etc., UNIDAD 5.- Proyecto de Aplicacin 5.1 Proyecto Final el cul consiste en el anlisis, modelado y simulacin de sistema de servicios o productivo de una empresa para detectar las mejoras posibles a realizar, y plantear acciones que mejoren el desempeo de sistemas y que en el caso de poder implementarse se lleve hasta este nivel.

http://www.cis.ufl.edu/~fishwick/introsim/node5.html#SECTION00050000000000000000 http://www.investigacion-operaciones.com/conceptos_modelos.htm