0 évaluation0% ont trouvé ce document utile (0 vote)
15 vues47 pages
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 is an actiity that is as natural as a child who role plays. To understand reality and all of its complexity, we must build artificial ob#ects and dynamically act out roles with them.
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 is an actiity that is as natural as a child who role plays. To understand reality and all of its complexity, we must build artificial ob#ects and dynamically act out roles with them.
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 is an actiity that is as natural as a child who role plays. To understand reality and all of its complexity, we must build artificial ob#ects and dynamically act out roles with them.
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 actiity 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 ob#ects. $s adults, we lose some of this childli%e behaior but recapture it later on through computer simulation. To understand reality and all of its complexity, we must build artificial ob#ects and dynamically act out roles with them. Computer simulation is the electronic e&uialent of this type of role playing and it seres to drie synthetic enironments and irtual worlds. 'ithin the oerall tas% of simulation, there are three primary sub-fields( model design, model execution and model analysis !see )ig. *". The chapter annotations in )ig. * relate to the author's recent simulation textboo% !see the section +,$- ./+, $0/1T 2T" which focuses on the first two sub-fields.
Figure 1: Three Sub-)ields of Computer Simulation. To simulate something physical, you will first need to create a mathematical model which represents that physical ob#ect. .odels can ta%e many forms including declaratie, functional, constraint, spatial or multimodel. $ multimodel is a model containing multiple integrated models each of which represents a leel of granularity for the physical system. The next tas%, once a model has been deeloped, 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 eent ariables in your mathematical model. There are many ways to ``step through time.'' 3ou can, for instance, leap through time using event scheduling or you can employ small time increments using time slicing. 3ou can also execute !i.e., simulate" the program on a massiely parallel computer. This is called parallel and distributed simulation. )or many large-scale models, this is the only feasible way of getting answers bac% in a reasonable amount of time. Simulation of a system can be done at many different leels of fidelity so that whereas one reader will thin% of physics-based models and output, another may thin% of more abstract models which yield higher-leel, less detailed output as in a &ueuing networ%. .odels are designed to proide answers at a gien abstraction leel --- the more detailed the model, the more detailed the output. The %ind of output you need will suggest the type of model you will employ. $n example of graphical output from a physically-based model !generated using the program $,+/ is shown as a stereo pair of ``rigid bodies'' in )ig. 4". 3ou can iew this stereo pair without the use of external iewing aids, by dierging the eyes .
Figure 2: )alling cans stereo pair. 1.2 Definiciones y Aplicaciones SIMULACION DE EVENTOS DISCRETOS .odelado de un sistema en t5rminos de sus estados en cada instante de tiempo y de arios eentos cuya ocurrencia prooca un cambio en los estados del sistema. ENFOQUES A LA SIMULACION DE EVENTOS DISCRETOS: a) Prgra!a"i#$ %e e&e$'() 6a concentraci7n es en los eentos y su impacto en el estado del sistema. *) I$'era""i#$ %e +r"e(() 6a concentraci7n es en una entidad y la secuencia de eentos y actiidades &ue realiza mientras 'ie' en el sistema. $ manera de recordatorio de los conceptos b8sicos de simulaci7n de sistemas orientadas a eentos, se presenta la Tabla *. Con referencia a esta tabla y debido a &ue es de inter5s los sistemas din8micos, es importante mencionar &ue los siguientes elementos son funci7n del tiempo( ,stado, $tributos de entidades, 9:mero de entidades actias, Contenido de las colas, $ctiidades, +etrasos. ,sto implica &ue debe haber un mecanismo &ue llee registro de todos estos elementos a lo largo de una simulaci7n. ,ste mecanismo se le llama RELO, de la simulaci7n, el cual se explicar8 m8s adelante. 6a definici7n de los componentes del modelo porporciona una relaci7n est8tica del mismo; sin embargo, las relaciones din8micas son necesarias conocerlas para la simulaci7n. <ara ello es necesario definir lo siguiente( E&e$' ,stado, atributos de entidades y contenido de las colas. De-i$i"i#$ -etermin=stica o ,stoc8stica %e a"'i&i%a%e( Qu. e&e$' !ar"a e/ -i$ i$i"i %e u$a a"'i&i%a% Qu. a"'i&i%a% i$i"ia e$ -u$"i#$ %e/ e('a% %e/ (i('e!a Qu. e&e$'( +r%u"e$ re'ra(( 0i$i"i 1 -i$) C$%i"i$e( i$i"ia/e( %e/ (i('e!a C$"e+' De-i$i"i#$ Sistema Colecci7n de entidades &ue interact:an entre s= a lo largo del tiempo para realizar uno o arios ob#etios. .odelo +epresentaci7n abstracta de un sistema !relaciones l7gicas y>o matem8ticas" para describir al sistema en t5rminos de sus estados, entidades y sus atributos, con#untos o colas, eentos, actiidades y retrasos. ,stado del Sistema 1na colecci7n de ariables &ue contiene toda la informaci7n necesaria para descrbir al sistema en cual&uier instante de tiempo. ,ntidad Cual&uier ob#eto o componente &ue re&uiere una representaci7n expl=cita en el modelo. $tributos 6as propiedades de una entidad dada !priori-dad de un cliente esperando, ruteo de una pieza en un taller, etc.". Con#unto o Cola 1na colecci7n !permanente o temporal" de entidades asociadas, ordenadas en una forma l7gica !)2)/, 62)/, cola con prioridad, etc.". ,ento 1na ocurrencia instant8nea &ue cambia el estado del sistema !llegada de un nueo cliente". $ctiidad 1n interalo de tiempo espec=fico !tiempo de sericio o tiempo entre arribos" cuya duraci7n es conocida y cu8ndo inicia !a:n cuando sea aleatoria". +etraso 1n interalo de tiempo de duraci7n no especificada, cuya duraci7n no se conoce hasta &ue acaba !retraso de un cliente en una cola esperando su turno". Ta*/a 1) ,lementos constitutios de un sistema. 1.3.Estructura y caracterstica de la simulacin de eventos discretos. La simulacin de eventos discretos es un de las herramientas de programacin mas utilizadas en la actualidad debido a su estructura mas fcil y rpida de aprender. Adems de la disponibilidad de los lenguajes de propsito especial SIMULACION DE EVENTOS DISCRETOS .odelado de un sistema en t5rminos de sus estados en cada instante de tiempo y de arios eentos cuya ocurrencia prooca un cambio en los estados del sistema. ENFOQUES A LA SIMULACION DE EVENTOS DISCRETOS: a) Prgra!a"i#$ %e e&e$'() 6a concentraci7n es en los eentos y su impacto en el estado del sistema. *) I$'era""i#$ %e +r"e(() 6a concentraci7n es en una entidad y la secuencia de eentos y actiidades &ue realiza mientras 'ie' en el sistema. $ manera de recordatorio de los conceptos b8sicos de simulaci7n de sistemas orientadas a eentos, se presenta la Tabla *. Con referencia a esta tabla y debido a &ue es de inter5s los sistemas din8micos, es importante mencionar &ue los siguientes elementos son funci7n del tiempo( ,stado, $tributos de entidades, 9:mero de entidades actias, Contenido de las colas, $ctiidades, +etrasos. ,sto implica &ue debe haber un mecanismo &ue llee registro de todos estos elementos a lo largo de una simulaci7n. ,ste mecanismo se le llama RELO, de la simulaci7n, el cual se explicar8 m8s adelante. 6a definici7n de los componentes del modelo porporciona una relaci7n est8tica del mismo; sin embargo, las relaciones din8micas son necesarias conocerlas para la simulaci7n. <ara ello es necesario definir lo siguiente( E&e$' ,stado, atributos de entidades y contenido de las colas. De-i$i"i#$ -etermin=stica o ,stoc8stica %e a"'i&i%a%e( Qu. e&e$' !ar"a e/ -i$ i$i"i %e u$a a"'i&i%a% Qu. a"'i&i%a% i$i"ia e$ -u$"i#$ %e/ e('a% %e/ (i('e!a Qu. e&e$'( +r%u"e$ re'ra(( 0i$i"i 1 -i$) C$%i"i$e( i$i"ia/e( %e/ (i('e!a LISTA DE EVENTOS FUTUROS 6a simulaci7n de eentos discretos produce un con#unto de FOTOS &ue representan la eoluci7n del sistema en el tiempo. Cada una de ellas contiene la informaci7n sobre los estados del sistema, los eentos &ue an a ocurrir en el futuro, el registro del tiempo, las estad=sticas &ue se necesiten para el criterio de desempe?o, etc. 1n elemento clae para toda simulaci7n de eentos discretos es la LISTA DE EVENTOS FUTUROS, la cual consiste de llear un registro sobre cu8l eento se a a iniciar o terminar y en &u5 instante de tiempo ocurrir8. $ continuaci7n, se presenta una foto e#emplificando esto. re/2 E('a% e$'i%a% a'ri*u'( ") 1 ")2 ))) LEF e('a%3('i"a( t !x,y.." !@,t * " 6, ', ... !*,t 4 " ... !4,t n " Ta*/a 4)2) )oto de una simulaci7n, mostrando la lista de eentos futuros. ,l aance del tiempo y la garant=a de &ue todos los eentos ocurran en su orden correcto cronol7gico depende de la LISTA DE EVENTOS FUTUROS 0LEF). ,sta lista contiene todos los eentos programados &ue an a ocurrir en el futuro. Prgra!ar u$ e&e$' &uiere decir &ue cuando se inicia una actiidad, se calcula su duraci7n y el eento -i$ %e a"'i&i%a% #unto con su instante de ocurrencia se mete a la 6,). ,sta lista contiene a los eentos ordenados en r%e$ "r$/#gi"( t 1 t
2 t ... n t ... ,l eento asociado a t* se le conoce como el e&e$' i$!i$e$'e. Cuando el relo# aanza a este instante, se produce otra foto y as= sucede hasta acabar la simulaci7n. $l mecanismo encargado de moer el relo# y construir una nuea foto se le conoce como a/gri'! %e +rgra!a"i#$ %e e&e$'( 5 a&a$"e %e 'ie!+) 6as operaciones &ue se pueden realizar sobre la 6,) son( a" remoci7n del eento inminente, b" adici7n de un nueo eento y, c" remoci7n de un eento cancelado. 6a 6,) es una lista ordenada con algoritmos muy eficientes de b:s&ueda y recorrido E2e!+/ %e a&a$"e %e 'ie!+ 5 a"'ua/i6a"i#$ %e -'() <ara fines de e#emplo, considere la foto mostrada en la Tabla A.@( re/2 e('a% ))) LEF t !B,*,A" ... !@,t*" - eento tipo @ en t* !*,t4" - eento tipo * en t4 !*,t@" - eento tipo * en t@ . . Ta*/a 4)7) )oto mostrando el estado de la simulaci7n, antes de la ocurrencia de un nueo eento. ,l algoritmo de aance de tiempo y programaci7n de eentos operar=a de la siguiente manera( paso *. +emoer el eento inminente !@,t * " de la 6,). paso 4. $anzar el relo# al tiempo de ocurrencia del eento inminente t * . paso @. ,#ecutar el eento inminente( actualiza estado, atributos y colas !si es necesario". paso C. Denerar eentos futuros !si es necesario" y localizarlos en la 6,). ,#emplo( eento C ocurrir8 en tE, donde t4FtEFt@. ,l resultado de esta ocurrencia en la 6,) se ilustra en la Tabla A.C. paso B. $ctualizar estad=sticas y contadores. re/2 e('a% ))) LEF t* !B,*,B" ... !*,t 4 " - eento tipo * en t 4 !C,tE" - eento tipo C en tE !*,t @ " - eento tipo * en t @ . . Ta*/a 4)8) $ctualizaci7n de la 6,), despu5s de la ocurrencia del eento C. Toda simulaci7n debe tener un eento de paro, el cual define cu8nto tiempo T+ durar8 la simulaci7n. Gay dos formas de programar un paro, a saber( *. $l inicio, se programa un eento PARO en un tiempo futuro T+, detrminando el interalo de tiempo de la simulaci7n HI,T+J. 4. T+ lo determina la misma simulaci7n, de tal manera &ue en este instante ocurre un eento prespecificado. <or e#emplo, T+ indicar=a la llegada del cliente n:mero *II a la cola. E,EMPLOS DE SIMULACION DE EVENTOS DISCRETOS E2e!+/ 1) C/a %e u$ (#/ "a$a/) Considere una tienda con una s7la ca#a. 6os clientes llegan a la ca#a aleatoriamente separados entre * y K minutos, con la misma probabilidad !tabla A.B". ,l tiempo de sericio ar=a entre * y A minutos, de acuerdo con la probabilidad mostrada en la tabla A.A. ,n la tabla A.L se muestran los n:meros aleatorios &ue se usar8n en esta simulaci7n. Simular el comportamiento del sistema para AI minutos. 'ie!+ e$'re arri*( !minutos" +r*a*i/i%a% +r*a*i/i%a% a"u!u/a%a $9!er( a/ea'ri( * I.*4B I.*4B II*-*4B 4 I.*4B I.4BI *4A-4BI 'ie!+ e$'re arri*( !minutos" +r*a*i/i%a% +r*a*i/i%a% a"u!u/a%a $9!er( a/ea'ri( @ I.*4B I.@LB 4B*-@LB C I.*4B I.BII @LA-BII B I.*4B I.A4B BI*-A4B A I.*4B I.LBI A4A-LBI L I.*4B I.KLB LB*-KLB K I.*4B *.III KLA-III Ta*/a 4):) -istribuci7n de tiempos de arribos. Tie!+ %e (er&i"i 0!i$u'() +r*a*i/i%a% +r*a*i/i%a% a"u!u/a%a $9!er( a/ea'ri( * I.*I I.*I I*-*I 4 I.4I I.@I **-@I @ I.@I I.AI @*-AI C I.4B I.KB A*-KB B I.*I I.MB KA-MB A I.IB *.II MA-II Ta*/a 4)4) -istribuci7n de tiempos de sericio. C/ie$'e ; a/ea'ri +ara 'ie!+ e$'re arri*( ; a/ea'ri +ara 'ie!+( %e (er&i"i * - KC 4 M*@ *I @ L4L LC C I*B B@ B MCK *L A @IM LM L M44 M* K LB@ AL M 4@B KM 1.! Sistemas" #odelos y $ontrol Un modelo es la representacin explicita de lo que uno extiende de una situacin puede expresarse en s!mbolos matemticas pero en esencia es una descripcin de entidades procesos o atributos pero relacionados entre ellos. "uede ser descriptivo o ilustrativo pero sobre todo #til C/a(i-i"a"i$e( %e /( !%e/(: Me"<$i"= Me$'a/1Ver*a/= A$a/3'i" 5 Si!u/a"i#$ ,l decisor debe identificar cu8l es el tipo de modelo &ue me#or se adecua al problema de decisi7n. ,s por eso &ue analizaremos una clasificaci7n de los modelos antes de entrar en el proceso de construcci7n del modelo. Si bien la 2/>C$ se concentra principalmente en los modelos matem8ticos, los otros tipos de modelos tambi5n prealecen en la pr8ctica. 6os modelos pueden clasificarse seg:n sus caracter=sticas, como sus tipos, eoluci7n en el tiempo y disponibilidad de informaci7n, como se ilustra, por e#emplo, en la siguiente figura. U$a "/a(i-i"a"i#$ %e /( !%e/( 6os modelos ic7nicos son usualmente est8ticos por naturaleza, como el billete de un d7lar. 6os modelos an8logos tambi5n son f=sicos; sin embargo, aun&ue fueron dise?ados para actuar como la realidad habitualmente no se le parecen. Son en su mayor parte modelos mec8nicos. ,n cambio, las actiidades de negocios son procesos din8micos. ,l negocio es un proceso &ue sigue patrones matem8ticos. <or lo tanto, puede representarse mediante modelos simb7licos !es decir, algebraicos, num5ricos, l7gicos". ,ntre los modelos simb7licos encontramos una gran clase, conocidos como modelos matem8ticos y de simulaci7n por computadora !computer simulation". .odelos mec8nicos( ,l modelo &ue adopta la apariencia f=sica del ob#eto &ue debe representar se llama modelo f=sico. ,ste tipo de modelo se usa para mostrar o probar el dise?o de elementos, desde nueas construcciones hasta nueos productos. ,n la industria de la aiaci7n, se construyen modelos a escala de las nueas aeronaes &ue se prueban en t:neles de iento para registrar la aerodinamia del dise?o. ,l fabricante de repuestos automotrices puede tener un modelo a escala tridimensional del piso de la planta, completo con m8&uinas y e&uipos en miniatura, para poder analizar un nueo dise?o de la distribuci7n. 6as m8&uinas en el modelo pueden reubicarse y estudiarse nueas distribuciones con el ob#eto de me#orar el flu#o de materiales. 6os modelos mec8nicos ofrecen la enta#a de &ue pueden usarse para experimentar. ,n el e#emplo de la aeronae, los ensayos con un dise?o diferente &uiz8s impli&uen construir un modelo completamente nueo. $dem8s de la enta#a de la experimentaci7n, los modelos mec8nicos l:cidamente describen el problema o sistema &ue se est8 estudiando; resultan :tiles para generar alternatias innoadoras de dise?o con el ob#eto de resoler el problema de decisi7n. 9o obstante, s7lo una clase de problemas relatiamente pe&ue?a puede resolerse con modelos mec8nicos. $lgunos e#emplos de problemas &ue no pueden analizarse con modelos mec8nicos son la selecci7n de carteras, la selecci7n de medios y la planificaci7n de producci7n. 08sicamente, los modelos mec8nicos son :tiles s7lo para los problemas de dise?o, e incluso en algunos de estos casos se puede hacer un an8lisis m8s eficiente y completo con modelos matem8ticos &ue puedan correrse en computadora. $dem8s, estos modelos mec8nicos no contienen relaciones expl=citas entre las alternatias de decisi7n y las ariables y ob#etios dependientes, debiendo usarse m5todos de prueba y error para resoler el problema. Si bien esto, de por s=, no es una terrible desenta#a, el proceso de prueba y error, sumado a la necesidad de reconstruir el modelo con cada cambio de dise?o, puede demandar mucho tiempo y muchos gastos, en algunos casos. .odelos mentales>erbales( ,l modelo erbal es la traducci7n del modelo mental. $s=, el modelo mental>erbal expresa todas las relaciones funcionales entre las ariables de un pasa#e. <or e#emplo, consideremos al gerente de publicidad de una compa?=a &ue fabrica cereal y &ue hace la siguiente afirmaci7n en relaci7n con los comerciales de teleisi7n del s8bado a la ma?ana( N1n spot de 4I segundos tiene mucho m8s impacto en nuestro target de audiencia &ue uno de *B segundosN. ,n este e#emplo, las distintas duraciones del comercial son las alternatias de decisi7n; el NimpactoN-&ue podemos inferir tiene &ue er con la propensi7n de los padres de los teleidentes a comprar el cereal de la compa?=a-es la ariable dependiente. -e este modo, tenemos una relaci7n entre las alternatias de decisi7n y una ariable dependiente &ue est8 relacionada con los ob#etios de la compa?=a. ,stos modelos se utilizan ampliamente en el mundo de los negocios y ofrecen la enta#a de ser f8ciles de entender. Con frecuencia son el afloramiento de muchos a?os de experiencia gerencial y siren para resumir esa experiencia en lengua#e comprensible. Sin embargo, los modelos mentales>erbales tienen una serie de deficiencias. ,l decisor no puede experimentar con ellos, tampoco indican espec=ficamente c7mo cambian los resultados o las medidas de su eficacia seg:n la alternatia de decisi7n de &ue se trate. ,n el modelo mental>erbal precedente no sabemos cu8nto m8s impacto tiene un comercial de 4I segundos ersus uno de *B segundos. 6a otra desenta#a es &ue no es f8cil mostrar c7mo cambian las relaciones seg:n la alternatia de decisi7n. Si construy5ramos un modelo mental>erbal &ue respondiera estas preguntas con todas las duraciones posibles del comercial, tendr=amos un modelo mental>erbal muy extenso &ue ser=a dif=cil de entender y no se podr=a experimentar. 9o obstante, los modelos mentales>erbales pueden #ugar un rol importante en el proceso de decisi7n. <ueden usarse para erbalizar estrategias de decisi7n logradas con modelos m8s sofisticados. .odelos anal=ticos( 6os modelos anal=ticos son modelos matem8ticos, destinados a hacer una cierta simplificaci7n y abstracci7n de sistemas reales, para poder obtener m8s informaci7n y para entender alg:n aspecto de inter5s de la realidad. . Sin embargo, debiera conectarse la modelizaci7n de la realidad por abstracci7n con problemas y dominios reales, y practicarse mediante la erificaci7n y>o la alidaci7n. ,stos tipos de modelos se aplican principalmente en los sistemas est8ticos y>o deterministas. ,n comparaci7n con los modelos mec8nicos, los modelos matem8ticos facilitan la experimentaci7n, por&ue todas las ariables dependientes, las ariables independientes, las constantes y los par8metros est8n expl=citamente relacionados por el lengua#e de la matem8tica. ,l decisor puede poner a prueba los efectos de las diferentes alternatias de decisi7n, las constantes y los alores de los par8metros en las ariables dependientes con mucha m8s facilidad &ue con cual&uier otro tipo de modelo. $dem8s, los modelos matem8ticos pueden representar muchos problemas comple#os de modo eficiente y conciso y, en muchos casos, pueden ser la manera m8s barata de analizar los problemas. ,s por estas razones &ue amos a analizar los distintos modelos matem8ticos y las t5cnicas de soluci7n &ue se usan con m8s frecuencia en la pr8ctica. 6os procedimientos de soluci7n pueden ser de pasada :nica o iteratios. ,l procedimiento de soluci7n de pasada :nica es a&u5l en el &ue los alores finales de todas las ariables de decisi7n se determinan simult8neamente, de acuerdo con alg:n procedimiento bien definido. 6a t5cnica de soluci7n iteratia, por otra parte, es a&u5lla en &ue se re&uiere una serie de pasos para arribar a una soluci7n final y donde en cada paso se reciben soluciones parciales o completas. Con frecuencia se necesitan ariables discretas o continuas para alg:n determinado problema. )inalmente, la 7ptima es a&u5lla &ue puede demostrarse &ue es por lo menos tan buena como cual&uier otra, dadas las presunciones del modelo, mientras &ue la soluci7n satisfactoria es la &ue se considera NbuenaN con respecto a los ob#etios y las restricciones, pero &ue sin embargo no se puede demostrar &ue es la me#or. -e este modo, si en el e#emplo preio del modelo normatio-est8tico-determinista, las ariables de decisi7n son continuas, las relaciones son lineales y se desea hallar la soluci7n 7ptima, la lista de t5cnicas de soluci7n potenciales para el modelo se reduce a s7lo una( la programaci7n lineal. ,ntonces, ahora pueden identificarse una o m8s alternatias iables para la metodolog=a de soluci7n y puede comenzar la formulaci7n del modelo. .odelos de simulaci7n( ,l grado de abstracci7n &ue tienen los modelos matem8ticos es un impedimento definido para su aceptaci7n por parte de los gerentes. 9o es de sorprender &ue exista resistencia entre gerentes &ue no han recibido suficiente capacitaci7n o exposici7n a estos modelos, y tambi5n entre gerentes &ue s= est8n capacitados pero &ue no tienen tiempo para prestar la debida atenci7n al modelo. 6os modelos matem8ticos usan el lengua#e simb7lico de la matem8tica &ue tiene sus propias limitaciones. 6os modelos an8logos tambi5n son f=sicos; si bien est8n dise?ados para actuar como la realidad habitualmente no se le parecen. 6os modelos pueden ser demasiado comple#os !como, por e#emplo, el de un aeropuerto internacional" no pudiendo ser resueltos con eficiencia, y re&uiriendo groseras simplificaciones del problema real para poder llegar a una buena soluci7n estrat5gica. ,n tales circunstancias, el problema &ue &ueda NresueltoN ya no se aseme#a al problema original y de implementarse la soluci7n podr=a resultar en efectos desastrosos en la organizaci7n. 1na selecci7n apropiada del tipo de modelo y de la t5cnica de soluci7n debiera minimizar este tipo de error. 6os modelos de simulaci7n son las duplicaciones computarizadas de los sistemas reales y, de le#os, son mucho m8s realistas, en especial en la modelizaci7n de sistemas din8micos y>o probabil=sticos, como el de un aeropuerto internacional. 6a importancia de la realimentaci7n y el control( ,s necesario hacer nueamente 5nfasis en la importancia &ue tiene pensar en los aspectos de realimentaci7n y control en un problema de decisi7n. Ser=a un error en el an8lisis del contexto del proceso de decisi7n en 2/>C$ ignorar el hecho de &ue #am8s encontraremos una soluci7n inmutable al problema de decisi7n de negocios. 6a misma naturaleza del medio donde se toma la decisi7n es de cambio, y por lo tanto, la realimentaci7n y el control son una parte importante del contexto del proceso de modelizaci7n en 2/>C$. Va/i%a"i#$ %e/ !%e/: 6a alidaci7n es el proceso de comparaci7n de la salida del modelo con el comportamiento del fen7meno; es decir, compara la e#ecuci7n del modelo con la realidad. Oalidar tiene &ue er con la siguiente pregunta( NP,stamos construyendo el modelo correctoQN 6a alidaci7n s7lo puede demostrarse en relaci7n con alg:n uso pretendido del modelo. 9o hay duda de esto, ya &ue ning:n modelo puede capturar siempre perfectamente todos los detalles de un sistema real !ni tampoco &ueremos &ue lo haga". -e hecho, tradicionalmente tampoco &uerr=amos capturar todas las partes de la realidad en un modelo :nico !no parsimonioso". S7lo se puede decidir &u5 tipo y grado de desiaci7n entre el modelo y la realidad es aceptable en relaci7n con el marco al cual se lo a a destinar. Veri-i"a"i#$ %e/ !%e/: 6a erificaci7n es el proceso de comparaci7n entre el programa inform8tico y el modelo para garantizar &ue el programa sea la implementaci7n correcta del modelo. -urante la erificaci7n, se controla la implementaci7n inform8tica del modelo. <ara aprender efectiamente sobre el proceso de toma de decisiones estrat5gicas acertadas es muy :til contar con apoyo inform8tico, &ue asegura al usuario los procesos de $n8lisis de Sistemas, -ise?o y Control &ue necesita para tomar decisiones estrat5gicas acertadas, sin importar si el usuario es un noato o un experto en la organizaci7n. SIS%E#A$ %oleccin de o&'etos relacionados entre s! cada uno de los cuales se caracteriza por sus propiedades relacionadas entre s! provocando cam&ios en el sistema. &'&()*A R Atributo propiedades de entidad R )vento ocurrencia en tiempo que modifica el estado R Actividad intervalo de tiempo espec!fico R +etraso intervalo de tiempo de duracin no conocida %LA&','%A%'-. /) &'&()*A& a0 .A(U+AL)1A /) L2& )3).(2&$ R )stocsticos R /etermin!sticos b0 A"A+'%'-. /)L (')*"2 R )stticos R /inmicos %2*"2.).()& /) U. &'&()*A Modelos de simulacin R -in8micos s. ,st8ticos Si interiene el tiempo o no !f8brica>localizaci7n" R Continuos s. -iscretos Si cambia el estado del sistema continuamente o no !proceso &u=mico>restaurante" R ,stoc8sticos s. -eterministas Si los alores de entrada son aleatorios o no !banco>fabricaci7n flexible" R -e ciclo abierto s. -e ciclo cerrado Si la estructura del sistema es abierta o no !supermercado>ciclo de apor" 4.5.*ecanismos de tiempo fijo y tiempo variable 4.6 )tapas de un "royecto de simulacin 4.6.4. ,ormulacin del problema 4.6.7. Anlisis y recoleccin de 4.6.7.4.4. datos 1.(.3. Desarrollo del modelo /)&A++2LL2 /) *2/)L2& ES #U$)* #AS +A$I, ASI- 8 LA& L)9)& /) LA ,'&'%A ")+().)%). AL &'&()*A 8 ):'&(). ,2+*A& /) +)"+))&.)(A+ L2 ;+A,'%A*).() 8 LA 3A+')/A/ /) '.,2+*A%'2. )L)*).(2& 9 +)&UL(A/2& A "+2%)&A+ &2. %2.(+2LA<L) .E/* EN ,*S SI0UIE1N%ES $*#.,E2*S- 8 "2%A& L)9)& ,U./A*).(AL)& /'&"2.'<L)& 8 *U%=2& )L)*).(2& <A&'%2& /','%'L)& /) "+2%)&A+ 8 (2*A /) /)%'&'2.)& "2+ "A+() /) ")+&2.A& ). )L &'&()*A 8 AL;U.2& )L)*).(2& &';.','%A('32& &2. /) A1A+ 4.6.>. 3erificacin y validacin 4.6.5. )xperimentacin y optimizacin 1.(.(. )xperimentacin de resultados U.'/A/ 7.? .#meros Aleatorios y "seudoaleatorios 7.4.#meros aleatorios definicin propiedades generadores y tablas >e$era"i#$ %e $9!er( a/ea'ri( ,n simulaci7n de sucesos discretos, la primera etapa consiste en generar n:meros aleatorios &ue nos permitan crear los sucesos a simular !generaci7n de alores de entrada". ,l procedimiento general para generar tales n:meros ser8( primero generar n:meros aleatorios &ue se originen a partir de la distribuci7n uniforme( y aplicarles una transformaci7n &ue los conierta en los n:meros aleatorios deseados para utilizarlos en la simulaci7n. Deneraci7n de $9!er( a/ea'ri(: tienen &ue ser independientes e id5nticamente distribuidos seg:n U !I, *". 6os n:meros aleatorios aparecen t=picamente en ciertos procesos f=sicos !ruleta, loter=a, B :ltimos d=gitos del -92, etc.". Son muy costosos de conseguir y de reproducir. 9os conformaremos con generar $9!er( +(eu%?a/ea'ri(: en apariencia id5nticos a los realmente aleatorios y muy poco costosos de generar !proienen de un procedimiento algor=tmico". Suelen estar basados en ge$era%re( "$grue$"ia/e(. +ecordar &ue x S y mod m si x e y dan el mismo resto al diidir por m. 2.2.N3meros .seudo aleatorios propiedades >e$era"i#$ %e $9!er( +(eu%?a/ea'ri( -adas constantes enteras positias a, b y m y un alor inicial o (e!i//a, xI, la generaci7n de n:meros pseudo-aleatorios, uk, se obtiene como( xkT* S !axk T b" modm ukT* S xkT* m <ara &ue la sucesi7n de n:meros se parezca cada ez m8s a la uniforme, m tiene &ue ser m8s grande, pero por limitaciones, no puede ser m8s grande &ue el tama?o del mayor entero &ue pueda almacenar un ordenador, por lo &ue t=picamente m _ 4@*. 1n problema de esta generaci7n es la aparici7n de ciclos( una ez &ue un alor de x se repite, los alores siguientes en la sucesi7n tambi5n. -ado &ue los posibles alores de x son finitos, el ciclo siempre se a a producir, por lo &ue hay &ue intentar &ue los ciclos sean lo m8s largos posibles, esto es, m8s pr7ximos al alor de m. <ara conseguir &ue el ciclo sea m, es necesario &ue se satisfagan las siguientes condiciones( *. b y m tienen &ue ser primos entre s=. 4. a * tiene &ue ser m:ltiplo de p para cual&uier p primo diisor de m. @. a * tiene &ue ser m:ltiplo de C si m es m:ltiplo de C. ,n la pr8ctica se suele tomar b S I para simplificar los c8lculos. Si b S I entonces, para conseguir &ue el ciclo sea m, es necesario &ue se satisfagan las siguientes condiciones( *. m tiene &ue ser primo. 4. ai * tiene &ue ser m:ltiplo de m para i S m * pero no para i ! m *. -iersos programas de software soportan la generaci7n de datos uniformes. Gabitualmente utilizan, a S *AKIL, b S I, m S 4@* *. a S A@I@AII*AL, b S I, m S 4@* *. a S ABB@M, b S I, m S 4@*. 1na ez generados los n:meros pseudo-aleatorios hay &ue comprobar !aun&ue no se suele hacer" &ue se parecen a los realmente aleatorios. Gay &ue comprobar &ue los datos se distribuyen como una U !I, *" mediante contrastes de bondad de a#uste !Uolmogoro-Smirno, "4, . . . ". Gay &ue comprobar &ue los datos son independientes mediante contrastes de independencia !tests de rachas, basados en autocorrelaciones, . . . ". PC7mo generar datos &ue procedan de una distribuci7n distinta a la U !I, *"Q Software espec=fico. Simulaci7n .onte Carlo. 6a generaci7n de n:meros no uniformes se obtiene a partir de n:meros uniformes. ,n muchas ocasiones es :til el siguiente resultado( Si u es un n:mero uniforme, entonces x S #*!u" se distribuye seg:n la funci7n de distribuci7n #. 7.7.4 (@cnicas para ;enerar n#meros "seudo aleatorios 7.7.4.4 *@todos de %entros al %uadrado 7.7.4.7 *@todos de %ongruencia$ multiplicativo y mixto 7.A "ruebas de Aleatoriedad 2.! #4todo de #onte $arlo Introduccin )l 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 *etodo *onte %arlo usado en la simulacin de la mecanica estadistica.. )sperando su sugerencia . "edidos del libro de (+U%2& "A+A "%Bconsta de 45C pg con trucos para DindoEs e internet que ni te imaginas0 *onte %arlo simulacin puede inspeccionarse como un m@todo de resolver ecuaciones integrales. %onsidere el problema de calcular el valor medio de un real?valor funcin (Bx0 definido sobre un espacio $ B40 %ada valor x es una posiblemente multidimensional cantidad caracterizando el estado del sistema. La funcin f es una funcin de densidad de probabilidad B"/,0 determinado la probabilidad ese que el estado del sistema yace entre x y xFdx. Una estimacin de *onte %arlo de es obtenida por dibujar al azar . muestras desde la distribucin f. *uestra desde f medios esta probabilidad de elegir un muestreo xG desde el intervalo BxxF x0 es fBx0 x. )l *onte %arlo de estimacin es dada por B70 )ste la intratable integral )cuacin 4 es reemplazado por una suma finita. La estad!stica bondad o fiabilidad de la estimacin depende de ambos tamaHo de muestreo . y la variabilidad del la estimacin (Bx0 que es descrita por la variancia BA0 /ebajo condiciones suficientemente generales el teorema del limite central muestra que para grandes . es aproximadamente una distribucin normal con significados de cero y una varianza de uno. &imblicamente$ B>0 /onde "Bx0 denota la probabilidad de suceso x. "or ejemplo la probabilidad esa yace dentro de el intervalo es C.I5. La ecuacin > implica esta precisin de la estimacin aumenta con la ra!z cuadrado del n#mero de historias. )se para cada d!gito adicional de importancia el n#mero de historias debe aumentarse un ciento. La tctica bruta de fuerza de . creciente para mejorar precisin rpidamente alcanza el punto de cifras decrecientes. "ractica las t@cnicas de reduccin de varianza discutidas en la &eccin 3' 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 #onte $arlo =asta ahora la meta de este cap!tulo ha sido desarrollar las herramientas matemticas necesitadas atacar el problema de escoger el fotn al azar las trayectorias del n#cleo de dispersin B)cuacin 7C0. .osotros discutiremos ahora m@todos prcticos de generar foton historias. A. &istema %oordenadas )l sistema coordenada para describir colisin sitios y foton vuelo de las trayectorias. "ara designar la situacin espacial de sitios de la colisin r la usual coordenada cartesiana rJBxyz0 son usadas. Los tres cosenos directores BuvE0 con respecto a los ejes x y y z constituye la anotacin ms eficaz por describir la direccin . Los cosenos directores son relativas a las coordenadas esf@ricas angulares usuales Bdonde denota el ngulo polar0 porK Una ventaja de esta anotacin es que permanece sin cambiar debajo los desplazamientos lineales &$ BAL0 donde r M designa la posicin final despu@s de un desplazamiento & a lo largo de originar a r. Usa ms acuerdo vector anotacin$ BAI0 *s pretenciosamente como demostracin en las secciones siguientes esta anotacin elimina la necesidad expl!citamente evaluar tiempo ? consumiendo funciones seno y coseno. Descripcin matem5tica del pro&lema transporte de +oton )n esta seccin el problema de transporte se caracterizar matemticamente como una ecuacin integral tener la forma de ecuacin 4. "ara este fin ambos las formas diferenciales e integrales de la ecuacin transporte de <oltzmann se derivan. )sta comprensin formal del problema provee una base conceptual sana para m@todos generales crecientes de la reduccin de varianza y marcando necesidad eficiente para *onte %arlo 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 part!cula fluidez a cada espacial coordenada r direccin de trayectoria y la energ!a del foton ). es el radio d.NdA dnde d. es el n#mero de fotones que pase mediante el rea dA aline normal a y ubic a r con y . )ste tiene las unidades de fotones por cm 7 por la unidad de ngulo slido y energ!a. &i es integrado sobre todas las energ!as y direcciones nosotros hemos part!cula fluidez como definido por el %omisin 'nternacional sobre *edidas y Unidades de +adiacin B'%+U0 esto es. d.NdA el n#mero de fotones$ d. que entra en una esfera de la seccin de cruz de area dA se centran a r. La integracin sobre las variables y ) ser indicada por los omitidos desde el argumento de . "ara &implificar el problema la dependencia de es ignorada. /ada la part!cula fluidez todo el otro dosimetr!a las cantidades de inter@s pueden en el principio se calculan. "or ejemplo debajo condiciones de equilibrio electrnico la dosis al mediano puede ser calculado por B50 /nde es la masa ? energ!a coeficiente de absorcin y )ncomendar part!cula de equilibrio aproximadamente existe cuando la carga en el foton part!cula fuente es pequeHo sobre el electrn secundario de rango. )n un extendido mediano nosotros siempre desde contorno y primario foton las fuentes esta condicin es aproximadamente satisfecha cuando el electrn secundario de rango es pequeHa comparada a la foton medio ? libre trayectoria. )n el caso donde el medio es el aire. La ecuacin B50 es proporcional a la exposicin. )l calculo de requiere tres tipos de datos elementales$ 4. La probabilidad de cada interaccin elemental procesa como una funcin de incidencia foton energ!a ) y propiedades pertinentes del absorbentes mediano. )stos datos se tabulan desde el punto de vista de foton las secciones de cruz donde 1 es el n#mero atmico del mediano. La seccin de cruz tiene las unidades de barnsNtomo B4C ?7L
m 7 Ntomo0. )quivalente el coeficiente lineal de atenuacin puede usarse con unidades de m ?4 . 7. "ara cada proceso de interaccin la funcin de densidad de probabilidad B"/,0 da la probabilidad de cada posible resultado de la interaccin especificada desde el punto de vista de esparcir ngulo y emergente foton energ!a )O. )sta cantidad es conocido como la seccin diferencial de cruz . /esde y )O son deterministica relacionada para todo procesos discutidos en este cap!tulo la anotacin diferencial doble es innecesaria en prctica . A. )l conocimiento del "/, que gobierna el transporte de una dispersin o primario foton desde un sitio de colisin a otro. )sta distribucin discutida en forma detallada en la &eccin '3 <.'. es estrechamente relativo a la ley de atenuacin exponencial. <. )cuacin de transporte de <oltzmann P*onte %arlo La densidad de flujo para cualquier combinacin de foton fuente y contorno condiciones es completamente determinada por el tiempo ? invarianza ecuacin de transporte de <oltzmann. La derivacin heur!stica siguiente se adapta desde ,ano. %onsidere un cilindro derecho con seccin cruz rea dA y la longitud dL con este eje paralelo igual a direccin B,igura 4.0. )l n#mero neto de fotones con la direccin y la energ!a ) cre en el cilindro por el tiempo de unidad es )sta diferencia es la suma de tres contribuciones$ 4. La atenuacin dada por . 7. ,oton de fuentes y descender dentro de el volumen dadas por donde & tiene unidades de fotones por el volumen de unidad ngulo slido y energ!a. A. /ispersin de fotones desde el estado en el estado regido por el diferencial cruz seccinN longitud de trayectoria de unidad . /ejar y poniendo estos t@rminos juntos nosotros obtenemos B60 La ecuacin 6 es el punto de partida para un tratamiento riguroso del problema afianzado de absorber. Aunque anal!tico y seminumerico los m@todos que se hayan usado exitosamente para resolver la )cuacin 6 en el caso de absorber ilimitado simulacin de *onte %arlo ofrece un general m@todo para la solucin que involucra absorber con direccin. 4. La ,orma 'ntegral de la )cuacin de <oltzmann La transformacin de )cuacin 6 es la forma integral ms claramente da a conocer la naturaleza estocstica de transporte de radiacin. .osotros iniciamos por expandir la ecuacin 6 en ordenes de dispersin$ BQ0 donde representa la densidad de flujo de dispersin de fotones. "ara cada onden de esparcir n la )cuacin 6 llega a ser BL0 dnde es la funcin delta RronecSer. %onsidere ahora el problema de calcular la fuente proviniendo desde dispersin de fotones a lo largo de una l!nea donde r y se fijan y + es una variable positivo numero real. /ejar y anote que. y BI0 Aplicar ecuaciones I a L son obtenidas 'ntegrando ambos lado a lo largo de la l!nea desde +JC a + ,inalmente dar B4C0 )stas ecuaciones simplemente afirman que la fuente #nica de n de veces dispersin de fotones con la energ!a ) y la direccin a r son Bn?40 las veces que dispersin de fotones esparciendo en el estado en alguna parte a lo largo de la l!nea . )l exponencial t@rmino 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 part!cula fuente B440 donde representa el n#mero de fotones con el estado entrando en colisin por el volumen de unidad sterioradian energ!a y tiempo. &imilarmente es la densidad de fotones entrando en colisin a . )cuacin revisar 4C desde el punto de vista de sumando sobre todas las ordenes de esparcir y reemplazando que la l!nea integral con la integracin sobre todos de espacio por el uso de la ,uncin /elta de /irac de nosotros obtenemos B470 /onde es la dispersin Rernel B4A0 9 . La inspeccin de )cuacin 4A da a conocer que es una condicional "/, exhibicin que foton el transporte es un proceso de *arSov. Tue 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 estaBn?40 colisin. *s fundamentalmente la )cuacin 47 implica que la solucin es equivalente al conjunto de todas posible caminatas aleatorias a trav@s de ?espacio. 7. )l calculo de valores esperados )n 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 t!picas de inter@s son la cantidad de energ!a depositada en un detector de una geometr!a y composicin especificada o el n#mero de fotones transmitido mediante un superficie determinado una barrera de proteccin de radiacin. )stas cantidades pueden describirse en nuestro formalismo por medio de una funcin que representa la contribucin relativa de un foton colisionando a a la cantidad de inter@s. )l significar valor por emitido foton es dado por promediar la funcin marcar sobre todos posible estados. B4>a0 B4>aa0 La correspondiente varianza es B4>b0 )n t@rminos de la notacin usada en la &eccin '' para introducir *onte %arlo designa el estado del sistema donde "/, asociado del sistema es la solucin de la ecuacin integral ,redholm B4>c0 %omo un ejemplo de un marcador funcin considerando un detector esf@rico de radio centr en . )l ( con dar la energ!a depositado al detector por la masa de unidad es B450 !. Solucin de monte $arlo de la ecuacion de &olt6mann Un *onte %arlo B*%0 simulacin de un sistema de fuentes y absorver involucra azar seleccin de un conjunto finito de trayectoria de fotones o UhistoriasU desde el conjunto de toda posible trayectorias dadas por la solucin de la ecuacin de transporte de <oltzmann. )sto es entonces la posible a reemplazar la integral de )cuacin 4> por una suma finita para obtener una estimacin estad!stica de la cantidad de inter@s . )n su forma ms simple *% es un juego de oportunidad donde cada eleccin aleatoria es dictada por reglas isomorficas Bformas iguales0 a el elemental "/, que gobierna la absorcin y dispersin de radiacin en el sistema f!sico real. "or ejemplo considerar una isotropico Bdirecciones iguales no dependen de la direccin en que se miden0 la fuente de punto empotr en un absorber finito. %ada foton de la trayectoria o historia se genera seg#n el siguiente prescripcin. )l primero una trayectoria es escogido para el emitido foton por probando el isotropico emisin "/,. "rxima distancia al prximo sitio de colisin se prueba accidentalmente desde la exponencial ley de atenuacin. )ntonces una trayectoria y la energ!a para la dispersin foton sacan forma la seccin normalizada de cruz diferencial . A cada paso el marcando funcin ( U=aga el foton interaccionar con el detectorU poder ser aplicado. )ste proceso de seleccionar el sitio de interaccin dispersin energ!a y la trayectoria es repetida hasta que los fotones sea absorbi completamente o escapo desde la absorcin. A. La /escripcin ,ormal /e La &imulacion /e *onte %arlo %ada recorrido al azar o foton UhistoriaU S puede ser representada por el conjunto donde cada vector denota el estado del foton simplemente antes de la colisin$ B460 /onde y indica la posicin direccin y energ!a de del foton inmediatamente antes de la colisin. )l n#mero el foton de peso es la probabilidad que el foton ha escapado absorcin durante las primeras j?4 colisiones. %ada secuencia claramente tiene la estructura de un *arSov de %adena desde cada estado 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 <oltzmann esto es suficientemente a mostrar ese que tienen la forma de )cuacin 4A. )ligiendo determinado involucra las opciones aleatorias siguientes$ 4. Asigne energ!a y direccin saliendo Bj?40 colisin. a. jJ4$ "rimera %olisin de foton "rimario al azar asigna una trayectoria inicial sitio de origen y energ!a por muestreo la fuente distribucin de funcin . b. j 7$ Anteriormente dispersin del foton. a. Al azar escoja el proceso de interaccin a Bj?40 la colisin basado sobre las magnitudes relativas de las secciones totales de cruz de compitiendo procesos B absorcin fotoel@ctrico dispersin coherente y incoherente etc.0. b. "ruebe el "/, definido por la cruz diferencial seccin de el proceso escogido en el "aso i0 para encontrar la direccin saliendo el Bj?40 colisin esto es probando desde B4Q0 c. %alcule la energ!a el )j saliendo la Bj?40 colisin desde la energ!a dispersin ngulo la relacin. 4. Asigne el peso saliendo el Bj?40 colisin. 7. )ncuentre el sitio de colisin rj B4L0 probando la distribucin Bver '3.<.40 B4I0 para & la distancia entre Bj?40 y la colisin. A. )ncuentre la contribucin de esta colisin a la cantidad de inter@s. >. +etorne al paso 4. /esde estas elecciones aleatorias son independientes de uno otra la probabilidad de elegir dadas es el producto de estos 'ndividual "/,s. B7C0 donde la probabilidad condicional denota la distribucin compuesta probada en el paso 4b$ B740 SJ4.....m denota el proceso de dispersin y . Anote esa )cuacin 7C es id@ntico a la )cuacin 4A estableciendo que es desde luego al azar sacada el muestreo desde la poblacin deseada. 7. El #onte $arlo estima de e8pectativa 3aloraK para simulaciones que involucran bajas n#mero atmico medios un suceso fotoel@ctrico para todos los intentos prcticos termina la historia desde la baja?energ!a caracter!sticas de los rayos?x se absorben localmente. As! estocasticamente simula colisiones fotoel@ctricas representa UderrochadoU calculo esfuerzo. Un com#n m@todo de reduccin calculo de tiempo relativo a la muestra de la varianza BU reduccin de varianzaU0 es eliminar efecto fotoel@ctrico como un posible mecanismo de interaccin y reduce el foton peso que saliendo la Bj?40 colisin por la probabilidad de sobrevivir fotoel@ctrico absorcin. )spec!ficamente el ") de t@rmino se elimina )cuacin de forma 74 y reemplaza por . )ntonces B770 sumando entonces encima de todas las historias simuladas rinde estimaciones estad!sticas de la verdadera media y muestra la varianza $ B7A0 %omparacin de )cuaciones 7A y 4> muestra que normalizaron colisin densidad es la contraparte anal!tica de foton peso. La convergencia de la estimacin a con * creciente es garantizada por el teorema de l!mite central. A. La ;eneracion /e *uestreos Al Azar La simulacin de *onte %arlo se ha mostrada para ser una secuencia de distancia aleatoria a prxima colisin tipo de proceso de colisin y trayectoria y foton la energ!a que dejar colisin. %ada de estos pasos involucra seleccin de un muestreo xG desde la distribucin apropiada fBx0. (al 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 n#meros grandes de tales historias sobre la orden de 5CCC a 5CCCCC deben ser simulados para obtener un intervalo de confianza suficientemente pequeHa sobre la respuesta final. La precisin lograble es limitada por la computadora del usuario de los recursos$ disponible memoria y tiempo procesador central. "ara extender estos recursos es deseable para aumentar al mximo la eficiencia de la t@cnica de muestreo empleada. La ms usualmente us digital ? computadora de t@cnica es la reduccin del problema eligiendo :G desde fBx0 al problema ms simple de al azar eligiendo uniformemente distribucin n#mero desde el intervalo de unidad. As! la seleccin de unas secuencias de variables aleatorias es equivalente a la generacin uniformemente distribuida secuencia . La reduccin de la muestra procesa a la generacin de uniformemente distribuida al azar variables es descrita por el fundamental teorema de la inversin$ (eorema. /ejar : ser al azar variable con "/, fB:0 la funcin de distribucin acumulativa B%"/0 ,Bx0 y dejar rG denotado un uniformemente distribuido n#mero al azar sacado desde el intervalo de unidad. )ntonces la probabilidad de elegir xG como definir por B7>0 es fBxG0. "ermita , ?4 Br0 denota la inversa de ,Bx0$ "ermita xGJ, ?4 BrG0 )stas igualdades afirman que es igual al valor de la probabilidad que la escogido la variante uniforme rG es menos de ,By0. /esde "BrG0J4 para todo rG )sto muestra que el conjunto de variables al azar xG tiene el mismo acumulativo distribucin de probabilidad B%"/0 como el : determinado al azar variable :. )l problema de azar eligiendo una de . posibilidades discretas regido por probabilidades tal que es el caso discreto de inversin anal!tica. /ado un n#mero aleatorio rG la variable aleatoria se encuentra por B750 si no donde (. Dispersin $ompton - #onte $arlo )n dispersin %ompton un foton es dispersado por un electrn en reposo impartiendo algo de su energ!a al electrn. La energ!a del foton incidente es as! compartidos entre la dispersin del foton y el efecto %ompton de la cinemtica de coliciones que puede mostrarse que la energ!a del foton dispersado es relacionado con la energ!a del foton incidente y el angulo de dispersin del foton como sigue$ B40 /onde y *e3. La seccion transversal para la dispersin %ompton basado en el trabajo de Rlein? .ishi B70 /onde roJ7.L4QI>G4C ?4A cm es el radio clsico de los electrones. )sta seccin transversal ser tabulada y ploteado por .<&. La diferencial de la seccin transversal de Rlein?.ishina para dispersiones de un foton de energ!a a un angulo de con d de es dado por BA0 Usando la transformacin obtenemos B>0 "ara una energ!a dado del foton incidente esta expresin tiene una funcin de densidad de probabilidad de B50 /onde y es @l limite inferior de x. /efiniendo por la funcin densidad de probabilidad puede ser escrita como donde B60 y la acumulada funcin de probabilidad como BQ0 La muestra de distribucin de *onte %arlo requiere soluciones de esta ecuacin para x un numero randon igualmente distribuido en VC40. )verett y %ashEell usan un m@todo de aproximacin la cual es mas sesillo a implementar y razonablemente exacto. )llos aproximan la inversa de la funcin como BL0 +esumiendo la decisin a simular es basado en la total seccin transversal de %ompton y la part!cula en el final estado son simulada por la muestra x de la ecu. Q y calculando la energ!a y direccin de dispersin de fotones de las expresiones$ BI0 )l electrn retorna teniendo energ!a cin@tica de B4C0 en unidades de y el angulo de deflexin del electrn es dado por B440 La dispersin del foton y del electrn %ompton son entonces transportados como una nueva generacin de particulas. 2.!.1.Simulacin de procesos aleatorios 9usando n3meros : manuales y usando ,en;ua'es de propsito ;eneral como < $" $==" Delp>i" ?isual@"etc. De pro&lemas aplicados a servicios" sistemas productivos" de calidad" de inventarios" econmicos" etc. "rograma en fortran IC &imilacion con *onte %arlo &'*ULA('2. 2, (=) *'%+2%A.2.'%AL ).&)*<L) 2. (=) %2):&'&().%) %U+3) A./ '. (=) *)(A&(A<L) +);'2. ,2+ (=) .)A+)&( .)';=<2U+&'.; *2/)L W......................................................................................... W......&'*ULA('2. 2, (=) *'%+2%A.2.'%AL ).&)*<L) W......2. (=) %2):&'&().%) %U+3) A./ '. (=) *)(A&(A<L) W......+);'2. ,2+ (=) .)A+)&( .)';=<2U+ '&'.; *2/)L W.........,')L/ 3)+&'-. W......../')()+ D. =)+*A. W.......;+U"2 ,U&'2. W.......................................................... ................................ /'*).&'2. '&&B4747470'*B470'"B470/'*).&'-. '/'&(B7CCC0 +)AL /)*2.= +)AL ).)+;9)( +)AL +%LU/) +AL *2/*7"<+A* +)AL /*A3*A;A3 W.............................................................................................. =JC.C LJ47 *%&*A:J4CC *JLGLGLN7 '&))/J>Q44 "<JC.C455 '"LA;J7 +)%LU/)JLGLGL W.......'.'('1AL'1) /2 4 'J4L '*B'0J'?4 '"B'0J'F4 4 %2.('.U) /2 7 'J44CCC '/'&(B'0JC 7 %2.('.U) /2 5 'J4L /2 5 XJ4L /2 5RJ4L '&&B'XR0?4A 5 %2.('.U) %JC /2 4C 'J4L /2 4C XJ4L /2 4C RJ4L +A.J+A.,B'&))/0 ', B+A..;("<0 ;2(2 4C *J*F4 '&&B'XR0J'&&B'XR0F4> '&&B'*B'0XR0J'&&B'*B'0XR0F7 '&&B'"B'0XR0J'&&B'"B'0XR0F7 '&&B''*BX0R0J'&&B''*BX0R0F7 '&&B''"BX0R0J'&&B''"BX0R0F7 '&&B'X'*BR00J'&&B'X'*BR00F7 '&&B'X'"BR00J'&&B'X'"BR00F7 4C %2.('.U) ).)+;9JC.C /2 7C 'J4L /2 7C XJ4L /2 7C RJ4L '%(J'&&B'XR0 '32+1J'&';.B4'%'0 '%'AJ'%'G'32+1 ).)+;9J).)+;9F'%'A?Q 7C %2.('.U) ).)+;9J?).)+;9G7.CGA.CNL.C?=G7.CG* ).)+;9J).)+;9NA7Q6L.C =J=G>.CNA.C D+'()BG6CCC0 "<).)+;9* ', B',LA;.)T.40 &(2" 4 W.............................................................................................. W *2.() %A+L2 /)*A3JC.C *A;A3JC.C /)*2.JC.C ,L/)*JC.C /2 7CC *%&J4*%&*A: /2 4CC '1J4L '*1J'*B'10 '"1J'"B'10 /2 4CC '9J4L '*9J'*B'90 '"9J'"B'90 /2 4CC ':J4L '%'J'&&B':'9'10 '32+1J'&';.B4'%'0 ').J'%'G'32+1?Q ', B/)*2.?').?=G'32+1.L(.C0 ;2(2 4CC /)*2.J /)*2.?').?=G'32+1 W........,L'" &"'.YYYY. *J*?'32+1 '&&B':'9'10J'%'?'3"+1G4> '%=J?7G'32+1 '&&B'*B':0'9'10J'&&B'*B':0'9'10F'%= '&&B'"B':0'9'10J'&&B'"B':0'9'10F'%= '&&B':'*9'10J'&&B':'*9'10F'%= '&&B':'9'10J'&&B':'"9'10F'%= '&&B':'9'"10J'&&B':'9'"10F'%= 4CC %2.('.U) W......'"(+J4CG/)*2.F4 W......'/'&(B'"(+0J'/'&(B'"(+0F4 /)*A3J/)*A3N*%&*A: *A;A3J*A;A3N*%&*A: D+'()BG67CC0 /)*A3 *A;A3 ,LU%(JB,L/)*?/)*A3G/)*A3N*%&*A:0N*%&*A: D+'()BG6>CC0 ,LU%( W /2 ICC XJ4II44C W D+'()BG65CC0 B'/'&(BX?4F'0'J44C0 W ICC %2.('.U) W.........,2+*A(& 6CCC ,2+*A(B4=4)7C.67:4)7C.67:4'4C0 64CC ,2+*A( B4=4'4CA:4)7C.6A:4'4C0 67CC ,2+*A( B'=2O/)*2. A3JO4)7C.6A:O*A; A3JO4)7C.60 6ACC ,2+*A(B4=24'4C4:4)7C.64:4)72.64:4)7C.64:4'4C0 6>CC ,2+*A(B4=2O/)*2. ,LU%(UA('2.JO4)7C.60 65CC ,2+*A(B4=24CB7:4'4C00 &(2" )./ U.'/A/ A.? ;eneracin de 3ariables Aleatorias A.4 'ntroduccin A.7.*@todos para ;enerar 3ariables aleatorias A.7.4(ransformada inversa aceptacin rechazo convolucin directos. A.7.4.4.;eneracin de variables aleatorias discretas$ distribuciones poisson binomial y geom@trica A.7.4.7 ;eneracin de variables aleatorias continuas$ distribuciones uniforme exponencial normal )rlang ;amma <eta y (riangular A.7.7./istribuciones )mp!ricas de probabilidad A.7.A &imulacin de procesos aleatorios manuales y usando 3ariables Aleatorias usando lenguajes de propsito general$ % %FF /elphi 3isualZs de problemas aplicados a servicios sistemas productivos de calidad de inventarios econmicos etc. U.'/A/ >.? Lenguajes de &imulacin y &imuladores de )ventos /iscretos !.1 ,en;ua'es de simulacin y simuladores L).;UAX)& /) "+2"2&'(2 ;).)+AL )n los aHos 5C se realizaron varios compiladores primitivos y fue en 4I5Q cuando apareci el primer compilador de ,2+(+A.. )l compilador de ,2+(+A. B,2+mula (+A.slator0 estaba diseHado para traducir a lenguaje mquina expresiones y operaciones matemtica e incluso permit!a la manipulacin de matrices. La aparicin del ,2+(+A. fue un gran cambio para los programadores que no todos aceptaron de buen grado. ,2+(+A. se ha utilizado extensivamente desde que apareci hasta hoy en d!a y puede considerarse el lenguaje estandard del clculo cient!fico. Unos aHos despu@s de aparecer el ,2+(+A. apareci el lenguaje AL;2L 6C BAlgorithm Language0 que fue diseHado para ser independiente del ordenador con una gramtica bien definida. (ambi@n de aquella @poca es el %2<2L B%ommon <usiness 2riented Language0 que se diseHo para para las manipulaciones de datos normales en aplicaciones de negocios y con un uso mayor del lenguaje ingl@s en sus frases. lenguajes de alto nivel entre los que podemos mencionar $ <A&'% B<eginners All?purpose &ymbolic 'nstructional %ode0 "LN' A"L "A&%AL A/A *2/ULA % +"; "+2L2; L'&" ... etc. Alguno de estos lenguajes han sido diseHados para un tipo concreto de aplicaciones. "or ejemplo el A/A para aplicaciones relacionadas con defensa +"; para transacciones usuales en los bancos. La evolucin de los lenguajes de programacin ha estado guiada por la evolucin de$ 8 Los ordenadores y sus sistemas operativos. 8 Las aplicaciones. 8 Los m@todos de programacin. 8 Los fundamento tericos. 8 La importancia dada a la estandarizacin. !.1.1 $aractersticas" aplicacin y uso len;ua'es- S,A#" E$S," SI#AN" 0.SS" etc. ,EN0UA2ES DE ./*.*SI%* ES.E$I+I$* 9*/IEN%A$I*N .*/ ./*$ES*: ?EN%A2AS DE ,EN0UA2ES DE SI#U,A$I*N 8 +)/U%%'2. ). LA (A+)A /) "+2;+A*A%'2.$ )l tiempo se reduce ;""& simula con pocas instruciones eventos que con fortran llevarian un considerable .o. /e lineas. 8 "U)/) &)+ U&A/A *U%=A& 3)%)& *').(+A& )L *2/)L2 =ALLA &'/2 %2.(+U'/2 8 *)X2+ /),'.'%'-. /)L &'&()*A$&e definen con facilidad las interrelaciones entre entidades del sistema. 8 LA &'*ULA%'2. ")+*'() )&('*A+ *)/'/A& /) /)&)*")[2 /)L &'&()*A ):'&().() <AX2 /',)+).()& )&).A+'2& /) 2")+A%'-. 8 ")+*'() )&(U/'A+ AL &'&()*A "2+ ")+'2/2& *U9 LA+;2& ). ")+'2/2& %2*"+'*'/2& ,en;ua'es de proposito especial 8 0.SS 9 0eneral .urpose Somulation Sistem:- Ensam&lador. 8 SI#S$/I.% 9 No tiene si;nificado:- +ortran y ensam&lador. 8 0AS. 9 0eneral Activity Simulation .ro;ram:- +ortran. 8 S,A# 9Simulation ,an;ua;e for Alternative #odelin;:- +ortran. 8 SI#NE%% II- +ortran" insertos de $ 9arc>ivos:. Seleccin del len;ua'e de simulacin. 8 *anuales disponibles. )ntender e interpretarlos. 8 %ompilador compatible. 8 )ficiencia$ tiempo de organizar programar compilar y ejecutar. 8 %ostos $ Adquisicin del paquete instalacin mantenimiento y actualizacin. 8 %onocimiento del lenguaje. 8 Xustificacin econmica$ 'nversin. 0.SSA) 90ENE/A, .U/.*SE SI#U,A%I*N SBS%E#: 8 L).;UAX) /) &'*ULA%'2. /'&%+)(A 8 ,U) /'&)[A/2 %2. U. L).;UAX)& )*&A*<LA/2+ 8 /'&)[A/2 "2+ ;)2,+)9 ;2+/2. ). LA /)%A/A /) L2& LCOas 8 ):'&(). /',)+).()& "+)&).(A%'2.)& 8 %2.&'/)+A L2& "+2%)&2& %2*2 ).('/A/)& TU) &) *U)3). /).(+2 /)L &'&()*A )&(2& "+2%)&2& &) %2.2%). %2*2 (+A.&A%%'2.)& DES$/I.$I*N 0ENE/A, 8 U. <L2TU) +)"+)&).(A U.A A%%'2. 2 )3).(2 TU) "U)/) A,)%(A+ A U.A 2 *A& (+A.&A%%'2.)& 9 %A*<'A+ )L )&(A/2 /)L &'&()*A 8 LA %2L)%%'-. /) <L2TU)& +)"+)&).(A AL &'&()*A (2(AL LLA*A/2 /'A;+A*A /) <L2TU)& 8 %A/A <L2TU) ). )L /'A;+A*A /) <L2TU) +)"+)&).(A U.A L'.)A ). )L "+2;+A*A ,U).() 8 .2 )& U. L).;UAX) )&(+U%(U+A/2 +UN$I*NES y ?A/IA1,ES" .A/A#E%/*S y SA?E?A,UES. Utili6ando el len;ua'e 0.SS ?A/IA1,ES %uando es necesario realizar un clculo se define una variable Bexpresin aritm@tica que devuelve un valor0. )s decir en ;"&& una variable devuelve un valor cada vez que se la invoca. A diferencia de otros lenguajes no es posible asignar valor a una variable ya que esta define una expresin aritm@tica la cual se eval#a cada vez que una transaccin hace referencia a la variable as! definida. SIN%ACIS DE, 1,*DUE ?A/IA1,E La sintaxis de este bloque es la siguiente$ nom&r ?A/IA1,E operandos y operadores numer ?A/IA1,E operandos y operadores nom&r - es el nombre de la variable numer - es el n#mero de la variable B&lo en main frames0 operadores- \ para multiplicar BG en main frames0 N para dividir ] para obtener el resto de la divisin F para sumar ? para restar ^ para colocar el exponente Bslo para "%0 operandos- cualquier atributo num@rico estandar B&.A0. )l bloque ?A/IA1,E Blo mismo que el bloque ,U.%('2. que veremos despu@s0 puede definirse en cualquier parte del modelo Bsimilar a los bloques %A1,E D%A1,E S%*/A0E que son definiciones que el ;"&& toma antes de comenzar la simulacin0. )n las ?A/IA1,E se truncan los decimales de los clculos intermedios y del resultado final. &i en lugar de definir una ?A/IA1,E se define una +?A/IA1,E los clculos intermedios se realizan con decimalesK el resultado final se trunca. Series de n3meros al a6ar 9/N11" /N2" /N3" ..." /NE" /NF"/NG2"..."/N1HHH"...:- )xisten series independientes de n#meros al azar que el sistema ofrece al usuario. <asta con hacer referencia a +.A por ejemplo y el ;"&& entrega un n#mero al azar x de la tercera serie de n#meros al azar$ C x III. ,cilmente es posible aumentar el rango de definicin mediante el uso de una variable$ A1A+ 3A+'A<L) 4CCC\+.AF+.A )n este caso 3_A1A+ entregar n#meros x al azar tal que$ C x IIIIII (eniendo definida la variable A1A+ Bse la invoca con 3_A1A+0 es posible simular la generacin de n#meros al azar dentro de cualquier rango con una distribucin aproximadamente uniforme dentro del mismo. "ara simular una ruleta Bn#meros al azar entre C y A60$ +ULA 3A+'A<L) 3_A1A+]AQ Bobtiene el resto de la divisin por AQ0 "ara simular un dado Bn#meros al azar entre 4 y 60$ /A/2 3A+'A<L) 4F3_A1A+]6 "ara ;enerar un n#mero al a6ar entre 11 y 1F$ .U*) 3A+'A<L) 44F3_A1A+]L +ecordar que el azar de computadora es pseudoazar ya que el m@todo de obtencin es algor!tmico Bconociendo el algoritmo se puede predecir la serie completa0. Si se Iuiere cam&iar la semilla de ;eneracin de las series /N1 a /NF se de&e utili6ar el &loIue /#U,%. No es posi&le cam&iar la semilla de ;eneracin de las serie /NG en adelante. +UN$I*NES *uchos de los datos que se manejan en los sistemas reales son emp!ricos. .o se tiene una expresin anal!tica. &e tienen las coordenadas :9 producto de las mediciones con los cuales se define una funcin B+UN$%I*N:. La funcin devuelve un valor cada vez que se la invoca. <asndose en el valor que tiene la variable independienteK la funcin obtiene un valor como resultado de la interpolacin correspondiente que entrega a la transaccin que invoc a la funcin. /icho valor se trunca excepto cuando se utiliza en un ;).)+A() o en un A/3A.%) como segundo operando Boperando <0. )n este caso el truncamiento se realiza luego de haber multiplicado el valor de la funcin por el operando A del bloque. SIN%ACIS DE, 1,*DUE +UN$%I*N La sintaxis de este bloque es la siguiente$ nom&r +UN$%I*N A"1 numer +UN$%I*N A"1 J nom&r- es el nombre de la funcin J numer- es el n#mero de la funcin B&lo en main frames0 J A - es la variable independiente$ cualquier &.A. J 1 - es el tipo de funcin y el n#mero de puntos. &e escribe el bloque ,U.%('2. y luego los pares de :9 definidos por <. Los pares de valores se separan mediante una barra BN0. : se separa de 9 por una coma B0. %omo ejemplo se define la funcin 3)='% discreta de > puntos$ 3)='% ,U.%('2. +.6/> /evuelve el tipo de veh!culo suponiendo que$ .74N.57N.IAN4> vehic tipo 4J7C`K vehic tipo 7JAC`K vehic tipo AJ>C`K vehic tipo >J4C` &i la varia&le independiente de una funcin es cualIuiera de las series de n3meros al a6ar B+.4 a +.nA0 cada vez que se invoca a la funcin el 0.SS ;enera un n3mero al a6ar 8 tal Iue H 8 K 1 con una precisin de partes por milln que ingresa como valor de interpolacin en la funcin. $on la pro&a&ilidad acumulada de una distri&ucin Btal como la usada en el ejemplo de la pgina anterior para generar el tipo de veh!culo0 y utilizando como variable independiente a cualquiera de las series de n#meros al azar provistos por el lenguaje es posi&le ;enerar cualIuier tipo de distri&ucin. %eniendo la distri&ucin para valor medio i;ual a uno se puede >acer Iue la duracin de una tarea o los tiempos entre arri&os de transacciones ten;an esa distri&ucin. 1asta con poner dic>a funcin como operando 1 del AD?AN$E o del 0ENE/A%E respectivo. )l valor medio de la tarea o de tiempo entre arribos se coloca como operando A Brecordar que el sistema multiplicar el valor de la funcin por este valor AK 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 resultados0. %I.*S DE +UN$I*N $$ $ontinua. Al momento de la evaluacin se realiza una interpolacin lineal entre los puntos definidos que estn a uno y otro lado del valor x de la variable independiente. &i x est entre xi y xiF4 se interpola linealmente entre yi e yiF4. D$ Discreta. Al momento de la evaluacin si x est entre xi y xiF4 devuelve el valor yiF4 Btoma Uel valor de la derechaU0. E$ Discreta de atri&utos num4ricos. 'gual que en el tipo / devuelve tambi@n el valor yiF4 para x entre xi y xiF4K con la diferencia que las ordenadas que se definen en este tipo de funcin son atributosnum@ricos estandar. .o son un valor sino que son una referencia a un &.A que tiene un valor. E'emplos "ara simular una ruleta Bn#meros al azar entre C y A60$ +ULA ,U.%('2. +.7%7 B+.7 nunca alcanza el valor 4 por CCN4AQ lo que nunca puede salir el AQ0 "ara simular un dado Bn#meros al azar entre 4 y 60$ /A/2 ,U.%('2. +.7%7 *!nimo valor es 4K *ximo valor es 6.III... C4N4Q +ecordar que trunca los decimales Ambas funciones son continuas. )l sistema interpola linealmente entre los dos puntos definidos entregando un valor entero Btrunca los decimales0. Un hecho com#n es tener arri&os de transacciones en forma totalmente al a6ar BUrandomU0. )l arribo puede ocurrir en cualquier momentoK la probabilidad de arribo aumenta con el tiempo. )s decir la probabilidad p de un arribo se define$ p J valor medio x t &e demuestra que la distribucin es exponencial$ fBt0Jvalor medio . e ?valor medio.t La probabilidad acumulada yJ,Bt0 se obtiene integrando la funcin fBt0 entre C y t. yJ4?e?valor medio.t ?valor medio . t J lnB4?y0 "ara valor medio igual a uno$ t J ?lnB4?y0 &e puede definir la funcin .*ISS basndose en lo anterior$ "2'&& ,U.%('2. +.>%7> C.CC.CNC.4C.4C>NC.7C.777NC.AC.A55NC.>C.5CINC.5C.6I C.6C.I45NC.Q4.7NC.Q54.ALNC.L4.6NC.L>4.LANC.LL7.47 C.I7.ANC.I77.57NC.I>7.L4NC.I57.IINC.I6A.7NC.IQA.5 C.ILA.INC.II>.6NC.II55.ANC.IIL6.7NC.IIIQ.CNC.IIIQL.C &i se quiere generar arribos de personas con un valor medio igual a 6C y distribucin exponencial basta con representar este arribo con el bloque$ ;).)+A() 6C,._"2'&& &i se quiere &ifurcar en un 2HL al rtulo $A2A en un 3HL al rtulo 1A/ en un !HL al rtulo IN+ en un 1HL al rtulo $)AU se define la funcin U.2 con la probabilidad acumulada$ U.2 ,U.%('2. +.7/> .7%AXAN.5<A+N.I'.,N4%=AU y se representa la bifurcacin a las cuatro opciones propuestas$ (+A.&,)+ ,._U.2 )n un sistema en dnde se comienza a simular partir de las L de la maHana si se quiere simular que$ hasta las 4C de la maHana bifurca el 5C` al rtulo <A+ entre las 4C y las 47 hrs bifurca el QC` al rtulo <A+ a partir de las 47 horas bifurca el 4CC` al rtulo <A+ <', ,U.%('2. A%4/A se supone que la unidad de tiempo es Q7CC5CCN4>>CCQCCN7LLCC4CCC el segundoK A%4 es el reloj Bcero al comenzar la simulacinK vuelve a cero con %L)A+0. "ara representar la bifurcacin propuesta se debe colocar$ (+A.&,)+ ,._<',<A+ Ben "%0 (+A.&,)+ .,._<',<A+ Ben Umain frameU0 .ar5metros y Savevalues Los atributos de las entidades de un sistema pueden variar a lo largo de una simulacin. "or ejemplo la cantidad de cajas habilitadas en un lugar de atencin al p#blico la cola que elige cada persona a la salida de un supermercado. )n ;"&& existen casilleros de memoria donde se pueden almacenar estos valores. )xisten dos tipos bien diferenciados$ ? .ertenecientes a las transacciones 9par5metros:- cada transaccin tiene sus casilleros de memoria que le son propios BAl nacer la transaccin se inicializan en ceroK al morir son destruidos liberndose la memoria utilizada0. Son como "bolsillos" de la transaccin; cada transaccin tiene acceso a sus propios parmetros. )n Umain frameU la cantidad de parmetros que tiene una transaccin es fija y es igual a 47 Baunque se puede modificar utilizando el sexto operando del ;).)+A()0. En PC arma una lista con el nombre/nmero de cada parmetro utilizado. ? $omunes al sistema 9Savevalues:- )s como un vector con casilleros de carcter p#blico a los que todas las transacciones tienen acceso. Son como carteles con valores numricos que todas las transacciones tienen a su alcance. &e inicializan en cero antes de comenzar la simulacin Bsalvo indicacin en contrario en el bloque '.'('AL0. .ar5metros" asi;nacin de valores- *ediante el &loIue ASSI0N se modifica el valor de los parmetros. SIN%ACIS DE, 1,*DUE ASSI0N La sintaxis de este bloque es la siguiente$ ASSI0N A"1 ASSI0N A="1 ASSI0N A-"1 J A- es el n#mero del parmetro a asignarK sumarK restar J 1- valor a asignarK sumarK restar del parmetro A. .2(A$ )n "% el operando A puede ser un nombre. E'emplos A&&';. 44C significa "4J4C A&&';. 7F5 significa "7J"7F5 A&&';. A?7 significa "AJ"A?7 A&&';. &U)LF4CC significa "_&U)LJ"_&U)LF4CC Ben "%0 *ediante el &loIue SE,E$% es posible asignar a un parmetro el n#mero de recurso seleccionado$ SE,E$% NU A"1"$"""+ 9selecciona la +acility no usada: SE,E$% #IN A"1"$""E 9selecciona el recurso de valor mnimo: J A- )s el n#mero de parmetro que recibe lo seleccionado J 1- .#mero de recurso desde se comienza la seleccin J $- .#mero de recurso donde finaliza la seleccin J E- aTu@ es lo que se est seleccionandob J +- +tulo al que bifurca si no pudo seleccionar ninguno .2(A$ .U significa Unot usedU. &lo se aplica para ,A%'L'(')&. *'. significa m!nimo y siempre existe un m!nimo. "or tanto .U no lleva operando ) Bse sabe que es ,A%'L'(90K *'. no lleva operando , Bsiempre existe un m!nimo por lo que no tiene sentido el rtulo alternativo0 . E'emplos &)L)%( .U 4444L2%U" 'ntenta seleccionar entre las ,acilities 44 a 4L la ,acility no utilizadaK en caso de estar todas en uso bifurca al rtulo 2%U". &i la seleccin fue exitosa el parmetro 4 recibe el n#mero de ,A%'L'(9 seleccionado. La seleccin comienza en la ,acility 44 y finaliza al encontrar una ,acility que no est en uso al llegar a la ,acility 4L. &)L)%( *'. 4444LT &elecciona la cola m!nima entre las colas 44 a 4L. )n caso de igualdad se queda con el n#mero de cola menor Bsimilar al ejemplo anterior0. )l parmetro 4 recibe un n#mero de cola para este caso un n#mero entre 44 y 4L inclusive. Direccionamiento indirecto- *ediante el uso de parmetros es posible hacer referencia a un recurso cuyo n#mero es el n#mero de parmetro. &i se quiere simular que al salir de un supermercado donde hay ocho cajas habilitadas Brepresentadas por las ,A%'L'(')& 44 a 4L0 el cliente busca si hay alguna caja desocupada y se ubica en ella o en caso de estar todas ocupadas selecciona la de cola m!nima para hacer lo propio$ &)L)%( .U 4444L2%U" (+A.&,)+ %AXA 2%U" &)L)%( *'. 4444LT )s interesante observar que %AXA TU)U) G4 este #nico conjunto de &)'1) G4 bloques representa /)"A+( G4 ocho caminos distintos A/3A.%) 6CAC los que simultneamente se +)L)A&) G4 representan aqu! )l direccionamiento indirecto permite tambi@n seleccionar una funcin o variable cuyo n#mero es el valor de un parmetro tal como puede verse en el siguiente ejemplo$ $*1/ANMAS DE SE/?I$I*S un banco destinado a la cobranza de servicios! arriban personas cada "# $ # se%! las cuales pertenecen a cuatro tipos distintos de clientes! se%n la tabla si%uiente& (ipo probabilidad (iempo en pagar el servicio ?????? ???????????????? ????????????????????????????????????? C4 >C` IC c AC seg. C7 75` 6C c AC seg. CA 45` >5 c 45 seg. C> 7C` 47C c 6C seg. ?????? ???????????????? ????????????????????????????????????? Para e'ectuar el pa%o (a) seis cajas con una cola por ca*a. El cliente selecciona la ca*a desocupada o la que tiene menor cola! demorando un tiempo que es 'uncin del tipo de cliente. +erminada la operacin los clientes se retiran del banco. Simular durante el (orario bancario de ", a "# (s. #odelo en 0.SS- 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 #A/$* DE /E+E/EN$IA DE ,A #*DE,A$INN $*N SI#NE% )l diseHo de simnet se basa en la idea general de los modelos de simulacin discreta pueden crearse de una u otra manera como sistemas de l!neas de espera Los nodos en sinnet '' estan conectados por ramas. %onforme las transacciones recorren las ramas estas ejecutan importantes funciones en las entre las que se encuentran 8 %ontrolar el flujo de transacciones en cualquier parte de la red 8 +ecolectar estad!sticas pertinentes 8 )fectuar clculos aritm@ticos 2(+A& %A"A%'/A/)& /) &'*.)( '' 8 Ambiente interactivo de depuracin y ejecucin 8 )stimacin del periodo fe transmisin usando graficas interactivas 8 'mplementacin interactiva de los m@todos del subintervalo y de replica para recolectar estad!sticas globales 8 Lectura y escritura de desde archivos externos durante la ejecucin 8 Uso de indexacin para presentar segmentos de modelacin repetitiva 8 &imnet se basa en el uso de cuatro nodos solamente lo que hace muy fcil de aprender y usar a pesar de la simplicidad el lenguaje es simplemente poderoso para abordar las situaciones mas complejas 8 &imnet es total mente interactivo tanto como para depurar as! como parar tambi@n obtener resultados estad!sticos globales permite la estimacin del periodo de transmisin y luego la implementacin del m@todo estad!stico global del subintervalo o de replica siempre sin salir del m@todo interactivo de ejecucin. >.4.7 &imuladores$ "+2*2/)L (A9L2+ )/ A+).A D'(.)&& etc. >.7 Aprendizaje y Uso de un &imulador >.7.4 %aracter!sticas del softEare >.7.7 )lementos del modelo >.7.A *en#s principales >.7.> %onstruccin del modelo >.7.5 "racticas usando el simulador de problemas aplicados a servicios sistemas productivos de calidad de inventarios econmicos etc. U.'/A/ 5.? "royecto de Aplicacin 5.4 "royecto ,inal 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 desempeHo de sistemas y que en el caso de poder implementarse se lleve hasta este nivel. http(>>www.cis.ufl.edu>Vfishwic%>introsim>nodeB.htmlWS,CT2/9IIIBIIIIIIIIIIIIIIII http(>>www.inestigacion-operaciones.com>conceptosXmodelos.htm