Simulacion 2013

SIMULACIN DE SISTEMAS
Ing. Luis Zuloaga Rotta

UNI-FIIS<Simulacin de Sistemas>
Simulacin de Sistemas
ST 124
2009 -II
07 ( I2 )
EL( I1 )
SISTEMA
Conjunto de entidades u objetos
relacionados entre si (conforman una
estructura) con una misma finalidad,
alcanzar sus objetivos.

Propiedades de los sistemas
Sinergia:
la asociacin de los elementos genera propiedades distintas a las
de cada elemento.
Variedad:
distintos elementos del sistema determinando el nivel de
complejidad del mismo.
Equifinalidad:
existen sistemas con la misma finalidad pero con estructuras
internas diferentes.
Retroalimentacin o feedback:
La retroalimentacin es una caracterstica por la cual un sistema se
retroalimenta de sus propias salidas con la finalidad de mejorar sus
procesos internos.
Sistema
Input
Output
Requerimientos
Resultados
Transformaciones
(procesos recursos)
(inputs)
(Outputs)
Datos del entorno
Enfoques para el anlisis de
Sistemas
Enfoque de la caja negra.
Estudiamos el comportamiento en funcin de los
inputs y outputs.
Enfoque de la transicin de estado.
Definimos un vector de estado para el sistema y
estudiamos el comportamiento en funcin de
cambios en las variables de estado del vector.
Enfoque de las partes componentes.
Estudiamos al sistema en funcin de sus partes
componentes y de la estructura del todo.
Sistema
x1
x2
f(x1,x2)
V(t
1
)
V(t
2
)
V(t
3
)
SS1
SS2
SS3
SS1
SS2
SS3
=
Caja Negra
Cambio de Estado
Partes
Componentes
h
1
h
2
h
3
Anlisis CADTWE
C : clientes (quienes se benefician del sistema)
A : actores (quienes realizan las actividades en el
sistema)
D : dueo (quienes tienen poder de decisin sobre
el sistema)
T : transformacin (la razn de ser del sistema)
W : weltanschauung (como se ve al sistema)
E : entorno (el medio ambiente al sistema)
Enfoque de sistemas
SupraSistema
Sistema de
referencia
Sistemas con
equifinalidad
Analista
Sistema
en estudio
AS-IS
SHOULD-BE
TO-BE ?
Modelo
Es toda representacin de un sistema
real o abstracto, con la finalidad de
comprender sus caractersticas y/o
funcionalidad.
Un mdelo puede ser simblico, icnico
u anlogo.
Ej: un mapa, un sistema de ecuaciones, un
diagrama de flujo, un avin a escala, una
formula, diagrama de procesos, etc.
Funcin de los Modelos
Una ayuda para el pensamiento
Una ayuda para la comunicacin
Para entrenamiento e instruccin
Una herramienta de prediccin
Una ayuda para la experimentacin.
P1 P2
P3
P5
P4
Cmo mejorar
el sistema ?
Objetivos
Restricciones
Procesos
Recursos
Locaciones
Costos
Sistema referencia
bajo estudio
Analista o
modelador
Paradigmas
Es til la
Simulacin ?
Simulacin
Es el estudio de un sistema a travs de
un modelo ayudado de un computador,
con la finalidad de comprender su
comportamiento en un conjunto de
escenarios y plantear propuestas
alternativas de mejora.
El curso se limitar al estudio de
modelos de simulacin para sistemas
discretos.
Simulacin
... es el proceso de disear un modelo
de un sistema real y realizar
experimentos con l para entender el
comportamiento del sistema o evaluar
varias estrategias para la operacin del
sistema
Robert Shannon
Para qu usar la Simulacin ?
Para experimentar con escenarios what-if.
Para comprender el impacto de la
introduccin de nuevas tecnologas.
Para visualizar una representacin dinmica
del sistema.
Para probar/analizar un diseo previo a la
implementacin.
Para analizar la performance del sistema a
los cambios que se presenten en el tiempo.
Para qu usar la Simulacin ?
Permite una experimentacin controlada.
Para un anlisis sin disturbios (efecto
Hawthorne) ni interrupciones en el sistema.
Por su facilidad de uso y comprensin.
Visualizacin realistica y convincente.
Para forzar la atencin a detalles del
diseo.
Porque es muy caro experimentar
directamente sobre el sistema.
Ventajas de la Simulacin
Una vez construido, el modelo puede ser modificado de manera
rpida con el fin de analizar diferentes polticas o escenarios.
Generalmente es ms barato mejorar el sistema va simulacin,
que hacerlo directamente en el sistema real.
Es mucho ms sencillo comprender y visualizar los mtodos de
simulacin que los mtodos puramente analticos.
Los mtodos analticos se desarrollan casi siempre, para
sistemas relativamente sencillos o simplificaciones, mientras
que con los modelos de simulacin es posible analizar sistemas
de mayor complejidad o con mayor detalle.
En algunos de los casos, la simulacin es el nico medio para
lograr una solucin.
Desventajas de la Simulacin
Los modelos de simulacin en una computadora son
costosos y requieren mucho tiempo para desarrollarse y
validarse.
Se requiere gran cantidad de corridas computacionales
para encontrar "soluciones ptimas"; esto repercute en
altos costos.
Es difcil de comprobar que resultados de modelos de
simulacin son adecuados. Por lo tanto es difcil que sean
aceptados.
Los modelos de simulacin no dan soluciones ptimas.
La solucin de un modelo de simulacin puede dar al
analista un falso sentido de seguridad.
FORMULACIN
DEL
PROBLEMA
DEFINICIN
DEL SISTEMA
ES TIL LA
SIMULACIN ?
FORMULACIN
DEL MODELO
PREPARACIN
DE DATOS
TRASLACIN
DEL MODELO
No
FIN
S
A B
S
EL MODELO
ES VLIDO ?
PLANEACIN
ESTRATGICA
PLANEACIN
TCTICA
EXPERIMENTACIN
INTERPRETACIN
ES TIL ?
IMPLANTACIN
DOCUMENTO
PROPUESTAS
No
S
A B
EL PROCESO DE SIMULACIN
Validacin del Modelo
Es el proceso de llevar a un nivel aceptable
la confianza del usuario referente a que
acepte cualquier inferencia acerca de un
sistema que se derive de la simulacin.
No existe la prueba de validacin. En lugar
de esto, el experimentador debe realizar
pruebas a lo largo del proceso de desarrollo
del modelo, a fin de crear confianza.
Experimentacin y anlisis de
sensibilidad
La experimentacin con el modelo
(corrida) nos permite obtener la
informacin deseada.
El anlisis de sensibilidad consiste en la
variacin sistemtica de los valores de
los parmetros sobre algn intervalo de
inters y en la observacin del efecto
en la respuesta del modelo.
Mtodos para validar el modelo
Debemos cerciorarnos de que el modelo tenga
validez de forma general.
Es posible que el modelo d respuestas absurdas
s i se lleva los parmetros a valores extremos ?
El segundo y tercer mtodo se basan en la
prueba de suposiciones y en la prueba de
transformaciones de entrada-salida. Estas
conllevan el uso de pruebas estadsticas de
medias y varianzas, regresin, anlisis de
factores, autocorrelacin, pruebas no
paramtricas, etc.
DIAGRAMA DE
FLUJO
LAYOUT
PROCESOS
LAYOUT DE
PROCESOS
Ruta trabajo
Para proponer mejoras a un sistema, primero
debemos conocer como funciona u opera.
Siempre que necesitemos comprender la
funcionalidad del sistema podremos emplear la
tcnica de la descomposicin funcional de las
actividades o procesos y encontrar la
dependencia lgica entre ellos.
Con esta comprensin del sistema lograremos
un mejor anlisis de las situaciones problema y
ver si es til la simulacin para mejorar el
sistema.
Cmo saber si es til la simulacin?
Cmo iniciar el proceso de mejora
del sistema utilizando la simulacin
Para la posibilidad de encontrar alternativas de
mejora al sistema es necesario iniciar nuestro
estudio conociendo que hace
Es decir identificando sus procesos, la secuencia
de su ejecucin, clientes y actores.
Una tcnica til para esto es la descomposicin
funcional planteada por IDEF0.
Como comprender los
procesos de negocio
Para comprender, estudiar y mejorar los
procesos de negocio, primero tenemos que
identificarlos, definirlos y descubrir tanto su
estructura como sus relaciones.
Los procesos de negocio no son analizados
como cajas negras.
Para lograr esto, identificamos los procesos de
alto nivel y continuamos realizando su
descomposicin funcional hasta los procesos
elementales.
Funciones y Procesos de Negocio
Una funcin es un grupo de actividades de
alto nivel que juntas apoyan un aspecto del
negocio.
Los procesos de negocio tambin son
agrupamientos de actividades, pero ocurren a
un nivel inferior.
La ejecucin de un proceso tiene sentido para
el negocio; es una actividad que se inicia por
un evento, que tiene un inicio y un fin.
Cmo modelar el Sistema ?
Se usan grficos (generalmente cajas y
flechas) para proveer los datos acerca de la
estructura del sistema, razn por la que la
mayor parte de la gente piensa en modelos de
procesos como representaciones pictricas.
Con el modelamiento de procesos se puede
mirar el sistema de inters con profundidad,
de modo que delicados matices de su
organizacin puedan ser analizados,
comprendidos y tal vez lo mas importante,
comunicados a otros.
Cmo se modelan los procesos ?
IDEF: Que es ?
Una tcnica para modelar :
funciones :
actividades
acciones
procesos
operaciones
relaciones funcionales y datos (informacion y
objetos) de un sistema o empresa.
ICOM
Inputs
Items consumidos o transformados por procesos
Ejemplo : materiales, informacin, capital, energa, ...
Controles
Restricciones o gobierno del proceso
Ejemplos : lineamientos, reglas de negocio, polticas, ...
Outputs
Resultados del proceso, esto es una entrada transformada
Ejemplos : materiales, informacin, ...
Mecanismos
Recursos utilizados para producir la salida (usada por los procesos)
Ejemplos : personal, sistemas, equipos, ...
La actividad (o funcin) es
representada por una caja.
Inputs son representados por la
flechas fluyendo hacia el lado
izquierdo de la caja.
Outputs son representados por
flechas fluyendo desde el lado
derecho de la caja.
Flechas que fluyen hacia la parte
superior de la caja representan
restricciones o controles.
Flechas fluyendo hacia el lado
inferior de la caja son los
mecanismos.
IDEF
Actividad
a ejecutar
Output
Mecanismo
(Recurso)
Input
Restriccin
El Orden de las cajas no implica necesariamente una secuencia !!
La descomposicin es Top Down !!
IDEF es una descomposicin
Top Down
Mas General
Mas Detallado
A2
2.1
2.2
2.3
A-0
Este diagrama es el
padre de ...
este diagrama.
A0
4
1
2
3
A23
2.3.1
2.3.2
2.3.3
Diagrama de Contexto
Diagrama de Nivel Cero
Diagrama de Primer Nivel
Combinaciones de flechas
de interface
Output Input

Output Control

Output Mecanismo

Output Control feedback

Output Input feedback
Sistema Portuario
Un puerto presta servicios estiba y desestiba (carga y descarga)
as como del atraque y desatraque a los buques que arriban a
el.
Los buques pueden ser graneleros o contenedores.
Para almacenar la carga de los buques graneleros se cuenta
con almacenes de grano y para almacenar la carga de los
buques contenedores cuenta con un gran patio de
contenedores.
La poltica de atencin se basa en una cola de buques en
altamar segn el orden de llegada y se les atiende segn la
disponbilidad de los buques remolque y de puestos de atraque.
Para la estiba y desestiba se cuenta con cuadrillas de
trabajadores y con gruas.
Se evala la posibilidad de adquirir nuevos remolques y
construir nuevos puestos de atraque segun la demanda de
buques.
Sistema Portuario
SISTEMA
PORTUARIO
REMOLQUE
BARCOS
ATRAQUE
Cuadrillas
Barcos
CARGA Y/O
DESCARGA
DESATRAQUE
Barcos
atendidos
Normas portuarias
Barcos
Cuadrillas
Normas portuarias
Barcos
atendidos
Sistema Bancario
Una agencia bancaria atiende en un horario pre establecido a
sus clientes.
La agencia cuenta con cinco ventanillas de atencin que
atienden en funcin del nmero de clientes esperando por un
servicio.
La politica de atencin se basa en dos colas nicas y en
ventanillas organizadas para clientes y no clientes.
Se evala la posibilidad de implementar un servicio de atencin
con tickets que diferencie tres tipos de clientes: clientes bex,
regulares y eventuales (no son clientes).
Que procesos se identifican: arribo clientes, atencion y salida
cliente.
El arribo comprende la identificacin del tipo de cliente y su
ubicacin en la cola correspondiente. La atencin comprende la
identificacin del tipo de operacin y la operacin en si misma.
Qu mejorar en el Stma.
Bancario?
La longitud de las colas que se forman por la lentitud
del servicio.
La prdida de clientes por lo largo del tiempo de espera
para ser atendido.
Hay que determinar el nmero apropiado de ventanillas
de atencin y la poltica de atencin a los clientes.
Una cola por ventanilla.
Unas ventanillas para los clientes y otra para los que no lo
son.
Atencin por periodos de alta demanda
Hay que construir un modelo de simulacin y
escenarios de demanda y atencin.
Que sigue ... ?
Una vez identificados y comprendidos
los procesos u actividades, se analiza
a detalle la situacin problema.
A continuacin se identifican las
variables del vector de estado (var.
aleatorias), para luego observar y
registrar su comportamiento
(muestra).
Se organiza la data recogida y se
plotea, procediendo a plantear una
hipotesis nula H
0
.
x1
x2
x3
x4
x5
x6
xn
xi frec
[a1,a2] 8
<a2,a3] 12
<a3,a4] 16
<a4,a5] 6
...
x
H
0
:
Nmeros Random ( #r )
Son nmeros reales (r) distribudos continua
y uniformemente en el intervalo [0,1].
r = 1/2
Var(r) = 1/12
0
1
r0
r
xf(x)dx

0
1
0
X =
-
( x x )
2
f(x)dx

0
1
-
Var(x) =
Algoritmos para generar
nmeros Random
Cuadrado central
Se elije un nmero cualquiera bc
Se obtiene su cuadrado (bc)
2
= manc
Se elige el nmero an
#r1= an/(100-1)
Se contina obteniendo el cuadrado de (an)
2
= bdam
Se elige el nmero da
#r2=da/(100-1)
Se continua as sucesivamente
N bc manc an #r
1 12 144 14 14/99
2 14 196 19 19/99
3 19 361 36 36/99
4 36 1296 29 29/99
otro algoritmo
Producto central
Se elijen dos nmeros cualesquiera abcd y mnpq
Se obtiene su producto (abcd).(mnpq)= mancrsta
Se elige el nmero ncrs
#r1= ncrs/(10000-1)
Se contina retirando un nmero e incluyendo el nuevo
Se obtiene el nuevo producto (mnpq).(ncrs)=bpdramca
Se elige el nmero dram
#r2=dram/(10000-1)
Se continua as sucesivamente

Algoritmos para generar #r
Algoritmos congruenciales :
Mixto : #r
i+1
= ( a + b #r
i
)Mod(m)
Multiplicativo : #r
i+1
= ( b #r
i
)Mod(m)
EJEMPLO: Generar 2 nmeros aleatorios de mdulo 8
con constantes a= 7 y b= 5 y una semilla r
0
= 4.
r
i+1
= (5r
i
+ 7)MODULO(8)

r
1
= 27 MODULO (8) = 3 entonces #r1= 3/(8-1) = 0.428
r
2
= 22 MODULO (8) = 6 entonces #r2= 6/(8-1) = 0.857
Restricciones para los
parmetros de algoritmo
a, b, m y r
0
deben ser mayores que cero (0).
r
0
no debe ser mltiplo de 2 ni de 5.
a debe ser impar.
a y m deben ser primos entre si.
b = 200t z tal que :
z = 3,11,13,19,21,27,29,37,53,59,61,67,69,77,83,o 91.
t = 1,2,3,4,5, ...
m = 10
d
y d >4 (d # de bits de una palabra del computador)
Periodo mximo m/20
Usos de estos algoritmos
Para crear juegos de azar
Para enmascarar datos
Como claves de verificacin de acceso
Bancario
Para reproducir comportamientos de
ciertas variables en la simulacin de
sistemas.
Parmetros y Variables
En un experimento se tiene informacin o
datos de dos tipos :
PARMETROS: permanecen sin cambio
durante todo el tiempo que dura el
experimento con un escenario.
VARIABLES: cambian durante el
experimento con cada escenario a evaluar.

Variable Aleatoria
PROCESO ESTOCASTICO: experimento
donde no es posible conocer de antemano
los resultados obtenidos para cada valor de
una variable. Se cumplen las propidades de
la teora de probabilidad para las variables
asociadas.
VARIABLE ALEATORIA: variable en un
proceso estocstico.
Distribucin de probabilidad
FALLAS
20
30
70
FRECUENCIA
C B A
PROBABILIDAD
Se controlan 210 productos de un proceso de
fabricacin y se identifican tres tipos de fallas: A, B y C.
FALLAS
2/21
1/7
1/3
C B A
3/7
~F
Tipos de Distribucin
Probabilidad
CONTINUAS: los valores de las VA estn en
algn rango de los nmeros reales y cubren
entre todos ellos todo el rango.
DISCRETAS: los valores de las VA pertenecen
a algn rango de los enteros o reales. Entre
dos valores de la VA hay por lo general una
infinidad de valores que no se asocian a la
variable aleatoria.
Sistemas con
equifinalidad
Analista
Funciones Generadoras de
Valores Aleatorios
Para reproducir el comportamiento de
los sistemas a travs de los modelos,
es necesario reproducir el
comportamiento de los objetos del
sistema, a travs de la reproduccin de
las actividades en las que intervienen,
especialmente las relacionadas con
variables aleatorias.
Recogemos una muestra de datos para
cada variable identificada, realizamos el
ajuste correspondiente a alguna funcin
de probabilidad conocida o no.
Mtodos para generar VA
Mtodo de la transformacin inversa
Mtodo de la aceptacin rechazo
Mtodo de la composicin
Mtodo de la
Transformacin Inversa
Muchas de las
Funciones de
Distribucin de
probabilidad
acumuladas (F) son
univalentes de all que
tienen inversa.
Estas F se caracterizan
por estar distribuidas
uniformemente en [0,1].

F(x) = p(X s x) ~ UNIF(0,1)
tambin #r ~ UNIF(0,1)
entonces #r = F(x)
por lo tanto x = F
-1
(#r)
#r
x0
1
F(x)
0
X
Funciones continuas de
probabilidad
Uniforme Contina (UC)
a
b
x0
x
1
b-a
F(x) = (x0-a)/(b-a)
a b
F(x)
1
0
#r
x0
f(x)= 1/(b-a) la funcin de probabilidad
Dado que F tiene inversa, entonces #r = F(x),
luego #r = (x-a)/(b-a) por lo tanto x = a + #r(b-a)
es la funcin generadora de valores uniformes y
continuos en el intervalo [a,b]
Aplicacin
El tiempo que demora un docente en calificar una
prueba de matemtica se distribuye uniformemente y
continua en el intervalo cerrado : [5,12] minutos.
Determine el tiempo que se demorara en calificar 5
pruebas utilizando el siguiente generador
congruencial mixto para los nmeros Random:
R
i+1
= (40.R
i
+ 13) Mod (33)
utilizar como semilla R
0
a nmero 74
Solucin
El Tiempo calificacin se comporta Unif [5,12]
Luego Tpo
i
= a + (b-a)#R
Entonces Tpo
i
= 5 + 7#R
#R
i+1
= [(40#R
i
+ 13) MOD(33)] 32
Se determinan 5 nmeros Random y se remplazan
en la funcin generadora de valores uniformes y
continuos
Exponencial Negativa (Exp)
Funcin continua con
dominio [0,
+
.

f(x) = e
-x
; x>0

F(x) = }
o
x
0

f(x)dx = 1-e
-x

x
f(x)

0
x
0
0
F(x)
1
x
#r
x
0
Media (x) = 1/
Var (x) = 1/
2
Dado que F tiene inversa, entonces #r = F(x), luego
#r = 1 - e
-
x

por lo tanto x = - (1/)ln(1- #r)
Aplicacin
Los tiempos entre arribos a una agencia bancaria se
ajustan a una distribucin exponencial negativa con
media 3.24 minutos entre cliente y cliente.
Determine a travs de la generacin de estos valores
aleatorios cuantos clientes llegaran en 15 minutos.
Genere nmeros Random a partir del siguiente
algoritmo congruencial mixto:
R
i+1
= (32.R
i
+ 14) Mod (24)
0
a nmero 64

Solucin
El tiempo entre arribos se ajusta a una Expon(1/)
Por dato (1/) =3.24 minutos
Conocemos que Tpo
i
= - (1/) Ln(1 - #R)
Adems :

Se generan tiempos entre arribos y se van sumando hasta que
el total sea mayor a 15.
El nmero de clientes que arribaron en 15 minutos es el ndice
correspondiente al tiempo anterior con el que se superan los 15
minutos.
R
i+1
= [(32.R
i
+ 14) Mod (24)] 23
Lineal y continua (Lin)
a b
2
b-a
f
F
1
0
x
x
#r
x

F(x) = (x-a)
2
(b-a)
2
a
b
f(x) = 2(x-a) dado que F tiene inversa, entonces #r = F(x)
(b-a)
2
entonces x = a + (b-a) #r
f(x)
Normal (Norm)
Teorema del Lmite Central : Toda variable aleatoria con media y
varianza conocidas, que se expresa como la suma de n variables
aleatorias independientes, tambin con media y varianza conocidas,
para un n suficientemente grande, se puede aproximar a travs de
una distribucin normal.

f(x)
=
1 e
-(1/2)[(x- )/ o]
2
2t o

x
Si t = s
1
+s
2
+s
3
+s
4
+s
5
+s
6
+......+s
n
/ med (s
i
) y var(s
i
) son conocidas,
entonces para un n suficientemente grande t ~ Normal (med,var).
Si t = # r
1
+# r
2
+# r
3
+# r
4
+# r
5
+...+# r
n
= # r
i
/ # r
i
~ RANDOM
normalizando t y x tenemos : t (n/2)
=
x
n/12 o
Tomando n = 12 encontramos que : X = + o [(E #r
i
) - 6]
12
Estandarizacin de la normal
z = (x - )/ o
Funciones discretas de
probabilidad
Bernoulli (Bern)
Es una distribucin discreta en la que los resultados
del experimento aleatorio slo arrojan dos valores
posibles 0 o 1(fracaso o xito).
X =
0 si #r > p (no xito)

1 si #r p (xito )
f(x) = p
x
(1-p)
1-x
/ p = xito
amarillo
Ej: Trompo f(x) = (1/3)
x
(2/3)
1-x
0(R) si #r > 1/3
1(A) si #r 1/3
X =
Binomial (Bin)
Una distribucin Binomial involucra varios procesos de
Bernoulli, digamos n procesos y, se desea el nmero de
xitos x que se tendr en todos los procesos tomados en
conjunto. La Binomial mide la probabilidad de que x=i
xitos en n pruebas:
p(x=i) =(
n
i
)p
i
(1-p)
n-i
/ med(x)=np y var(x)=np(1-p)
Como reproducir comportamientos Binomiales:
Entonces si x= b1+b2+b3+..bn = Ebi / bi ~ Bern(p)
tenemos que x ~ Bin (n,p)
n
0 1 2 3 4
x
0.40
0.20
0.10
f(x)
Bin (4,0.5)
Aplicacin
La probabilidad de que un foco de luz sea defectuoso
es del 5%. Se desea determinar en forma simulada
cuantos focos sern defectuosos en una muestra de 6.
Genere nmeros Random a partir del siguiente
algoritmo congruencial mixto:
R
i+1
= (23.R
i
+ 34) Mod (54)
0
a nmero 82

Solucin
Generar 6 valores Bernoulli que se ajusten a la
funcin: f(x)= (5/100)
x
(95/100)
1-x
El generador Bernoulli a utilizar :
0 si #R > 0.05
x =
1 si #R 0.05

Nro focos defectuosos = E x
i
se comporta BIN(6,0.05)
6
Poisson (Pois)
0 1 2 3 4 5 6 7 8 9 10 11 12 ....
x
f(x)
=

x
e
-

/ med(x) =
x!
f(x)
e
-
T T T T T
X=4 X=2 X=1 X=5 X=0
t
1
t
2
t
3
t
4
t
5
t
6
t
7
t
8
t
9
t
10
t
11
1 1 1 1 1 1 1 1 1 1 1
x ~ Poiss()
t ~ Exp(1/)
Si t
i
~ Exp(1/) entonces t = - (1/)ln(1-#r)
Luego x = max {i : Et
i
s T < Et
i
} ~ Poiss()
i i+1
0 0
Uniforme Discreta (UD)
X =
a1 si 0 s #r s 1/n
a2 si 1/n < #r s 2/n
a3 si 2/n < #r s 3/n
...
an si n-1/n < #r s1
a1 a2 a3 a4 a5 a6 a7 ... an
1/n
x
f(x)
a1 a2 a3 a4 a5 a6 a7 ... an
1/n
x
F(x)
2/n
3/n
4/n
5/n
1
#r
Mtodo de Aceptacin - Rechazo
Es un mtodo sencillo y general, aunque en ocasiones no muy
eficiente.
Sea f(x) una funcin de probabilidades definida en un intervalo finito,
(a,b) y M una cota superior de f(x) .
Se generan dos valores aleatorios x
1
U [a,b] y p U [0,M]
X
1
= a + (b-a)r1 y p= (M)r2 siendo r1 y r2 dos nmeros Random,
entonces:
Se acepta x
1
si p f(x
1
) o r2 f(x
1
)/M
Se rechaza x
1
si p > f(x
1
) o r2 > f(x
1
)/M

De esta manera el valor x
1
aparece con una densidad de probabilidad
f(x), aunque no se aprovechan todos los valores que obtenemos en la
realizacin del mtodo.
De todos modos, este es el nico mtodo disponible cuando la
distribucin de probabilidades es complicada.
Mtodo de Aceptacin - Rechazo
Se tiene una Variable Aleatoria X
con funcin de densidad f(x)
definida en a x b, adems,
M= max f(x) para a x b
Sea g(x)= [f(x) / M]
luego 0 g(x) 1
El mtodo consiste en:
a. Generar r1 y r2, dos
nmeros random ~U(0,1).
b. Se define x1 ~U(a,b) entonces
x1 = a + (b-a)r1
c. Si r2 g(x1) entonces x1 es
observacin para f(x). En otro
caso, volver al paso a.
a
b
M
f(x)
1
g(x)
r2
r1
x1
g(x1)
Ejemplos
Ejemplo1: Sea f(x)= 2 x una fdp para 0 x 1

Entonces si M = 2 y g(x)= 2x/2 = x
a. Generar r1 y r2 distribuidos uniformemente en [0,1]
b. x = a + (b a) r1 = 0 + (1 - 0) r1 = r1
c. Si r2 r1 entonces x es observacin, de lo contrario volver a
generar r1 y r2.

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

Entonces si M=2/3 y g(x)= (2x/9)/(2/3)= x/3
b. x= a + (b - a)r1 = 0 + (3 - 0)r1 = 3r1
c. Si r2 g(x) = x/3, as r2 3 r1/3 = r1, o sea si r2 r1, entonces x
es observacin, de lo contrario volver a generar r1 y r2.

Ejemplos
Ejemplo 3: Sea f(x)= 3x
2
/7, una fdp para 1 x 2

Entonces si M = 12/7 y g(x)=(3x
2
/7)/12/7 = g(x)= x
2
/4
b. Sea x1 = a + (b a) r1 = 1 + (2 - 1) r1 = 1+r1
c. Si r2 g(x1)=g(1+r1)=(1+r1)
2
/4 entonces x1 es observacin
de f(x), de lo contrario volver a generar r1 y r2.
Mtodo de la Composicin
Mediante este mtodo la distribucin
de probabilidad f(x) se expresa como
una mezcla de varias distribuciones
de probabilidad seleccionadas
adecuadamente.
Procedimiento
Dividir la distribucin de probabilidad original en sub-
reas, tal como se muestra en la figura:

Definir una distribucin de probabilidad para cada
sub-rea asignndole una fraccin (Ai) del rea total.

1
A
x
f(x)
2
A
n
A
3
A
Siguiendo
Expresar la distribucin de probabilidad original en la
siguiente forma:

Obtener la distribucin acumulada de las reas vrs
las funciones f
i
(x):

1 ) ( ..... ) ( ) ( ) (
1
2 2 1 1
= + + =

=
n
i
i n n
A x f A x f A x f A x f
) (
1
x f ) (
2
x f ) (
3
x f ) (
4
x f
1
A
2 1
A A +
3 2 1
A A A + +
4 3 2 1
A A A A + + +
#r
1
Finalmente
Generar dos nmeros Random #r
1
y #r
2
Seleccionar la distribucin de probabilidad f
i
(x) con la
cual se va a simular el valor de x. La seleccin de
esta distribucin se obtiene utilizando el #r
1
al aplicar
el mtodo de la transformada inversa a la distribucin
acumulada de las reas.
Utilizar el #r
2
para simular por el mtodo de la
transformada inversa o algn otro procedimiento
especial, nmeros al azar que sigan la distribucin
de probabilidad f
i
(x) seleccionada en el paso anterior.

Ejemplo
Utilizando el mtodo de la composicin construir un
algoritmo que permita generar nmeros aleatorios
que se ajustan a la distribucin :
1
2
6
f(x)
Solucin
Dividimos f(x) en sub reas:

Determinamos f
1
(x) y f
2
(x) como fdp.
1
2
6
f(x)
A
1
A
2
2/5
A
1
= 1/5

A
2
= 4/5
1 2
2
f(x)
x
f
1
(x)= 2(x-1)

F
1
(x)= (x-1)
2
2
6
x
f(x)
1/2
f
2
(x)= (-1/8)(x-6)

F
2
(x)= 1 [(x-6)
2
/16]
Expresamos la distribucin original como:
f(x) = A
1
f
1
(x) + A
2
f
2
(x) = (1/5) 2(x-1) + (4/5) (-1/8)(x-6)
f
1
(x) f
2
(x)
1/5
1
f
2
(x) f
1
(x)
Finalmente
Generar dos nmeros random #r
1
y #r
2
Es #r
1
< 1/5 ?
Si es afirmativo se simulan valores de f
1
(x) utilizando el
mtodo de la transformada inversa:
F
1
(x)=(x-1)
2
= #r
2
entonces x = 1+ #r
2

Si no es afirmativo se simulan los valores de f
2
(x)
F
2
(x)=1 [(x-6)
2
/16] = #r
2
entonces x = 6 - 4 1- #r
2
Repetir los pasos anteriores tantas veces como sea
necesario para reproducir el comportamiento
deseado.

Pruebas de Bondad de Ajuste
Estas pruebas nos permiten determinar si
la muestra de los datos recogida, respecto
a una variable aleatoria de inters para el
estudio, se puede aproximar a partir de
una funcin de distribucin de probabilidad
terica (H
0
).
H
0 :
No existe diferencia significativa entre los datos
observados y los que se obtendran a partir de una
distribucin ............ (distribucin de probabilidad terica).
Prueba de Ji-Cuadrado
Es recomendable para muestras cuyo tamao
es mayor que 100.
Calcular :
_
c
2
=E (fo
i
fe
i
)
2

fe
i
Donde : k # intervalos de clase
fo frecuencia observada
fe frecuencia esperada, tal que fe = np(x
i
)>5
n tamao de la muestra
p(x
i
) probabilidad terica para x
i
k
i=1
Ji-Cuadrado ...
Luego obtener de tablas el estadstico
de Ji-Cuadrado para : _
t
2
(1-
o
, #gl)
Donde : (1 o ) es el nivel de significancia, y

#gl : es el nmero de grados de libertad
tal que #gl = K - #parm.estimados 1
Comparamos, y aceptamos H
0
si :
_
c
2
<<_
t
2
(1-
o
, #gl)
Ji-Cuadrado calculado es menor que el terico
Prueba de Kolmogorov - Smirnov
Es recomendable para muestras cuyo
tamao esta comprendido entre 10 y 100.
Se determinan las frecuencias relativa y
acumulada de los valores observados, y la
probabilidad terica y acumulada para la
distribucin terica.
El estadstico K/S calculado se determina a
partir de la mxima de las diferencias
absolutas entre la frecuencia y probabilidad
acumuladas.
El estadstico K/S terico se obtiene de
tablas dado un o (nivel significancia) y n
(tamao muestra).
Se acepta H0 si se cumple que : D
c
<< D
t

(o,n)
PA(x) FA(x)
Tabla de Kolmogorov/Smirnov
para una(1) muestra
Ejemplo 1
Suponga que se han
generado 100 #s
aleatorios y deseamos
comprobar su
uniformidad sobre 10
intervalos equidistantes
utilizando la prueba de
Kolmogorov/Smirnov.
Usar un o = 5%.
H
0
: Los datos se pueden
aproximar a travs de una
distribucin Uniforme.
Int Frec FrecRel
1 8 0.08
2 17 0.17
3 5 0.05
4 5 0.05
5 12 0.12
6 18 0.18
7 5 0.05
8 14 0.14
9 13 0.13
10 3 0.03
100
1 2 3 4 5 6 7 8 9 10
0.1 UNIF
Int Frec FrecRel FrecAbs ProbTeor ProbAcum D k/s
1 8 0.08 0.08 0.1 0.1 0.02
2 17 0.17 0.25 0.1 0.2 0.05
3 5 0.05 0.3 0.1 0.3 0.0
4 5 0.05 0.35 0.1 0.4 0.05
5 12 0.12 0.47 0.1 0.5 0.03
6 18 0.18 0.65 0.1 0.6 0.05
7 5 0.05 0.7 0.1 0.7 0
8 14 0.14 0.84 0.1 0.8 0.04
9 13 0.13 0.97 0.1 0.9 0.07 Max D k/s
10 3 0.03 1 0.1 1 0.0
100
Tabla de Clculos Ejemplo 1
D
c
= 0.07
D
t
(5%,100) = 1.36/ 100 = 0.136
Como D
c
<< D
t
(5%,100) aceptamos H
0
:
Ejemplo 2
La siguiente tabla muestra la
distribucin de frecuencias
para la variable aleatoria
tiempo entre dos arribos
consecutivos a un
SuperMercado.
Formule la hiptesis
adecuada y haga el ajuste
correspondiente a una
funcin de distribucin de
probabilidad terica
conocida. Use un o = 5%.
Tiempo Frec
0 s t < 2 50
2 s t < 4 33
4 s t < 6 22
6 s t < 8 15
8 s t < 10 11
10 s t <12 8
12 s t < 14 5
14 s t < 16 3
16 s t < 18 2
18 s t < 20 1
Ploteo Ejemplo 2
t frec frecRelat
1 50 0.33
3 33 0.22
5 22 0.15
7 15 0.10
9 11 0.07
11 8 0.05
13 5 0.03
15 3 0.02
17 2 0.01
19 1 0.01
+21 0 0.00
150
0 2 4 6 8 10 12 14 16 18 20
0.33

0.22

0.15

0.10
0.07
0.05
0.03
t
H
0
: Los datos del tiempo entre
Arribos se pueden aproximar a
travs de una Distribucin
Exponencial Negativa.

f(t) = 0.21e
- 0.21t
(1/) = (Et
i
.f
o
)/ Ef
o
= 714/150 = 4.76 entonces = 0.21
t ProbTeor
(fo - Ei)
2
/Ei
1 50 0.3440 51.60 0.050
3 33 0.2252 33.78 0.018
5 22 0.1481 22.22 0.002
7 15 0.0973 14.60 0.011
9 11 0.0618 9.27 0.323
11 8 0.0419 6.29 0.468
13 5 0.0275 4.13
15 3 8 0.0181 2.72 6.84 0.197
17 2 0.0119 1.79
19 1 0.0078 1.17
+21 0 3 0.0164 2.46 5.42 1.077
150 1.0000 150.00 2.146
Ei=npi Frec
P(0 s ti < 2) = }
0
2
0.21e
- 0.21t
dt = - e
- 0.21t
|
0
2

=0.3440
P(2 s ti < 4) = }
2
4
0.21e
- 0.21t
dt = - e
- 0.21t
|
2
4

=0.2252
...
P( ti > 21) = 1 - }
0
20
0.21e
- 0.21t
dt = 1 (e
- 0.21t
)|
0
20

=0.0164

Respuesta Ejemplo 2 ...
Determinamos #gl = 8 1 1 = 6
De Tablas determinamos :
t
2
(95%,6) = 12.6
Como :
c
2
<<
t
2
aceptamos H
0
:
Recomendaciones
Dada una muestra de tamao n para una
variable aleatoria, se puede utilizar la
Frmula de Sturges para aproximar el
nmero de intervalos en los que se les
puede agrupar :
K = 1 + 3.3 log n
Dado que se tienen que aproximar los parmetros
de la distribucin de probabilidad terica, se pueden
utilizar las siguientes relaciones :
Med(x) = (E x
i
.Fo
i
) / n y
Var(x) = [E x
i
2
.Fo
i
n.Med
2
(x)] / (n 1)
Ejemplo 3
Construir una funcin generadora de valores
aleatorios para la siguiente funcin de
distribucin de probabilidades (fdp):

f
2
0 a
a
x
Clculo de a:
Por condicin de una fdp, el rea bajo la curva de f en su
dominio debe ser 1.
Entonces (1/2)(a)(a) + (1/2)(a)(2-a) = 1
(1/2)[a
2
+ 2a - a
2
] = 1
a = 1
Determinacin de la regla de correspondencia de f:

f =

F =

x si x [0,1]
-x + 2 si x <1,2]
x
2
/2 si x [0,1]
1 (1/2)(2-x)
2
si x <1,2]
Una vez definida f
determinamos la
funcin de distribucin
acumulada F
Graficamos la funcin acumulada F
1
2
1/2
1
F
x
#r
x
Como F es montona entonces
tiene inversa, F(x) = #r :
i. x
2
/2 = #r v
ii. 1 (1/2)(2-x)
2
= #r
Despejando x en funcin de #r:
i. x = 2#r
ii. x = 2 - 2(1- #r)
Luego 0 x 1 0 2#r 1
0 #r 1/2
2#r si #r [0,1/2]

2 - 2(1- #r ) si #r <1/2,1]

x =
Ejemplo 4
Loas alumnos de la FIIS estn distribuidos entre 60% para la
especialidad de Industriales y 40% para la especialidad de Sistemas.
Se desea simular la cantidad de alumnos de la especialidad de
Sistemas que figuran dentro del arribo de un grupo de cuatro alumnos.
Estamos al frente de un comportamiento Binomial, el cual simulamos
a travs de comportamientos Bernoulli.
e = ~ Bern (p=2/5)
0 si #r > 2/5
1 si #r < 2/5
x = = 1 + 0 + 0 + 0 ~ Bin (n=4, p=2/5)
0.32+0.45+0.67+0.84
4
1
i
e
s
I I I
f(e)=(2/5)
e
(3/5)
1-e
para e = 0 o 1
Mecanismos de control de Tiempo
de la Simulacin
Dado que la ejecucin de eventos en
una PC es secuencial, estos
mecanismos permiten controlar la
cadena de eventos presente y futura
durante la ejecucin de la simulacin.
En los sistemas discretos los eventos
que influyen sobre el sistema ocurren
en puntos especficos en el tiempo, no
en forma continua, de all que mas
importante ser el mecanismo de
control de tiempo variable, cuyo tiempo
se incrementa en funcin de los
momentos en los que se da la
ocurrencia del evento.
Ejemplo
Se est diseando una mquina
para inyectar lquido a envases de
diferentes capacidades, y tiene
una lnea de produccin.
Eventualmente se derramar
lquido de los envases, esto se da
por la capacidad variable de los
envases y/o por el error de la
cantidad inyectada del lquido.
Se desea incluir un recipiente
(contenedor) en la mquina para
recibir el lquido derramado, y que
ste no se disperse en el piso. Si
se tienen producciones de hasta
10,000 envases, calcule el
tamao del contenedor para la
mquina inyectora.
Ejemplo ...
Se conocen las siguientes caractersticas del proceso y de la
mquina:
La cantidad de lquido que se inyecta no siempre es exacta, se
comporta como una V. A. normal con media igual a la cantidad ideal a
inyectar en el envase y desviacin estndar igual al 1% de esa cantidad
ideal.
Los envases tampoco tienen una capacidad nica sino que varan por
defectos de forma y de fabricacin. La capacidad de los recipientes es
de 1.05 (de la cantidad ideal a inyectarle) y tienen una desviacin
estndar del 5% de su capacidad total . La posibilidad mxima del
defecto es de un 10% de la especificada como capacidad media.
Construya un programa en C++, Pascal o en cualquier otro
lenguaje para determinar el tamao del recipiente que se
requiere.
Se pueden manejar envases con capacidades de inyecccin
desde 200 ml hasta 1.5 litros. Haga su clculo tomando en
cuenta que llenar envases de 330 ml.
Diagrama de
Bloques
DETERMINAR
REBASAMIENTO
SIMULAR LLENADO
LINEA 1
SIMULAR LA CAPACIDAD
DE LA BOTELLA A LLENAR
SIMULAR LA CANTIDAD
A INYECTAR
ENVIO DE BOTELLAS
ACUMULAR CANTIDAD
REBASADA
FIN
Pseudocdigo del programa para
el Ejemplo
Se generan los valores aleatorios que se necesitan.
Se genera la capacidad de la botella que llega a la lnea.
Con una variable aleatoria normal con med =1.05 (330 ml) y
desv.est.= 5% de 1.05(330 ml.)
Se generan las cantidades inyectadas en la lnea .
Con una variable normal con med=330 ml y desv.est.= 1%(330 ml.)
Se corrigen los valores que se aportan por las limitaciones fsicas.
Para la inyeccin hasta un total de 2 litros inyectados(por falla)
Para la capacidad hasta un 10% del especificado como valor medio
(1.05*330 ml.)
Se calculan las cantidades rebasadas en cada caso.
Inyectado - envasado (en el cado que inyectado > envasado)

Tiempo
entre
Arribos (t)
Cola
Servicio
Poblacin
SISTEMA DE COLAS
Arribos
Tiempo de
Servicio
Politica de
servicio
Premisas para el estudio de un
Sistema de Colas
Un sistema de colas puede ser analizado en funcin de sus
tasas de arribo y de servicio, variables cuyo comportamiento
puede ser aleatorio.
Para nuestro estudio consideraremos que los arribos se
ajustan a una distribucin de Poisson con tasa media o
tiempo entre arribos Exponenencial con tasa media 1/.
Los tiempos de servicio son Exponenciales con tasa media
.
CONDICIONES
INICIALES
LC = LC + 1
GENERAR TA
SUMTA = SUMTA + TA
SERVICIO
DISPONIBLE ?
COLA =0 ? COLA =0 ?
TOT = TOT + 1 LC = LC - 1
TET = TET + LC
GENERAR TS
SE OCUPA
SERVICIO
SI
NO
NO SI
NO
SI
A
C
B
Para t=0
arriba el 1er Cliente
Tiempo de
Arribo
Tiempo de
Servicio
Longitud de
la Cola
Tiempo Espera
Total
Mecanismo de Control de
Incremento Fijo
RELOJ = RELOJ + 1
VERIFICAR
TS
TS =TS - 1 TS = TS - 1
COMPARAR
RELOJ::SUMTA
TS > 1 TS = 1
SE
DESOCUPA
SERVICIO
TS = 0
A
B C
RELOJ < SUMTA
RELOJ = SUMTA
TS1
TS2
TS3
TS4
TO1
TE3
TE4
TE5
c1
c2
c3
c4
c5
0
TA2
TA3
TA4
TA5 TA6
TS5
TE6
SUMTA2
SUMTA3
SUMTA4
c6
SUMTA1
Mecanismo de Control de
Incremento Variable
CONDICIONES
INICIALES
GENERAR TA
TA = TA - TE
GENERAR TS
TS = TA ?
TS < TA ?
TE = 0
TO = 0
TE = 0
TO = TA - TS
TOT = TOT + TO
TO = 0
TE = TS - TA
TET = TET + TE
SI NO
SI NO
Tiempo
de Arribo
Tiempo de
Servicio
Tiempo de
Espera
Tiempo
Ocioso
Tiempo
Ocioso Total
Tiempo de
Espera Total
Para t=0
arriba el 1er Cliente
TS1
TS2
TS3
TS4
TO2=TA2-TS1
TE2=0
TE3
TE4
TE5
c1
c2
c3
c4
c5
0
TA2
TA3
TA4
TA5 TA6
TS5
TE6
TA2 =TA2 TE1
TA3 =TA3 TE1
TA5=TA5 TE4
c6
TE3=TS2-TA3
T03=0
TA4 =TA4 TE3
TE4=TS3-TA4
T04=0
TE5=TS4-TA5
T05=0
Ejemplo : Modelo Simulacin
Una Compaa de carga recepciona sus camiones
que llegan en forma aleatoria en una terminal para
descarga. Despus de analizar los datos histricos
se ha concludo que el nmero de llegadas diarias de
camiones se comporta de acuerdo a una distribucin
de Poisson con tasa media de 3 camiones por da. El
peso de la carga de cada camin es un factor
importante en lo referente al tiempo de descarga. Se
ha comprobado con los registros pasados que los
pesos de la carga estan distribudos normalmente
con media 30 mil lbs. Y una desviacin estndar de 5
mil lbs. Para la descarga se cuenta con cuadrillas
cuya capacidad de descarga en lbs por hora es
variable y funcin del tipo de carga.
La frecuencia de cada tipo de carga y la velocidad de
descarga de las cuadrillas se muestran en la tabla
siguiente :
Modelo Simulacin ....
Una cuadrilla consta de 3 personas: 1operador
de elevador de carga a quien se le paga 4$/Hr
y dos obreros a quienes se les paga 2.50 $/Hr.
La poltica de la Cia. es descargar en el da
todos los camiones que arribaron el da
anterior sin importar los costos de tiempo extra
implcitos. El contrato del sindicato demanda
una bonificacin del 50% por horas extras
fuera de la jornada de trabajo de 8 Hr diarias.
Con base a una simulacin de 10 das determine
cuantas cuadrillas se requieren para reducir al
mnimo los costos totales de descarga.
Si aplicaramos la poltica de que los camiones deben
descargarse el mismo da de su llegada en lugar del
da siguiente, y que la tasa media de llegadas sube a
4 Cam/Da Cuntas cuadrillas se requerirn para
reducir al mnimo los costos totales de descarga.
0 5
1 15
2 22
3 22
4 17
5 11
6 5
7 3
100
Nro
Camiones
Frec
A 40 8000
B 35 7000
C 25 5000
Veloc.Descarga
Lb/hr x Cuadrilla
Tipo
Carga
Frec
Modelo Simulacin
Generar Nro
Camiones (NCM)
Arriban x Da
Generar Tipo
Carga x Camin
Generar Peso
Carga x Camin
Calcular Costo
Descarga (CD)
Asignar Nro
Cuadrillas (NCD)
NDias=NDias + 1
Ndias=10 ?
NO
TotCD=TotCD+CD
Imprimir x Da
Valores Generados
y Costo Descarga
Imprimir Ndias,
Nro Cuadrillas
y Costo Total
Descarga
SI
Definir Plan Trabajo
TotCD
NCD
1 2 3 4 5 6
C1
C2
C3
C5
C6
Indicadores Iniciales
Nro arribos ~ Poisson () o
Tpo entre arribos ~ Exponencial (1/)
Tiempo servicio ~ Exponencial (1/ )
Por lo tanto :
Tasa arribo y tasa de servicio
Factor de ocupacin del Stma. = (/)
Probabilidad que Stma.vacio P
0
= 1 (/)
Porcentaje de Tiempo Ocioso del Servicio 100P
0
Estructuras de los Sistemas de Cola
1cola/1servidor/Pobl.NoFinita

1cola/1servidor/Pobl.Finita(k)

1cola/MltiplesServ.(s)Paralelo/Pobl.NoFinita

1cola/MltiplesServ.(s)Paralelo/Pobl.Finita(k)

1cola/MltiplesServ.(s)Serie/Pobl.NoFinita
k
s1
k
s2
s1
s2
s1 s2
s
s
s

s
s1
s1
Determinacin de la Probabilidad de que en
el Stma. existan n usuarios
Sea P
n
la probabilidad de que existan n usuarios en el sistema al
final del tiempo t, uno de ellos siendo atendido y los otros esperando
en cola.
La probabilidad de que llegue 1usuario en el tiempo At es igual a At
La probabilidad de que 1usuario termine de ser atendido en At es
igual a At
Para determinar la probabilidad de que existan n usuarios en el
tiempo t+ At, consideramos lo siguiente:
Que existan n usuarios al final del tiempo t. que no llegue ni se vaya
nadie en At P
n
(t)[1- At][1- At] ........ (1)
Que existan n usuarios al final del tiempo t, que llegue y se vaya 1 en At
P
n
(t)[At][At] ..................(2)
Que existan n-1 usuarios al final del tiempo t, que llegue 1 y no se vaya
nadie en At P
n-1
(t)[At][1- At] ...........(3)
Que existan n+1 usuarios al final del tiempo t, que no llegue nadie y se
vaya 1 en At P
n+1
(t)[1- At][At] ...........(4)
Continuacin ....
Luego sumando (1)+(2)+(3)+(4) tenemos:
P
n
(t+At) =

P
n
(t)[1- At][1- At] + P
n
(t)[At][At] + P
n-1
(t)[At][1- At] +
P
n+1
(t)[1- At][At]
Agrupando trminos y eliminando los factores (At)
2
, tenemos :
P
n
(t+At) - P
n
(t)
=
P
n-1
(t) (+) P
n
(t) + P
n+1
(t)
At
Pero como el tiempo transcurrido desde la ocurrencia del ltimo evento no tiene
efecto en el tiempo restante hasta que ocurre el evento siguiente (propiedad
del olvido de la func. exponencial):
P
n
(t+At) - P
n
(t) = 0 entonces P
n-1
(+) P
n
+ P
n+1
= 0
Finalmente, agrupando trminos obtenemos :
P
n+1
= (- /)P
n-1
+ [ (+)/ ]P
n
.................... ()
Continuacin ....
Similarmente para determinar la probabilidad de que exista un usuario
en el sistema :
No existen usuarios al final del tiempo t y llega uno en At
P
0
(t)[At](1- At)
Existe 1 usuario al final del tiempo t, no llega nadie y no se va nadie
en At
P
1
(t)[1- At][1-At]
Existe un usario al final del tiempo t, llega uno y se va uno en At
P
1
(t)[At][At]
Agrupando trminos, eliminando los factores (At)
2
y aplicando la
propiedad del olvido tenemos que :
P
0
+ P
1
= 0 entonces P
1
= (/)P
0
...... ()
De () y () :
para n=1 P
2
= (/)
2
P
0
para n=2 P
3
= (/)
3
P
0
Para n=3 P
4
= (/)
4
P
0

generalizando P
n
= (/)
n
P
0
Probabilidades relevantes
Probabilidad de que en el stma. existan ms de N usuarios:
P(n>N) = P
N+1
+P
N+2
+P
N+3
+P
N+4
.......
= (/)
N+1
P
0
+

(/)
N+2
P
0
+ (/)
N+3
P
0
+ ........
= P
0
[(/)
N+1
+

(/)
N+2
+ (/)
N+3
+ ........ ]
= P
0
[ (/)
N+1
/ [1- (/)] ] luego P(n>N) =(/)
N+1
Probabilidad de que existan n usuarios en cola :
P
n Cola
= P
n+1 Stma
entonces P
n cola
= (/)

n+1
P
0

Probabilidad de que la cola este vaca :
P
~ Cola
= P
0
+

P
1
entonces P
~ Cola
= 1 - (/)
2

Sistema: 1 Cola/1 Servidor/Poblacin No
Finita
Nmero esperado de usuarios en el sistema (NEUS):
NEUS = i.P
i
= 0P
0
+1P
1
+

2P
2
+

3P
3
+ 4P
4
+

5P
5
+ ....
s.q.

Nmero esperado de usuarios en la cola (NEUC):
NEUC = 0P
0
+1P
2
+

2P
3
+

3P
4
+ 4P
5
+

5P
6
+ ....
s.q.
NEUS

=
2
( )
NEUC

=
<
<
Tiempo esperado de paso de un usuario en cola (TEPUC):
TEPUC = (1/ )NEUS

Tiempo esperado de paso de un usuario en el sistema (TEPUS):
TEPUS = TEPUC + Tpo.Servicio = /(-) + 1/

( )
TEPUC

=
1
TEPUS

=
Costo de Paralizacin y de Servicio
Costo Total de Paralizacin :
CTP = (TasaArribo)(TpoTurno)(TpoEsperPasoUsuarioStma)(CostoParalizxUnidTpo)

CTP = ( ) . ( Tpo ) . ( TEPUS ) . ( CPu )
(cl/ut) ( ut ) ( ut/cl ) ( $/ut )

Costo Total de Servicio :
CTS = (TasaServicio) (TpoTurno)(CostoServicioxUsuario)
(cl/ut) (ut) ($/cl)
CTS = (TpoTurno)(CostoServxUnidTpo)
(ut) ($/ut)

Costo Total de Atencin del Sistema
CTAS = CTP + CTS
CTAS
CTS
CTP

CT
0
C
0
Problema de Colas
Fotografas tomadas desde 1 helicptero mostraron
que en promedio haba 80 autos circulando en el carril
de alta velocidad sobre un tramo de 1 milla de una va
rpida urbana. En meses recientes haban ocurrido
cierto nmero de accidentes en ese tramo y que han
sido atribuidos al manejo a corta distancia del auto
delantero. Si para plena seguridad la distancia entre
los autos recomendable debera ser de cuando menos
30 pies, en ese tramo y sobre ese carril, que % de los
autos corre a una distancia demasiado corta del
delantero. Considere que la cantidad de autos sobre
el tramo de la va en cuestin se ajusta a una
distribucin de Poisson.
d
1
d
2
= 80 autos/milla
1 milla = 5280 pies
d
i
> 30 pies
n ~

Poisson ()
d ~

Expon (1/)
P(d < 30) = }
0
30
(80/5280)e
- (80/5280)d
dd
= 1 - e
- 30/66
= 0.37
Ptto. el 37% de los autos van a una distancia no recomendable.
Problema 2
El departamento para caballeros de un gran almacn tiene un sastre
para ajustar los trajes adquiridos por los clientes. Parece que el
nmero de clientes que solicitan ajustes sigue una distribucin de
Poisson con una tasa media de llegadas de 24 cli/hora. Los ajustes se
realizan del tipo primero en llegar primero en ser atendido. Los clientes
siempre desean esperar, ya que las modificaciones son gratis.
Aparentemente el tiempo que se tarda en realizar un ajuste se
distribuye exponencialmente con media 2 minutos entre clientes.
Calcular:

Nmero promedio de clientes en la sala de ajustes.
Cuanto tiempo tiene que esperar un cliente en la sala de ajustes.
Porcentaje de tiempo que permanece ocioso el sastre.
Cual es la probabilidad de que un cliente espere los servicios del
sastre ms de 10 minutos.
Cuanto tiempo deben esperar los clientes por los servicios del sastre.
Tiempo medio entre llegadas:

Tiempo medio de servicio:

Factor de utilizacin u ocupacin:

Nmero medio de clientes en la sala:

Tiempo medio de espera en el sistema:

Factor de ocio = 1 Factor de utilizacin = 0,2

2
1
2
1
= =
min
8 , 0
5
4
5
2 2
= =

= =

p
4
4
5
4
1
5
1
=

=

p
p
10
5
2
2
1
1 1
=

=

5
2 24 cli
= =
hora

El 80 % del tiempo, el sastre est ocupado, y el
20% est ocioso.

probabilidad de que un cliente espere los servicios
del sastre ms de 10 minutos.

Tiempo medio de espera en cola:
29 , 0
5
4
) 10 (
)
5
2
2
1
( 10
) ( 10
= = = >

e e p t P
espera

8
2
1
)
5
4
1 (
5
4
) 1 (
=

=

p
p
Problema 3
Una carnicera es atendida por el propietario de la misma.
Aparentemente el patrn de llegada de los clientes durante
los sbados se comporta siguiendo una distribucin de
Poisson con una tasa promedio de llegadas de 10 personas
por hora. A los clientes se les atiende siguiendo una poltica
FIFO, y debido al prestigio de la tienda, los clientes siempre
estn dispuestos a esperar su turno. Se estima que el tiempo
que se invierte en atender a un cliente se distribuye
exponencialmente con un tiempo de servicio medio de 4
minutos entre clientes. Obtener:

Probabilidad de que se cree una cola de espera.
Longitud media de la cola.
Tiempo esperado de permanencia en cola por cliente.
Probabilidad de que un cliente permanezca menos de 12 minutos en
la tienda.
Tiempo medio entre llegadas:

Tiempo medio de servicio:

Factor de utilizacin:

Existir cola cuando en el sistema haya
ms de 1 cliente.

Probabilidad de 0 clientes en el sistema:

Probabilidad de 1 cliente en el sistema:

Probabilidad de ms de 1 cliente en el
sistema:

6
1
6
1 10
= = =
min
persona
hora
personas
4
1
4
1
= =
min
) ( 1 ) 1 (
1 0
P P N P + = >
3
1
) 1 (
0
0
= = p p P
9
2
3
1
3
2
) 1 (
1
1
= = = p p P
9
4
)
9
2
3
1
( 1 ) 1 ( = + = > N P
3
2
4
1
6
1
= = =

p
Longitud media de la cola:

Tiempo medio de espera en cola:

Probabilidad de que un cliente permanezca
menos de 12 minutos en la tienda:

) 12 ( 1 ) 12 ( > = <
espera espera
t P t P
3
4
3
2
1
)
3
2
(
1
2
2
=

=

p
p
8
4
1
)
3
2
1 (
3
2
) 1 (
=

=

p
p
1
)
6
1
4
1
( 12
) ( 12
3
2
3
2
) 12 (

= = = >
e e pe t P
espera

Problema 04
El empleado de una ventanilla observa que de cada
100 veces que cuenta los clientes frente a el, en 64 de
las veces hay dos o mas clientes. El tiempo promedio
que cada cliente permanece desde que se ubica en la
cola hasta que es atendido es de aproximada-mente 30
minutos. Calcular la probabilidad de que :
lleguen dos (2) clientes en media hora.
lleguen entre dos(2) y cinco(5) clientes en media hora.
transcurra mas de una (1) hora entre el arribo de un cliente y el
siguiente.
Ventanilla

p(n>n
0
) = 64/100 = (/)
n
0
+1
, entonces
p(n> 1) = 64/100 = (/)
2
, entonces
/ = 8/10 = 4/5 . (1)

Luego TEPUS = 1/ (- ) = hora/cliente, entonces
1/ (-) = 1 media hora/cliente, entonces
- = 1 .... (2)

Resolviendo (1) y (2) : - (8/10) = 1 , entonces
= 5 cl/hor y = 4 cl/hor
Finalmente :
a. p(x=2) = (4)
2
e
-4
/2! = 8e
-4
b. p(2<x<5) = p(x=3) + p(x=4) = (4)
3
e
-4
/3! + (4)
4
e
-4
/4!
c. p(t>2) =
1 - }
0
2
(4)e
- 4t
dt = 1 - [1- e
-8
] = e
-8
Problema 5
El inventario de un almacn se agota y se vuelve
a surtir segn una distribucin de Poisson. Los
tiempos medios entre vaciados y resurtidos son
iguales a 1/ y 1/ respectivamente. Suponga
que por cada unidad de tiempo que el inventario
esta vaco se incurre en un costo de escasez
(Ce), y en un costo de almacenamiento (Ca) por
cada unidad de tiempo que en el almacn se
mantiene un determinado inventario. Si Ce > Ca,
determine:
Una expresin para el costo total esperado por unidad
de tiempo
El valor ptimo de = /
tpo. surtir inventario = 1/ ~ Exp
tpo. agotar inventario = 1/ ~ Exp
CT inventario = Costo escasez + Costo almacenamiento
= P
0
* Ce + Inventario*Ca
= (1- /)(Ce) + (NEUS)(Ca)
= (1-)Ce + [ /(- )]Ca
= (1- )Ce + [ /(1- )]Ca
= [(1- )
2
Ce + Ca]/(1- )
dCTi
=
[2(1- )(Ce)(-1)+Ca](1- ) - (-1)[(1- )
2
Ce+ Ca]
d (1- )
2

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

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

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

Ce/Ca = 1 - Ca
d (1-)
2
Ce
Problema 6
En un consultorio mdico los pacientes
toman asiento en la sala de espera hasta que
les corresponda su turno de atencin. En
promedio llegan 4 pacientes por hora segn
una distribucin de Poisson, y entre cada
atencin transcurre un tiempo promedio de
12 minutos, segn una distribucin
Exponencial. Cuantas sillas como mnimo
sern necesarias en la sala de espera para
que se tenga un 90% de probabilidad o ms
de que todos los pacientes esperen
sentados.
Problema 7
A un cajero automtico llegan 3 tipos diferentes de
clientes. Clientes de retiro, de deposito y de consulta.
Los de retiro se ha determinado llegan 12 cli/hora
promedio y son atendidos a razn de 2 min/cli
promedio; los clientes de deposito arriban en un
tiempo promedio de 5 cli/hora y demoran 3 min/cli en
realizar su operacin como tiempo promedio. Los
clientes de consulta llegan en promedio 8 cli/hora y la
realizan en un promedio de 1 min/cli . Si todas las
llegadas se ajustan a una distribucin de Poisson y
todos los tiempos entre servicios a una distribucin
exponencial, hallar la probabilidad de que no existan
usuarios en cola.
Problema 8
Los automoviles llegan a una caseta de peaje segn una
distribucin de Poisson con media de 90 autos/hora. El tiempo
promedio de atencin en la caseta es de 38 segundos. Los
choferes se quejan por el tiempo de espera y los cobradores
estn dispuestos a disminuir a 30 segundos el tiempo de
atencin introduciendo un nuevo mecanismo automtico. Los
responsables consideran que la introduccin de este
mecanismo se justificara si con el sistema anterior el nmero
promedio de autos que esperan excede a 5 y adems el tiempo
ocioso de la caseta no deber ser 10% mayor. Se justifica esta
mejora?

Preguntas sobre el
sistemas de colas

Simulacion 2013

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Simulacion 2013

Transféré par

Droits d'auteur :

Formats disponibles

SIMULACIN DE SISTEMAS

Ing. Luis Zuloaga Rotta

Vous aimerez peut-être aussi