Professional Documents
Culture Documents
discretos
Noviembre de 2006
1.
2.
3.
Presentacin........................................................................................................ 4
1.1.
Introduccin ............................................................................................... 4
1.2.
1.3.
Necesidad de la simulacin...................................................................... 8
1.4.
1.5.
1.6.
1.7.
1.8.
1.9.
Introduccin ............................................................................................. 21
2.2.
Variables aleatorias.................................................................................. 22
2.3.
2.4.
2.5.
2.6.
2.7.
Intervalos de confianza........................................................................... 41
2.8.
4.
5.
4.2.
Verificacin............................................................................................... 61
4.3.
Validacin ................................................................................................. 65
6.
5.1.
5.2.
5.3.
-3-
1. Presentacin
1.1. Introduccin
el
comportamiento
del
sistema
analizar
en
determinadas
condiciones.
La figura 1 muestra un esquema que muestra las diferentes formas de
simulacin que se pueden utilizar para analizar un sistema.
SISTEMA
EXPERIMENTACIN CON
EL SISTEMA REAL
EXPERIMENTACIN CON
UN MODELO DEL
SISTEMA
MODELO
FSICO
MODELO
MATEMTICO
SOLUCIN
ANALTICA
SIMULACIN
NUMRICA
Los modelos fsicos estn formados por una estructura material que tiene
unas caractersticas, en cuanto al objeto del estudio, similares a las del
sistema real. Ejemplos de modelos fsicos pueden ser las maquetas a escala
y tambin los modelos analgicos que, sin tener la misma estructura fsica
que el sistema real, tienen un comportamiento similar con respecto a
algunas variables de estado. Por ejemplo, para estudiar una red de
distribucin de agua en una ciudad, se puede construir un circuito elctrico
-7-
modelo
matemtico
que
representa
el
sistema
estudiar
es
de
instalaciones
(almacenes,
vehculos,
equipos
de
mantenimiento...)
Anlisis de proyectos.
Reglas de gestin de inventarios.
Anlisis de inversiones.
1.5. Fases en un estudio de simulacin
- 10 -
DEFINICIN DE
OBJETIVOS Y DEL
SISTEMA
validacin
MODELO
CONCEPTUAL
verificacin
MODELO
COMUNICATIVO
MODELO
INFORMTICO
validacin
EXPLOTACIN.
DISEO DE
EXPERIMENTOS
credibilidad
DOCUMENTACIN.
IMPLANTACIN
RESULTADOS
Datos
Decisin
Entrada manual
Informe
- 12 -
Proceso
Avance de la
simulacin
tcnicas
estadsticas.
Los
anlisis
tpicos
pueden
ser
el
de
la
documentacin
implantacin
de
los
- 14 -
estadsticas
utilizadas,
que
todos
los
valores
son
independientes.
Realizar un nmero de repeticiones menor del necesario y considerar
significativos los resultados obtenidos.
1.9. Simulacin de sistemas discretos
- 16 -
inicio
Rutina de inicializacin
Programa principal
Rutina suceso i
0. Llamar a la rutina de
inicializacin
2. Avanzar el reloj
Ha terminado
la simulacin?
Librera de rutinas
NO
SI
Generador de informes
fin
Fig. 4. Flujograma de la simulacin con intervalos de tiempo variables
aleatorias
de
las
distribuciones
de
probabilidad
- 20 -
2. Repaso de estadstica
2.1. Introduccin
Validacin
SISTEMA
REAL
Generacin de
variables aleatorias
Anlisis de resultados
CONFIGURACIN 1
MODELO
...
CONFIGURACIN k
Test de ajuste
Experimentacin
Fig. 5. La simulacin y la estadstica
- 21 -
Variables aleatorias
Una de las caractersticas ms notables de la simulacin es la existencia
de fenmenos no deterministas que se deben representar mediante variables
aleatorias.
De una variable determinista se sabe con certeza el valor que toma. Por el
contrario, de una variable aleatoria no se sabe con certeza el valor que toma,
pero se conoce que puede tomar valores dentro de un determinado rango, de
tal manera que existe una determinada probabilidad de que la variable tome
un determinado valor dentro de dicho rango o se conoce la probabilidad de
que dicha variable tome un valor determinado o uno menor que dicho valor.
De acuerdo con el tipo de valores que toma una determinada variable
aleatoria, se pueden diferenciar entre:
- 22 -
densidad
Para una determinada variable aleatoria, se pueden ofrecer dos tipos de
funciones para caracterizar el comportamiento de dicha variable aleatoria:
Acumulada. Dada una variable aleatoria X, la funcin de distribucin
acumulada, conocida como funcin de distribucin, relaciona cada posible
valor de la variable aleatoria con la probabilidad de que dicha variable
aleatoria tome un valor menor o igual que aqul. Es decir:
F ( x) = p( X x)
Puntual. Segn se trate de una variable discreta o continua, se habla de
funcin de probabilidad o de funcin de densidad, respectivamente.
La funcin de distribucin de una determinada variable aleatoria discreta
X ofrece la probabilidad de que la variable tome un determinado valor, es
decir:
f ( x) = p( X = x)
Por su parte, dada una variable aleatoria continua X, se define la funcin
de densidad f (x) de la siguiente manera:
- 23 -
1. f ( x) 0 , x
2.
f ( x)dx = 1
3. p ( X x) =
f (t )dt = 1
F ( x) =
p( X = x )
i
xi < x
0.3
0.2
0.1
0
-1
-1
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
F ( x) = f (t )dt = 1
- 24 -
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
Existen
diferentes
parmetros
que
resultan
interesantes
para
E ( X ) = xi f ( xi ) , si es discreta
i
- 25 -
var( X ) = ( xi E ( X ) ) f ( xi ) , si es discreta
2
variables
aleatorias.
2.4. Variables aleatorias ms comnmente utilizadas
Uniforme
Exponencial
Gamma
Weibull
Normal
Normal-logartmica
Beta
Triangular
Uniforme, U (a,b)
f(x)=
1/(b-a)
1
ba
si a x b
en otro caso
Rango: [a,b]
a
Media: (a+b)/2
Varianza: (b-a)2/12
0
1
F(x)=
xa
ba
1
si x<a
si a x b
si b<x
Exponencial, Exp ()
La variable exponencial representa, por ejemplo, el tiempo entre llegadas
de clientes a un sistema que suceden a una tasa constante, o el tiempo
trascurrido entre fallos de una mquina.
- 27 -
Rango: [0,)
Media:
Varianza: 2
f(x)=
1 x
e
1 e
si x0
si x0
F(x)=
0
en otro caso
en otro caso
1.
Gamma (, )
Esta variable puede permitir representar, por ejemplo, el tiempo para
completar una tarea, como por ejemplo, el tiempo de servicio a clientes o de
reparacin de una mquina.
- 28 -
Rango: [0,)
, positivos
Media:
Varianza: 2
Gamma (,1)
f(x)=
x 1 e
( )
0
(x ) j
j!
j= 0
1 e x /
si x>0
F(x)=
en otro caso
si x>0
en otro caso
Weibull (, )
Puede servir para representa, por ejemplo, el tiempo para completar una
tarea o el tiempo hasta el fallo de una mquina.
- 29 -
Rango: [0,)
[0,)
, positivos
Media:
2
Varianza:
2 1 1 2
2
Weibull (,1)
f(x)=
x 1e ( x )
0
si x>0
en otro caso
F(x)=
1 e ( x / )
0
si x>0
en otro caso
Normal ( , 2)
- 30 -
Rango: (- , )
no acotada y positiva
Media:
Varianza: 2
f (x) =
22
( x )2 2 2
Normal (0,1)
Normal-logartmica (, 2)
Representa, entre otros, el tiempo para realizar una tarea, o cantidades
que son el producto de un gran nmero de otras cantidades.
Rango: [0, )
no acotada y positiva
Media:
Varianza:
1
f(x)=
x 2 2
0
+ 2 / 2
e
e
2 + 2
( e 1)
2
(ln x )2
2 2
si x>0
en otro caso
LN ( 0, 2 )
Beta (1, 2)
Se utiliza para el modelado aproximado en ausencia de datos, o para
representar la distribucin del nmero de piezas de defectuosas en un lote, o
el tiempo para completar una tarea.
- 31 -
Beta ( 1,2 )
1, 2 positivos
Rango: [0,1]
Media:
1
1 + 2
f(x)=
x 1 1(1 x ) 2 1
B ( 1, 2 )
0
1 2
Varianza:
(1 + 2 )2 (1 + 2 + 1)
si x>0
en otro caso
Triangular (a, b, c)
Utilizada como una primera aproximacin a una variable en ausencia de
datos.
- 32 -
2/(b-a)
Rango: [a,b]
Media: (a+b+c)/3
Varianza: (a2+ b2 +c2-ab-ac-bc)/18
f(x)=
2( x a)
(b a)( c a)
si a x c
2(b x )
(b a)( b c)
si c< x b
en otro caso
F(x)=
x<a
( x a) 2
(b a)( c a)
si a x c
(b x ) 2
(b a )( b c)
1
si c< x b
si b<x
Bernouilli
Uniforme discreta
Binomial
Poisson
- 33 -
Rango:{i,i+1,...j}
Media: (i+j)/2
1/(j-i+1)
Varianza: ((j-i+1)2-1)/12
i
j
0
f(x)=
1
j i +1
si x { i, i+1,...,j }
en otro caso
si x<i
x i +1
j i +1
F(x)=
si i x j
si j x
Poisson ()
Representa el nmero de eventos que ocurren en un intervalo de tiempo
cuando los eventos ocurren a una tasa constante, como por ejemplo el
Rango: {0,1,...}
Media:
Varianza:
f(x)=
e x
x!
0
si x {0,1,..}
en otro caso
0
F(x)=
si x<0
e
i= 0
- 34 -
i!
i
si x? 0
( ) = f ( x1 ) f ( x 2 ) f ( x n ) = f ( xi )
i =1
( ) = p ( x1 ) p ( x 2 ) p ( x n ) = p ( xi )
i =1
x1 , , x n .
La forma de obtener el estimador mximo verosmil, por lo tanto, consiste en
construir la funcin mximo verosmil, e igualar a cero su derivada con respecto
al parmetro. Es decir, el estimador mximo verosmil, denotado por , verifica
que:
( )
=0
=
- 35 -
( ) = f ( x1 ) f ( x 2 ) f ( x n ) =
x1
x2
...
xn
i =1
xi
xi
i
ln (( ) )
x
xi
n i i
=0 = i
n
2
n ln + ln i x i
xi
n
=
= i 2
E S T IM A D O R E S M X IM O V E R O S M ILE S
= min X
a
U n if o r m e , U ( a ,b )
= max X
b
1 i n
1 i n
= X (n)
E x p o n e n c ia l, E x p ( )
W e ib u ll ( , )
n
(ln X
i = i
ln X i
i =1
n 1
N o rm a l ( , 2)
= X (n)
U n if o r m e d is c r e t a ( i,j )
ln X
i=1
(x
I=1
i=1
x ( n )) 2
I =1
(ln x i x ( n )) 2
n
j = max X k
i = min X k
1 k n
1 k n
= X ( n )
P o is s o n ( )
- 36 -
n
n
N o r m a l- lo g a r t m ic a ( , 2 )
40
16
35
14
30
12
25
10
20
8
15
6
4
10
xi
0
0
10
15
20
10
15
20
- 37 -
0.3
0.25
0.2
0.15
0.1
0.05
0
0.85
2.55
4.25
5.95
7.65
9.35
11.05
12.75
14.45
16.15
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.05
0.1
0.15 0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
- 38 -
0.6
0.65 0.7
0.75
0.8
0.85
0.9
0.95
1 y 2 .
En el apartado anterior se ha comentado cmo estimar los parmetros para
una determinada variable a partir de un conjunto de datos.
Finalmente, se formula la hiptesis nula, H0, que se pretende contrastar:
Los datos x1 , , x n son valores independientes e idnticamente distribuidos
correspondientes a una variable aleatoria X, con una funcin de densidad f(x)
de parmetros , ...
Determinacin del estadstico de contraste
Una vez obtenido el parmetro de la funcin de distribucin, se construye el
estadstico de contraste. Para ello se divide el rango de valores de las
observaciones en un conjunto de k intervalos de tal manera que la probabilidad
de que una observacin pertenezca a un determinado intervalo sea 1/k, es
decir, se trata de que los intervalos sean equiprobables. En general, la
probabilidad de que una observacin caiga en un determinado intervalo ser
E i ~B(n,npi)
En caso de cumplirse que np > 5 y n(1 p) > 5 , se pude aproximar la
binomial por una normal:
E i ~ N npi , npi (1 pi )
E i npi
~ N (0,1) ~ Z
npi (1 pi )
Elevando al cuadrado ambos lados se obtiene
(E i npi )2
n(1 pi )
~Z2
(E i npi )2
npi
~Z2
2
j
~ k21
(Oi Ei ) 2
Ei
j =1
k
2
exp
=
- 40 -
2 con k-1 grados de libertad tome dicho valor o uno menor sea. 1 . Con esta
probabilidad, el valor experimental debe ser menor que el estadstico terico.
2
Por lo tanto, si se cumple que exp
> 2 (k 1,1 ) , se rechaza la hiptesis
Poner un ejemplo
Debido al carcter estocstico de las variables de entrada de los modelos
de simulacin, es natural, que las variables de salida sean, igualmente,
variables aleatorias, de manera, que en diferentes ejecuciones del modelo se
obtendrn diferentes valores para cada una de las variables. Un valor
especialmente interesante es el de la media de dichas variables. Con el
clculo de un intervalo de confianza para la media de una determinada
variable de salida, se obtiene un intervalo del que se pude afirmar que la
media de la variable de salida est contenida en l con una determinada
probabilidad. La informacin que ofrece dicho intervalo ser tanto mayor
cuanto menor sea su amplitud y cuanto mayor sea la probabilidad de que,
efectivamente, contenga a la media.
[ X ( n) ]
2 /n
Fn (z)=P (Zn z)
[ X ( n) ]
S 2 (n )
n
sigue una distribucin N[0,1].
Por lo tanto, acudiendo a las tablas de la distribucin Normal se puede
establecer un intervalo de confianza para el valor obtenido de la media. Es
decir, si se establece un intervalo de confianza de (1-a) para , entonces:
X ( n)
z
P z
2
1
1
(
)
S
n
2
2
__
=
(
( n) z
P
X
1
2
S 2 ( n)
X ( n) + z
1
n
2
S 2 ( n)
) 1
n
Dicho de otro modo, existe una probabilidad de 100 (1-a) de que est
comprendido entre los valores:
X (n ) z
- 42 -
S 2 (n )
n
[ X ( n) ]
tn =
S 2 ( n)
n
Ejemplos
Una vez visto el procedimiento para evaluar los resultados de un
experimento de simulacin, se est en disposicin de comparar dos o ms
alternativas (es decir, los resultados de la simulacin de dos o ms sistemas
alternativos) y seleccionar la mejor de ellas. Se pueden dar tres casos
distintos:
- 43 -
X 11 , X 12 , X 13 ,..., X 1n
X 21 , X 22 , X 23 ,..., X 2 n
los resultados obtenidos para las alternativas 1 y 2 respectivamente, y 1 y
Z j = X1j X 2 j
j = 1,2,3 n
para
Z ( n) =
Z
j =1
[Z
n
Var Z (n) =
j =1
Z (n)
n(n 1)
n 1.1
Var[ Z (n)]
k 1
X 11 , X 12 , X 13 , X 1n
X 21 , X 22 , X 23 , X 2 n
X k1 , X k 2 , X k 3 , X kn
- 45 -
1 , 2 , k
i = E ( X ij ).
Si el objetivo de la seleccin es hallar la alternativa que proporcione un
resultado menor, y se denomina i1 al i-simo valor ms pequeo de los i ,
es decir:
i i i
1
i + d . Esto quiere decir que existe una proteccin (con una probabilidad
1
de, al menos P ) contra la seleccin de una alternativa cuya media sea una
cantidad d peor que la del mejor de los sistemas.
- 46 -
Primera etapa
Consiste en realizar un nmero n0 fijo de repeticiones o replicaciones
para cada alternativa y utilizar los resultados obtenidos para estimar
cuntas repeticiones ms hay que efectuar en la segunda etapa. Es
necesario asumir que los valores X ij estn normalmente distribuidos, pero
no que los valores de i2 = Var ( X ij ) sean conocidos, ni que los valores de i2
sean iguales para diferentes alternativas i.
Se hacen, por lo tanto, n0 replicaciones de cada una de las k alternativas
y se definen las medias y las varianzas de la primera etapa del siguiente
modo:
nij
(1)
X i (n0 ) =
X
j =1
ij
n0
para i=1,2,k
n0
S (n0 ) =
2
i
[ X
j =1
(1)
ij
X i (n0 )]
n0 1
h12 S i2 (n0 )
N i = max no + 1,
( )
donde:
- 47 -
n0
k =2
k =3
k =4
k =5
k =6
k =7
k =8
k =9
k = 10
0.90
20
0.90
40
0.95
20
0.95
40
Segunda etapa
Para cada alternativa i, se realizan N i n0 repeticiones ms y se hallan
sus medias:
Nt
(2 )
Xi
(N i n0 ) =
j = n0 +1
ij
N i n0
( )
n0
N i ( N i n0 ) d
1+ 1
1
Wi1 =
Ni
n0
hl2 S i2 (n0 )
Wi 2 = 1 Wi1
para
i=1,2,k
Por ltimo, se definen las medias ponderadas de las muestras como:
(1)
(2 )
X i ( N i ) = Wi1 X i (n0 ) + Wi 2 X i
( N i n0 )
- 48 -
- 49 -
3.
En primer lugar, para que el nivel de detalle del modelo sea el adecuado.
No conviene que el detalle sea tan pobre que no se pongan de manifiesto
los fenmenos relevantes del sistema, pero tampoco es interesante que el
nivel de detalle sea mayor del necesario. En el primer caso, aunque el
desarrollo pueda ser no muy costoso, los resultados sern poco fiables y el
modelo intil. En el segundo, el nivel de detalle puede no aportar
informacin adicional interesante, implicar casi con toda seguridad un
tiempo total de desarrollo mayor y, finalmente, se traducir en un
modelo informtico ms lento.
del
problema
facilita
la
generacin
de
alternativas
la
definicin
de
puestos
de
trabajo
asignacin
de
Alimentar el modelo con los datos histricos tal y como se han recogido.
Esta alternativa es interesante desde el punto de vista de la validacin
del modelo, es decir, para confirmar que el modelo representa de forma
adecuada el sistema estudiado. Efectivamente, si se dispone de un
conjunto de valores para las variables de entrada del modelo y de los
correspondientes valores de salida que ofreci el sistema real para dichos
valores, es posible comprobar si para dichos valores, el modelo arroja
valores parecidos a los reales para las variables de salida.
Desde el punto de vista de la explotacin del modelo de simulacin, esta
alternativa es muy poco interesante; como slo se dispone de un conjunto
finito de valores histricos, slo es posible simular el comportamiento
frente a dichos valores, es decir, slo es posible reproducir lo que
histricamente ha ocurrido. Adems, tiene muy poco inters simular un
sistema alimentndolo nicamente con valores histricos dado que se
obtendr, en el mejor de los casos, un conjunto de valores de salida
parecidos a los que ofreci el sistema real (de los que ya se dispone. ) y, en
el peor de los casos, se obtendrn valores alejados de los valores reales.
los
denominaremos
aleatorios,
ya
que
tienen
su
mismo
Z i = (a Z i 1 + b) mod(m) , y ri =
Zi
m
donde:
ri
- 54 -
valores
para
varias
funciones
de
distribucin
utilizadas
x = a + (b a)r
- 55 -
x = ln r
donde es la media de la distribucin.
Funcin de distribucin normal
Uno de los mtodos ms usados es el denominado polar, que consiste en:
1. Tomar dos nmeros aleatorios r1 y r2 , y hacer:
1 = 2r1 1
2 = 2r2 1
Calcular:
w = 12 + 22
( 2 ln w) w
y=
x1 = 1 y
x2 = 2 y
Entonces, x1 y x 2 siguen una funcin de distribucin Normal (0,1).
Para generar valores de una funcin de distribucin Normal x ' con otra
x ' = + x
Funcin de distribucin lognormal
1. Hacer:
= ln( l2 / l2 + l2 )
2 = ln[( l2 + l2 ) / l2 ]
- 56 -
x = ey
x = ( ln r )1
la
situacin
general
en
la
cual
conocemos
las
1. Generar r
2. Hacer x=I, de tal forma que se satisfaga la siguiente expresin:
I 1
j =0
j =0
p( j ) r < p( j )
Los paquetes comerciales de simulacin permiten gobernar la generacin
de nmeros aleatorios para garantizar que los valores de variables
aleatorias
correspondientes
fenmenos
independientes
sean,
- 58 -
credibilidad
Existen tres caractersticas que un modelo de simulacin debe ofrecer para
servir a su propsito; debe ser vlido, veraz y creble.
Un modelo es tanto ms vlido cuanto mejor representa el sistema objeto de
estudio con respecto a los objetivos del estudio. Por un lado, se valida el modelo
conceptual, previamente al desarrollo del modelo informtico. Por otro, una vez
elaborado este, se debe comprobar que, efectivamente, el modelo informtico
representa de forma adecuada el sistema.
Para que un modelo sea vlido, debe establecerse un nivel de detalle
adecuado, conviene explicitar el modelo conceptual, se debe recoger
informacin relevante y precisa, puede ser interesante recopilar informacin de
los gestores, se deben analizar las hiptesis tanto implcitas como explcitas.
Adems de lo anterior, si se dispone de datos histricos correspondientes tanto
a las variables de entrada como a las de salida, se puede ejecutar el modelo con
los datos de las variables de entrada y comprobar si los valores de las variables
de salida son parecidos a los valores que se obtuvieron en realidad.
La verificacin de un modelo consiste en la realizacin de actividades
orientadas a garantizar la correcta programacin del modelo de simulacin. La
verificacin est ntimamente ligada con el entorno de simulacin elegido, para
la cual existen herramientas muy tiles. Para realizar una correcta verificacin
puede ser conveniente, por ejemplo, utilizar un enfoque modular para estudiar
el comportamiento de cada mdulo por separado. Igualmente, la tarea de
verificacin es ms sencilla si aumenta de forma progresiva la complejidad del
modelo, verificando previamente cada modelo antes de introducir ms
elementos de complejidad. Tambin puede ser interesante ejecutar el modelo
bajo hiptesis simplificadas.
- 59 -
de
la
simulacin
pero
requieren
mucho
tiempo
de
caractersticas
necesarias
para
realizar
un
modelo
de
- 60 -
paquetes
incluyen,
adems,
herramientas
especficas
para
4.2. Verificacin
- 61 -
del
modelo,
para
determinadas
configuraciones,
permita
ser
- 63 -
- 64 -
X.
Para que el modelo sea vlido debe permitir simular la toma de decisiones
que se pueden (o se podrn) tomar, de hecho, en el sistema real.
Por ejemplo, en el estudio de diferentes polticas para la inspeccin de las
maletas a diferentes niveles en un aeropuerto, el detalle del modelo, debe
permitir, por ejemplo, modificar la asignacin de personal a los diferentes
equipos de inspeccin, o se debe representar con suficiente detalle las cintas
transportadoras para garantizar que las inspecciones se pueden realizar con los
equipos disponibles. En casa contrario, no se podra evaluar el inters de unas
cintas frente a otras o de unos equipos de inspeccin frente a otros. Por el
contrario, si el estudio pretende estudiar la asignacin de vuelos a las diferentes
compaas, quiz no tenga tanto inters llegar al nivel de detalle anterior,
- 65 -
- 67 -
resultados
Para analizar de manera adecuada un determinado sistema de
simulacin, es necesario realizar de forma correcta la ejecucin del modelo y
el anlisis de los resultados.
A veces, debido a que se interpreta la simulacin como un mero ejercicio
de programacin, o porque se desconocen las implicaciones del carcter
aleatorio del modelo, o por el coste asociado a las repeticiones, se realiza una
nica repeticin y se toman decisiones con esta nica repeticin
Otros errores provienen de un tratamiento estadstico errneo o
insuficiente (realizacin de un nmero insuficiente de repeticiones,
consideracin de valores pertenecientes al rgimen transitorio, etc.)
Conviene prestar atencin a este aspecto de la simulacin para evitar
disponer de un modelo de simulacin caro vlido, del que se obtienen
conclusiones equivocadas.
5.1. Tipos de simulacin
TIPOS DE SIMULACIN
SIMULACIN
LIMITADA
CON RGIMEN
PERMANENTE
SIMULACIN
ILIMITADA
CON RGIMEN
PERMANENTE
CCLICO
SIN RGIMEN
PERMANENTE
- 69 -
- 70 -
X (n ) z
1
S 2 (n )
, X (n ) + z
1
n
2
S 2 (n )
n ( ) = min i n, z
1
2
*
a
S 2 (n )
n
S 2 (n )
z
1
n
*
2
' con ' =
na ( ) = min i n,
1
X ( n)
durante los cuales el trabajador est ocioso fueran muchos y muy breves,
mientras que en el segundo podra ocurrir que el tiempo ocioso correspondiera
a muy pocas paradas y de larga duracin. En el segundo caso cabra la
posibilidad de asignar algn tipo de tarea adicional al trabajador, mientras que
en el primer caso no sera viable.
Un segundo ejemplo es el que se puede dar en un sistema de espera. Si un
conjunto de puestos de servicio atiende a un conjunto de clientes que hacen
cola, en un caso en una nica cola y en otro en colas individuales para cada
puesto de servicio, a pesar de que el tiempo medio de espera puede ser el
mismo, podra ocurrir que el la probabilidad de esperas muy largas no fuera la
misma. Es decir, puede interesar conocer la probabilidad de que un cliente
espere ms de diez minutos.
Por lo anterior, puede ser interesante estudiar otros parmetros del una
determinada variable. Por ejemplo, puede interesar saber cul es la
probabilidad de que una variable X tome algn valor dentro del intervalo B, es
decir, p( X B) . Para ello bastara con hacer n replicaciones independientes,
con lo que se obtendra un conjunto de valores de X (X1, X2, ... Xn). Sea S el
nmero de observaciones que caen dentro del intervalo B. La variable S es una
variable binomial de parmetros p y n. La forma de estimar p (que es el
parmetro que se pretende obtener con en anlisis anterior), es mediante el
siguiente estimador:
p=
S
n
- 72 -
Y (m, l ) =
i =l +1
ml
Paso 1
...
...
...
...
...
...
...
...
...
...
...
...
...
...
Y1
Y2
Y3
Y4 ... Ym 2
Ym1
Ym1(1)
Ym
Paso 2
Paso 3
Paso 4
Yj =
y
i =1
- 74 -
ij
Yj
70
60
50
j
160
Figura X. Representacin de Yi
w
Yi + s
s = w
,
+
1
Yi ( w) = 2w
i 1
Yi + s
s = ( i 1)
2i 1 ,
si i = w + 1,..., m w
si i = 1,..w
- 75 -
w=30
Figura X. Representacin de Yi ( w)
- 76 -
Estimacin de parmetros
Existen diferentes formas de realizar las replicaciones para estimar los
parmetros de las variables de salida. A continuacin se comentan dos.
tc
Replicacin 1
X1
tc
Replicacin 2
X2
tc
Replicacin 3
X3
tc
Replicacin n
Xn
X (n ) z
1
S 2 (n )
, X (n ) + z
1
n
2
S 2 (n )
Fig. 12. Anlisis en simulacin ilimitada con rgimen permanente. Mltiples replicaciones
l tc
n
- 77 -
tc
Replicacin
X1
X2
X (n ) z
1
X3
S 2 (n )
, X (n ) + z
1
n
2
Xn
S 2 (n )
Fig. 13. Anlisis en simulacin ilimitada con rgimen permanente. nica replicacin larga
- 78 -
6. Referencias y bibliografa
Law y Kelton (1991)
Estadstica
Fishman, G. S. (1971). Principles of Discrete Event Simulation. John Wiley. Nueva
York.
Knuth, D. E. (1973). The Art of Computer Programming. Vol. 3: Sorting and
Searching. Addison-Wiley. Reading, Mass.
- 79 -