Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
INSTITUTO TECNOLOGICO DE VILLAHERMOSA
MATERIA:
SIMULACION
CATEDRATICO:
M.C. ZINATH JAVIER GERONIMO
ALUMNAS:
YEIMI DEL CARMEN GARCIA CASTAÑEDA
YESENIA DEL ROCIO OLAN GARCIA
CARRERA:
ING. INDUSTRIAL
6TO SEMESTRE
UNIDAD 1 Y 2
1
INDICE
INTRODUCCIÓN.................................................................................................................................... 3
1.1 INTRODUCCION A LA SIMULACIÓN DE EVENTOS...................................................................4
1.2 DEFINICIONES Y APLICACIONES................................................................................................5
1.3 ESTRUCTURA Y CARACTERÍSTICAS DE LA SIMULACIÓN DE EVENTOS DISCRETOS.....6
1.4 SISTEMAS, MODELOS Y CONTROL............................................................................................7
1.5 MECANISMOS DE TIEMPO FIJO Y TIEMPO VARIABLE............................................................8
1.6 ETAPAS DE UN PROYECTO DE SIMULACIÓN...........................................................................9
2.1 NUMEROS ALEATORIOS.............................................................................................................10
2.2 PROPIEDADES DE LOS NUMEROS PSEUDOALEATORIOS................................................12
2.3 PRUEBAS ESTADÍSTICAS DE ALEATORIEDAD PARA LOS NÚMEROS PSEUDOALEATORIOS....................................................................................................................... 13
2.4 OBTENCIÓN DE NÚMEROS PSEUDOALEATORIOS UTILIZANDO PAQUETES COMPUTACIONALES......................................................................................................................... 17
2.5 METODO DE MONTE CARLO......................................................................................................21
2
INTRODUCCIÓN
La simulación se encarga de mejorar el desarrollo de sistema de computación
innovando y diseñando tanto en la toma de decisiones como de procesos y
productos. Esta también encarga de la modelación, el análisis y el mejoramiento
de los sistemas esta nos provee una gran diversidad de herramientas estadísticas
que permite interpretar de una manera más sencilla cualquier información.
La simulación tiene diferentes modelos que presentan diferentes tipos de
situaciones como: Modelos continuos, modelos discretos, modelos dinámicos,
modelos estáticos modelos determinísticos y modelos probabilísticos.
Los seres humanos vivimos en un medio aleatorio y nuestro comportamiento lo es
también. Si deseamos predecir el comportamiento de un material, de un fenómeno
climatológico o de un grupo humano podemos inferir a partir de datos estadísticos.
Para lograr una mejor aproximación a la realidad nuestra herramienta predictiva
debe funcionar de manera similar: aleatoriamente. De esa necesidad surgieron los
modelos de simulación.
3
1.1 INTRODUCCION A LA SIMULACIÓN DE EVENTOS
Simulación se refiere a un gran conjunto de métodos y aplicaciones que buscan
imitar el comportamiento de sistemas reales, generalmente por medio de una
computadora con un software apropiado.
Este proceso consiste en relacionar los diferentes eventos que pueden cambiar el
estado de un sistema bajo estudio por medio de distribuciones de probabilidad y
condiciones lógicas del problema que se esté analizando.
En la simulación de eventos se generan y administran eventos en el tiempo por
medio de una cola de eventos ordenada según el tiempo de simulación en que
deben ocurrir y de esta forma el simulador lee de la cola y dispara nuevos eventos.
Entre otros un evento puede ser: la llegada de un cliente, la llegada de un camión,
el inicio del proceso de una pieza, la finalización de un proceso de fabricación.
Esta modalidad de simulación se usa típicamente en el diseño de la mayoría de
eslabones de la cadena de suministro tales como:
Líneas de producción, plantas de procesamiento, bodegas de materia prima,
bodegas de producto terminado, puntos de atención a clientes, hospitales, centros
de atención médica.
Una variación importante de la simulación de eventos discretos es la simulación de
agentes, en ella las entidades tales como moléculas, células, árboles o
consumidores son representados directamente, estos agentes poseen estados
internos y reglas sencillas individuales que definen como son actualizados estos
estados entre los diferentes puntos en el tiempo, definiendo así el comportamiento
del conjunto de los agentes. Un ejemplo típico para este tipo de simulación es el
de peatones en un evento de evacuación, para que dado unas reglas generales
del comportamiento de movimiento de cada individuo se logre simular y determinar
el tiempo de evacuación de todo el grupo de peatones dado un número de salidas
en una locación determinada.
4
1.2 DEFINICIONES Y APLICACIONES
Simulación de eventos discretos es el conjunto de relaciones lógicas, matemáticas
y probabilísticas que integran el comportamiento de un sistema bajo estudio
cuando se presenta un evento determinado.
El objetivo del modelo de simulación consiste, precisamente, en comprender,
analizar y mejorar las condiciones de operación relevantes del sistema.
Otras definiciones importantes dentro de la simulación son:
Sistema: se trata de un conjunto de elementos que se interrelacionan para
funcionar como un todo; desde el punto de vista de la simulación tales
elementos deben de tener una frontera clara.
Entidad: es la representación de los flujos de entrada y salida de un
sistema; al entrar en un sistema una entidad es el elemento responsable de
que el estado del sistema cambie.
Estado del sistema: es la condición que guarda el sistema bajo estudio en
un momento de tiempo determinado
Evento: es un cambio en el estado actual del sistema. Esta se cataloga en
dos tipos eventos actuales: que están sucediendo en el sistema en un
momento dado y los eventos futuros: cambios que se presentan en el
sistema después del tiempo de simulación de acuerdo con una
programación específica.
Localizaciones: son todos aquellos lugares en los que la pieza puede
detenerse para ser transformada o esperar a serlo.
Recursos: son los dispositivos diferentes a las localizaciones necesarios
para llevar a cabo una operación.
Atributo: es una característica de una entidad.
Reloj de simulación: es el contador de tiempo de la simulación y su función
consiste en responder preguntas: como cuánto tiempo se ha utilizado el
modelo en la simulación y cuánto tiempo se requiere que dure esta última.
5
1.3 ESTRUCTURA Y CARACTERÍSTICAS DE LA SIMULACIÓN DE EVENTOS DISCRETOS
Los modelos de simulación de eventos discretos se utilizan para estudiar sistemas
y procesos cuyo estado va cambiando con el tiempo de forma discreta, por lo que
permiten conceptualizar el curso de una enfermedad y su manejo en términos de
los eventos que pueden suceder durante el modelado, y cuyo impacto afecta tanto
a los pacientes como a otros componentes del sistema.
Por todo ello, y dado que en el mundo real es frecuente encontrarse con procesos
y sistemas cuyo análisis, mediante métodos matemáticos, resulta
extraordinariamente complejo o incluso imposible de llevar a cabo, el uso de
MSED permite resolver problemas de esta índole. En tales circunstancias, la
alternativa más eficaz para afrontar este tipo de estudios consiste en construir
unos modelos lógico-matemáticos de forma que permitan imitar o simular el
comportamiento del mundo real. Como resultado de repetir dicha simulación un
número suficiente de veces, se obtendrá un histórico artificial de observaciones
sobre el comportamiento del sistema o proceso. A partir de dichas observaciones,
y utilizando técnicas de análisis estadístico, será posible extraer conclusiones
sobre el funcionamiento de dicho sistema.
La principal característica de un sistema de eventos discretos es que el sistema
está determinado por una secuencia de eventos que ocurren en momentos
aleatorios de tiempo t1, t2... y el cambio de estado del sistema tiene lugar en esos
instantes. Los pacientes son las entidades del sistema y los diferentes eventos
serán las visitas y cambios de estado de salud (respuesta) desde un nivel basal al
final, tras la toma de un tratamiento farmacológico que modificará la fisiología del
paciente o la aplicación de una tecnología sanitaria.
Algunos de los sistemas más estudiados son los problemas de colas que se
aplican en determinadas situaciones, como la espera que deben tener los
pacientes entre visita y visita, si los centros donde son tratados no pueden
absorber toda su demanda.
6
1.4 SISTEMAS, MODELOS Y CONTROL
Puleo define sistema como ―un conjunto de entidades caracterizadas por ciertos
atributos, que tienen relaciones entre sí y están localizadas en un cierto ambiente,
de acuerdo con un cierto objetivo‖. El concepto de sistema en general está
sustentado sobre el hecho de que ningún sistema puede existir aislado
completamente y siempre tendrá factores externos que lo rodean y pueden
afectarlo, por lo tanto podemos referir a Muir citado en Puleo (1985) que dijo:
―Cuando tratamos de tomar algo, siempre lo encontramos unido a algo más en el
Universo‖.
ENTIDAD: es algo que tiene realidad física u objetiva y distinción de ser o de
carácter.
Las entidades tienen ciertas propiedades que las distinguen a unas de otras.
RELACIÓN: es la manera con la cual dos o más entidades dependen entre sí.
Relación es la unión que hay entre las propiedades de una o más entidades; por
consiguiente, el cambio en alguna propiedad de una entidad ocasiona un cambio
en la otra
ACTIVIDADES: tareas realizadas en el sistema que están involucradas directa o
indirectamente en el procesamiento de entidades (cortar una pieza).
RECURSOS: elementos necesarios para realizar bien las actividades
(montacargas de transporte, operadores) escasas.
CONTROLES: dictaminan dónde, cuándo, y como se efectúan a las actividades,
imponen orden en el sistema.
MODELOS: es la representación de un sistema, situación o problema de acuerdo
al objetivo del estudio que sobre el sistema se desea realizar.
7
1.5 MECANISMOS DE TIEMPO FIJO Y TIEMPO VARIABLE
La naturaleza propia de la dinámica de los modelos de simulación de eventos
discretos requiere que se lleve un registro de los Valores actuales del tiempo
simulado conforman la simulación se ejecuta, y también se requiere de un
mecanismo de alcance del tiempo de un valor a otro. Por ello, introduciremos de
nuestro modelo de simulación una variable que más proporcionará el valor actual
del tiempo simulado y lo llamaremos reloj de simulación.
Mecanismo de tiempo fijo: este tipo de mediciones será cada determinado
lapso de tiempo igual, es decir se cuantifican a los datos en un determinado
tiempo histórico. Como el número de accidentes en un año.
Mecanismo de tiempo variable: este tipo de mediciones se lleva a cabo en
tiempos variables, es decir se, agrega cada ciclo de tiempo al momento de
realizar la medición, por ejemplo cada cuando sucede un tornado.
8
1.6 ETAPAS DE UN PROYECTO DE SIMULACIÓN
1. Se define el problema que se pretende estudiar.
2. Establecer objetivos.
3. Definición del sistema bajo estudio.
4. Conocer el sistema a modelar, qué origina el estudio de simulación y
establecer los supuestos del modelo.
5. Definir con claridad las variables de decisión del modelo.
6. Determinar las interacciones entre éstas y establecer con precisión los
alcances y limitaciones que aquel podría llegar a tener.
Es necesario en primer lugar definir claramente los objetivos de nuestra
investigación, antes de hacer cualquier intento encaminado a planear la
realización de un experimento en simulación.
Los ítems a trabajar en esta etapa son:
1. Definición de hipótesis
2. Causas y Efectos que deben predecirse, estimarse y evaluarse.
3. Conjunto de criterios para evaluar los resultados.
4. Decisión si es o no la Simulación la herramienta para estudiar.
9
2.1 NUMEROS ALEATORIOS
Un número aleatorio es aquel obtenido al azar, es decir, que todo número tenga
la misma probabilidad de ser elegido y que la elección de uno no dependa de la
elección del otro.
PROPIEDADES
Su generación se basa en el uso de mecanismos físicos. Entre las distintas
propuestas se incluyen el recuento de partículas emitidas por una explosión, el
lanzamiento de monedas, aparatos mecánicos basadas en ruedas de la fortuna,
etc.
Tienen el inconveniente de ser generados lentamente. Además, los
números aleatorios no pueden almacenarse de forma automática. Por tanto, se
deben buscar procedimientos algorítmicos computacionales que generen números
aleatorios de forma muy rápida y los puedan almacenar sin utilizar mucha
capacidad de memoria.
GENERADORES
Una de las características más poderosas de la simulación es la habilidad de
imitar el comportamiento aleatorio que es característico de la mayoría de los
sistemas reales. Para poder imitar este comportamiento aleatorio la simulación
necesita utilizar un generador de números aleatorios, el cual es responsable de
producir un ciclo grandísimo e independiente de números aleatorios.
Métodos manuales
Lanzamiento de monedas, lanzamientos de dados, dispositivos mecánicos,
dispositivos electrónicos.
10
Métodos de computación analógica, son métodos que dependen de ciertos
procesos físicos aleatorios, por ejemplo, el comportamiento de una corriente
eléctrica.
Métodos de computación digital, cuando se usa el ordenador digital.
Tablas de bibliotecas, son números aleatorios que se han publicado; de los
cuales podemos encontrar listas en los libros de probabilidad y tablas de
matemáticas. Estos números fueron generados por alguno de los métodos de
computación analógica.
TABLAS DE NÚMEROS ALEATORIOS
Se han utilizado en estadística para la selección de muestras aleatorias. Estas
tablas resultan mucho más eficaces que la selección manual de muestras al azar
(con dados, cartas, etc.) Hoy en día, las tablas de números aleatorios han sido
sustituidas por los generadores de números aleatorios.
Las tablas de números aleatorios tienen las propiedades deseadas de
aleatoriedad, sin importar el método de elección de la muestra: por fila, columna,
diagonal o irregularmente. La primera tabla fue publicada por un estudiante de Karl
Pearson en 1927, y desde entonces diversas tablas han sido desarrolladas. Las
primeras tablas fueron generadas a través de una variedad de métodos; Leonard
Henry Caleb Tippett tomó sus números «al azar» del registro de censo, Ronald
Fisher y Frank Yates hicieron lo propio con las tablas de logaritmos y en
1939 Maurice Kendall y B. Babington Smith publicaron una tabla con 100.000
cifras, producida por una máquina especializada y un operador humano. A
mediados de la década de 1940, la RAND Corporation se dedicó a desarrollar una
amplia tabla de números aleatorios para su uso con el método de Montecarlo, y
mediante un hardware generador de números aleatorios publicaron A Million
Random Digits with 100,000 Normal Deviates. La tabla RAND utiliza simulación
electrónica de un ruleta conectada a un ordenador.
11
2.2 PROPIEDADES DE LOS NUMEROS PSEUDOALEATORIOS
Los números pseudoaleatorios son necesarios cuando se pone en práctica un
modelo de simulación, para obtener observaciones aleatorias a partir de
distribuciones de probabilidad.
Es deseable que los números pseudoaleatorios uniformes posean las siguientes características:
1. Uniformemente distribuidos.
2. Estadísticamente independientes.
3. Reproducibles.
4. Periodo largo.
5. Generados mediante un método rápido.
6. Generados mediante un método que no requiera mucha capacidad de
almacenamiento de la computadora.
Los números pseudoaleatorios se usan de la siguiente manera1. Primero, se generan mediante algún algoritmo determinístico
2. Se aplican las pruebas necesarias para comprobar que son aptos (es decir,
pueden mostrar aleatoriamente) para usarse en la simulación.
3. Con ellos se generan variables aleatorias para distribuciones continuas o discretas
(cada una conlleva una serie de pasos a seguir). Con métodos como el de la
transformada inversa.
4. Las cuales se usan para describir el comportamiento de materiales, personas.
Sus características son
Pseudo--------> falso
Se forman a partir de algoritmos determinísticos.
Deben de pertenecer a una distribución ~ U(0,1)
12
2.3 PRUEBAS ESTADÍSTICAS DE ALEATORIEDAD PARA LOS NÚMEROS PSEUDOALEATORIOS
Las propiedades estadísticas que deben poseer los números pseudoaleatorios
generados por los métodos congruenciales, tienen que ver con independencia y
aleatoriedad estadísticas.
Medias
Consiste en verificar que los números generados tengan una media
estadísticamente igual a ½, de este modo la hipótesis planteada es:
1. Calcular la media de los n números generados
2. Calcular los limites superior e inferior de aceptación
3. Si el valor se encuentra entre li y ls, aceptamos que los números tienen una
media estadística igual a ½ con un nivel de aceptación 1-α
De varianza
Consiste en verificar si los números aleatorios generados tienen una variancia de
0.083, de tal forma que la hipótesis queda expresada como:
1. Calcular la variancia de los números generados v(x)
2. Calcular los limites superior e inferior de aceptación
3. Si v(x)se encuentra entre los valores de y, aceptamos la hipótesis nula y los
números aleatorios tiene una variancia estadísticamente igual 1/12
De independencia
Para la aleatoriedad o independencia
1. Corridas por arriba y por abajo del promedio
2. Corridas ascendentes y descendentes
13
Corridas por arriba y por abajo del promedio
Procedimiento1. Generar la muestra de tamaño N de números aleatorios.
2. Con base en esta muestra, obtener una nueva sucesión binaria, según el
criterio siguiente:
3. Si rj es menor o igual a 0.50 entonces asignarle a rj el símbolo 0.
4. Si rj es mayor a 0.50 entonces asignarle a rj el símbolo 1.
5. La frecuencia esperada para cada longitud de corrida i, es:
Corridas ascendentes y descendentes
Procedimiento
1. Generar la muestra de tamaño N de números aleatorios.
2. Construir la sucesión binaria de acuerdo al siguiente criterio:
Si rj es menor o igual a rj+1 entonces asignarle a rj el símbolo 0.
Si rj es mayor que rj+1 entonces asignarle a rj el símbolo 1.
3. Con base en la distribución X2, efectuar la prueba, donde la frecuencia esperada
de las longitudes de corrida i se calculará con:
14
Prueba de bondad de ajuste ji cuadrada
Procedimiento
1. Generar la muestra de números aleatorios de tamaño N.
2. Subdividir el intervalo [0,1] en n subintervalos.
3. Para cada subintervalo contar la frecuencia observada F0 y calcular la
frecuencia esperada FE de números aleatorios, la cual se obtiene
dividiendo N/n.
4. Calcular el estadístico de prueba.
5. Comparar el valor calculado X02 contra el valor tabulado
de la distribución X2, con (n-1) grados de libertad y una significancia ?. Si
X02 es menor que X2(n-1),? entonces no se puede rechazar la uniformidad
de los números aleatorios.
15
Prueba de bondad de ajuste de kolmogorov-smirnov
Procedimiento
1. Generar una muestra de números aleatorios uniformes de tamaño N.
2. Ordenar dichos números en orden ascendente.
3. Calcular la distribución acumulada de los números generados con la
siguiente
expresión
6. Donde i es la posición que ocupa el número aleatorio Xi en el vector
ordenado obtenido en el paso 2.
7. 4. Calcular el estado de prueba Kolmogorov-Smirnov del modo
siguiente
Dn = máx | Fn (Xi) – Xi | para toda Xi
Si Dn es menor dalfa,n, entonces no se puede rechazar la hipótesis de que los
números generados provienen de una distribución uniforme. La distribución
de Dn ha sido tabulada como una función de n y alfa para cuando Fn (x) = F0
(x).
16
2.4 OBTENCIÓN DE NÚMEROS PSEUDOALEATORIOS UTILIZANDO PAQUETES COMPUTACIONALES
El enfoque moderno es usar una computadora para generar números
pseudoaleatorios mediante alguna fórmula matemática con lo que nos
encontramos generando por un método determinístico una secuencia de número
que dan la apariencia de ser aleatorios cuando no lo son, dado que en algún
momento no determinado esta lista comenzara a repetirse, el objetivo en si es
generar una lista lo suficientemente larga como para evitar llegar al comienzo del
ciclo..
Método congruencial multiplicativo
Dónde
Xn : es el número pseudoaletorio que se genera
a: es una constante numérica seleccionada al azar.
Xn-1: al comienzo se le denomina valor semilla, el cual será un número
tomado al azar.
m: es un número primo lo suficientemente grande como para evitar las
repeticiones.
La operación modulo recordemos que es la operación en la que dividimos dos
números no para obtener el cociente sino el residuo o resto de dividirlos.
El valor obtenido de Xn se convertiría en el nuevo valor de Xn-1 al calcular el
siguiente número aleatorio.
17
A continuación vemos como queda en Excel esta fórmula y la generación de
números pseudoaleatorios.
En algunas versiones de Excel la función para calcular el modulo se llama residuo
y en otras se llama resto.
18
Método congruencial mixto
A
este método se le denomina congruencial mixto porque posee un término
multiplicativo (aXn-1) y uno aditivo (+c), tal como se ve solo se agrega una
constante más que se sumara al resultado de multiplicar a por Xn-1.
Con esta simple modificación se logra obtener series más largas, cómo queda en
Estos métodos generan una lista de números pseudoaleatorios, pero como su
nombre lo indica parte de un valor influenciado por nosotros. Los lenguajes de
19
programación poseen una instrucción para que podamos generar números
aleatorios, en estos no se hace uso de una semilla dada por nosotros ya que ese
pequeño requisito se toma de la secuencia numérica que forma la fecha y la hora
de la computadora.
2.5 METODO DE MONTE CARLO
¿Qué es la simulación de Monte Carlo?
La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la
estadística y los ordenadores para imitar, mediante modelos matemáticos, el
comportamiento aleatorio de sistemas reales no dinámicos (por lo general, cuando
se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre
bien a la simulación de eventos discretos o bien a la simulación de sistemas
continuos).
La clave de la simulación Monte Carlo consiste en crear un modelo matemático del
sistema, proceso o actividad que se quiere analizar, identificando aquellas
variables (inputs del modelo) cuyo comportamiento aleatorio determina el
comportamiento global del sistema. Una vez identificados dichos inputs o variables
aleatorias, se lleva a cabo un experimento consistente en (1) generar – con ayuda
del ordenador-muestra aleatorio (valores concretos) para dichos inputs, y (2)
analizar el comportamiento del sistema ante los valores generados. Tras repetir n
veces este experimento, dispondremos de n observaciones sobre el
comportamiento del sistema, lo cual nos será de utilidad para entender el
funcionamiento del mismo –obviamente, nuestro análisis será tanto más preciso
cuanto mayor sea el número n de experimentos que llevemos a cabo.
El método de Monte Carlo es un método no determinístico o estadístico numérico
usado para aproximar expresiones matemáticas complejas y costosas de evaluar
20
con exactitud. El método se llamó así en referencia al Casino de Montecarlo
(Principado de Mónaco) por ser “la capital del juego de azar”, al ser la ruleta un
generador simple de números aleatorios. El nombre y el desarrollo sistemático de
los métodos de Monte Carlo datan aproximadamente de 1944 y se mejoraron
enormemente con el desarrollo de la computadora.
El método de Monte Carlo proporciona soluciones aproximadas a una gran
variedad de problemas matemáticos posibilitando la realización de experimentos
con muestreos de números pseudoaleatorios en una computadora. El método es
aplicable a cualquier tipo de problema, ya sea estocástico o determinista. A
diferencia de los métodos numéricos que se basan en evaluaciones en N puntos
en un espacio M-dimensional para producir una solución aproximada, el método
de Monte Carlo tiene un error absoluto de la estimación que decrece como en
virtud del teorema del límite central1.
La importancia actual del método Montecarlo se basa en la existencia de
problemas que tienen difícil solución por métodos exclusivamente analíticos o
numéricos, pero que dependen de factores aleatorios o se pueden asociar a un
modelo probabilística artificial (resolución de integrales de muchas variables,
minimización de funciones, etc.). Gracias al avance en diseño de los ordenadores,
cálculos Montecarlo que en otro tiempo hubieran sido inconcebibles, hoy en día se
presentan como asequibles para la resolución de ciertos problemas.
21
REFERENCIAS
http://alexrosete.orgfree.com/materiales_2004/06-Simulacion/Manual_Asignatura-
Simulacion_a.pdf
http://simulacionequipouno.blogspot.mx/p/unidad-i.html
http://dd-books.com/simulacion-y-analisis-de-sistemas-con-promodel-2da-edicion-eduardo-garcia-dunna/
22