You are on page 1of 124

SIMULACIÓN DE SISTEMAS

Ing. Luis Zuloaga Rotta

Simulación de Sistemas
ST 124

07 ( I2 ) EL( I1 )

2009 -II

UNI-FIIS<Simulación de Sistemas>

UNI-FIIS<Simulación de Sistemas>

SISTEMA ‡ Conjunto de entidades u objetos relacionados entre si (conforman una estructura) con una misma finalidad. UNI-FIIS<Simulación de Sistemas> . ‡ La retroalimentación (feedback) es una característica de los sistemas para dar soporte a las actividades que les permiten alcanzar los objetivos. alcanzar sus objetivos.

Input Sistema Output Requerimientos (inputs) Resultados (Outputs) Transformaciones (procesos recursos) UNI-FIIS<Simulación de Sistemas> .

Enfoques para el análisis de Sistemas ‡ Enfoque de la ³caja negra´. ± Definimos un vector de estado para el sistema y estudiamos el comportamiento en función de cambios en las variables de estado del vector. ‡ Enfoque de la transición de estado. ± Estudiamos al sistema en función de sus partes componentes y de la estructura del todo. ± Estudiamos el comportamiento en función de los inputs y outputs. ‡ Enfoque de las partes componentes. UNI-FIIS<Simulación de Sistemas> .

Caja Negra x1 Sistema x2 f(x1.x2) Cambio de Estado V(t1) h1 V(t2) h2 V(t3) h3 Partes Componentes SS1 SS3 SS2 SS1 = SS2 SS3 UNI-FIIS<Simulación de Sistemas> .

Análisis CATDWE ‡ C : clientes (quienes se benefician del sistema) ‡ A : actores (quienes realizan las actividades en el sistema) ‡ D : dueño (quienes tienen poder de decisión sobre el sistema) ‡ T : transformación (la razón de ser del sistema) ‡ W : weltanschauung (como se ve al sistema) ‡ E : entorno (el medio ambiente al sistema) UNI-FIIS<Simulación de Sistemas> .

Soft System Sistema de referencia Equi Sistemas SupraSistema Analista Sistema en estudio UNI-FIIS<Simulación de Sistemas> .

un avión a escala. ‡ Un módelo puede ser simbólico. una formula. un sistema de ecuaciones. UNI-FIIS<Simulación de Sistemas> . ± Ej: un mapa. icónico u análogo. diagrama de procesos. etc.Modelo ‡ Es toda representación de un sistema real o abstracto. con la finalidad de comprender sus características y/o funcionalidad. un diagrama de flujo.

UNI-FIIS<Simulación de Sistemas> .Función de los Modelos ‡ ‡ ‡ ‡ ‡ Una ayuda para el pensamiento Una ayuda para la comunicación Para entrenamiento e instrucción Una herramienta de predicción Una ayuda para la experimentación.

Cómo mejorar el sistema ? Objetivos Restricciones Procesos Recursos Locaciones Costos Sistema referencia bajo estudio Es útil la Simulación ? P1 P2 P3 Analista o modelador P4 P5 Paradigmas UNI-FIIS<Simulación de Sistemas> .

con la finalidad de comprender su comportamiento en un conjunto de escenarios y plantear propuestas alternativas de mejora. UNI-FIIS<Simulación de Sistemas> . ‡ El curso se limitará al estudio de modelos de simulación para sistemas discretos.Simulación ‡ Es el estudio de un sistema a través de un modelo ayudado de un computador.

es el proceso de diseñar un modelo de un sistema real y realizar experimentos con él para entender el comportamiento del sistema o evaluar varias estrategias para la operación del sistema ´ Robert Shannon UNI-FIIS<Simulación de Sistemas> ..Simulación ‡ ³ ..

‡ Para visualizar una representación dinámica del sistema. ‡ Para probar/analizar un diseño previo a la implementación. ‡ Para comprender el impacto de la introducción de nuevas tecnologías.Para qué usar la Simulación ? ‡ Para experimentar con escenarios ³what-if´. UNI-FIIS<Simulación de Sistemas> . ‡ Para analizar la performance del sistema a los cambios que se presenten en el tiempo.

‡ Para un análisis sin disturbios (efecto Hawthorne) ni interrupciones en el sistema. ‡ Visualización realistica y convincente. UNI-FIIS<Simulación de Sistemas> . ‡ Porque es muy caro experimentar directamente sobre el sistema.Para qué usar la Simulación ? ‡ Permite una experimentación controlada. ‡ Por su facilidad de uso y comprensión. ‡ Para forzar la atención a detalles del diseño.

para sistemas relativamente sencillos o simplificaciones. mientras que con los modelos de simulación es posible analizar sistemas de mayor complejidad o con mayor detalle. ‡ Los métodos analíticos se desarrollan casi siempre.Ventajas de la Simulación ‡ Una vez construido. ‡ Es mucho más sencillo comprender y visualizar los métodos de simulación que los métodos puramente analíticos. ‡ En algunos de los casos. el modelo puede ser modificado de manera rápida con el fin de analizar diferentes políticas o escenarios. UNI-FIIS<Simulación de Sistemas> . ‡ Generalmente es más barato mejorar el sistema vía simulación. que hacerlo directamente en el sistema real. la simulación es el único medio para lograr una solución.

Desventajas de la Simulación ‡ Los modelos de simulación en una computadora son costosos y requieren mucho tiempo para desarrollarse y validarse. ‡ Se requiere gran cantidad de corridas computacionales para encontrar "soluciones óptimas". Por lo tanto es difícil que sean aceptados. ‡ La solución de un modelo de simulación puede dar al analista un falso sentido de seguridad. ‡ Los modelos de simulación no dan soluciones óptimas. esto repercute en altos costos. UNI-FIIS<Simulación de Sistemas> . ‡ Es difícil de comprobar que resultados de modelos de simulación son adecuados.

FORMULACIÓN DEL PROBLEMA EL PROCESO DE SIMULACIÓN A B DEFINICIÓN DEL SISTEMA EL MODELO ES VÁLIDO ? Sí No ES ÚTIL LA SIMULACIÓN ? No Sí PLANEACIÓN ESTRATÉGICA FORMULACIÓN DEL MODELO FIN PLANEACIÓN TÁCTICA PREPARACIÓN DE DATOS EXPERIMENTACIÓN TRASLACIÓN DEL MODELO DOCUMENTO PROPUESTAS INTERPRETACIÓN ES ÚTIL ? Sí IMPLANTACIÓN A B UNI-FIIS<Simulación de Sistemas> .

el experimentador debe realizar pruebas a lo largo del proceso de desarrollo del modelo.Validación 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 simulación. En lugar de esto. UNI-FIIS<Simulación de Sistemas> . ‡ No existe la ³prueba de validación´. a fin de crear confianza.

Experimentación y análisis de sensibilidad
‡ La experimentación con el modelo (corrida) nos permite obtener la información deseada. ‡ El análisis de sensibilidad consiste en la variación sistemática de los valores de los parámetros sobre algún intervalo de interés y en la observación del efecto en la respuesta del modelo.
UNI-FIIS<Simulación de Sistemas>

Métodos para validar el modelo
‡ Debemos cerciorarnos de que el modelo tenga validez de forma general. ‡ Es posible que el modelo dé respuestas absurdas s i se lleva los parámetros a valores extremos ? ‡ El segundo y tercer método se basan en la prueba de suposiciones y en la prueba de transformaciones de entrada-salida. Estas conllevan el uso de pruebas estadísticas de medias y varianzas, regresión, análisis de factores, autocorrelación, pruebas no paramétricas, etc.
UNI-FIIS<Simulación de Sistemas>

DIAGRAMA DE FLUJO

UNI-FIIS<Simulación de Sistemas>

LAYOUT DE PROCESOS Ruta trabajo UNI-FIIS<Simulación de Sistemas> .

UNI-FIIS<Simulación de Sistemas> . ‡ Con esta comprensión del sistema lograremos un mejor análisis de las situaciones problema y ver si es útil la simulación para mejorar el sistema. ‡ Siempre que necesitemos comprender la funcionalidad del sistema podremos emplear la técnica de la descomposición funcional de las actividades o procesos y encontrar la dependencia lógica entre ellos. primero debemos conocer como funciona u opera.¿Cómo saber si es útil la simulación? ‡ Para proponer mejoras a un sistema.

Cómo iniciar el proceso de mejora del sistema utilizando la simulación ‡ Para la posibilidad de encontrar alternativas de mejora al sistema es necesario iniciar nuestro estudio conociendo sus procesos. UNI-FIIS<Simulación de Sistemas> . ‡ Una técnica útil para esto es la descomposición funcional planteada por IDEF0. clientes y actores.

identificamos los procesos de alto nivel y continuamos realizando su descomposición funcional hasta los procesos elementales. estudiar y mejorar los procesos de negocio. definirlos y descubrir tanto su estructura como sus relaciones.Como comprender los procesos de negocio ‡ Para comprender. primero tenemos que identificarlos. ‡ Los procesos de negocio no son analizados como cajas negras. ‡ Para lograr esto. UNI-FIIS<Simulación de Sistemas> .

pero ocurren a un nivel inferior. UNI-FIIS<Simulación de Sistemas> . que tiene un inicio y un fin. es una actividad que se inicia por un evento. ‡ La ejecución de un proceso tiene sentido para el negocio.Funciones y Procesos de Negocio ‡ Una función es un grupo de actividades de alto nivel que juntas apoyan un aspecto del negocio. ‡ Los procesos de negocio también son agrupamientos de actividades.

Cómo modelar el Sistema ? UNI-FIIS<Simulación de Sistemas> .

de modo que delicados matices de su organización puedan ser analizados. razón por la que la mayor parte de la gente piensa en modelos de procesos como representaciones pictóricas. comprendidos y tal vez lo mas importante. comunicados a otros. UNI-FIIS<Simulación de Sistemas> .Cómo se modelan los procesos ? ‡ Se usan gráficos (generalmente cajas y flechas) para proveer los datos acerca de la estructura del sistema. ‡ Con el modelamiento de procesos se puede mirar el sistema de interés con profundidad.

IDEFØ: Que es ? ‡ Una técnica para modelar : ± funciones : ‡ ‡ ‡ ‡ actividades acciones procesos operaciones ± relaciones funcionales y datos (informacion y objetos) de un sistema o empresa. UNI-FIIS<Simulación de Sistemas> .

‡ Inputs ‡ Controles

ICOM

± Items consumidos o transformados por procesos ± Ejemplo : materiales, información, capital, energía, ...

± Restricciones o gobierno del proceso ± Ejemplos : lineamientos, reglas de negocio, políticas, ...

‡ Outputs
± Resultados del proceso, esto es una entrada transformada ± Ejemplos : materiales, información, ...

‡ Mecanismos
± Recursos utilizados para producir la salida (usada por los procesos) ± Ejemplos : personal, sistemas, equipos, ...
UNI-FIIS<Simulación de Sistemas>

IDEFØ
Restricción

Input

Actividad a ejecutar

Output

Mecanismo (Recurso)

‡ La actividad (o función) 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.

‡ El Orden de las cajas no implica necesariamente una secuencia !! ‡ La descomposición es Top Down !!
UNI-FIIS<Simulación de Sistemas>

IDEFØ es una descomposición Top Down
A-0

Diagrama de Contexto

1 2 3 4 A0

Mas General

2.1 2.2 2.3 A2

Diagrama de Nivel Cero Este diagrama es el ³padre´ de ... este diagrama.

Diagrama de Primer Nivel
2.3.1 2.3.2 2.3.3 A23

Mas Detallado

UNI-FIIS<Simulación de Sistemas>

Combinaciones de flechas de interface ‡ Output ± Input ‡ Output ± Control ‡ Output ± Mecanismo ‡ Output ± Control feedback ‡ Output ± Input feedback UNI-FIIS<Simulación de Sistemas> .

UNI-FIIS<Simulación de Sistemas> . atencion y salida cliente. ‡ Que procesos se identifican: arribo clientes. regulares y eventuales (no son clientes).Sistema Bancario ‡ Una agencia bancaria atiende en un horario pre establecido a sus clientes. ‡ El arribo comprende la identificación del tipo de cliente y su ubicación en la cola correspondiente. ‡ Se evalúa la posibilidad de implementar un servicio de atención con tickets que diferencie tres tipos de clientes: clientes bex. ‡ La politica de atención se basa en dos colas únicas y en ventanillas organizadas para clientes y no clientes. La atención comprende la identificación del tipo de operación y la operación en si misma. ‡ La agencia cuenta con cinco ventanillas de atención que atienden en función del número de clientes esperando por un servicio.

‡ Una cola por ventanilla. ‡ Unas ventanillas para los clientes y otra para los que no lo son. ‡ La pérdida de clientes por lo largo del tiempo de espera para ser atendido. Stma. Bancario? ‡ La longitud de las colas que se forman por la lentitud del servicio.Qué mejorar en el Stma. ‡ Hay que determinar el número apropiado de ventanillas de atención y la política de atención a los clientes. UNI-FIIS<Simulación de Sistemas> . ‡ Atención por periodos de alta demanda ‡ Hay que construir un modelo de simulación y escenarios de demanda y atención.

a2] <a2.. UNI-FIIS<Simulación de Sistemas> x1 x2 x3 x4 x5 xn x6 xi [a1.a4] <a4.a5] . para luego observar y registrar su comportamiento (muestra)... ‡ Se organiza la data recogida y se plotea. ‡ A continuación se identifican las variables del vector de estado (var. se analiza a detalle la situación problema.. aleatorias).Que sigue . procediendo a plantear una hipotesis nula H0. fr 8 12 16 6 H 0: x . ? ‡ Una vez identificados y comprendidos los procesos u actividades.a3] <a3.

r 0 r = 1/2 Var(r) = 1/12 r0 X= 1 Var(x) = œxf(x)dx (x œ 0 1 0 1 .Números Random ( #r ) ‡ Son números reales (r) distribuídos uniformemente en el intervalo [0.1].)2f(x)dx x UNI-FIIS<Simulación de Sistemas> .

Algoritmos para generar números Random ‡ Cuadrado central ± ± ± ± ± ± ± ± Se elije un número cualquiera abcd Se obtiene su cuadrado (abcd)2= manc Se elige el número an #r1= an/(100-1) Se continúa obteniendo el cuadrado de (manc)2=bdam Se elige el número da #r2=da/(100-1) Se continua así sucesivamente « UNI-FIIS<Simulación de Sistemas> .

(ncrs)=bpdramca Se elige el número dram #r2=dram/(100-1) Se continua así sucesivamente « UNI-FIIS<Simulación de Sistemas> .« otro algoritmo ‡ Producto central ± ± ± ± ± ± ± ± ± Se elijen dos números cualesquiera abcd y mnpq Se obtiene su producto (abcd).(mnpq)= mancrsta Se elige el número ncrs #r1= ncrs/(100-1) Se continúa retirando un número e incluyendo el nuevo Se obtiene el nuevo producto (mnpq).

Algoritmos para generar #r ‡ Algoritmos congruenciales : ± Mixto : #ri+1 = ( a + b #ri)Mod(m) ± Multiplicativo : #ri+1 = ( b #ri)Mod(m) EJEMPLO: Generar 2 números aleatorios de módulo 8 con constantes a= 7 y b= 5 y una semilla r0 = 4. ri+1= (5ri + 7)MODULO(8) r1= 27 MODULO (8) = 3 entonces #r1= 3/(8-1) = 0.857 UNI-FIIS<Simulación de Sistemas> .428 r2= 22 MODULO (8) = 6 entonces #r2= 6/(8-1) = 0.

11. b.4.. ‡ m = 10d y d u4 (d # de bits de una palabra del computador) ‡ Periodo máximo m/20 UNI-FIIS<Simulación de Sistemas> . . m y r0 deben ser mayores que cero (0). r0 no debe ser múltiplo de 2 ni de 5.83.29. ‡ t = 1.21.59.53. a y m deben ser primos entre si.37. a debe ser impar.2.61. b = 200t z tal que : ‡ z = 3..3.o 91.27.77.67.19.13.5.69.Restricciones para los parámetros de algoritmo ‡ ‡ ‡ ‡ ‡ a.

‡ VARIABLES: cambian durante el experimento. UNI-FIIS<Simulación de Sistemas> .Parámetros y Variables ‡ En un experimento se tiene información o datos de dos tipos : ‡ PARÁMETROS: permanecen sin cambio durante todo el tiempo que dura el experimento.

UNI-FIIS<Simulación de Sistemas> . Se cumplen las propidades de la teoría de probabilidad para las variables asociadas. ‡ VARIABLE ALEATORIA: variable en un proceso estocástico.Variable Aleatoria ‡ PROCESO ESTOCASTICO: experimento donde no es posible conocer de antemano los resultados obtenidos para cada valor de una variable.

FRECUENCIA 70 30 20 3/7 1/3 1/7 PROBABILIDAD A B C FALLAS 2/21 ~F A B C FALLAS UNI-FIIS<Simulación de Sistemas> . B y C.Distribución de probabilidad Se controlan 210 productos de un proceso de fabricación y se identifican tres tipos de fallas: A.

Tipos de Distribución Probabilidad ‡ CONTINUAS: los valores de las VA están en algún rango de los números reales y cubren entre todos ellos todo el rango. UNI-FIIS<Simulación de Sistemas> . Entre dos valores de la VA hay por lo general una infinidad de valores que no se asocian a la variable aleatoria. ‡ DISCRETAS: los valores de las VA pertenecen a algún rango de los enteros o reales.

realizamos el ajuste correspondiente a alguna función de probabilidad conocida o no. UNI-FIIS<Simulación de Sistemas> . a través de la reproducción de las actividades en las que intervienen. ‡ Recogemos una muestra de datos para cada variable identificada. es necesario reproducir el comportamiento de los objetos del sistema.Funciones Generadoras de Valores Aleatorios ‡ Para reproducir el comportamiento de los sistemas a través de los modelos. especialmente las relacionadas con variables aleatorias.

Método de la Transformación Inversa ‡ Muchas de las Funciones de Distribución de probabilidad acumuladas son univalentes de allí que tienen inversa.1) también #r ~ UNIF(0. F(x) 1 r0 0 x0 X F(x) = p(X e x) ~ UNIF(0.1) entonces #r = F(x) por lo tanto x = F-1(#r) UNI-FIIS<Simulación de Sistemas> .

entonces #r = F(x).Uniforme Continúa (UC) F(x) = (x0-a)/(b-a) 1 b-a F(x) 1 #r x a x0 b 0 a x0 b Dado que F tiene inversa. luego #r = (x-a)/(b-a) por lo tanto x = a + #r(b-a) UNI-FIIS<Simulación de Sistemas> .

e. entonces #r = F(x). luego #r = 1 . f(x) f(X) = ex0 x .+g . xu0 Media (x) = 1/ Var (x) = 1/ 2 F(x) 1 #r F(x) = ´o f(x)dx 0 x0 x 0 x0 x Dado que F tiene inversa.Exponencial Negativa (Exp) ‡ Función continua con dominio [0.(1/ )ln(1-#r) UNI-FIIS<Simulación de Sistemas> .x por lo tanto x = .

entonces #r = F(x) entonces x = a + (b-a) #r UNI-FIIS<Simulación de Sistemas> .Lineal (Lin) f(x) 2 b-a x a f(x) = 2(x-a) (b-a)2 x0 b F(x) = (x0-a)2 (b-a)2 1 #r F(x) 0 a x b dado que F tiene inversa.

‡ Si t = # r1+# r2+# r3+# r4+# r5+. también con media y varianza conocidas. entonces para un n ³suficientemente grande´ t ~ Normal (med.. que se expresa como la suma de n variables aleatorias independientes.var). -(1/2)[(x.. se puede aproximar a través de una distribución normal...+sn / med (si) y var(si) son conocidas.Normal (Norm) ‡ Teorema del Límite Central : Toda variable aleatoria con media y varianza conocidas..+# rn = # ri / # ri ~ RANDOM normalizando t y x tenemos : t ± (n/2) = x ± n/12 Tomando n = 12 encontramos que : W X= + W [(7 #ri) . para un n suficientemente grande.6] 12 UNI-FIIS<Simulación de Sistemas> ...)/ W]2 f(x) = 1 2T W e x ‡ Si t = s1+s2+s3+s4+s5+s6+.

Bernoulli (Bern) ‡ Es una distribución discreta en la que los resultados del experimento aleatorio sólo arrojan dos valores posibles 0 o 1(fracaso o éxito). 0 si #r > p f(x) = px(1-p)1-x / p = éxito X= 1 si #r ” p Ej: Trompo f(x) = (1/3)x(2/3)1-x X= 0(R) si #r > 1/3 1(A) si #r ” 1/3 UNI-FIIS<Simulación de Sistemas> .

5) 0.. digamos n procesos y.p) f(x) 0. se desea el número de éxitos x que se tendrá en todos los procesos tomados en conjunto. La Binomial mide la probabilidad de que x=i éxitos en n pruebas: p(x=i) =(n i)pi(1-p)n-i / med(x)=np n y var(x)=np(1-p) Entonces si x= b1+b2+b3+.0.10 0 UNI-FIIS<Simulación de Sistemas> 1 2 3 4 x .bn = 7bi / bi ~ Bern(p) tenemos que x ~ Bin (n.40 Bin (4.Binomial (Bin) ‡ Una distribución Binomial involucra varios procesos de Bernoulli.20 0.

..P x! / med(x) = P e- x 0 1 2 3 4 5 6 7 8 9 10 11 12 .f(x) Poisson (Pois) f(x) = Px e. X=4 X=2 X=1 X=5 X=0 x ~ Poiss(P) t ~ Exp(1/P) T 1 t1 T 1 1 1 1 t2 t3 t4 t5 T 1 t6 1 t7 T 1 1 1 t8 t9 t10 T 1 t11 Si ti ~ Exp(1/P) entonces t = ..(1/P)ln(1-#r) Luego x = max {i : 7ti e T < 7ti } ~ Poiss(P) 0 0 UNI-FIIS<Simulación de Sistemas> i i+1 .

Uniforme Discreta (UD) F(x) 1 f(x) 5/n 1/n #r 4/n 3/n 2/n x a1 a2 a3 a4 a5 a6 a7 . an si si si 0 e #r e 1/n 1/n < #r e 2/n 2/n < #r e 3/n si n-1/n < #r e1 UNI-FIIS<Simulación de Sistemas> .. an x X= a1 a2 a3 ..... an 1/n a1 a2 a3 a4 a5 a6 a7 ..

b] y p U [0. (a. Sea f(x) una función de probabilidades definida en un intervalo finito.Rechazo ‡ Es un método sencillo y general.Método de Aceptación . UNI-FIIS<Simulación de Sistemas> . ‡ Se generan dos valores aleatorios x1 U [a.b) y M una cota superior de f(x) . este es el único método disponible cuando la distribución de probabilidades es complicada. entonces: Se acepta x1 si p ” f(x1) o r2 ” f(x1)/M Se rechaza x1 si p > f(x1) o r2 > f(x1)/M ‡ De esta manera el valor x1 aparece con una densidad de probabilidad f(x).M] X1= a + (b-a)r1 y p= (M)r2 siendo r1 y r2 dos números random. aunque en ocasiones no muy eficiente. aunque no se aprovechan todos los valores que obtenemos en la realización del método. ‡ De todos modos.

Rechazo ‡ Se tiene una Variable Aleatoria X con función de densidad f(x) f(x) definida en a ” x ” b. volver al paso a. Generar r1 y r2.b) entonces r2 x1 = a + (b-a)r1 c. Se define x1 ~U(a.Método de Aceptación .1). M g(x) g(x1) a x1 b UNI-FIIS<Simulación de Sistemas> . además. ‡ M= max f(x) para a ” x ” b ‡ Sea g(x)= [f(x) / M] luego 0 ” g(x) ” 1 ‡ El método consiste en: a. Si r2 ” g(x1) entonces x1 es observación para f(x). En otro caso. b. dos 1 r1 números random ~U(0.

0) r1 = r1 c.1] b.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. Si r2 ” r1 entonces x es observación. entonces x es observación. o sea si r2 ” r1. así r2 ” 3 r1/3 = r1. Si r2 ” g(x) = x/3. x= a + (b .1] b.0)r1 = 3r1 c. de lo contrario volver a generar r1 y r2. UNI-FIIS<Simulación de Sistemas> . Generar r1 y r2 distribuidos uniformemente en [0. x = a + (b ± a) r1 = 0 + (1 .a)r1 = 0 + (3 . 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 a.

Generar r1 y r2 distribuidos uniformemente en [0. una fdp para 1 ” x ” 2 Entonces si M = 12/7 y g(x)=(3x2/7)/12/7 = g(x)= x2/4 a.Ejemplos « ‡ Ejemplo 3: Sea f(x)= 3x2/7. Sea x1 = a + (b ± a) r1 = 1 + (2 . UNI-FIIS<Simulación de Sistemas> . de lo contrario volver a generar r1 y r2. Si r2 ” g(x1)=g(1+r1)=(1+r1)2/4 entonces x1 es observación de f(x).1) r1 = 1+r1 c.1] b.

Método de la Composición ‡ Mediante este método la distribución de probabilidad f(x) se expresa como una mezcla de varias distribuciones de probabilidad seleccionadas adecuadamente. UNI-FIIS<Simulación de Sistemas> .

Procedimiento ‡ Dividir la distribución de probabilidad original en subáreas. tal como se muestra en la figura: f(x) A1 A2 An x ‡ Definir una distribución de probabilidad para cada sub-área. UNI-FIIS<Simulación de Sistemas> .

An f n ( x ) p § Ai ! 1 i !1 ‡ Obtener la distribución acumulada de las áreas vrs las funciones fi(x): A1  A2  A3  A4 A  A2  A3 1 #r1 A1  A2 A 1 f1 ( x) f2 (x) f3 (x) f4 (x) UNI-FIIS<Simulación de Sistemas> ..Siguiendo « ‡ Expresar la distribución de probabilidad original en la siguiente forma: n f ( x) ! A1 f1 ( x )  A2 f 2 ( x )  ....

‡ Utilizar el #r2 para simular por el método de la transformada inversa o algún otro procedimiento especial.Finalmente « ‡ Generar dos números random #r1 y #r2 ‡ Seleccionar la distribución de probabilidad fi(x) con la cual se va a simular el valor de x. UNI-FIIS<Simulación de Sistemas> . números al azar que sigan la distribución de probabilidad fi(x) seleccionada en el paso anterior. La selección de esta distribución se obtiene utilizando el #r1 al aplicar el método de la transformada inversa a la distribución acumulada de las áreas.

Ejemplo ‡ Utilizando el método de la composición construir un algoritmo que permita generar números aleatorios que se ajustan a la distribución : f(x) 1 2 6 UNI-FIIS<Simulación de Sistemas> .

Solución ‡ Dividimos f(x) en sub áreas: f(x) 2/5 A1 = 1/5 A1 1 2 A2 6 A2 = 4/5 ‡ Determinamos f1(x) y f2(x) f(x) 2 f1 (x)= 2(x-1) x 1 2 F1 (x)= (x-1)2 UNI-FIIS<Simulación de Sistemas> .

f(x) 1/2 f2 (x)= (-1/8)(x-6) F2 (x)= 1 ± [(x-6)2/16] 2 6 x ‡ Expresamos la distribución original como: f(x) = A1f1(x) + A2f2(x) = (1/5)(-1/8)(x-6) + (4/5){1-[(x-6)2/16]} f(x) = (-2x2+23x-34)/40 1 1/5 f1 (x) f2 (x) UNI-FIIS<Simulación de Sistemas> .

#r2 ‡ Repetir los pasos anteriores tantas veces como sea necesario para reproducir el comportamiento deseado.Finalmente « ‡ Generar dos números random #r1 y #r2 ‡ Es #r1 < 1/5 ? ± Si es afirmativo se simulan valores de f1(x) utilizando el método de la transformada inversa: F1(x)=(x-1)2 = #r2 entonces x = 1+ #r2 ± Si no es afirmativo se simulan los valores de f2(x) F2(x)=1 ± [(x-6)2/16] = #r2 entonces x = 6 .4 1. UNI-FIIS<Simulación de Sistemas> .

.Pruebas de Bondad de Ajuste ‡ Estas pruebas nos permiten determinar si la muestra de los datos recogida.... se puede aproximar a partir de una función de distribución de probabilidad teórica (H0).. (distribución de probabilidad teórica)´.... H0 : ³No existe diferencia significativa entre los datos observados y los que se obtendrían a partir de una distribución .... respecto a una variable aleatoria de interés para el estudio. UNI-FIIS<Simulación de Sistemas> .

Prueba de Ji-Cuadrado Ji‡ Es recomendable para muestras cuyo tamaño es mayor que 100. ‡ Calcular : Gc =7 (foi ± fei) fo i=1 fei Donde : k # intervalos de clase fo frecuencia observada 2 k 2 fe frecuencia esperada. tal que fe = np(xi)u5 n tamaño de la muestra p(xi) probabilidad teórica para xi UNI-FIIS<Simulación de Sistemas> .

.. Ji‡ Luego obtener de tablas el estadístico 2 de Ji-Cuadrado para : Gt (1-E.Ji-Cuadrado . y #gl : es el número de grados de libertad tal que #gl = K . #gl) Ji-Cuadrado calculado es menor que el teórico UNI-FIIS<Simulación de Sistemas> .#parám. #gl) Donde : (1 ± E ) es el nivel de significancia.estimados ± 1 ‡ Comparamos. y aceptamos H0 si : Gc 2 <<Gt 2 (1-E.

n) . ‡ El estadístico K/S teórico se obtiene de tablas dado un E (nivel significancia) y n (tamaño muestra). ‡ El estadístico K/S calculado se determina a partir de la máxima de las diferencias absolutas entre la frecuencia y probabilidad acumuladas.Smirnov ‡ Es recomendable para muestras cuyo tamaño esta comprendido entre 10 y 100. PA(x) ± FA(x) ‡ Se acepta H0 si se cumple que : UNI-FIIS<Simulación de Sistemas> Dc << Dt (E. y la probabilidad teórica y acumulada para la distribución teórica.Prueba de Kolmogorov . ‡ Se determinan las frecuencias relativa y acumulada de los valores observados.

Tabla de Kolmogorov/Smirnov para una(1) muestra UNI-FIIS<Simulación de Sistemas> .

1 0.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.1 I t 1 4 5 6 7 8 9 10 Fr 8 1 5 5 12 18 5 14 1 3 100 Fr 0.18 0. ‡ H0 : Los datos se pueden aproximar a través de una distribución Uniforme.1 0.14 0.03 l UNIF 1 2 3 4 5 6 7 8 9 10 UNI-FIIS<Simulación de Sistemas> .05 0.12 0.08 0. Usar un E = 5%.05 0.05 0. 0.

1 0.9 0.2 0.7 0.13 3 0.03 100 FrecAbs 0.07 0.07 Dt (5%.05 14 0.08 17 0.100) = 1.18 5 0.1 0.12 18 0.1 0.1 0.08 0.02 0.1 0.0 Max D k/s Dc = 0.5 0.100) aceptamos H0: UNI-FIIS<Simulación de Sistemas> .1 1 D k/s 0.97 1 ProbTeor ProbAcum 0.1 0.1 0.36/ 100 = 0.17 5 0.05 12 0.3 0.4 0.8 0.1 0.05 5 0.Tabla de Cálculos Ejemplo 1 Int 1 2 3 4 5 6 7 8 9 10 Frec FrecRel 8 0.25 0.6 0.14 13 0.35 0.05 0 0.0 0.05 0.04 0.03 0.7 0.136 Como Dc << Dt (5%.3 0.1 0.65 0.84 0.05 0.47 0.1 0.

‡ Formule la hipótesis adecuada y haga el ajuste correspondiente a una función de distribución de probabilidad teórica conocida. Use un E = 5%.Ejemplo 2 ‡ La siguiente tabla muestra la distribución de frecuencias para la variable aleatoria tiempo entre dos arribos consecutivos a un SuperMercado. UNI-FIIS<Simulación de Sistemas> Tiempo 0et<2 2et<4 4et<6 6et<8 8 e t < 10 10 e t <12 12 e t < 14 14 e t < 16 16 e t < 18 18 e t < 20 Frec 50 33 22 15 11 8 5 3 2 1 .

21 UNI-FIIS<Simulación de Sistemas> .fo)/ 7fo = 714/150 = 4.05 0.03 0 2 4 6 H0: Los datos del tiempo entre Arribos se pueden aproximar a través de una Distribución Exponencial Negativa.10 0.Ploteo Ejemplo 2 t 1 3 5 7 9 11 13 15 17 19 +21 frec 50 33 22 15 11 8 5 3 2 1 0 150 frecRelat 0.21e.10 0.22 0.07 0.21t t 8 10 12 14 16 18 20 (1/Q) = (7ti.0.33 0.76 entonces Q = 0.02 0.15 0.33 0. f(t) = 0.15 0.01 0.03 0.07 0.01 0.00 0.05 0.22 0.

197 5.21t .0164 UNI-FIIS<Simulación de Sistemas> .13 2.050 0.0.3440 =0.2252 ) 2 ´ 20 .60 33.t 1 3 5 7 9 11 13 15 17 19 +21 Fr 50 33 22 15 11 8 5 3 2 1 0 150 8 3 Pr r 0.002 0.84 0.0.0419 0.0275 0.0.72 1.0119 0.0973 0.78 22.0.e P(0 e ti < 2) = 0 0.0618 0.0000 .27 6.79 1.21t dt = 1 ± (e ..0 0.146 .0164 1.468 6.0181 0.3440 0.42 1.46 150.011 0.29 4.2252 0.0078 0.e.21t Ei 51.0.21tdt = .077 2.22 14..21t | 20 0 =0. P( ti u 21) = 1 .00 i (f - i) / i 0.21e 4 P(2 e ti < 4) = 2 0.1481 0.018 0.60 9.21t dt = .17 2.21e ´ ´ 2 | | 2 4 0 =0.323 0.21e.0.

Respuesta Ejemplo 2 .. ‡ Determinamos #gl = 8 ± 1 ± 1 = 6 ‡ De Tablas determinamos : Gt ‡ Como : 2 (95%..6 2 Gc 2 << Gt aceptamos H0: UNI-FIIS<Simulación de Sistemas> .6) = 12.

Recomendaciones ‡ Dada una muestra de tamaño n para una variable aleatoria.Foi ± n.Med2(x)] / (n ± 1) UNI-FIIS<Simulación de Sistemas> .3 log n ‡ Dado que se tienen que aproximar los parámetros de la distribución de probabilidad teórica.Foi) / n y ‡ Var(x) = [7 xi2. se puede utilizar la Fórmula de Sturges para aproximar el número de intervalos en los que se les puede agrupar : ‡ K = 1 + 3. se pueden utilizar las siguientes relaciones : ‡ Med(x) = (7 xi.

Ejemplo 3
‡ Construir una función generadora de valores aleatorios para la siguiente función de distribución de probabilidades (fdp):
f
a

x 0 a 2

UNI-FIIS<Simulación de Sistemas>

Cálculo de ³a´: Por condición de una fdp, el área bajo la curva de f en su dominio debe ser 1. Entonces (1/2)(a)(a) + (1/2)(a)(2-a) = 1 (1/2)[a2 + 2a - a2] = 1 a=1 Determinación de la regla de correspondencia de f: x f= si x [0,1] Una vez definida f determinamos la función de distribución acumulada F

-x + 2 si x <1,2] x2/2 si x [0,1]

F=

1 ± (1/2)(2-x)2 si x <1,2]
UNI-FIIS<Simulación de Sistemas>

‡ Graficamos la función acumulada F
F 1

1/2

#r
x 1 x 2

x=

2#r 2-

si #r [0,1/2] 2(1- #r )

Como F es monótona entonces tiene inversa, F(x) = #r : i. x2/2 = #r v ii. 1 (1/2)(2-x)2= #r Despejando x en función de #r: i. x = 2#r ii. x = 2 - 2(1- #r) Luego 0 x 1 0 2#r 1 0 #r 1/2

si #r <1/2,1]

UNI-FIIS<Simulación de Sistemas>

el cual simulamos a través de comportamientos Bernoulli. Estamos al frente de un comportamiento Binomial. e= 0 si #r > 2/5 ~ Bern (p=2/5) 1 si #r < 2/5 4 s I I I x= § 1 e i ~ Bin (n=4.Ejemplo 4 ‡ ‡ Loas alumnos de la FIIS están 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. p=2/5) UNI-FIIS<Simulación de Sistemas> .

UNI-FIIS<Simulación de Sistemas> .Mecanismos de control de Tiempo de la Simulación ‡ Dado que la ejecución de eventos en una PC es secuencial. de allí que mas importante será el mecanismo de control de tiempo variable. ‡ En los sistemas discretos los eventos que influyen sobre el sistema ocurren en puntos específicos en el tiempo. no en forma continua. cuyo tiempo se incrementa en función de los momentos en los que se da la ocurrencia del evento. estos mecanismos permiten controlar la cadena de eventos presente y futura durante la ejecución de la simulación.

calcule el tamaño del contenedor para la máquina inyectora.Ejemplo ‡ Se está diseñando una máquina para inyectar líquido a envases de diferentes capacidades. esto se da por la capacidad variable de los envases y/o por el error de la cantidad inyectada del líquido. y que éste no se disperse en el piso. Si se tienen producciones de hasta 10. ‡ Se desea incluir un recipiente (contenedor) en la máquina para recibir el líquido derramado. y tiene una línea de producción.000 envases. UNI-FIIS<Simulación de Sistemas> . Eventualmente se derramará líquido de los envases.

. se comporta como una V. ± Los envases tampoco tienen una capacidad única sino que varían por defectos de forma y de fabricación. UNI-FIIS<Simulación de Sistemas> . Haga su cálculo tomando en cuenta que llenará envases de 330 ml. La posibilidad máxima del defecto es de un 10% de la especificada como capacidad media.05 (de la cantidad ideal a inyectarle) y tienen una desviación estándar del 5% de su capacidad total .5 litros. La capacidad de los recipientes es de 1. normal con media igual a la cantidad ideal a inyectar en el envase y desviación estándar igual al 1% de esa cantidad ideal. ‡ Se conocen las siguientes características del proceso y de la máquina: ± La cantidad de líquido que se inyecta no siempre es exacta.. ‡ Se pueden manejar envases con capacidades de inyeccción desde 200 ml hasta 1. A. ‡ Construya un programa en C++.Ejemplo . Pascal o en cualquier otro lenguaje para determinar el tamaño del recipiente que se requiere.

ENVIO DE BOTELLAS SIMULAR LLENADO LINEA 1 SIMULAR LA CAPACIDAD DE LA BOTELLA A LLENAR SIMULAR LA CANTIDAD A INYECTAR DETERMINAR REBASAMIENTO ACUMULAR CANTIDAD REBASADA FIN Diagrama de Bloques UNI-FIIS<Simulación de Sistemas> .

) Inyectado .05 (330 ml) y desv. ± ± ‡ Se calculan las cantidades rebasadas en cada caso.est.) Para la inyección hasta un total de 2 litros inyectados(por falla) Para la capacidad hasta un 10% del especificado como valor medio (1.05(330 ml.Pseudocódigo del programa para el Ejemplo ‡ Se generan los valores aleatorios que se necesitan.envasado (en el cado que inyectado > envasado) ‡ Se generan las cantidades inyectadas en la línea .= 5% de 1.= 1%(330 ml. ± Con una variable aleatoria normal con med =1. ± ‡ Se corrigen los valores que se aportan por las limitaciones físicas.05*330 ml.est.) Con una variable normal con med=330 ml y desv. ± UNI-FIIS<Simulación de Sistemas> . ‡ Se genera la capacidad de la botella que llega a la línea.

Población Tiempo entre Arribos (t) Cola Politica de servicio Servicio Arribos Tiempo de Servicio SISTEMA DE COLAS UNI-FIIS<Simulación de Sistemas> .

UNI-FIIS<Simulación de Sistemas> . ‡ Para nuestro estudio consideraremos que los arribos se ajustan a una distribución de Poisson con tasa media P o tiempo entre arribos Exponenencial con tasa media 1/P. ‡ Los tiempos de servicio son Exponenciales con tasa media . variables cuyo comportamiento puede ser aleatorio.Premisas para el estudio de un Sistema de Colas ‡ Un sistema de colas puede ser analizado en función de sus tasas de arribo y de servicio.

1 TS =TS .CONDICIONES INICIALES Para t=0 arriba el 1er Cliente C LC = LC + 1 Mecanismo de Control de Incremento Fijo A Longitud de la Cola GENERAR TA Tiempo de Arribo RELOJ = RELOJ + 1 SUMTA = SUMTA + TA B SI SI COLA =0 ? SERVICIO DISPONIBLE ? NO COLA =0 ? NO TS > 1 VERIFICAR TS TS = 1 NO LC = LC .1 TS = TS .1 TOT = TOT + 1 TS = 0 TET = TET + LC SE OCUPA SERVICIO Tiempo Espera Total SI SE DESOCUPA SERVICIO Tiempo de Servicio GENERAR TS RELOJ < SUMTA RELOJ = SUMTA COMPARAR RELOJ::SUMTA A B C UNI-FIIS<Simulación de Sistemas> .

SUMTA4 SUMTA3 SUMTA2 SUMTA1 TA2 0 c1 c2 c3 c4 c5 c6 TS1 TA3 TA4 TA5 TA6 TS2 TO1 TE3 TS4 TE4 TS5 TE5 TE6 TS3 UNI-FIIS<Simulación de Sistemas> .

CONDICIONES INICIALES Para t=0 arriba el 1er Cliente GENERAR TA Tiempo de Arribo Mecanismo de Control de Incremento Variable TA = TA .TE GENERAR TS Tiempo de Servicio SI TS = TA ? NO SI NO TO = 0 TE = 0 TS < TA ? Tiempo de Espera TO = 0 TE = 0 Tiempo Ocioso TO = TA .TA TOT = TOT + TO Tiempo Ocioso Total TET = TET + TE Tiempo de Espera Total UNI-FIIS<Simulación de Sistemas> .TS TE = TS .

TA4 =TA4 ± TE3 TA3 =TA3 ± TE1 TA2 =TA2 ± TE1 TA5=TA5 ±TE4 TA2 0 c1 c2 c3 c4 c5 c6 TS1 TA3 TA4 TA5 TA6 TS2 TO2=TA2-TS1 TE2=0 TE3 TE3=TS2-TA3 T03=0 TS3 TE4 TS4 TE4=TS3-TA4 T04=0 TE5 TS5 TE5=TS4-TA5 T05=0 TE6 UNI-FIIS<Simulación de Sistemas> .

Se ha comprobado con los registros pasados que los pesos de la carga estan distribuídos normalmente con media 30 mil lbs. El peso de la carga de cada camión es un factor importante en lo referente al tiempo de descarga. Después de analizar los datos históricos se ha concluído que el número de llegadas diarias de camiones se comporta de acuerdo a una distribución de Poisson con tasa media de 3 camiones por día. ‡ La frecuencia de cada tipo de carga y la velocidad de descarga de las cuadrillas se muestran en la tabla siguiente : UNI-FIIS<Simulación de Sistemas> .Ejemplo : Modelo Simulación ‡ Una Compañía de carga recepciona sus camiones que llegan en forma aleatoria en una terminal para descarga. Y una desviación estándar de 5 mil lbs. Para la descarga se cuenta con cuadrillas cuya capacidad de descarga en lbs por hora es variable y función del tipo de carga.

. La política de la Cia.. ± Si aplicaramos la política de que los camiones deben descargarse el mismo día de su llegada en lugar del día siguiente.50 $/Hr. ‡ Una cuadrilla consta de 3 personas: 1operador de elevador de carga a quien se le paga 4$/Hr y dos obreros a quienes se les paga 2. Nr i 0 1 2 3 4 5 6 7 Fr 5 15 22 22 17 11 5 3 100 Tip Vel . El contrato del sindicato demanda una bonificación del 50% por horas extras fuera de la jornada de trabajo de 8 Hr diarias.Descarga Frec arga Lb/hr x uadrilla A 40 8000 B 35 7000 C 25 5000 UNI-FIIS<Simulación de Sistemas> . y que la tasa media de llegadas sube a 4 Cam/Día Cuántas cuadrillas se requerirán para reducir al mínimo los costos totales de descarga.Modelo Simulación .. es descargar en el día todos los camiones que arribaron el día anterior sin importar los costos de tiempo extra implícitos. ± Con base a una simulación de 10 días determine cuantas cuadrillas se requieren para reducir al mínimo los costos totales de descarga.

Nro Cuadrillas y Costo Total Descarga NO SI Ndias=10 ? UNI-FIIS<Simulación de Sistemas> .Asignar Nro Cuadrillas (NCD) Generar Nro Camiones (NCM) Arriban x Día Modelo Simulación TotCD C6 Generar Tipo Carga x Camión Generar Peso Carga x Camión Definir Plan Trabajo Calcular Costo Descarga (CD) TotCD=TotCD+CD NDias=NDias + 1 C1 C5 C2 C3 NCD 1 2 3 4 5 6 Imprimir x Día Valores Generados y Costo Descarga Imprimir Ndias.

vacio P0 = 1± (P/ ) Porcentaje de Tiempo Ocioso del Servicio 100P0 UNI-FIIS<Simulación de Sistemas> . V = (P/ ) Probabilidad que Stma.Indicadores Iniciales ‡ Nro arribos ~ Poisson (P) o Tpo entre arribos ~ Exponencial (1/P) ‡ Tiempo servicio ~ Exponencial (1/ ) ‡ Por lo tanto : ± ± ± ± Tasa arribo P y tasa de servicio Factor de ocupación del Stma.

Finita(k) P k P s1 s1 s1 ‡ 1cola/MúltiplesServ.(s)Paralelo/Pobl.(s)Paralelo/Pobl.(s)Serie/Pobl.NoFinita P 1 2 s s1 s2 s UNI-FIIS<Simulación de Sistemas> .NoFinita P ‡ 1cola/MúltiplesServ.Finita(k) s2 s s1 s2 s k P ‡ 1cola/MúltiplesServ.Estructuras de los Sistemas de Cola ‡ 1cola/1servidor/Pobl.NoFinita ‡ 1cola/1servidor/Pobl.

.(t] ....... que no llegue ni se vaya nadie en (t Pn(t)[1.Determinación de la Probabilidad de que en el Stma..........P(t][ (t] ...(4) UNI-FIIS<Simulación de Sistemas> . ‡ La probabilidad de que llegue 1usuario en el tiempo (t es igual a P(t ‡ La probabilidad de que 1usuario termine de ser atendido en (t es igual a (t ‡ Para determinar la probabilidad de que existan n usuarios en el tiempo t+ (t........P(t][1.. existan n usuarios ‡ Sea Pn la probabilidad de que existan n usuarios en el sistema al final del tiempo t..(t] .. que no llegue nadie y se vaya 1 en (t Pn+1(t)[1.(3) ± Que existan n+1 usuarios al final del tiempo t. consideramos lo siguiente: ± Que existan n usuarios al final del tiempo t.(2) ± Que existan n-1 usuarios al final del tiempo t.... que llegue 1 y no se vaya nadie en (t Pn-1(t)[P(t][1....... uno de ellos siendo atendido y los otros esperando en cola. que llegue y se vaya 1 en (t Pn(t)[P(t][ (t] .... (1) ± Que existan n usuarios al final del tiempo t.....

..(t] + Pn+1(t)[1......P(t][1. exponencial): Pn (t+(t) . tenemos : Pn (t+(t) ..Pn (t) = PPn-1(t) ± (P+ ) Pn(t) + Pn+1(t) (t ‡ Pero como el tiempo transcurrido desde la ocurrencia del último evento no tiene efecto en el tiempo restante hasta que ocurre el evento siguiente (propiedad ³del olvido´ de la func..Pn (t) = 0 entonces PPn-1 ± (P+ ) Pn + Pn+1 = 0 ‡ Finalmente. ‡ Luego sumando (1)+(2)+(3)+(4) tenemos: Pn (t+(t) = Pn(t)[1....P(t][ (t] 2 ‡ Agrupando términos y eliminando los factores ((t) ...(t] + Pn(t)[P(t][ (t] + Pn-1(t)[P(t][1...P/ )Pn-1 + [ (P+ )/ ]Pn .Continuación .... ( ) UNI-FIIS<Simulación de Sistemas> ... agrupando términos obtenemos : Pn+1 = (..

.Continuación . ( ) De ( ) y ( ) : 2 ± para n=1 P2 = (P/ ) P0 3 ± para n=2 P3 = (P/ ) P0 4 ± Para n=3 P4 = (P/ ) P0 ± generalizando Pn = (P/ ) P0 n ‡ ‡ UNI-FIIS<Simulación de Sistemas> ..P(t][ (t] 2 Agrupando términos. eliminando los factores ((t) y aplicando la propiedad ³del olvido´ tenemos que : ± PP0 + P1 = 0 entonces P1 = (P/ )P0 ... no llega nadie y se va 1 en (t P1 (t)[1... ‡ Similarmente para determinar la probabilidad de que exista un usuario en el sistema : ± No existen usuarios al final del tiempo t y no llega nadie en (t P0 (t)[P(t] ± Existe 1 usuario al final del tiempo t...

..... existan más de N usuarios: P(n>N) = PN+1 +PN+2 +PN+3 +PN+4 ...Probabilidades relevantes ‡ Probabilidad de que en el stma.. ] N+1 N+1 = P0 [ (P/ ) / [1.(P/ ) UNI-FIIS<Simulación de Sistemas> .... N+1 N+2 N+3 = (P/ ) P0 + (P/ ) P0 + (P/ ) P0 + ... N+1 N+2 N+3 = P0 [(P/ ) + (P/ ) + (P/ ) + ....(P/ )] ] luego P(n>N) =(P/ ) Probabilidad de que existan n usuarios en cola : Pn Cola = Pn+1 Stma ‡ P~ Cola = P0 + P1 entonces entonces Pn cola = (P/ ) N+1 ‡ P0 2 Probabilidad de que la cola este vacía : P~ Cola = 1 .....

.. P < Q NEUS ! Q P ‡ Número esperado de usuarios en la cola (NEUC): NEUC = 0P0 +1P2+ 2P3+ 3P4+ 4P5+ 5P6+ .q. P2 NEUC ! Q (Q  P ) s....q.Pi = 0P0 +1P1+ 2P2+ 3P3+ 4P4+ 5P5+ . P < Q UNI-FIIS<Simulación de Sistemas> . P s.Sistema: 1 Cola/1 Servidor/Población No Finita ‡ Número esperado de usuarios en el sistema (NEUS): NEUS = i..

‡ Tiempo esperado de paso de un usuario en cola (TEPUC): TEPUC = (1/ )NEUS P TEPUC ! Q (Q  P ) ‡ Tiempo esperado de paso de un usuario en el sistema (TEPUS): TEPUS = TEPUC + Tpo.Servicio = P/ ( -P) + 1/ 1 TEPUS ! Q P UNI-FIIS<Simulación de Sistemas> .

Costo de Paralización y de Servicio ‡ Costo Total de Paralización : CTP = (TasaArribo)(TpoTurno)(TpoEsperPasoUsuarioStma)(CostoParalizxUnidTpo) CTP = ( ) . ( Tpo ) . ( TEPUS ) . ( CPu ) (cl/ut) ( ut ) ( ut/cl ) ( $/ut ) CT CTAS ‡ Costo Total de Servicio : CTS = (TasaServicio) (TpoTurno)(CostoServicioxUsuario) (cl/ut) (ut) ($/cl) CTS = (TpoTurno)(CostoServxUnidTpo) C0 (ut) ($/ut) CTS ‡ Costo Total de Atención del Sistema CTAS = CTP + CTS 0 CTP UNI-FIIS<Simulación de Sistemas> .

En meses recientes habían ocurrido cierto número de accidentes en ese tramo y que han sido atribuidos al manejo a corta distancia del auto delantero. UNI-FIIS<Simulación de Sistemas> . Si para plena seguridad la distancia entre los autos recomendable debería ser de cuando menos 30 pies. que % de los autos corre a una distancia demasiado corta del delantero. Considere que la cantidad de autos sobre el tramo de la vía en cuestión se ajusta a una distribución de Poisson.Problema de Colas ‡ Fotografías tomadas desde 1 helicóptero mostraron que en promedio había 80 autos circulando en el carril de alta velocidad sobre un tramo de 1 milla de una vía rápida urbana. en ese tramo y sobre ese carril.

(80/5280)d dd = 1 . el 37% de los autos van a una distancia no recomendable.e.37 UNI-FIIS<Simulación de Sistemas> ´ 30 n ~ Poisson (P) d ~ Expon (1/P) Ptto.d2 d1 P = 80 autos/milla 1 milla = 5280 pies di u 30 pies P(d < 30) = 0 (80/5280)e.30/66 = 0. .

Cuanto tiempo tiene que esperar un cliente en la sala de ajustes. Calcular: Número promedio de clientes en la sala de ajustes. Aparentemente el tiempo que se tarda en realizar un ajuste se distribuye exponencialmente con media 2 minutos entre clientes. ‡ ‡ ‡ ‡ ‡ UNI-FIIS<Simulación de Sistemas> . Cuanto tiempo deben esperar los clientes por los servicios del sastre.Problema 2 ‡ El departamento para caballeros de un gran almacén tiene un sastre para ajustar los trajes adquiridos por los clientes. Los ajustes se realizan del tipo primero en llegar primero en ser atendido. Parece que el número de clientes que solicitan ajustes sigue una distribución de Poisson con una tasa media de llegadas de 24 cli/hora. Porcentaje de tiempo que permanece ocioso el sastre. Los clientes siempre desean esperar. Cual es la probabilidad de que un cliente espere los servicios del sastre más de 10 minutos. ya que las modificaciones son gratis.

8 p Q 5 5 ± Número medio de clientes en la sala: 4 p ! 5 ! 4  p 1 4 1 5 ± Tiempo medio de espera en el sistema: 1 1 ! ! 10 1 2 Q P 2 5 ± Factor de ocio = 1 ± Factor de utilización = 0.2 UNI-FIIS<Simulación de Sistemas> .‡ Tiempo medio entre llegadas: ‡ Tiempo medio de servicio: ‡ Factor de utilización u ocupación: P! 24 cli ! 2 hora 5 1 1 ! 2 min   Q ! Q 2 P 22 4 ! ! ™ ! ! 0.

± El 80 % del tiempo. ± probabilidad de que un cliente espere los servicios del sastre más de 10 minutos.29 P (t espera " 10) ! p ™ e 5 ± Tiempo medio de espera en cola: 4 p 5 ! !8  p ) Q (1  4 ) 1 (1 5 2 1 2 UNI-FIIS<Simulación de Sistemas> . el sastre está ocupado. 4 10( 2  5 ) 10 ( Q  P ) ! e ! 0. y el 20% está ocioso.

A los clientes se les atiende siguiendo una política FIFO. UNI-FIIS<Simulación de Sistemas> . Obtener: ‡ ‡ ‡ ‡ Probabilidad de que se cree una cola de espera. y debido al prestigio de la tienda. Longitud media de la cola. Aparentemente el patrón de llegada de los clientes durante los sábados se comporta siguiendo una distribución de Poisson con una tasa promedio de llegadas de 10 personas por hora. los clientes siempre están dispuestos a esperar su turno. Tiempo esperado de permanencia en cola por cliente. 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. Probabilidad de que un cliente permanezca menos de 12 minutos en la tienda.Problema 3 Una carnicería es atendida por el propietario de la misma.

± Probabilidad de 0 clientes en el sistema: P! 10 personas 1 persona 1 ! ! hora 6 min 6 1 1 ! 4 min   Q ! Q 4 1 P 2 ! 6 ! p! 1 Q 3 4 P ( N " 1) ! 1  ( P0  P1 ) 0 ! p 0 (1  p ) ! 1 3 ± Probabilidad de 1 cliente en el sistema: P1 ! p 1 (1  p ) ! 21 2 ! 33 9 ± Probabilidad de más de 1 cliente en el sistema: 1 2 4 P( N " 1) ! 1  (  ) ! 3 9 9 UNI-FIIS<Simulación de Sistemas> .‡ Tiempo medio entre llegadas: ‡ Tiempo medio de servicio: ‡ Factor de utilización: ± Existirá cola cuando en el sistema haya más de 1 cliente.

‡ Longitud media de la cola: 4 p ! ! 3 1  p 1 2 3 2 ( 2 )2 3 ‡ Tiempo medio de espera en cola: 2 p 3 ! !8 (1  p ) Q (1  2 ) 1 3 4 ‡ Probabilidad de que un cliente permanezca menos de 12 minutos en la tienda: (t espera 12) ! 1  (t espera u 12) P(tespera u 12) ! pe 12 ( Q P ) 2 ! e 3 1 1 12 (  ) 4 6 2 1 ! e 3 UNI-FIIS<Simulación de Sistemas> .

en 64 de las veces hay dos o mas clientes.Problema 04 ‡ El empleado de una ventanilla observa que de cada 100 veces que cuenta los clientes frente a el. ± lleguen entre dos(2) y cinco(5) clientes en media hora. Ventanilla P UNI-FIIS<Simulación de Sistemas> . ± transcurra mas de una (1) hora entre el arribo de un cliente y el siguiente. 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.

entonces = 5 cl/hor y P = 4 cl/hor Finalmente : a.. p(2<x<5) = p(x=3) + p(x=4) = (4)3e-4/3! + (4)4e-4/4! c. p(t>2) = 1 - ´ 2 0 (4)e.(8/10) = 1 .p(n>n0) = 64/100 = (P/ )n0+1 ...[1. entonces -P = 1 ««. entonces 1/ ( -P) = 1 media hora/cliente.P) = ½ hora/cliente. entonces p(n> 1) = 64/100 = (P/ )2 .4t dt = 1 .« (1) Luego TEPUS = 1/ ( . p(x=2) = (4)2e-4/2! = 8e-4 b.e-8] = e-8 UNI-FIIS<Simulación de Sistemas> . entonces P/ = 8/10 = 4/5 «. (2) Resolviendo (1) y (2) : .

y en un costo de almacenamiento (Ca) por cada unidad de tiempo que en el almacén se mantiene un determinado inventario. Los tiempos medios entre vaciados y resurtidos son iguales a 1/ y 1/P respectivamente.Problema 5 ‡ El inventario de un almacén se agota y se vuelve a surtir según una distribución de Poisson. Si Ce > Ca. Suponga que por cada unidad de tiempo que el inventario esta vacío se incurre en un costo de escasez (Ce). determine: ± Una expresión para el costo total esperado por unidad de tiempo ± El valor óptimo de V = P / UNI-FIIS<Simulación de Sistemas> .

V)Ce + [V /(1.V)2Ce+ V Ca dV dCTi = Ca .tpo.V)2Ce + V Ca]/(1.Ce = 0 luego (1.V) dCTi = [2(1.P )]Ca = (1.V) +(1.V)2Ce+ V Ca] dV (1.V)(Ce)(-1)+Ca](1.V)2 Ca - Ce para determinar el V óptimo hacemos (1. surtir inventario = 1/P ~ Exp tpo.(1.V) .V)]Ca = [(1.V)2 = (1.V)2 = Ce/Ca dV (1-V)2 UNI-FIIS<Simulación de Sistemas> Ce .V)2Ce dV (1.V)2 dCTi = [-2(1.(-1)[(1.V)2(Ce)+Ca(1.P/ )(Ce) + (NEUS)(Ca) = (1-V)Ce + [P /( .V)2 V = 1 .Ca dCTi = 0 entonces Ca . agotar inventario = 1/ ~ Exp CT inventario = Costo escasez + Costo almacenamiento = P0 * Ce + Inventario*Ca = (1.

según una distribución Exponencial. En promedio llegan 4 pacientes por hora según una distribución de Poisson. UNI-FIIS<Simulación de Sistemas> . Cuantas sillas como mínimo serán necesarias en la sala de espera para que se tenga un 90% de probabilidad o más de que todos los pacientes esperen sentados.Problema 6 ‡ En un consultorio médico los pacientes toman asiento en la sala de espera hasta que les corresponda su turno de atención. y entre cada atención transcurre un tiempo promedio de 12 minutos.

los clientes de deposito arriban en un tiempo promedio de 5 cli/hora y demoran 3 min/cli en realizar su operación como tiempo promedio. UNI-FIIS<Simulación de Sistemas> . Si todas las llegadas se ajustan a una distribución de Poisson y todos los tiempos entre servicios a una distribución exponencial. Los de retiro se ha determinado llegan 12 cli/hora promedio y son atendidos a razón de 2 min/cli promedio.Problema 7 ‡ A un cajero automático llegan 3 tipos diferentes de clientes. Los clientes de consulta llegan en promedio 8 cli/hora y la realizan en un promedio de 1 min/cli . de deposito y de consulta. Clientes de retiro. hallar la probabilidad de que no existan usuarios en cola.

Problema 8 ‡ Los automoviles llegan a una caseta de peaje según una distribución de Poisson con media de 90 autos/hora. Los responsables consideran que la introducción de este mecanismo se justificaría si con el sistema anterior el número promedio de autos que esperan excede a 5 y además el tiempo ocioso de la caseta no deberá ser 10% mayor. ¿Se justifica esta mejora? UNI-FIIS<Simulación de Sistemas> . El tiempo promedio de atención en la caseta es de 38 segundos. Los choferes se quejan por el tiempo de espera y los cobradores están dispuestos a disminuir a 30 segundos el tiempo de atención introduciendo un nuevo mecanismo automático.

Preguntas sobre el sistemas de colas UNI-FIIS<Simulación de Sistemas> .