Escolar Documentos
Profissional Documentos
Cultura Documentos
Indice general
SIMULACION
1 INTRODUCCION
1.1
1.2
3
3
3.1
3.2
3.3
3.4
6
7
8
9
LA VARIABLE ALEATORIA
VARIABLE ALEATORIA DISCRETA
VARIABLE ALEATORIA CONTINUA
GENERADOR DE NMEROS ALEATORIOS
4 ETAPAS DE LA SIMULACION
10
4.1
10
15
5.1
5.2
5.3
15
15
15
EL MTODO DE MONTECARLO
SIMULACIN DE EVENTOS DISCRETOS
MODELOS DE LINEAS DE ESPERA
6 TEORA DE COLAS.
17
6.1
6.2
17
17
7 ETIQUETACION DE MODELOS DE LE _ / _ / _
21
7.1
21
NOTACION DE KENDALL:
23
8.1
8.2
8.3
23
25
27
MODELO M/M/1
MODELO M/M/1/K
MODELO M/M/S
2
8.4
8.5
MODELO M/M/S/K:
MODELO DE UNA LINEA DE ESPERA CON N PROCESOS
28
30
31
9.1
9.2
9.3
9.4
31
31
34
36
38
38
38
39
41
42
44
46
SIMULACION
1
INTRODUCCION
QU ES SIMULACIN?
Simulacin es una palabra que es familiar a los profesionales de todas las disciplinas e
incluso para aqullos que no han estudiado una carrera profesional. De esta manera el
significado de la palabra Simulacin se explica casi por s misma. Entre los significados
que podemos obtener de la gente comn y corriente para la palabra "Simular", se
encuentran los siguientes: "Imitar la realidad", "emular un sistema", "dar la apariencia o
efecto de un sistema o situacin real". Hay muchas definiciones propuestas sobre lo que
significa Simulacin, he aqu algunas definiciones:
"Una simulacin es una imitacin de la operacin de un proceso del mundo real sobre
determinado tiempo"
"El comportamiento de un sistema durante determinado tiempo puede ser estudiado por
medio de un modelo de simulacin. Este modelo usualmente toma su forma a partir de
un conjunto de postulados sobre la operacin del sistema real".
Curso: Simulacion y Modelamiento
4
En la primera definicin, est implcito un sistema, mismo que contiene un proceso
(posiblemente formado por subprocesos). De esta manera se trata de un sistema el cual
cambia con el tiempo. Ntese que en esta definicin no se seala si las relaciones de las
variables del sistema son discretas o continuas, esto depende del modelo que
representar al sistema real. Esta divisin no existe siempre en la realidad, hemos sido
los seres humanos quienes lo hemos dividido (para facilitar su estudio) en discreto y
continuo. Esto pasa con todas las cosas de la naturaleza; est es nica, sin embargo, el
hombre se ha encargado en dividirla en fsica, biologa, matemticas, etc. No importa
como dividamos a la naturaleza esta seguir siendo nica y probablemente indivisible.
Un modelo es una representacin de un objeto de inters. No obstante que el objeto
sea nico, el nmero de representaciones es por lo general muy grande, de modo que el
nmero de modelos de un sistema del mundo real lo es tambin. Puesto que para un
sistema del mundo real habr tantas representaciones como concepciones de la realidad
se tengan, el nmero de modelos es por lo general infinito. El hecho de que se tenga
ms de un modelo de simulacin para un sistema real, no nos debe preocupar
demasiado, encontrar un modelo de simulacin casi siempre es fcil, mientras que
encontrar un modelo analtico con frecuencia es una tarea ardua, independientemente
que, para muchos problemas, un modelo analtico, simplemente no existe.
Obsrvese que en la segunda definicin tambin se hace incapi de un modelo, dejando
entrever la posibilidad de diferentes modelos, lo cual resulta totalmente natural, dada la
multiplicidad de modelos para un mismo objeto del mundo real. Ntese tambin que se
propone un objetivo de la simulacin: "estudiar sistemas reales a travs de modelo".
Podramos agregar aun ms que el propsito de estudiar a los sistemas reales es
comprender la interaccin de los procesos que intervienen en el, con el propsito de
modificarlos para obtener un beneficio determinado. En esta definicin est implcito que:
1) Un modelo de simulacin representa un conjunto de suposiciones (o postulados)
sobre la operacin de un sistema real.
2) Los postulados de un modelo de simulacin se pueden expresar como relaciones
entre entidades u objetos de inters del sistema en forma de expresiones matemticas,
lo que llevara a un modelo analtico.
Afortunadamente, es posible reemplazar esas expresiones matemticas y el clculo de
los valores de las variables de inters, a travs de funciones de distribucin de
probabilidad. Para los problemas de lneas de espera, existen modelos analticos que
pretenden representar los resultados promedio de la utilizacin de dichas funciones de
distribucin de probabilidad. Los Modelos de Markov tambin apuntan en esa direccin.
Los Modelos de simulacin de eventos discretos (o simulacin tipo MonteCarlo),
por el contrario, utilizan estas funciones de distribucin con el propsito de realizar una
experimentacin cuyos resultados llevarn, despus de un nmero conveniente de
ensayos a lo que se obtendra en el sistema real. Estos modelos de simulacin tienen la
ventaja que se pueden para muchos tipos de problemas y no slo para aqullos de
lneas de espera. Existen adems modelos del rea de teora de Control que incorporan
funciones de distribucin de probabilidad y lo que se conoce como estabilidad de
sistemas, referidos recientemente como Teora de Caos que se pueden tambin usar
para una gran variedad de problemas. Los modelos de estabilidad empleados asi son
por lo regular difciles de construir y validar. Por otra parte tambin existen modelos de
optimizacin que utilizan funciones de distribucin y permiten estudiar sistemas del
mundo real de alguna manera; ejemplos de ellos son los modelos de redes neuronales y
5
algoritmos genticos. Otros tcnicas empleadas son Redes de petri y Modelos de
Regresin.
En este curso solamente estudiaremos modelos de lneas de espera y de Markov y,
modelos de Simulacin de eventos discretos tipo Montecarlo. En lo que sigue usaremos
el trmino "Simulacin", para referirnos a "Simulacin de Eventos Discretos". En este
curso usaremos el Trmino "Simulacin", para referirnos a la Simulacin de Eventos
Discretos tipo MonteCarlo.
6
3
En los tres primeros ejemplos, la variable aleatoria X se dice que est uniformemente
distribuida, ya que todos los resultados tienen la misma probabilidad. Sin embargo, en el
ltimo ejemplo, la variable aleatoria X, no est uniformemente distribuida.
El problema crucial de la aplicacin de los mtodos de Montecarlo es hallar los valores
de una variable aleatoria (discreta o continua) con una distribucin de probabilidad dada
por la funcin p(x) a partir de los valores de una variable aleatoria uniformemente
distribuida en el intervalo [0, 1), proporcionada por el ordenador o por una rutina
incorporada al programa.
Para simular un proceso fsico, o hallar la solucin de un problema matemtico es
necesario usar gran cantidad de nmeros aleatorios. El mtodo mecnico de la ruleta
sera muy lento, adems cualquier aparato fsico real genera variables aleatorias cuyas
distribuciones difieren, al menos ligeramente de la distribucin uniforme ideal. Tambin,
se puede hacer uso de tablas de cifras aleatorias uniformemente distribuidas,
comprobadas minuciosamente en base a pruebas estadsticas especiales. Se emplean
solamente cuando los clculos correspondientes a la aplicacin del mtodo de
Montecarlo se realiza a mano, lo que en estos tiempos resulta inimaginable. En la
prctica, resulta ms conveniente emplear los denominados nmeros pseudoaleatorios,
se trata de nmeros que se obtienen a partir de un nmero denominado semilla, y la
aplicacin reiterada de una frmula, obtenindose una secuencia {x0, x1, x2, ... xn} de
nmeros que imitan los valores de una variable uniformemente distribuida en el intervalo
[0, 1).
7
3.2
Variable aleatoria discreta
Para simular la ruleta situada a la derecha de la figura, se procede del siguiente modo:
se hallan las probabilidades de cada resultado, proporcionales al ngulo de cada sector
y se apuntan en la segunda columna, la suma total debe de dar la unidad. En la tercera
columna, se escriben las probabilidades acumuladas.
Resultado
0
1
2
3
Probabilidad
0.25
0.5
0.125
0.125
P. acumulada
0.25
0.75
0.875
1
La tabla describe el sorteo de una variable discreta, siendo?? una variable aleatoria
uniformemente distribuida en el intervalo [0,1).
Condicin
0<=?<0.25
0.25<=?<0.75
0.75<=?<0.875
0.875<=?<1
Resultado
0
1
2
3
Una vez visto un caso particular, el problema general puede formularse del siguiente
modo:
Curso: Simulacion y Modelamiento
Si X es una variable aleatoria discreta cuyos posible resultados son {x0, x1, x2 , ... xn-1} y
sean {p0, p1, p2, ... pn} sus respectivas probabilidades. Al sortear un nmero aleatorio ?,
uniformemente distribuido en el intervalo [0, 1), se obtiene el resultado xi, si se verifica la
siguiente condicin:
(1)
3.3 Variable aleatoria continua
Comprendido el concepto de transformacin de una variable discreta, y el procedimiento
para obtener un resultado cuando se efecta el sorteo de una variable aleatoria
uniformemente distribuida, no reviste dificultad el estudio de la variable continua. Si X es
una variable aleatoria continua, y p(x) es la probabilidad de cada resultado x,
construimos la funcin que se representa en la figura.
(2)
El resultado del sorteo de una variable ? uniformemente distribuida en el intervalo [0 ,1)
se obtiene a partir de la ecuacin.
(3)
Grficamente, se obtiene trazando una recta horizontal de ordenada ?. La abscisa x del
punto de corte con la funcin es el resultado obtenido. En la figura se seala mediante
flechas.
que es una lnea recta, que vale cero cuando x=a, y uno cuando x=b, tal como puede
verse en la figura inferior. Utilizando la frmula (3) de la transformacin de la variable
aleatoria continua y despejando x, se obtiene
10
4
4.1
ETAPAS DE LA SIMULACION
11
Es al menos dos alternativas o polticas planteadas para que el que toma la decisin
tenga la opcin a elegir.
Para obtener una lista de alternativas, se deben de formular y contestar las siguientes
preguntas para cada parte del sistema.
En que medida afectan la eficacia del sistema hacer ciertos cambios, en el personal,
equipo, operaciones, mquinas, materiales, ..., en relacin con los objetivos sealados?
Una vez especificados las acciones y reacciones posibles, est concluda la
Identificacin de los Componentes del Sistema, y se pasar a la Transformacin del
Problema de la Toma de Decisiones, a un Problema de Investigacin de Operaciones,
que segn Churchman, Ackoff, Arnoff, implica las siguientes etapas:
La seleccin de la lista de objetivos obtenidos en la formulacin del problema.
b) La seleccin de la lista de posibles cursos de accin alternativos.
c) La definicin de la medida de rendimiento que va a utilizarse.
II. CONSTRUCCIN DEL MODELO MATEMTICO QUE REPRESENTA AL SISTEMA
EN ESTUDIO.
La representacin de algn objeto que est sujeto a estudio (acontecimientos, procesos,
sistemas) es llamado Modelo Cientfico, que tiende a ser de carcter explicativo y es
utilizado con fines de prediccin y control.
La primera fase de la construccin del modelo donde son expuestas las medidas
alternativas a evaluar y la definicin de la medida de rendimiento, luego entonces el
rendimiento del sistema estar en funcin de los valores de las variables.
Estas variables pueden cambiarse por las decisiones de los directivos; pero otras no. O
sea, las primeras sern variables controlables y la siguientes, no controlables.
Los valores de las variables controlables se utilizan para definir los cursos de accin
posible
Resultado
12
Ya teniendo la lista que completan los componentes del sistema, lo siguiente es
identificar cuales de ellos deben tomarse en cuenta, y ver si hay alguno en relacin a
otro ( o en funcin de otro) o si el curso de accin es totalmente independiente.
Se tendr que averiguar por que el sistema funciona en la forma en la que lo hace, qu
factores producen los efectos que han sido observados?, de qu manera se pueden
manipular para que se produzcan los efectos deseados?
Combinacin y divisin de los componentes.
Para su buen manejo resulta conveniente agrupar ciertos componentes del sistema . La
combinacin de stos pueden dar origen a otro diferente.
Smbolos de sustitucin.
En la lista modificada ser necesario determinar si el componente tiene un valor fijo o
variable, se deber buscar los aspectos del sistema que estn afectando al componente
variable. Se asignarn a los componentes variables un smbolo para cada
subcomponente.
Construccin del modelo matemtico.
Dependiendo de la definicin del problema el equipo de Investigacin de Operaciones de
O decidir sobre el modelo ms adecuado que representar al sistema, el cual
especificar las expresiones cuantitativas para el objetivo y sus restricciones, todo en
funcin de las variables de decisin.
DERIVACIN DE LA SOLUCIN A PARTIR DEL MODELO MATEMTICO.
Segn Prawda, resolver un modelo consiste en encontrar los valores de las variables
dependientes y las no dependientes, asociadas a los componentes controlables del
sistema con el fin de optimizar, si no es posible, mejorar la eficiencia del sistema dentro
del marco de referencia que fijan los objetivos establecidos por el grupo de toma de
decisiones.
Los mtodos de solucin son:
1. Mtodo Analtico.
2. Mtodo Numrico.
3. Mtodo de Simulacin.
1.- EL MTODO ANALTICO, hace el anlisis matemtico clsico, es utilizado para
obtener soluciones en forma deductiva, (llamadas tambin soluciones analticas), o sea,
que parte de lo general a lo particular.
2.- EL MTODO NUMRICO, se aplica cuando la solucin no es posible obtenerla de
manera deductiva, se utilizar, el anlisis numrico, (Iterativo) o solucin numrica en
forma inductiva, que va de lo particular a lo general. La solucin de tipo iterativo se
aproxima a la solucin ptima con un margen de error permitido, basado en una serie de
pruebas sobre la misma lgica de solucin, en relacin a resultados de una prueba
anterior.
3.- Existen los MTODOS DE SIMULACIN, que son los que imitan al sistema real, es
muy til en la solucin de problemas complejos, de riesgo y bajo incertidumbre.
Curso: Simulacion y Modelamiento
13
La Tcnica de Montecarlo, es un mtodo de solucin que utiliza los problemas
probabilsticos de simulacin. Esta tcnica es utilizada donde no se puede hacer uso de
los mtodos de solucin numrica o de solucin analtica, ya que se generan nmeros
aleatorios para obtener valores mustrales en base a una distribucin de probabilidad.
La Teora de Juegos, es un sistema donde existen varios grupos de decisin que
reaccionan entre s.
Existen Lenguajes de Programacin para la Simulacin, como: DYNAMO, FORTRAN,
GPSS, SIMSCRIPT, etc.
IV. COMPROBACIN DEL MODELO Y DE LA SOLUCIN.
El modelo debe probar su validez, antes de ser implantado, observando si los resultados
predicen o no, con cierta aproximacin o exactitud, los efectos en relacin a las
diferentes alternativas de solucin.
Si los resultados del modelo, se alejan bastante de los resultados reales del sistema, se
debe tomar en cuenta lo siguiente:
Determinar si el modelo seala el rendimiento del sistema segn una o ms
variables que afectan a dicho rendimiento.
Corroborar si el modelo no ha omitido alguna variable que tenga efecto
importante en el rendimiento del sistema.
Comprobar si el modelo expresa realmente la relacin real existente entre la
medida de rendimiento y la variables
- Verificar si los parmetros includos en el modelo no estn siendo evaluados
adecuadamente.
Para comprobar la solucin del modelo, deber recopilarse la informacin, con el fin de
hacer las pruebas necesarias y hacer la verificacin segn los siguientes pasos:
a) Definir cientficamente (incluyendo la medida de rendimiento)
b) Llevar a cabo el muestreo (incluyendo el diseo de experimentos)
c) Reducir el nmero de datos.
d) Utilizar los datos en la prueba de hiptesis
e) Evaluar los resultados.
Si estos pasos son llevados a cabo recurrentemente cada vez que obtienen resultados
del modelo y les son presentados al grupo de toma de decisiones, se empieza a ejecutar
un procedimiento sistemtico de control que depura y ajusta al mismo, con la realidad.
V. ESTABLECIMIENTO DE LOS CONTROLES Y APLICACIN DE LA SOLUCIN.
Los sistemas no suelen ser estables y su estructura est sujeta a cambios, que pueden
ser cambios entre las variables que definen al propio sistema , o pueden ser cambios
entre los valores de las variables del sistema.
El objetivo del establecimiento de controles, es para que no se pierda la efectividad del
modelo matemtico debido a cambios en los parmetros y la eficacia de la solucin
puede verse disminuda en consecuencia a:
- cambio de los valores
- cambio de la relacin entre ellos
- cambio en ambos factores.
En consecuencia, un parmetro que no era significativo puede llegar a serlo o puede
dejar de serlo, o tal vez, cambiar su grado de importancia.
El diseo de un sistema de control deber tomar en cuenta lo siguiente:
1. Enumeracin de las variables y la relacin entre ellas, y la manera en que afecta a la
solucin el cambio de los valores.
14
2. Elaboracin de un procedimiento para detectar los cambios importantes entre los
parmetros (variables) y las relaciones,
3. Especificacin de la accin que deber tomarse o los ajustes que deben llevarse a
cabo en el momento de ocurrir un cambio importante.
Los parmetros enumerados pueden ser clasificados como:
a)Valores que se conocen de antemano durante el perodo correspondiente a una
decisin.
Como por ejemplo: nmero de das de trabajo, precio de ventas de un artculo,...
b)Medidas cuyos valores no se conocen de antemano.
P. ejemplo:La cantidad de producto defectuosa, la utilidad anual de la empresa, ...
La participacin entre los investigadores de operaciones y el personal de operacin, cuyo
trabajo en conjunto, permitir desarrollar exitosamente el plan de implantacin.
Ya que ninguna consideracin prctica se dejar de analizar, y de esta manera podrn
verificarse las modificaciones o ajustes posibles al sistema
15
5
5.1
EL MTODO DE MONTECARLO
6
El mtodo de Montecarlo consiste en tomar una solucin vlida, provocar una pequea
variacin aleatoria y, si la nueva configuracin es mejor que la anterior y cumple las
restricciones, nos quedamos con la nueva; si no, nos quedamos con la antigua. Este
metodo planteado de esta forma no convege -aunque llege a un mnimo, sigue
operando-. Para que converja, se va haciendo cada vez ms pequea la variacin
aleatoria. El metodo de Montecarlo puede ni converger en un mnimo, pero el coste es
razonable y puede ser aceptado para problemas de mucha complejidad. Otra
optimizacin tradicional es provocar la variacin aleatoria de forma que la nueva
configuracin ya sea vlida, mas esto no siempre es posible.
6.1
6.2
Los profesionales que tpicamente enfrentan estos problemas son, los ingenieros de
sistemas, industriales, de sistemas computacionales y de informtica; sin embargo, estos
son problemas afectan todos los sectores productivos, de manera que las LE's tienen un
gran potencial de aplicacin.
Existen bsicamente dos maneras de abordar un problema de LE:
Usando modelos matemticos obtenidos ex profeso para ciertos tipos de LEs que se
presentan con frecuencia y
16
El primer caso consiste bsicamente de un conjunto de frmulas que se aplican para
ciertas caractersticas de un sistema de espera particular. Cuando se utiliza el trmino
"modelo de lneas de espera", con frecuencia se entiende (correcta o incorrectamente)
que se trata de este primer caso. Los modelos de lneas de espera tienen las
siguientes caractersticas que los hacen atractivos:
17
7
TEORA DE COLAS.
7.1
N( t )
t
t
a lim
7.2
Los modelos de Lneas de Espera (LE), se derivan generalmente a partir de los procesos
de Nacimiento y Muerte, los cuales son procesos de Markov con "Entradas Poisson y
Tiempos de Servicio Exponencial". Esto significa que la situacin de espera en la cual el
nmero de llegadas y salidas del sistema, durante un intervalo de tiempo, esta
controlado por las siguientes condiciones:
La Probabilidad de que un evento (es decir llegada o salida) ocurra entre los
instantes de tiempo t y t+h, depende nicamente de la longitud del intervalo de
tiempo entre esos dos instantes, esto es depende solamente de h. Esto quiere decir
que la probabilidad de ocurrencia de un evento durante el intervalo t y t+h no
depende del nmero de eventos ocurridos antes de t ni tampoco del valor de t.
Si h es intervalo de tiempo muy pequeo, la probabilidad de que ocurra un evento
durante ese intervalo nunca es mayor que la unidad y siempre es positiva.
Durante el intervalo h solo puede ocurrir un evento, es decir lo que puede variar es la
probabilidad de que ocurra un evento durante ese intervalo.
18
registrar el nmero de eventos que ocurren cada h unidades de tiempo; acto seguido se
calcula la media y la desviacin estndar, s estas son aproximadamente iguales,
entonces se dice que el nmero de ocurrencias sigue una distribucin de Poisson. Si un
proceso es Poisson, entonces las probabilidad del tiempo entre ocurrencias de eventos
es exponencial.
Un sistema de nacimiento y muerte, se puede representar como sigue:
1
2
n-2
3
n-1
n+1
Despejes de Pi en trminos de P0
P1= (0/1)P0
P2= (10/21)P0
P3= (210/321)P0
.
..
n-1
Pn=(n-1n-2..0/nn-1..1)P0
Utilizamos ahora:
Cn = ( n-1 n-2 .0) / {n n-1.1}
..(1)
19
Pn = Cn P0 (2)
Podemos generar un sistema de ecuaciones para determinar P0,P1,Pn; sin embargo,
recuerda que una de las ecuaciones (2) es redundante y debe se reemplazada por:
Pn
0
=1
o bien
P0 + Pn = 1
1
.(3)
Esto se consigue haciendo variar n desde 1 hasta infinito. Significa que la ecuacin (2)
con la (3) formar un sistema consistente.
Sustituyendo (2) en (3)
P0 + CnP0
1
Entonces P0 es igual a:
1
P0 = --------------------
1 + Cn
1
=1
(4)
La ecuacin (4) converge si Cn < 1, esto es un resultado que resulta del rea de Series y
Sucesiones, y que se estudia normalmente en los cursos elementales de Clculo
Diferencial e Integral, lgebra o Matemticas Discretas.
Note que se puede calcular P0 de la ecuacin (4) ya que las tasas de llegadas y de
servicios son por lo regular conocidas. Ntese tambin que con la ecuacin (2) podemos
calcular todas las Pi's, puesto que P0 es ahora conocida.
Recordamos el concepto de valor esperado de una variable aleatoria xi, que se define
como:
Xi Pi
0
Entonces el nmero esperado de clientes en el sistema L y el nmero esperado de
clientes en la lnea de espera Lq es:
Ahora vamos a definir los siguientes valores esperados:
20
L=
Lq =
n Pn
0
(n-s) Pn
n=s
21
8
ETIQUETACION DE MODELOS DE LE _ / _ / _
Distribucin
Del tiempo
Entre
Llegadas
Distribucin
Del tiempo
de
servicio
Nmero de servidores
Ek = Distribucin Erlang
8.1
NOTACION DE KENDALL:
b) A/B/S/Z/m/K
Es una notacin extendida de la anterior (es decir el caso anterior es un caso particular)
donde:
A= Distribucin del tiempo entre llegadas B= Distribucin del tiempo de servicio
S= Nmero de servidores
K=Nmero de clientes potenciales en el sistema o tamao de la fuente
(Capacidad del sistema)
m= Nmero de clientes en el sistema
A y B pueden ser:
GI = Distribucin general independiente
G = Distribucin general
Ek =Distribucin Erlang
M = Distribucin Exponencial (Markoviana)
D = Distribucin degenerada o determinstica (tiempos constantes)
Hk = Distribucin Hiperexponencial con k etapas
Los otros ndices de la notacin de Kendall pueden ser:
22
K: Puede ser Finita infinita
m: Puede ser Finito infinito
Z: Puede ser FIFO, LIFO, etc.
Es comn usar la notacin de Kendall simplificada A/B/S, cuando:
La LE es infinita
La fuente es infinita
La disciplina es FIFO
23
9
9.1
MODELO M/M/1
W=
-
L=
1-
(3)
Ademas:
Probabilidad en ser atendido en "t" unidades de tiempo
W(t) = e-t/w
Probabilidad de estar "t" unidades de tiempo en la cola
Wq(t) =e-t/w
Pn = n(1 - )
= (1 - Pn) ........................promedio de clientes no llegados
Lq = L - /
Wq = Lq /
Ejemplo:
24
Un vigilante atiende a los visitantes, los cuales van llegando a razn de 16 por
hora, el vigilante atiende a razn de 20 clientes por hora, se pide:
a) Longitud promedio de la cola del sistema.
b) El tiempo total que demora cada cliente desde que llega hasta que salede la cola.
c) El tiempo que demora en la cola.
Solucin
Datos:
= 16 clientes/hora
= 20 clientes/hora
Aplicando (1)
=
16 =
20
4
5
a) Aplicando (3)
L=
4/5 = 4 clientes
1 - 4/5
a) Aplicando (2)
W=
1
=
20 - 16
25
9.2
MODELO M/M/1/K
Similar a la anterior pero con una longitud limite "K" para la cola
=
Pn
Para n = 0, 1, 2,..........K-1
Para n = K, K+1, .........
n(1 - )
1 - K+1
K
2
( 1)
.......1a
( = 1)
........1b
Longitud de la cola:
L=
1-
K
2
(K+1)k+1
1 - K+1
( 1)
..........2a
( = 1)
..........2b
Ejemplo:
En una estacin de servicio se cuenta con solo un grifo para la atencin. Los clientes
llegan en un proceso de poisson a razn de 10 vehculos por hora mientras que son
atendidos bajo un proceso exponencial con una media de 3 minutos, adems se sabe
que la venta promedio es de 18 dollares. Debido a que la estacin es pequea, solo
puede mantener 4 autos en espera, si llegan mas cuando esta llena debe buscar otro
grifo. Determinar:
a) El numero promedio de vehculos en la cola.
b) El tiempo que los clientes deben esperar para esperar la atencion.
c) Las perdidas por la no atencin de clientes.
Solucin:
Datos:
= 10 clientes/hora
= 3 minutos o 20 clientes/hora
k=4
=
a) Se utilizara 2a para el calculo de "L":
10 =
20
1
2
26
L=
L=
1/2
1 - 1/2
(4+1)(1/2) 4+1
1 - (1/2) 4+1
L=
(5)(1/2) 5
1 - (1/2) 5
L=
(5)(1/2) 5
1 - (1/2) 5
5/32
31/32
0.16 autos
b)
Pk=
(1/2)4(1-1/3)
1 - (1/2)5
0.0322
= (1-Pk)
= 10 (1-0.0322) = 9.678
L=
(1/2)
1 - (1/2)
(4+1)(1/2)4+1 =
1-(1/2)4+1
0.839
27
Examen Parcial
9.3
MODELO M/M/S
Po=
n0
ns
n=s-1
n0
-1
s!(1 - /s)
n!
n=0
nPo
Pn=
(n/n!)Po
,,,,,,,n s
(n/s!s sn-s)Po
......n s
n!n
n
s!s n-s
Lq=
s+1
(s+1)!(s-)2
Po
28
Wq = Lq/
W = Wq + 1/
Ejemplo:
En una empresa se tiene 2 vendedores de mostrador los cuales atienden a razn de 15
clientes por hora. Los vendedores atienden es de 3 minutos por cliente. Se pide calcular
la probabilidad de que haya 3 clientes en espera de ser atendidos.
Solucin:
S=2
n=3
=
= 3 minutos o 20 clientes por hora
= 3/4
Po = (3/4)0/0! + (3/4)2 /(2!(1-(3/4)/2)) + (3/4)1 / 1! + (3/4)2/(2!(1-(3/4)/2) -1
Po = (53/20) -1
Po = 20/53
P3 = ((3/4)3/2!*2 3-2)*(20/53) = 0.397
9.3.1.1
9.4
MODELO M/M/S/K:
n=
n = 0,1,2,3, ........k1
n = k, k+1, k+2, ....
n = 0,1,2,3, ........k-1
Po =
sss+1
(1-k-s)
(s)n -1
29
n!
s!(1-)
n=0
sss+1
(1-k-s)
(s)n -1
=1
n!
s!(1-)
n=0
Pn =
Po
(s)n
n=1, 2, 3, ,,,,,s
n!
(1-k-s)
s!(1-)
0
Lq=
(1-k+s-(1-)(k-s) k+s)Po
s!(1-)2
Wq = Lq/
Problema:
En un taller de mecanica existen 4 mecanicos que atienden a los los clientes. El taller
solo cuenta con espacio para 3 automoviles en espera. Los clientes llegan en promedio
de 15 por hora bajo una tendencia de poison y son atendidos con una media de 12
minutos por auto bajo una tendencia exponencial, se pide:
a)
Promedio de clientes en cualquier momento.
a) Promedio de autos que se retiran si no hallan espacio
Solucion:
S=4
K=7
= 15 autos hora
= 60/12 = 5 autos por hora
= 15/4*5 = 3/4
Po = 44(3/4)4+1(1-(3/4)7-4)/4!(1-3/4)+1/0!+(4(3/4)) 1/(2!)+(4(3/4))2/(2!)+(4(3/4))3/(3!)
+(4(3/4))4/(4!))-1
Po = 0.04498
Curso: Simulacion y Modelamiento
30
P7 = 44(3/4)7(0.04498)/4! = 0.06404
= (1-P7) = 15(1 - 0.06404) = 14.0394
Lq = 44(3/4)5*(1-(3/4))7-4-(1-3/4)(7-4)(3/4)7-4)(0.04498)/(4!(1-(3/4))2)
Lq =0.4767
Wq = 0.4767/14.0394 = 0.03395
W =Wq+1/ =0.03395+1/5 = 0.2339
L = *W = 14.0394*0.2339 = 3.2846
b) - = 15 -14.0394 = 0.9606 autos.
9.5
Cola 1
Cola 2
Cola 3
31
Practica dirigida
Practica calificada
32
causales, por varias razones que no se indicarn aqu. Los diagramas causales sirven
para hacer un bosquejo de todos los elementos de una problemtica sin entrar en los
detalles matemticos del posible modelo. Para obtener un diagrama causal de un
problema hay que considerar los siguientes aspectos:
1. Pensar en trminos de relaciones causa efecto.
Si se tienen dos variables A, B y si A es capaz de influenciar a B,
se representa la relacin de la siguiente manera:
33
34
Si el nmero de relaciones negativas fuese impar, se tienen bucles
de retroalimentacin negativa, los cuales tienden a
autorregularse: si la variable C afecta a la variable A
negativamente,
35
Por ejemplo, supngase que en una ciudad existen 3000 habitantes que la tasa anual de
natalidad es del 10% de la poblacin y la mortalidad del 2% anual. Si se quiere
representar lo que ocurrira en la ciudad al cabo de diez aos, es necesaria una variable
que refleje los cambios en el transcurso del tiempo: un acumulador denominado
"Poblacin". La tasa de natalidad incrementa anualmente el nivel "Poblacin", es decir,
incrementa el material contenido en el acumulador (en este caso personas); por ello se
debe reflejar un flujo de personas que entra al nivel:
Resumiendo, las variables que acumulan (que se llaman niveles o "stocks") representan
la acumulacin de distintas entidades del sistema, tales como cantidad de empleados,
kilogramos de trigo, pedidos no cubiertos, artculos en inventario, etc. Mientras que las
tasas son las variables que determinan las variaciones en los niveles del sistema.
Adems de los dos smbolos vistos arriba para las tasas (smbolo de una vlvola) y los
niveles (smbolos de un rectngulo), en la dinmica de sistemas se usan tambin los
siguientes smbolos:
36
haber colocado:
37
donde N(t) es el valor del nivel en el instante de tiempo t y N(o) es el valor inicial del
nivel. Se puede ver facilmente que esta ecuacin es una ecuacin diferencial (derivada
de N es igual a las diferencias de las tasas).
Esa ecuacin se puede escribir, de forma aproximada, empleando el mtodo de Euler de
integracin numrica:
38
11 PLICACIN DE LA DINMICA DE SISTEMAS A LA PLANIFICACIN
URBANSTICA EN UNA MUNICIPALIDAD
11.1 INTRODUCCION Y OBJETIVOS.
La mejora en la planificacin urbanstica de una municipalidad debe constituir uno de los
pilares ms importantes de su poltica municipal. En dicha planificacin influyen variables
de diversa naturaleza, demogrficas, econmicas, de construccin, etc., muchas de las
cuales estn interrelacionadas con bucles de realimentacin. En general, el sistema
urbano posee mucha inercia y los tiempos de respuesta a las medidas urbansticas son
lentos. De ah, que resultara interesante para los responsables de la planificacin
urbanstica en una municipalidad, disponer de una herramienta que les permitiera simular
y obtener "grosso modo" cual sera el comportamiento de las variables de su sistema
urbano, ante diferentes hiptesis y escenarios de previsin. De esa forma, podran
tomarse decisiones ms consistentes, con menor riesgo y con suficiente adelanto, sobre
la respuesta del municipio ante las necesidades futuras que pudieran ocasionar
crecimientos de la poblacin del mismo, por ejemplo, en materia de viviendas, suministro
de agua, saneamiento, infraestructura, etc.
En este contexto, el objetivo que se pretende es el de disear y construir, empleando
Dinmica de Sistemas, un modelo matemtico representativo de la Dinmica Urbana de
la poblacin en una municipalidad genrico. Una vez dise ado, para validar su
funcionamiento correcto, se aplicar a Lepe y Cartaya, dos de los municipios ms
importantes de la costa oriental de Huelva. En el modelo se abordan, entre otros, los
problemas derivados de la variacin de la poblacin y de la evolucin del nmero de
viviendas, en funcin de la superficie disponible y de la capacidad econmica del
municipio. Este problema, ya clsico en la literatura sobre Dinmica de Sistemas, ha sido
estudiado anteriormente con diferentes perspectivas por varios autores (Forrester, 1969;
Aracil y Bueno, 1976; Alfeld y Graham, 1976; Aracil, 1986; Aracil y Toro, 1993).
Para su descripcin, se ha dividido al modelo en tres partes: poblacin, construccin y
actividad econmica. Inicialmente, se describirn las relaciones de influencia del
submodelo de poblacin, por ser el que sirve de base para las decisiones de
planificacin urbana. Partiendo de ste, se abordar la parte del modelo dedicada a la
construccin de viviendas, es decir, a la evolucin del nmero de viviendas en funcin de
la poblacin demandante de viviendas, de su renta y de la superficie urbanizable
disponible. Asmismo, se expondr el submodelo de actividad econmica en el municipio,
que influye y es influido por el resto del sistema. Seguidamente, se analizarn los
principales bucles de realimentacin del sistema y se presentarn algunas simulaciones
del modelo para comprobar su correcto funcionamiento bajo distintas hiptesis.
Finalmente, se muestran el diagrama de Forrester del modelo completo, las referencias
bibliograficas, y las fuentes y centros de informacin utilizados.
39
de inicio del periodo en estudio. Obviamente, en cada intervalo de simulacin, la
poblacin del municipio aumentar con los Nacimientos y las Inmigraciones y
disminuir con las Muertes y las Emigraciones. En cuanto al nmero de emigraciones,
se ha supuesto que puede tener dos orgenes: por un lado, un porcentaje (Tasa emig
por efec paro) de los habitantes del municipio que se encuentren en situacin de
desempleo (representados por la variable N de parados) y que se ven obligados a
emigrar; por otro, la emigracin de empadronados en el municipio (Pob sin efecto de
paro), debida a cualquier otra causa distinta del desempleo (Tasa emig sin efec p).
40
La poblacin demandante de vivienda (Pob dem de viv) puede tener dos orgenes. La
mayor parte provendr de las parejas del municipio que desean formar una familia y
contraen matrimonio civil o religioso (N matrimonios dem viv), pero tambin existir
otra fraccin mucho menor (Tasa mej) procedente de la poblacin del municipio que no
contrae matrimonio (Poblacin menos nmero de matrimonios), pero que tambin
demanda viviendas por haber aumentado el nmero de sus miembros o bien por mejorar
su situacin econmica particular y que denominamos (Dif pob matr). El precio medio de
la vivienda (Precio med viv), se ha supuesto que depende de la superficie media de la
vivienda (Sup med viv), y del precio del metro cuadrado construido (Prec m 2 viv). La
Renta familiar media se obtiene multiplicando el nmero medio de personas que
trabajan por familia (N med pers trab por famil) por el nivel salarial mensual medio
(Nivel salar men) de los adquirentes de vivienda. El tipo de inters de los prestamos
hipotecarios a particulares (Int1), se ha considerado como variable exgena al sistema.
La variable Plus viv cons se ha hecho depender de la superficie disponible para
construir (Sup urbanizable), de la superficie la vivienda media en el municipio (Sup med
viv) y de un factor de inversin (F inver emp constr), integrante del submodelo de
Actividad Econmica, estimado por los constructores, para determinar el nmero de
viviendas a construir. A su vez, dicho factor depender del tipo de inters establecido
para prstamos a constructores (Int2), de las viviendas construidas en aos anteriores al
ao en estudio y que an no se han vendido (Viv c n vend), de la demanda de vivendas
(Demanda viv) y del precio medio del m2 de terreno (Precio m2 terreno).
Pasando a describir la problemtica de la gestin del suelo, el suelo residencial (S
residen) comprende la superficie ocupada por las viviendas existentes, las zonas verdes
(parques, jardines y reas de juego) y los centros pblicos (de enseanza, de salud,
deportivos, comerciales y asistenciales). En las normas urbansticas, las proporciones de
zonas verdes (P zv) y de zonas para uso pblico (P cp) suelen venir expresadas como
porcentajes de la superficie construida. El suelo urbano (S urb) comprende
fundamentalmente adems del suelo residencial (S residencial), el suelo dedicado a
construcciones para la actividad industrial (S ind). El suelo urbanizable (S urbanizable)
es la parte de suelo que por sus caractersticas se considera apto para ser urbanizado.
La cantidad de suelo residencial (S residencial), se ha hecho depender del
nmero de viviendas del municipio (N de viv), de la superficie media de las viviendas
(Sup med viv), del porcentaje de zonas verdes (P zv) y del suelo que deba destinarse a
uso pblico (P cp). La suma del suelo residencial y del suelo industrial da el suelo
urbano. Por ltimo, la disponibilidad de suelo urbanizable se obtiene como diferencia
entre la superficie total (Sup total) y la suma de suelo urbano (S urb) y no urbano (S no
urb) del municipio. La mayora de las variables Aux i en las ecuaciones surgen como
consecuencia de incongruencia en las unidades al realizar las simulaciones.
41
42
43
44
11.6 ESTUDIO DEL COMPORTAMIENTO DEL MODELO BAJO DIFERENTES
HIPTESIS.
Construido el modelo, ha de realizarse una evaluacin del mismo mediante simulaciones,
comprobando la consistencia de las hiptesis en las que se ha basado su construccin,
realizando su "anlisis de sensibilidad" y estudiando su comportamiento ante distintas
polticas alternativas (Aracil, 1986).
Se trata de determinar si los resultados obtenidos mediante simulaciones se
corresponden, con suficiente aproximacin, con los datos reales del sistema modelado.
Realmente, dadas las simplificaciones introducidas en el modelo, no es posible
reproducir con exactitud milimtrica su comportamiento (sera preciso disear un modelo
mucho ms complejo que el expuesto). Adems, aunque la mayora de los parmetros
del modelo son datos reales contrastables obtenidos de organismos de estadstica
pblicos, existen unos pocos parmetros que han sido estimados basndose en la
opinin de constructores y funcionarios de las municipalidadess estudiados. Un anlisis
detallado de un gran nmero de simulaciones, demuestra que los resultados obtenidos
se aproximan bastante a los datos reales del modelo, lo cual confirma la validez del
mismo. Dentro de los muchos escenarios que se pudieran plantear, por razones de
espacio, hemos seleccionado tan slo uno, para ilustrar brevemente algunas de las
posibilidades del modelo.
Escenario 1, municipio de Lepe, perodo 1992 a 1998 (Inicial): Los valores de partida de
esta simulacin se han tomado de los datos reales de Lepe para 1992. As, se parte de
una poblacin inicial de 16784 habitantes y de 9342 viviendas correspondientes al 31 de
Diciembre del 1991 y de una superficie total de 13402.5 hectreas. Los parmetros
iniciales tienen los siguientes valores: tasa de nacimientos 0.0122, tasa de muertes
0.0069, tasa de emigracin sin efecto del paro 0.00607, tasa de inmigracin 0.0098, tasa
de matrimonios 0.006, tasa de derrumbamiento 0.0004, etc. Se trata de estimar cual
sera la poblacin para 1998, en la hiptesis de haberse mantenido constantes tales
parmetros durante los cinco aos.
En tales circunstancias, la figura 6 muestra la evolucin de la poblacin, de los
nacimientos y de las muertes para dicho periodo. El crecimiento de la poblacin se
explica porque la diferencia entre las tasas de nacimiento y de muerte es superior a la
existente entre emigraciones e inmigraciones. Anlogamente, en la figura 7 se aprecia
como tambin el nmero de viviendas de Lepe crece paralelamente a su poblacin, con
un flujo de construcciones superior al de derrumbamientos como se puede apreciar en
los datos numricos del eje de ordenadas.
45
Hiptesis 2: Partiendo del mismo escenario inicial, supongamos una mejora general de
la economa que afecte a los sectores ms importantes del municipio (agricultura y
turismo), ocasionando un aumento relativo en el nivel salarial mensual medio de los
habitantes de Lepe en un 4% y que aumente tambin la tasa de matrimonios un 20%;
mientras que el resto de los parmetros permanecen constantes.
46
11.7 CONCLUSIONES
Aunque el modelo expuesto adolezca de ciertas simplificaciones, lo cierto es que
describe los aspectos ms importantes, as como las relaciones entre las principales
variables integrantes del sistema urbano en un municipio cualquiera. Debido a ello,
permitira obtener de forma bastante aproximada la evolucin de las variables de estado
del sistema ante diferentes hiptesis y escenarios de previsin alternativos. De esa
forma, permitira a lo responsables de la planificacin urbanstica de una municipalidad
tomar decisiones ms consistentes, con menor riesgo y con suficiente adelanto, sobre la
respuesta del municipio ante las necesidades futuras que pudieran ocasionar
crecimientos de la poblacin del mismo, por ejemplo, en materia de viviendas, suministro
de agua, saneamiento, infraestructura, etc.
47
Examen Final