Unidad 1 - Introduccion A Simulacion 2019 PDF

Unidad I
Introducción a Simulación
Dr. Marvin Sánchez Garache
Ph.D. in Radio Communication Systems
Programa de Investigacion TIC
Facultad de Electrotecnia y Computación
Universidad Nacional de Ingeniería
E-mail: msgarache@Hotmail.com
http://mgticm2017.uni.edu.ni/
© Dr. M . S. Garache
Contenido del curso
1. Introducción
2. Números Aleatorios y Simulación Monte Carlo
3. Generación de Variables Aleatorias Discretas
4. Generación de Variables aleatorias continuas
5. Simulación a través de eventos discretos
6. Análisis de resultados de la simulación
7. Técnicas de validación (Prueba de hipótesis)
8. Cadenas de Markov y Simulated Annealing
© Dr. M . S. Garache, 2
Tópicos en este capítulo
• Generalidades
• Terminología
• Ventajas y desventajas de simulación
• Tipos de simulación
• Opciones de software
• ¿Cómo y cuando utilizar simulación?
The Engineer: A Problem
Solver
Reality
Tools Simplification
• Mathematics • Model
• Physics
• Probability theory
Model: Abstraction of
Reality
The Resistor
R = V/I
Measurement number
Models
Deterministic models
• R = V/I
• R = V/I + f(T)
• R = V/I + f(T) + g(production)
• …
• Increasing complexity to describe behavior
Stochastic model (=probability model)

• R = V/I + N
N is an unpredictable (random, stochastic)
component
Que es simulación?
• Simulación
– métodos y aplicaciones para imitar un sistema
real, usualmente vía una computadora.
– Proceso de diseño de un modelo de un sistema

real y realizar experimentos con este modelo
con el propósito de entender el comportamiento
del sistema y/o evaluar varias estrategias para
la operación del sistema. [R. E. Shannon, “Introduction to
the Art and Science of Simulation”. Porceedings of the 1998 Winter
Simulation Conference]
Que es Simulación?
Frontera del sistema
Entrada exógena Sistema bajo estudio

al sistema (reglas deterministas Mundo “real”
(el ambiente) gobiernan comportamiento)
observador
Frontera del programa

Entrada seudo-aleatoria Programa de comput.
Imita reglas
al sistema
deterministas del sistema Mundo “simulado”
(Ambiente modelado)
observador
¿Porqué y cuando usar Simulación?
• Objetivo: optimizar parámetros de operación de

sistemas y estudiar su desempeño.
• Sistema real no existente, es complejo/caro o

peligroso (e.g. simulación espacial, simulación de
vuelo)
• Rápida evaluación de alternativas de diseño (e.g.
diferentes escenarios y configuraciones de
sistemas)
• Evaluar funciones complejas para lo cual no es
posible utilizar métodos analíticos ni métodos
numéricos.
Algunos usos típicos de Simulación
• Diseño y planeamiento de capacidad de sistemas de
computadoras y redes de comunicaciones
• Estimación de medidas de productividad en sistemas

productivos, sistemas de inventarios, procesos de
manufactura, operaciones logísticas y manejo de
materiales.
• Mejorar operaciones bancarias y financieras, servicios

de atención públicos (e.g restaurantes), sistemas de
transporte terrestre y aéreo.
• Realizar juegos de guerra para entrenamiento militar o

evaluar la eficacia de estrategias militares. etc.
Ventajas/Desventajas de Simulación
• Ventajas:
– Se puede descubrir/observar comportamientos no
previstos
– Se pueden ajustar parámetros (condiciones bajo las cuales
determinados parámetros trabajan bien)
– Se pueden controlar las entradas y verificar si el sistema
responde como se espera
– Reproducible: útil para análisis detallado después de
observar comportamientos inesperados ya sea para
entender el porqué.
– Se puede ahorro de dinero y salvar vidas
– Se pueden encontrar errores de diseño antes de
implementar
– Puede usarse siempre como método de análisis y diseño
– Puede controlarse el nivel de detalles de simulación del
sistema
Ventajas/Desventajas de Simulación
• Desventajas/peligros:
– Comportamiento simulado puede diferir del real
(particularmente si se tienen errores de simulación)
– No es posible reproducir exactamente el “mundo real” (e.g.,
presunciones de linealidad y estacionalidad)
– Simulaciones altamente detallada no es escalable
(impráctico tiempo de simulación)
– Arte: determinar el nivel correcto de complejidad
requerida
– Precaución: Refleja el modelo adecuadamente la realidad?
– Confiabilidad estadística de los resultados requiere
adecuada verificación.
Del Sistema Real al modelo
• Simplificación
Sistema Real • Abstracción Modelo
• Presunción
 
AP1 Internet AP2
Bridge Red LAN

Bridge
Ethernet
IBM Compatible
Tower box Workstation

2 1
Laptop Laptop computer
Everything should be made as simple as

possible, but not simpler.
Albert Einstein © Dr. M . S. Garache, 13
Modelos Analíticos y Modelo de Simulación
Código para
computadora
Modelo de
Ecuaciones Simulación
Modelo
Hardware Analítico
Dispositivo
Real Incremento de nivel
de Abstracción
Se debe tener conocimiento pleno de la aplicación para la cual

se desarrolla el modelo. © Dr. M . S. Garache, 14
Modelo de Simulación
Para poder modelar la transmission de informacion
empleando un Sistema de modulacion BPSK debemos
debe tener pleno conocimiento de la transmision y
recepción de sistema de comunicación digital BPSK
© M . S. Garache , 2004
15
Áreas necesarias para simulación de
Sistemas de Comunicaciones
Procesamiento Teoría de
Dig. De Señales Probabilidades
Com.
Digitales Procesos
Simulación de Estocásticos
Sistemas de
Comunicación
Teoría de Sist.
Lineales Programación
Análisis
Teoría de
Numérico
Números
Generación de
números aleatorios
Efectos de la Complejidad del Modelo
Tiempo Sim. vs Complejidad

Alto Error vs complejidad Largo
Errores por modelación
Tiempo de Simulación
Región de operación
práctica
Corto
Bajo
Baja Alta
Complejidad del Modelo
Modelos Analíticos
• Analíticos: Presunciones y simplificaciones pueden
permitir uso de análisis matemático para resultados
aproximados que pueden resolverse usando e.g.
– Teoría de colas
– Ecuaciones diferenciales
– Programación lineal
• Problemas:
• Presunciones y simplificaciones en sistemas complejos pueden
resultar en errónea estimación de desempeño del sistema
real.
• La simulación es una herramienta útil para verificar la valides

de las aproximaciones analíticas y viceversa.
 Nunca simular lo que es posible calcular
Tipos de Simulación
• Determinística: La entrada y reglas que gobiernan
comportamiento del sistema son deterministas. La
misma respuesta se obtiene cada vez que se ejecuta
la simulación (e.g PSPICE).
– Usada para ahorrar tiempo y evitar errores matemáticos
resultado de cálculo tedioso.
• Estocástica: La entrada y/o las reglas que gobiernan

el comportamiento del sistema son funciones de
procesos estocásticos. Diferente respuesta se
obtiene cada vez que se ejecuta la simulación (e.g
NS3 con diferente seed).
Etapas del Proceso de Simulación
© M . S. Garache , 2004
20
Ex: Señal determinista
Empleando Simulink queremos verificar el espectro de
magnitude de la suma de dos señales senoidales:
+ Spectrum
Analyzer
What is the expected result? Hint:
Fourier Transform
© Dr. M . S. Garache ,
21
Create a new Simulink design file.
• Start Matlab
• Run Simulink:
– >> Simulink
• To create a new Simulink
file press “Ctrl+N” or
select “New model” in the
menu bar of the Simulink
Library Browser
22
Adding blocks to the Simulink
design window.
• you can import and add
various functional blocks
from the Simulink library
• The left side of Simulink
Library browser window
provides a list of the
function blocks, e.g.
Simulink /Sources
• We can drag and drop
functional blocks to our
design windows
23
Adding the two signals
• Browse the categories: Source, sink and Math operations
• Create the system model show in the Fig. below
• Double click on the bloc in order to change the default
parameters.
Scope inputs:
• double-clicking the Scope block.
• click the icon Configuration
Properties:
(a) The parameter Number of ports (or
Number of axes) determines the
number of input ports of the Scope
block. Set it to 3
(b) Click the Logging (or History) tab
and unselect the check box Limit data
points to last.
24
Sample Time parameter
• Sample time parameter sets the sample time
interval of the signal generated by the block.
– Typically, Sample time should be set much
smaller than the inverse of the Nyquist rate.
• make the sampled signal look like a
continuous signal when plotted.
• too small a value for Sample time will
increase simulation time
• For blocks with input port(s), Sample time of -1
simply copies (inherits) the Sample time of the
input signal(s).
25
A simple adder model
• See the parameter of:
Sine Wave = 2 sin(4𝜋t) and
Sine Wave1 = sin(5.2𝜋t)
The sample time << 1/(2fs)=1/(5.2)
For close to continuous set the

sample time = 1/100
26
Simulation Time
• The input in the menu bar of the design window is the
• Simulation stop time.
– Determines the execution time of the simulation, that is, the time up to
which point the signal is generated and processed, not the actual time
required for running the
• We want to see 20 cycles of the output waveform of the
Sine Wave, sin(4𝜋t).
Simulation stop time = 20 × (2𝜋∕4𝜋) = 10 seconds.
Then, Type in 10 in that input field.
• Run the simulation. Capture the

• Scope display window.
27
Simulation results & Scope
• You can change the viewing
ranges of the x axis (time axis)
and y axis in the Scope using
the zoom icons in the menu bar.
• icons for Zoom (to zoom in on
data in both the x and y
directions),
• ‘Zoom X-axis’, ‘Zoom Y-axis’,
and Autoscale. Autoscale
displays the whole graph.
28
Ex 2: Real – no deterministic signal
1. Create the following Simulink model
Set in Signal from Workspace

• Signal = song
Set in Analog Filter Design (set to fc=4KHz)
• Passband edge frequency[rads/s] = 2*pi*4e3
2. Matlab workspace: load the sound file to be used:

>> load song.mat
>> whos
The time duration is length(song)*1/Fs=8.9249
Set the simulation time to 9 seconds
29
Ex2: Creating Subsystem Block
3. Select the blocks that
will be part of the
subsystem (from file and
Analog Filter)
4. Right-click one of the
selected blocks to activate a
pop-up menu and select
‘Create Subsystem from
Selection’, or simply press
‘Ctrl+G’.
5. Change the default subsystem
name, Subsystem, into Sound
Source.
6. Save the current design as
Sound_Source.slx in the
working directory
30
Ex2: Spectrum analyzer & Speaker
• From Simulink/Signal Attribute add the block
“signal specification”,
• from DSP System toolbox/sink add the spectrum
analyzer
Signal Specification setting: Open the Spectrum Analyzer display window

and browse ‘View/Spectrum Settings’
• Main options/Type = Power
• In Main options, select change RBW(Hz)
• Trace options/Units = dBm
• Trace options/Average = 200
31
Ex2: Results
32
EX3: Que método usar para resolver el
siguiente problema? (E.6.5.1 P & S, p.292)
Asuma que la señal de información X(t) es una fuente Gausiana
estacionaria con media cero y densidad espectral de potencia:
2, f  100 Hz
Sx ( f ) = 
 0 , en otra parte
La fuente es muestreada a la frecuencia de Nyquist y

cuantificada empleando 8 niveles con umbrales de decisión a1=
–60 y a7= +60 y regiones intermedias de igual longitud =20.
Los niveles de cuantificación se seleccionan en puntos medios
de cada región excepto en los extremos para los cuales se
selecciona –70 y 70.
¿Cuál es la distorsión de error cuadrático medio (D)
resultante?
Función de Cuantificación (sistema)
x̂
x Cuantificador x̂ xˆ8 = 70
Q(x)
xˆ7 = 50
xˆ6 = 30
xˆ5 = 10
a1 a2 a3 a5 a6 a7
−60 −40 −20 20 40 60
xˆ4 = −10 x
Umbral de cuantificación xˆ3 = −30
xˆ2 = −50
xˆ1 = −70
Distorsión de Error
Cuadrático Medio
D = E[d ( X , Xˆ )] = E[( X − Q( X )) 2 ]

D=  − 2
( x Q ( x )) f x ( x)dx
−
• Métodos: a1
 ai
N −1  
=  ( x − xˆ1 ) 2 f x ( x)dx +    ( x − xî ) 2 f x ( x)dx  +  ( x − xˆ
– Analítico
− – Numérico: i = posible
2 
 ai−1 resolver  aN −1
numéricamente empleando la pdf de la
señal de entrada, la función Q(x)
– Simulación, podemos generar entradas
aleatorias x, a partir de la pdf y
comdeterminar el error entre la entrada
y la salida © Dr. M . S. Garache, 35
Distorsión
R1 = (−, a1 ], R i = (ai −1 , ai ]  i = 2, , N −1, R N = [aN −1, )
D = E[d ( X , Xˆ )] = E[( X − Q( X )) 2 ]

Q( x) = xî  x  Ri
D=  − 2
( x Q ( x )) f x ( x)dx
−
a1 N −1  ai
 
=  ( x − xˆ1 ) 2 f x ( x)dx +    ( x − xî ) 2 f x ( x)dx  +  ( x − xˆ N ) 2 f x ( x)dx
− i =2 
 ai−1  aN −1 © Dr. M . S. Garache, 36
¿Qué necesitamos saber?
a1 N −1 ai
 
D =  ( x − xˆ1 )2 f x ( x)dx +    ( x − xî ) 2 f x ( x)dx  +  ( x − xˆ N ) 2 f x ( x)dx
− i =2 
 ai −1  aN −1
Umbrales de decisión ai:

a1=-60, a2=-40, a3= -20, a4= 0, a5= 20, a6= 40, a7= 60,
xî
Tenemos N=8 niveles de cuantificación (“cuantos”), .
xˆ1 = −70, xˆ2 = −50, xˆ3 = −30, xˆ4 = −10,
xˆ5 = 10, xˆ6 = 30, xˆ7 = 50, xˆ8 = 70
La distribución Gaussiana esta dada por:
( x−m)
1 −
f X ( x) = e 2 2
,  2 = var ianza, m = media
2
• Si el proceso es estacionario
 100
 2 = R( )  =0 =  S ( f )df = 
−
x
−100
2df = 400 (56dBm)
x2
1 −
 f X ( x) = e 800
2 400
Para encontrar D podemos emplear más de
un métodos:
Usar análisis numérico (e.g MATLAB

para resolver numéricamente las
integrales)
a1 N −1 ai
 
D =  ( x − xˆ1 )2 f x ( x)dx +    ( x − xî ) 2 f x ( x)dx  +  ( x − xˆ N ) 2 f x ( x)dx
− i =2 
 ai −1  aN −1
Simular el sistema (e.g simular con
MATLAB el sistema)
Realizar un desarrollo matemático

analítico (solo si es posible!)
Numérico: Usando MATLAB con la función quad
% Ejemplo 6.5.1 de Proakis (pagina 292) con solución numérica.
% D contiene el valor de la distorsión causada en cada región
N=8; % Numero de niveles

a=linspace(-60,60,N-1); % umbrales de decisión son N-1
xq=linspace(-70,70,N); % Valores de cuantificación o cuantos son N
% Señal de entrada tiene distribución Gaussiana

Px=400; % Potencia media de la señal de entrada
Infinito=1E8; % Solo suficientemente grande
fx=['1./sqrt(2.*pi.*', num2str(Px) ').*exp(-x.^2./(2.*', num2str(Px), '))']; La distorsión total es

D = 33.3449
% encontrando distorsión por regiones
D=zeros(1,N); % N regiones
% Determinar distorsión de primera región y ultima

str_fx_eval=['((x)-(', num2str(xq(1)), ')).^2.*', fx];
D(1)=quad(str_fx_eval,-Infinito,a(1));
str_fx_eval=['((x)-(', num2str(xq(8)), ')).^2.*', fx];

D(8)=quad(str_fx_eval,a(7), Infinito);
% Determinando distorsión producto de regiones intermedias

for ri=2:N-1
str_fx_eval=['((x)-(', num2str(xq(ri)), ')).^2.*', fx];
D(ri)=quad(str_fx_eval,a(ri-1), a(ri));
end
© M . S. Garache , 2004
40
Simulación: Usando MATLAB
% Encontrar la distorsión resultante
% Solución por simulación de ejemplo 6.5.1 de Proakis D=mean((x-xs).^2);
% Método: % Encontrar intervalo de confianza
% 1. Generamos la variable de entrada aleatoria normal con var_D=var((x-xs).^2); % Varianza de D
% potencia media 400. % Desviación a partir de este valor con 95% de
% 2. Cuantificamos esta variable seguridad
% 3. encontramos la distorsión de error cuadrático medio con 95% Error_D=1.96.*sqrt(var_D)./sqrt(n_x); % Este es el
intervalo de confianza. error a partir de la media
% Generación de variable aleatoria normal
% Graficar valores de salida, solo en un rango
n_x=3E7; % Numero de valores de entrada (salidas del muestreador)
Px=400; % Potencia media del proceso (Valor cuadrático medio)
x=sqrt(Px).*randn(1,n_x); if n_x>100
stairs(xs(1:100));
% Realizar proceso de cuantificación hold on;
xq=linspace(-70,70,8); % Valores de cuantificación plot(x(1:100),'*r');
axis([1 100 -80 80]);
% cuantificar, como las regiones son uniformes, es simplemente el else
% valor mas cercano el tomado. stairs(xs);
% Podemos usar la distancia euclidiana entre el valor de entrada y los
hold on;
cuantos.
xs=zeros(1,n_x); % Valores de salida del cuantificador plot(x,'*r');
for ni=1:n_x axis([0 n_x -80 80]);
dist=abs(x(ni).*ones(1,8)-xq); % las matrices deben tener igual end
dimension grid on
% encontrar la minima distancia legend('Valor cuantificado', 'Valor de entrada')
index_min_dist=find(dist==min(dist)); title(['Resultado de simulacion con ', num2str(n_x),'
% asignar valor cuantificado, tomar el primero en caso de igualdad (ai- muestras. D = ', num2str(D),' \pm ',
1, ai] num2str(Error_D), ')'])
xs(ni)=xq(index_min_dist(1)); xlabel('n');
end
ylabel('Amplitud')
Analítico: Podemos calcular la distorsión causada en cada
región (6/9)
−60 x2 −60 x2
1 − 1 −
D1 =  ( x + 70) 2 e 800 dx =  ( x 2 + 140 x + 4900) e 800 dx
− 20 2 − 20 2
−60 x2 −60 x2 −60 x2
1 − 140 x − 4900 1 −
= 
−
x2
20 2
e 800
dx + 
20 − 2
e 800
dx + 
20 − 2
e 800
dx
a1
1 t = 2cx  1
2 ca1
1 −
t2
1
1.  e− cx dx =  =  dt = ( 2ca1 ) =(20)(0.00135) (1)
2
2
e
− 2 dt = 2cdx  2c − 2 2c
− ca12
a1
x t = −cx 2  1 1
2.  e− cx dx =  =−  et dt = − e− ca1 =-1.77274 (2)
2 2
− 2 dt = −2cxdx  2c 2 − 2c 2
 x − cx2 
 f ( x ) = e , g ( x ) = x  a1
2
a1 a
1 − cx2  x 1 1 1 − cx2
3.  x 2 e dx =   = blim − − cx
+ 
2
e e dx
2  F ( x) = − 1 →−
2c 2 2c − 2
e − cx , g '( x) = 1
2
− b
 2c 2 
1  1 a1 − ca12 
=  −
2c  2c
( 2 ca ) e  =117.16436 (3)
2
1
 © Dr. M . S. Garache, 42
Podemos calcular la distorsión causada en cada región (7/9)
−60 x2 −60 x2
1 − 1 −
D1 = 
−
( x + 70) 2
20 2
e 800
dx = 
−
( x 2 + 140 x + 4900)
20 2
e 800
dx
−60 x 2
x −60 x 2
−60 2
1 − 140 x − 4900 1 −
=  x 2
e 800 dx +  e 800 dx +  e 800 dx
− 20 2 20 − 2 20 − 2
1 1  1 a1 − ca12 140 − ca12 
D1 =   − − +  1 
20  2c  2c
( 2ca ) e e 4900 2c ( 2ca )
2 2
1

1   60 −4.5 140 −4.5 4900 
=  400  20 ( −3) + e − e +  ( −3)  =
20   2 2 20 
 80 −4.5  1600 −4.5
= 20  265 (−3) − e  = 5300 1 − (3)  − e /* (− x) = 1 − ( x) * /
 2  2
D1 = D8 = 5300(0.00135) − 7.09096=0.06404
Tener cuidado con número de dígitos significativos, en este problema el uso de 4 dígitos
significativos produce valor negativo para D1.
Para cualquier región intermedia Ri+1, i=1,...,N-1 (8/9)
ai 2 a 2
x i x
1 − 1 −
Di =  ( x − xî ) 2
e 800 dx =  ( x − 2 xî x + xî )
2 2
e 800 dx
ai−1 20 2 ai−1 20 2
ai x2 ai x2 a 2
1 1 − 2 xî x − xî2 i 1 − 800
x
=  dx −  dx + 
2 800 800
x e e e dx
20 ai−1 2 20 ai−1 2 20 ai−1 2
ai
1 − cx t = 2cx  1
2 cai
1 −
1  t2
1.  dx =  =  e dt = ( 2cai ) − ( 2cai −1 )  (1)
2
2
e 
ai −1 2 dt = 2cdx  2c 2 cai−1 2 2c
− cai2
ai
x − cx2 t = −cx  2
1 1  − cai2−1 − cai2 
2.  e dx =   = −  et dt = e −e (2)
2 = − 2c 2 2c 2  
ai −1  dt 2cxdx  − cai2−1
 x − cx2 
 f ( x ) = e , g ( x ) = x  ai
2
ai ai
1 − cx2 x 1 1 − cx2
3.  x 2 e dx =  =− e − cx + 
2
e dx
2  F ( x) = − 1  2c 
e − cx , g '( x) = 1
ai −1
2 2 c 2 ai −1 ai −1 2
 2c 2 
1  − cai2  1 
= ai −1e − cai2−1
− ai e +   ( 2cai ) −  ( 2cai −1 )  (3)
2c 2   2c 2c © Dr. M . S. Garache, 44
Para cualquier región intermedia Ri+1, i=1,...,N-1 (9/9)
ai +1 x2 ai +1 x2 2 ai +1 x2
1 1 − 2 xî +1 x − xˆ 1 −
Di +1 =
20 
ai
x2
2
e 800
dx −
20 
ai 2
e 800
dx + i +1
20 
ai 2
e 800
dx
1  2 xî − ai − cai2 2 xî − ai −1 − cai2  1 xî2   

= 
20  2c 2
e −
2c 2
e +
 2c 2c
+
2c 
  ( ) (
2cai −  2cai −1 ) 


20  − i −1 
2 2
2   ai   ai −1  
a a
 ( i )
− i
=  i i
(2 ˆ
x − a ) e 800
− (2 ˆ
x − ai −1 ) e 800
+ 400 + ˆ
x    −   
2 
i
   20   20 
Así encontramos:
D1 = 0.0635 = D8
D2 = 0.8170 = D7
D3 = 4.6965 = D6,
D4 = 11.0955 = D5
Por tanto D = sum(Di)  33.3449.
La contribución a la distorsión se incrementa hacia el centro de la distribución

Ya que aumenta la probabilidad de ocurrencia de x en esas regiones.
HW1: Sim. De señales senoidales
1.1 Empleando Simulink: a) grafique el espectro de magnitude de
la suma de dos señales senoidales ortogonales deterministas
empleadas en telecomunicaciones ilustradas en la figura con
f1=f2=20KHz:
+ Spectrum
Analyzer
What is the expected result? Hint: para

generar coseno a partr de seno use:
What if?
b) Cambie f2=10KHz. Cuantes impulsos oberva en el espectro.
Cual seria el ancho de banda requerido por un filtro pasabanda
para permitir el paso de las dos señales.
Se require mas o menos ancho de banda que en a)? © Dr. M . S. Garache ,
47
HW 2: What if
2.1 Modifique la simulación en Matlab del
cuantificador para mostrar el resultado de
convergencia de múltiples realizaciones en función
del número de muestras como se ilustra en la fig.
¿Qué puede concluir de este resultado?
HW2:
2.2 Modifique la simulación en Matlab para
determinar la distorsión resultante si se
utiliza cuantificación NO UNIFORME con
los valores y regiones de cuantificación
siguientes:
xˆ =  -41.02, -29.3, -17.58, -5.86, 5.86, 17.58, 29.30, 41.02
a =  -35.16, -23.44, -11.72, 0, 11.72, 23.44, 35.16
¿Cual es la ganancia con respecto al

cuantificador uniforme?
¿ Cómo se realiza la cuantificación no

uniforme cuando se emplea Codec UIT
G.711 en redes telefónicas?

Unidad 1 - Introduccion A Simulacion 2019 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Unidad 1 - Introduccion A Simulacion 2019 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Unidad I

Stochastic model (=probability model)

– Proceso de diseño de un modelo de un sistema

Entrada exógena Sistema bajo estudio

Frontera del programa

• Objetivo: optimizar parámetros de operación de

• Sistema real no existente, es complejo/caro o

• Estimación de medidas de productividad en sistemas

• Mejorar operaciones bancarias y financieras, servicios

• Realizar juegos de guerra para entrenamiento militar o

Bridge Red LAN

Tower box Workstation

Laptop Laptop computer

Everything should be made as simple as

Se debe tener conocimiento pleno de la aplicación para la cual

Tiempo Sim. vs Complejidad

• La simulación es una herramienta útil para verificar la valides

 Nunca simular lo que es posible calcular

• Estocástica: La entrada y/o las reglas que gobiernan

What is the expected result? Hint:

For close to continuous set the

• Run the simulation. Capture the

Set in Signal from Workspace

2. Matlab workspace: load the sound file to be used:

The time duration is length(song)*1/Fs=8.9249

Set the simulation time to 9 seconds

Signal Specification setting: Open the Spectrum Analyzer display window

La fuente es muestreada a la frecuencia de Nyquist y

R1 = (−, a1 ], R i = (ai −1 , ai ]  i = 2, , N −1, R N = [aN −1, )

Umbrales de decisión ai:

Usar análisis numérico (e.g MATLAB

Realizar un desarrollo matemático

N=8; % Numero de niveles

% Señal de entrada tiene distribución Gaussiana

fx=['1./sqrt(2.*pi.*', num2str(Px) ').*exp(-x.^2./(2.*', num2str(Px), '))']; La distorsión total es

% Determinar distorsión de primera región y ultima

str_fx_eval=['((x)-(', num2str(xq(8)), ')).^2.*', fx];

% Determinando distorsión producto de regiones intermedias

1  2 xî − ai − cai2 2 xî − ai −1 − cai2  1 xî2   

Por tanto D = sum(Di)  33.3449.

La contribución a la distorsión se incrementa hacia el centro de la distribución

What is the expected result? Hint: para

¿Cual es la ganancia con respecto al

¿ Cómo se realiza la cuantificación no

Você também pode gostar

fx=['1./sqrt(2.pi.', num2str(Px) ').exp(-x.^2./(2.', num2str(Px), '))']; La distorsión total es