SIM 09 2015 2
22 Septiembre/2015
Generación de variables aleatorias
✤
Existe una variedad de métodos para generar variables aleatorias, dependiendo
de la forma funcional de F(X).!
✦
Transformada Inversa!
✦
Aceptación o Rechazo!
✦
Convolución!
✦
Caracterización
2
Técnica de Convolución
✤
Se puede usar cuando la variable aleatoria x puede ser representada como
la suma de n variablesaleatorias y1,...,yn!
✤
Entonces: x=y1+y2+...+yn!
✤
Se puede usar para:!
✦
Distribución Earlang: suma de k exponenciales!
✦
Binomial: suma de n variables bernoulli con probabilidad p
3
Dist. Continuas: Erlang
✤
Útil para modelar varios procesos en serie que tienen distribución
exponencial, es decir se relaciona con la función gamma, ya que en este caso !
!
λ e− λ x (λ x)k−1
! f (x) = (k− 1)! , x > 0
!
k−1
F(x) = 1− ∑ e− λ x (λ x)n / n!, x > 0
!
n=0
!
✤
F(X) es la suma de términos poisson con media λ
4
Técnica de Convolución
✤
Distribución Earlang:Procesos en serie que tienen distribución
exponencial!
k−1
F(x) = 1− ∑ e− λ x (λ x)n / n!, x > 0
!
n=0
✤
Es la suma de k variables aleatorias exponenciales con media ! 1 / kθ
✤
Entonces para generar X
⎞
1
1 ⎛ k
X = ∑ −ln(1− ri ) = − ln ⎜ ∏ (1− ri )⎟
⎠
λ
λ ⎝ i=1
i=1
k
5
Técnica de Caracterización
✤
Características especiales de ciertas distribuciones permiten generar sus
variables usando algoritmos especialmente ajustados para ellas.!
✤
Por ejemplo distribución normal estándar (método Polar)!
!
Z1,Z2
Z2
B
!
!
Z1 = B cosθ
Z 2 = Bsenθ
B 2 = Z12 + Z 22
Z1
0
!
6
Técnica de Caracterización
✤
B2 tienedistribución chi-cuadrado con 2 grados de libertad, que es
equivalente a una distribución exponencial con media 2!
✤
Entonces B se puede generar como:! B = (−2 ln(1− r))1/2
✤
Por la simetría de la distribución normal, se pude plantear que el ángulo
esta distribuido en forma uniforme entre o y 2"!
✤
De esta forma:
Z1 = (−2 ln(1− r1 ))1/2 cos(2π r2 )
Z 2 = (−2 ln(1− r1 ))1/2 sen(2π r2 )
7Modelación con datos de entrada
✤
Hay 4 etapas en el desarrollo de un modelo a partir de los datos de entrada:!
1. Recolectar datos del sistema real!
2. Identificar un distribución de probabilidad!
3. Elegir y estimar los parámetros que determinen dicha distribución!
4. Evaluar el nivel de ajuste de la distribución y los parámetros
8
Recolección de datos
✤
Una de las tareas más importantedentro de un estudio de simulación!
✤
Muchas veces la información disponible esta en un formato distinto al
que necesitamos para un estudio!
✤
Aun cuando la estructura del modelo puede ser valida, si los datos fueron
mal recolectados, mal analizados o no son representativos, se obtendrán
malos resultados en la simulación.!
✤
Algunos ejemplos
9
Recolección de datos
✤
✤
✤
Lavandería!
✦Medir el tiempo entre llegadas y el tiempo de servicio, medir fallas
maquinas!
Cafetería: !
✦
El tiempo entre llegadas puede variar dependiendo de la hora en que
se recolectan los datos, sobre todo en horas de almuerzo. Tiempo de
atención puede variar según producto!
Intersección: !
✦
El tiempo entre llegada diferenciando por movimiento. Mediciones
del tiempo de ciclo
10
Recolección de datos
✤Sugerencias generales:!
✤
Utilizar un tiempo razonable en la planificación: por ejemplo
considerar una sesión de pre-observacion, desarrollar formularios,
detectar posibles problemas.!
✤
Intentar analizar la información mientras es recolectada: por
ejemplo verificar que los datos recolectados son adecuados para la
distribución supuesta. Analizar si los conjuntos de datos
analizados son homogéneoso no
11
Recolección de datos
✤
Información censurada: la cantidad de interés no es observada, por
ejemplo tiempo de falla de una maquina (puede ocurrir fuera del
periodo de observación).!
✤
Verificar si existe alguna relación entre 2 variables. Considerar la
posibilidad de que una secuencia de observaciones que al parecer son
independientes, no lo sean.!
✤
Diferenciar entre datos de...
Regístrate para leer el documento completo.