Sim TCi S

APUNTS DE TEORI A DE CUES
I SI MULACI
(Grau I nterUniversitari
dEstadstica)
Simulaci i Ns aleatoris

FACULTAT DE MATEMTIQUES I ESTADSTICA

Esteve Codina Sancho
Ldia Montero Mercad
Departament Estadstica i Investigaci Operativa

desembre del 2.011
TCiS Facultat de Matemtiques i Estadstica
N's Aleatoris i Simulaci

pg. 2 Curs 2.011-2.012 Prof. Esteve Codina & Ldia Montero

Facultat de Matemtiques i Estadstica TCiS
Apunts de lassignatura
Prof. Esteve Codina & Ldia Montero Curs 2.011-2.012 pg. 3

TAULA DE CONTINGUTS
1. INTRODUCCI A LA SIMULACI ............................................................................................................. 5
1.1 CONCEPTES BSICS .......................................................................................................................................... 6
1.2 SIMULACI DE MONTE CARLO ........................................................................................................................ 8
1.3 SIMULACI DE SUCCESSOS DISCRETS .............................................................................................................. 8
1.3.1 Exemple de simulaci de successos discrets: sistema despera X/Y/s .................................................. 9
1.3.1.1 Algorisme de simulaci discreta per la cua X/Y/s: .......................................................................................... 11
1.3.1.2 Traa de la Simulaci ...................................................................................................................................... 12
1.3.1.3 Recollida destadstiques ................................................................................................................................. 13
1.4 GENERACI DE NMEROS ALEATORIS .......................................................................................................... 14
1.4.1 Tcniques per la generaci de nmeros aleatoris .............................................................................. 14
1.4.2 Generaci de Nmeros Pseudoaleatoris ............................................................................................. 14
1.4.3 Generaci de Nmeros Pseudoaleatoris de distribucions discretes ................................................... 16
1.4.3.1 Generaci de seqncies de la llei geomtrica ................................................................................................ 17
1.4.3.2 Generaci de seqncies de la llei binomial .................................................................................................... 17
1.4.4 Generaci de Nmeros Pseudoaleatoris de distribucions contnues .................................................. 17
1.4.4.1 Generaci de Nmeros Pseudoaleatoris de distribuci exponencial ................................................................ 18
1.4.4.2 Generaci de Nmeros Pseudoaleatoris de distribuci Erlang ........................................................................ 18
1.4.4.3 Generaci de Nmeros Pseudoaleatoris de la distribuci discreta de Poisson ................................................ 19
1.4.4.4 Generaci de Nmeros Pseudoaleatoris de distribuci uniforme U[a,b] ......................................................... 19
1.4.4.5 Generaci de Nmeros Pseudoaleatoris de distribuci Normal ....................................................................... 19
1.4.4.6 Mtode de Box-Muller .................................................................................................................................... 20
1.5 SIMULACI DUN SISTEMA DINVENTARI: EXEMPLE DUNA PRCTICA .......................................................... 21
1.5.1 Enunciat .............................................................................................................................................. 21
1.5.2 Parmetres .......................................................................................................................................... 22
1.5.3 Variables destat ................................................................................................................................. 23
1.5.4 Successos ............................................................................................................................................. 23
1.5.5 Pseudocodi del programa de simulaci. ............................................................................................. 24



1. INTRODUCCI A LA SIMULACI

La simulaci s una tcnica de la Investigaci Operativa adreada a lanlisi de sistemes
complexes.
Els models analtics de sistemes reals poden resultar totalment immanejables per la seva
complexitat, alternativament, si el model intenta simplificar massa la realitat, per guanyar en
manejabilitat, pot proporcionar resultats invlids. La simulaci reprodueix el comportament dun
sistema real al llarg del temps.
La construcci i explotaci dun model de simulaci est constitut de les segents etapes:
1. Formulaci del Problema
2. Recollida de Dades i Desenvolupament del Model
3. Construcci del Programa dOrdinador
4. Iterar fins la verificaci de la correctesa del programa
5. Iterar fins la validaci de la correctesa del model: el model desenvolupat ha de
reproduir adequadament les dades recollides a la fase 2.
6. Disseny dExperiments
7. Realitzar les execucions del programa de simulaci amb els jocs dexperiments
dissenyats a la fase 6. Recollida de resultats estadstics.
8. Anlisi estadstic dels resultats de la simulaci.
9. Documentaci, discussi, presentaci i si sescau implementaci dels resultats.

Les avantatges de la Simulaci enfront dels models analtics sn:
Una teoria molt ms assequible.
La capacitat de tractar models ms complexes amb menys hiptesis simplificadores.
Ladaptabilitat dels models de simulaci construts a situacions similars que impliquin
variants en els parmetres, opcions de disseny o poltica de gesti dalguna de les
components implicades.

Permet reproduir el comportament dun sistema sense haver de construir-lo, caracterstica
especialment valuosa si lexperincia t un caire destructiu (comportament de reactors
nuclears) o un impacte social negatiu (assajar un pla de coordinaci semafrica per la
campanya de Nadal a lEixample o per loperaci de sortida en un pont de Sant Joan).

Els inconvenients de la Simulaci enfront dels models analtics sn:
Cost de desenvolupament i explotaci dels models de simulaci, doncs requereixen
dexecucions repetides per facilitar resultats estadstics. El cost de desenvolupament dels
models sha redut cada cop ms amb laparici en el mercat primer dels llenguatges de
simulaci i desprs dels entorns de simulaci. Per una altra banda, el temps dexecuci dels
models s cada cop menys important amb la millora de les prestacions de les ordinadors.
La simulaci facilita estimacions estadstiques de les variables dinters.
No s un eina doptimitzaci, malgrat que pot combinar-se amb les tcniques doptimitzaci,
a un cost avui en dia gens menyspreable.

Alguns sistemes reals que han requerit de la Simulaci per la seva anlisi sn:
El trnsit, tant a nivell de corredors urbans o suburbans dautopistes com a nivell de xarxa
urbana. La simulaci permet avaluar poltiques de gesti, sistemes de control semafric,
avaluar dissenys de noves infrastructures, etc.
Automatitzaci de magatzems.
Processos de fabricaci: equilibri en les lnies de producci de vehicles.
Simuladors de vol, de tnels de vent, etc.
Anlisi de configuracions de xarxes dordinadors, etc.

1.1 Conceptes bsics
Lobjecte dun estudi de simulaci sanomena sistema. Un sistema s un conjunt dentitats que
actuen i interaccionen entre elles per tal dassolir algun objectiu.
Lestat del sistema s el conjunt de variables necessries per la descripci de la situaci del
sistema en un moment donat. Les variables sanomenen variables destat.
Una entitat s cadascun dels elements en que es descomposa el sistema objecte de lestudi. Les
entitats es caracteritzen per les seves propietats o atributs.
Classificaci dels Sistemes:
Sistemes discrets: les variables destat canvien en punts discrets del temps. Per exemple, en
la simulaci duna terminal de check-in dequipatges, lestat del sistema canvia cada cop que
arriba o sen va un client.
Sistemes continus: les variables destat canvien de manera continua al llarg del temps. Per
exemple, en la simulaci de la reacci en cadena en un reactor nuclear el temps ha de tractar-
se de manera contnua i les variables destat caracteritzar-se contnuament.
Sistemes combinats: algunes variables destat canvien destat en punts concret del temps,
mentre que daltres evolucionen de manera contnua. La simulaci del trnsit urb
constitueix un exemple daquest darrer tipus de sistemes, els semfors canvien en instants
concrets, mentre que la posici dels vehicles a la xarxa evoluciona de manera contnua.

Classificaci dels Models de Simulaci:
A continuaci es proposen tres possibles classificacions, que no sn incompatibles entre elles.
Una primera classificaci obeeix al caire esttic o dinmic de lobjecte destudi:
Models de simulaci esttics: donen representacions del sistema en un moment donat, no la
seva evoluci al llarg del temps. La simulaci de Montecarlo s una tcnica de simulaci
esttica i pot emprar-se per exemple pel clcul dintegrals definides.
Models de simulaci dinmics: representen levoluci de les variables destat del sistema al
llarg del temps.
Una segona classificaci obeeix al caire determinista o estocstic de les variables destat
involucrades en la modelitzaci del sistema objecte de lestudi:
Models de Simulaci Deterministes: no contenen variables destat aleatries.
Models de Simulaci Estocstics: alguna de les variables destat s aleatria.
Una tercera classificaci obeeix a les caracterstiques de levoluci de les variables destat, s a
dir del mateix sistema, al llarg del temps:
Models de simulaci discrets: les variables destat canvien en punts concrets del temps.
Models de simulaci continus: les variables destat evolucionen de manera contnua al llarg
del temps.
Models de simulaci combinats: amb variables devoluci discreta i variables devoluci
contnua.


1.2 Simulaci de Monte Carlo
Un mtode de Monte Carlo s aquell que usa per resoldre un problema nmeros aleatoris,
independents i uniformement distributs a linterval entre 0 i 1 i susen mtodes numrics no
analtics. A continuaci es presenta un exemple de simulaci de Monte Carlo.
Exemple dEstimaci del nmero :
Suposem que es vol calcular lrea del cercle de radi unitat, s a dir =
2
R , resolent la
segent integral definida:

= = =
}} }}
+ +
4
4 4
0
0
1 1
2 2 2 2
y
x
y x y x
dy dx dy dx

s a dir, lrea del cercle de radi unitat, s 4 vegades lrea del quadrant positiu del cercle unitat.
El procediment basat en un mtode de Monte Carlo podria consistir en generar N=1000 parelles
de valors ( )
n n
y x , tal que x i y sn nmeros aleatoris independents entre 0 i 1.
Sigui
+
=
altrament
y x
C
n n
n
0
1 1
2 2
. Llavors
4
es pot estimar a partir dels N parells de punts generats

aleatriament, com la proporci dels punts que sescauen dins del quadrant positiu del cercle
unitat, s a dir:
N
C
N
n
n
=
=
1
4

En Estadstica Matemtica, la simulaci per Monte Carlo sol emprar-se per determinar les
conseqncies de la violaci de les hiptesis de models estadstics determinats, per exemple,
quin s lefecte de la no normalitat de les variables de resposta en una regressi lineal simple.
1.3 Simulaci de Successos Discrets
La simulaci de successos discrets modelitza levoluci dun sistema mitjanant una
representaci a on les variables destat canvien en instants determinats del temps. Els instants del
temps que provoquen canvis en algunes (o totes) les variables destats venen provocats pels
esdeveniments o successos. En sntesi, requereix de determinar:
Quines sn les variables destat.
x
y
(-1,1) (1,1)
(-1,-1) (1,-1)
Identificar quins esdeveniments provoquen un canvi en alguna/es variable/s destat i en quin
instant de temps es produeixen. La implementaci de la simulaci de sistemes discrets
requereix per cada esdeveniment o succs definir un procediment associat que actu sobre les
variables destat afectades.
Mantenir un rellotge de la simulaci (clock simulation).
La simulaci consisteix en un seguiment o traa de levoluci dinmica dels canvis destat del
sistema.

1.3.1 Exemple de simulaci de successos discrets: sistema despera X/Y/s

Un sistema despera X/Y/s suposa:
Una poblaci infinita.
Un espai despera a la cua nic i illimitat.
Una poltica de servei FIFO.
Temps entre arribades i temps de servei per servidor distributs segons lleis de distribucions
respectives ( ) x F
X
i ( ) y F
Y
.
Lexistncia de s servidors, tots ells de caracterstiques idntiques.
La funci de distribuci de probabilitat de la variable discreta temps entre arribades de clients al
sistema despera s:
[ ] i X 1 2 3 4
( ) x F
X
0.2 0.5 0.85 1
La funci de distribuci de la variable discreta temps de servei s:
[ ] i Y 1 2 3
( ) y F
Y
0.35 0.75 1.0

Lestat del sistema ve definit per les variables destat:
Nmero de clients al sistema despera.
Estat de cada servidor.
Instant de la propera arribada al sistema.

Instant de la propera sortida del sistema.

Successos que provoquen canvis en les variables destat, en terminologia de la simulaci de
sistemes discrets events:
1. Arribada dun nou client al sistema.
2. Sortida dun client del sistema, per finalitzaci del seu servei.
La simulaci consisteix en la planificaci dels diferents tipus de successos o events en leix de
temps controlat per rellotge de la simulaci. Per cada tipus de succs sol haver-hi una llista
ordenada de successos, segons el temps de simulaci, la event list.
Les condicions inicials del sistema a simular s la de sistema buit, per tant tots els servidors
estan lliures, la cua est buida i linici del temps de simulaci a 0 pot venir determinat per
larribada del primer client al sistema: time=0.
Event ARRIBADA:

Linstant de sortida del sistema dun client que entra en servei s linstant actual ms el temps de
servei generat aleatriament segons la distribuci ( ) y F
Y
, s a dir: simulation time + durada del
servei.
Linstant de la propera arribada dun client al sistema s linstant actual ms el temps entre
arribades generat aleatriament segons la distribuci ( ) x F
X
, s a dir: simulation time + interval
fins la propera arribada.

Event SORTIDA:
Arribada
Client en
servei
Client a
la cua
Ocupats Algun
lliure
Estat
Servidors
Programar instant
de sortida del
Programar propera
entrada al sistema

Els mecanismes dactualitzaci del temps de simulaci ms corrents sn:
Incrementar el temps fins el proper succs. El rellotge de la simulaci avana fins linstant de
levent ms proper programat, requereix que els procediments vinculats a cada event
provoquin la planificaci de nous events.
Increment fix del temps de simulaci: t . El rellotge de la simulaci avana de t en t i
si existeix algun event a ser tractar aleshores procedeix a activar el procediment vinculat a
levent.
1.3.1.1 Algorisme de simulaci discreta per la cua X/Y/s:

Programa X_Y_s;
{Inicialitzaci de les variables destat};
{Seleccionar el primer succs};

Temps = Temps del primer succs;

Mentre temps < Durada de la Simulaci fer
Si Event = Arribada llavors
{Procediment de levent arribada}
sin
{Procediment de levent sortida}
fsi;

{Recollir estadstiques};
{Seleccionar el proper event};
Fmentre;
{Imprimir resultats}
Fiprograma

{Procediment de levent ARRIBADA}
Temps = Temps Propera Arribada;
Si Algun servidor est lliure llavors
Triar servidor lliure-> s;
Servidor s ocupat;
{Generar sortida}
sin
Afegir a la cua
Fsi;
{Generar Arribada}
Sortida
Inici nou
servei
Sistema
Lliure
SI NO
Cua
buida ?
Programar instant
de sortida del


{Procediment de levent SORTIDA}
Temps = Temps Propera Sortida;
Si Cua buida llavors
Servidor Lliure;
Sin
Triar servidor lliure-> s;
Servidor s ocupat;
Decrementar la cua;
{Generar sortida}
Fsi;

{Generar Arribada}
Generar un nmero aleatori distribut segons llei entre arribades -> Interval;
Temps propera arribada = Temps + Interval;
Afegir a la llista de levent ARRIBADA;

{Generar Sortida}
Generar un nmero aleatori distribut segons llei de temps de servei ->
Interval;
Temps propera sortida = Temps + Interval;
Afegir a la llista de levent SORTIDA;
1.3.1.2 Traa de la Simulaci
Suposem larribada al sistema X/Y/2 de 9 clients i un cronograma darribades i temps de servei
generat a priori amb les segents caracterstiques:

I D. Client I nterval des de larribada
anterior
Durada del servei
1 - 3
2 2 3
3 2 2
4 3 1
5 4 1
6 2 2
7 1 1
8 3 2
9 3 1

Traa de la Simulaci:

Event Tipus
Event
Id. Client Time Servidors
lliures
N en cua Propera
Arribada
Propera
Sortida
0 Inicialitz. - 0 2 0 0 -
1 Arribada 1 0 1 0 2 3
2 Arribada 2 2 0 0 4 5
3 Sortida 1 3 1 0 4 5
4 Arribada 3 4 0 0 7 6
5 Sortida 2 5 1 0 7 6
6 Sortida 3 6 2 0 7 -
7 Arribada 4 7 1 0 11 8
8 Sortida 4 8 2 0 11 -
9 Arribada 5 11 1 0 13 12
10 Sortida 5 12 2 0 13 -
11 Arribada 6 13 1 0 14 15
12 Arribada 7 14 0 0 17 15
13 Sortida 6 15 1 0 17 15
14 Sortida 7 15 2 0 17 -
15 Arribada 8 17 1 0 20 19
..

1.3.1.3 Recollida destadstiques
Les frmules per les estadstiques dels valors mitjos de la longitud de cua i el nmero de clients
en el sistema sn ms entenedores si es defineixen les segents variables:

i
t : Interval de temps entre el succs i i i+1.
I: Nmero total de successos durant la simulaci.

i
q
l : Longitud de la cua durant linterval
i
t .

i
l : Nmero de clients en el sistema durant linterval
i
t .
De manera que el nmero mig de clients en la cua del sistema s:
=
=

=
I
i
i
i
I
i
q
q
t
t l
L
i
1
1

I el nmero mig de clients en el sistema s:
=
=

=
I
i
i
i
I
i
i
t
t l
L
1
1


1.4 Generaci de Nmeros Aleatoris
Formalment un nmero aleatori s una variable aleatria que compleix les segents propietats:
1. La variable est uniformement distribuda en linterval ) 1 , 0 [ .
2. La seqncia daquestes variables mostra independncia estadstica. s a dir, el coneixement
dun valor de la seqncia,
i
x , no aporta coneixement sobre un altre valor j i x
j
,
1.4.1 Tcniques per la generaci de nmeros aleatoris
Una tcnica conceptualment molt simple fa s duna moneda equilibrada que es llena
repetidament n vegades, suposem que es vincula el valor 1 a laparici de cara en un llanament i
el valor 0 a laparici de creu. El llanament n vegades de la moneda configura un nmero binari
de n bits. Si es divideix el nmero resultant per 1 2
n
, aleshores sobt un valor decimal entre 0
i 1 . La tcnica proporciona com a mxim
n
2 valors diferents, s a dir, nmeros aleatoris
diferents. Per exemple, per n=3 el conjunt de nmeros binaris de 3 dgits s:
{ } 111 110 101 011 100 010 001 000 = B
Si es divideixen els valors de B per 7 1 2
3
= , aleshores es transformen en 8 nmeros aleatoris
entre 0 i 1. Tots els valors sn equiprobables si la moneda s equilibrada.
Es poden dissenyar rodes de la fortuna o dispositius fsics complexes per la generaci de
nmeros aleatoris (per exemple, basats en els ratjos gamma emesos per un nucli radioactiu).
Tamb es pot fer s de les taules amb un mil.li de dgits aleatoris publicada per la Rand
Corporation (1955). Per formar un nmero de diguem 10 decimals a partir de la taula,
sagafarien 10 dgits seguits de la taula. La simulaci manual fa us de les taules de nmeros
aleatoris, per els requeriments de nmeros aleatoris pot ser molt gran en simulaci. s
prcticament inconcebible a lactualitat no usar la simulaci per ordinador i per tant, els nmeros
quasi aleatoris generats pels propis ordinadors, doncs la lectura de taules de dgits aleatoris de
dispositius externs (disquets, etc.) pot ser farragos i enlentir el procs de simulaci. Ara b, les
seqncies de nmeros generats pels ordinadors no solen ser totalment aleatoris, en general sn
nmeros pseudoaleatoris de ms o menys qualitat segons lalgorisme de generaci implementat.
Parlarem de la generaci de nmeros pseudoaleatoris en la propera Secci.

1.4.2 Generaci de Nmeros Pseudoaleatoris
Els nmeros veritablement aleatoris estan distribut uniformement a linterval ) 1 , 0 [ i sn
estadsticament independents. Els nmeros pseudoaleatoris han daproximar-se a aquest ideal.
Els nmeros pseudoaleatoris han de ser reprodubles. El generador ha de ser rpid, perqu el
programa de simulaci crida el generador en moltes ocasions i els requeriments de memria per
implementar el generador han de ser reduts i independents del tamany de la mostra a generar.
Hi ha virtualment infinites tcniques per la generaci per ordinador de seqncies de nmeros
pseudoaleatoris i contnuament napareixen de noves, es presentaran per tant, algunes tcniques
illustratives:
El mtode dels quadrats mitjos. Tcnica inventada per John von Neumann als anys 40.
Pressuposa que es parteix de un nmero
o
x de m dgits. Quan es fa el quadrat de
o
x sobt un
nou nmero de com a mxim 2m dgits (safegeixen zeros pel davant si el nombre de dgits
s inferior a 2m). El proper nmero de la seqncia,
1
x , sobt retenint els m dgits centrals
de
2
0
x . Per obtenir un nmero en linterval 0 a 1, es divideix
1
x per
m
10 . Repetint el
procediment sobre
1
x , sobt el segent valor pseudoaleatori de la seqncia.
Desafortunadament, no tots el
m
10 nmeros poden aparixer. Per exemple, si m=2 i 23 =
o
x
sobt:
x 2
x
r
23 0529 0.52
52 2704 0.70
70 4900 0.90
90 8100 0.10
10 0100 0.10 sempre
El mtode congruencial. Es considera la relaci ( ) m b n a n
i i
mod
1
+ =
+
on m b a n , , ,
0
sn
nmeros naturals. El nmero inicial
0
n sanomena la llavor (seed). Loperaci de mdul
(residu en la divisi entera) indica que com a mxim poden obtenir-se m nmeros diferents,
de 0 a m-1. Per en realitat solen obtenir-se h<m nmeros diferents, h es denomina el
perode o longitud de cicle del generador.
Si la constant additiva b s zero, aleshores el generador sanomena multiplicatiu, altrament
sanomena mixt. Un generador congruencial genera m nmeros diferents noms si m b a n , , ,
0

compleixen uns certs requeriments: 1 4 + = d a on d, b sn senars i
k
m 2 = on k sol ser el
nombre de bits per paraula en que opera lordinador (en binari). Les constants m b a , , tenen
efectes importants sobre la independncia de la seqncia de nmeros pseudoaleatoris
generada.
Per exemple, si 100 , 0 , 17 , 13
0
= = = = m b a n aleshores sobt un perode de 20:
i 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
i
n 13 21 57 69 73 41 97 49 33 61 37 29 93 81 77 9 53 1 17 89 13
En la literatura tcnica sobre el tema, shan desenvolupat testos per determinar si una seqncia
de nmeros est uniformement distribuda i sn mtuament independents.
Un exemple de test per la uniformitat de la distribuci duna seqncia de N nmeros
pertanyents a linterval ) 1 , 0 [ s el test assimpttic de freqncies.

Linterval ) 1 , 0 [ es particiona en k subintervals de la mateixa longitud k 1 , cal que k N 5 . Es
postula la hiptesi nulla que els N nmeros pseudoaleatoris estan uniformement distributs,
aleshores el nombre esperat de valors a cada subinterval ha de ser k N . Es pot demostrar que
lestadstic indicat a continuaci est distribut aproximadament com una llei
2
1 k
amb k-1
graus de llibertat per k N 5 :
2
1
1

=
|
.
|
\
|

k
k
i
i
k
N
f
N
k

on
i
f indica el total dels N nmeros de la seqncia que sescauen a linterval i-ssim.
Un exemple de test per contrastar la correlaci duna seqncia de N nmeros
N
r r , ,
1
es basa
en lestadstic
j
, estimador de la covariana a distncia j de la seqncia de nmeros, s a dir,
( )( )
=
+

=
j N
i
j i i j
r r
j N
1
5 . 0 5 . 0
1

doncs ( )( ) [ ] 0 5 . 0 5 . 0 > =
+
j r r E
j i i j

Ara b, com el coeficient de correlaci s,
( ) [ ] ( ) [ ] ( ) [ ]
Y X Y X
Y E Y X E X E Y X Cov

= =
,
, si els
nmeros pseudoaleatoris duna seqncia estan distribut independentment llavors
( )( ) [ ] 0 0 5 . 0 5 . 0 > = =
+
j r r E
j i i j
on [ ] [ ] 0 5 . 0 , 5 . 0 > = =
+
j r E r E
j i i
. Es pot demostrar que
j
s assimptticament normal amb variana [ ] ( ) ( ) j n Var

j
= 144 1 i per tant, es pot emprar la
distribuci normal per contrastar la hiptesi nulla J N J j H
j
>> = = , , 2 , 1 0 :
0
.
Malauradament per alguns valors de j la hiptesi nulla pot ser acceptada i per altres valors de j
no.
Els generadors de nmeros pseudoaleatoris han de passar bateries de tests i fins i tot aix no hi ha
una garantia absoluta de la seva bondat, construir bons generadors de nmeros aleatoris s molt
difcil, com illustren alguns autors. Ls de generadors de mala qualitat pot ser nefast en
simulaci, doncs la validesa dels resultats daquesta queda automticament invalidada. La
llibreria NAG (Numerical Algorithm Group) cont subrutines Fortran per la generaci de
nmeros pseudoaleatoris, els noms de les quals comencen per GO5 (GO5CAF, GO5CBF,
GO5CCGF).

1.4.3 Generaci de Nmeros Pseudoaleatoris de distribucions discretes
En la Secci 1.4.2 es tracta la generaci de seqncies de nmeros pseudoaleatoris en linterval
) 1 , 0 [ , generadors que resulten imprescindibles per la generaci de seqncies pertanyents a
altres distribucions, siguin discretes o contnues. En aquesta secci es presenta el mtode de la
taula de cerca per la generaci de seqncies pseudoaleatries de distribucions discretes
qualsevol.
Sigui una funci de probabilitat duna variable aleatria discreta X definida amb probabilitat no
nulla per un conjunt de k valors { }
k k
x x x x < < =
1 1
, , , , s a dir
{ } ( ) k i p x X P
i i
, , 1 0 = > = = , el que dona lloc a la funci de distribuci de probabilitat
( ) { } ( )

= =
= = =
i
j
i
j
j j i X
p x X P x F
1 1
.
El procediment de generaci dun nmero pseudoaleatori pel mtode de la taula de cerca parteix
de la generaci dun valor pseudoaleatori r pertanyent a linterval ) 1 , 0 [ i facilita com a resultat
un valor aleatori de la distribuci discreta
i
x x = si,

=
=
< =
i
j
j k
i
j
j i
p r p si x x
1
1
1

1.4.3.1 Generaci de seqncies de la llei geomtrica
Si X s una variable aleatria geomtrica de parmetre p aleshores la seva funci de probabilitat
s ( ) { } ( ) ( ) , 2 , 1 1
1
= = = =

i p p i X P i p
i
X
i la funci de distribuci de probabilitat s
( ) ( ) { } ( ) ( ) ( ) , 2 , 1 1 1 1
1
1 1
1 1
= = = = = =

=
+
= =
i p p p j X P j p i F
i
j
i j
i
j
i
j
X X
. Aplicant el mtode
de la taula de cerca sobre un valor aleatori r pertanyent a linterval ) 1 , 0 [ sobt,
( ) ( )

=
+
=
= < = =
i
j
i
j
i
j
i
j
p p r p p si i x
1
1
1
1
1 1 1 1
1.4.3.2 Generaci de seqncies de la llei binomial
Si X s una variable aleatria binomial de parmetres n i p aleshores la seva funci de
probabilitat s ( ) { } ( ) ( ) ( ) n i p p i X P i p
i n i
i
n
X
, , 1 , 0 1 = = = =

i la funci de distribuci de
probabilitat s ( ) ( ) { } ( ) ( ) ( ) n i p p j X P j p i F
i
j
j n j
j
n
i
j
i
j
X X
, , 2 , 1 , 0 1
1 1 1
= = = = =

=
= =
. Per la
generaci dun valor pseudoaleatori x de la distribuci semprar una simulaci esttica que
requereix de n valors aleatoris en linterval ) 1 , 0 [ , el procediment pot descriures com,

Llegir n i p;
x=0;
Per i=1 fins n fer
Generar un valor aleatori r a linterval ) 1 , 0 [ ;
Si p r llavors x=x+1;
Fper
1.4.4 Generaci de Nmeros Pseudoaleatoris de distribucions contnues


En la Secci 1.4.2 es tracta la generaci de seqncies de nmeros pseudoaleatoris en linterval
) 1 , 0 [ , generadors que resulten imprescindibles per la generaci de seqncies pertanyents a
altres distribucions, siguin discretes o contnues. En aquesta secci es presenta el mtode de la
transformaci inversa per la generaci de seqncies pseudoaleatries de distribucions
contnues, el qual s similar en concepci al mtode de la taula de cerca per la generaci de
seqncies pseudoaleatries de distribucions discretes.
Sigui X una variable aleatria contnua amb funci de distribuci de probabilitat ( ) x F
X
. Sigui r
un valor pseudoaleatori pertanyent a linterval ) 1 , 0 [ , aleshores el generador facilita el valor x
de la seqncia pseudoaleatria distribuda segons X tal que ( ) ( ) { } r x F x min r F x
X X
= =

|
1
, s
a dir x s lantiimatge del valor r i aix t sentit, probabilsticament parlant, perqu la funci
distribuci de qualsevol variable pren valors entre 0 i 1. No sempre es requereix disposar de la
forma analtica de la funci inversa de la funci de distribuci ( ) x F
X
, ( ) .
1
X
F .
1.4.4.1 Generaci de Nmeros Pseudoaleatoris de distribuci exponencial
Sigui X una variable aleatria exponencial de parmetre , llavors la funci de distribuci de
probabilitat ( ) 0 1 =

x e x F
x
X

. La inversa de la funci de distribuci ( ) x F
X

s ( )
( )

=
r
r F
X
ln
1
doncs,
( ) ( )

= =

r r
x e r
x
ln 1 ln
1
Aix donat el valor pseudoaleatori r pertanyent a linterval ) 1 , 0 [ es determina un valor
pseudoaleatori x de la distribuci de X.
1.4.4.2 Generaci de Nmeros Pseudoaleatoris de distribuci Erlang
Sigui X una variable aleatria Erlang de parmetres i k. La inversa de la funci de distribuci
( ) x F
X
no s immediata de trobar en aquest cas i per tant cal recrrer a les propietats conegudes
duna variable daquestes caracterstiques: una variable Erlang de parmetres i k s la suma
de k variables exponencials independents de parmetre .
Aix donat k valors pseudoaleatoris
k
r r , ,
1
pertanyents a linterval ) 1 , 0 [ es determina un valor
pseudoaleatori x de la distribuci Erlang de X segons el segent procediment:
Llegir i k;
x=0;
Per i=1 fins k fer
Generar un valor aleatori
i
r a linterval ) 1 , 0 [ ;
{Determinar el valor aleatori corresponent de la distribuci exponencial
de parmetre }
( )

=
i
i
r
x
ln
;
i
x x x + =
Fper

1.4.4.3 Generaci de Nmeros Pseudoaleatoris de la distribuci discreta de Poisson
Sigui X una variable aleatria discreta de Poisson de parmetre . En aquesta ocasi tamb es
sol recrrer a les propietats conegudes duna variable daquestes caracterstiques: una variable de
Poisson de parmetres caracteritza el nombre docurrncies dun succs en un perode de
temps, t un valor mig per perode de i el temps entre 2 successos est distribut segons una
llei exponencial de parmetre .
Aix donats k valors pseudoaleatoris
k
r r , ,
1
pertanyents a linterval ) 1 , 0 [ es determinen k
valors pseudoaleatoris
k
y y , ,
1
pertanyents a la distribuci exponencial de parmetre ,
( )

=
i
i
r
y
ln
, i es determina un valor pseudoaleatori x de la distribuci de Poisson de parmetre
tal que:

+
= =
< =
1
1 1
1
i
j
j
i
j
j
y y si i x
x=i s el valor ms gran pel qual la suma dels i temps inter arribades s inferior a un perode.

1.4.4.4 Generaci de Nmeros Pseudoaleatoris de distribuci uniforme U[a,b]
Sigui X una variable aleatria uniforme en linterval real [a,b] amb b a < , llavors la funci de
distribuci de probabilitat s ( ) b x a
a b
a x
x F
X

= . La inversa de la funci de distribuci

( ) x F
X
s ( ) ( ) r a b a r F
X
+ =
1
doncs,
( ) r a b a x
a b
a x
r + =
=
Aix donat el valor pseudoaleatori r pertanyent a linterval ) 1 , 0 [ es determina un valor
pseudoaleatori x de la distribuci de X.
1.4.4.5 Generaci de Nmeros Pseudoaleatoris de distribuci Normal
Sigui Z una variable aleatria Normal de parmetres 1 0
2
= = i (normal estndard), llavors
la funci de distribuci de probabilitat s ( ) + =

}
z dx e z F
x
z
Z
2
2
2
1
. La
inversa de la funci de distribuci ( ) z F
Z
1
s indeterminable analticament, tanmateix com
lexpressi per la prpia funci de distribuci ( ) z F
Z
. El mtode ms simplista i obsolet rau en el
Teorema Central del Lmit, que diu que la suma de variables aleatries independents tendeix a
distribuir-se segons una llei normal. El teorema t diverses formulacions, per la ms til per les
finalitats de la present secci s la segent:

Siguin
n
Y Y , ,
1
variables aleatries independents i idnticament distribudes cadascuna delles
amb esperana matemtica
Y
i variana
2
Y
, llavors la variable ( )
n
Y Z
y
Y n

= convergeix
a la distribuci Normal de parmetres 1 0
2
= = i on
=
=
n
i
i n
Y
n
Y
1
1
s la mitjana de les
variables
n
Y Y , ,
1
.
Aleshores per generar cadascun dels valors duna seqncia pseudoaleatria distribuda
normalment amb parmetres 1 0
2
= = i , cal generar
n
r r , ,
1
, n valors pseudoaleatoris a
linterval ) 1 , 0 [ (n gran, ms gran de 100 per anar b), per tant desperana 0.5 i variana 1/12 i
per resultat anterior,
n
r
n
z
n
i
i
|
.
|
\
|
=

=
12
1
5 . 0
1
1

s un valor assimptticament distribut segons una normal estndard.
Si es vol generar una seqncia de valors distribuda normalment amb parmetres
2
i
qualsevol, llavors sha de fer s de la propietat de les lleis normal que diu que una transformaci
lineal duna variable normal s tamb normal. Sigui X una variable distribuda normalment amb
parmetres
2
i , aleshores desprs demprar el procediment anterior per obtenir un valor z
distribut segons una llei normal estndard 1 0
2
= = i , cal afegir-li un pas ms per obtenir
un valor x distribut segons X:
z x + =
El procediment descrit no s el ms emprat ni el ms eficient (veure la Secci 1.4.4.6), per s el
ms fcilment justificable.
A partir dels procediments de generaci de seqncies de nmeros pseudoaleatoris duna llei
normal de parmetres
2
i qualsevol es poden desenvolupar procediments per la generaci
de seqncies de nmeros pseudoaleatoris de distribucions de probabilitat relacionades amb la
llei normal: llei lognormal, llei de
2
, t dStudent i F de Fisher.
1.4.4.6 Mtode de Box-Muller
El mtode de Box-Muller s el que es recomana demprar en les implementacions de generadors
pseudoaleatoris requerits en les prctiques. Box-Muller s un mtode exacte per la generaci de
valors pseudoaleatoris de distribuci normal estndard (parmetres 1 0
2
= = i ) que fa s de
2 valors pseudoaleatoris independents en el interval ) 1 , 0 [ ,
1
r i
2
r , per obtenir 2 valors
pseudoaleatoris normals
1
x i
2
x de la segent manera:
( ) ( ) ( )
( ) ( ) ( )
=
=
5 . 0
1 2 2
5 . 0
1 2 1
ln 2 2 sin
ln 2 2 cos
r r x
r r x

Una desavantatge del mtode rau en lalt cost computacional necessari degut a les crides de les
funcions sinus i cossinus.

1.5 Simulaci dun Sistema dInventari: exemple duna prctica
Linforme corresponent a la prctica podria contenir (criteri del professor de prctiques
corresponent):
1. Identificaci personal.
2. Lenunciat de la prctica.
3. Una descripci de les variables destat i dels successos dels subsistemes corresponents a la
situaci que descrigui lenunciat.
4. Els mtodes emprats per la generaci dels nmeros aleatoris que requereixi la simulaci.
5. Una descripci de la implementaci (programa) efectuada en forma de les variables i
estructures de dades ms importants i el pseudo-codi.
6. Una traa de la simulaci en forma de llistat de les variables ms importants corresponents a
un perode de temps limitat que ocupi com mxim dos fulls i que reflecteixi lactualitzaci
correcte de les variables destat i laparici del tots els tipus de successos que intervinguin en
el model que sest simulant.
7. Els resultats finals de un nmero (mnim 4) dexecucions del programa, fixat per vosaltres
mateixos. (en el exemple que es presenta beneficis mensuals al final de un perode de 1 any).

A continuaci, es descriu un exemple de la gesti dun inventari seguint les pautes indicades en
els punts anteriors. Apareixen coberts els punts 2, 3, 5, 6 de linforme corresponent. Aquest pot
ser un enunciat de caracterstiques molt semblants al que us pot haver estat assignat.

1.5.1 Enunciat

En una ciutat dividida en K districtes, una companyia de venda de recanvis de peces de vehicles
ha installat un magatzem en cada districte per cobrir les peticions diries de la respectiva
poblaci. Quan les existncies dun dels magatzems necessiten de reposici, el magatzem
efectua una comanda a un centre distribudor de la companyia que atn centralitzadament les
peticions en forma de una cua del tipus . / Y / s=1. (El temps de servei de lnic servidor del
centre distribudor s una variable aleatria discreta que segueix la llei de probabilitats Y). En
efectuar una comanda, un magatzem no torna a efectuar una nova comanda fins que sha satisfet
lanterior i, daquesta forma el mxim nmero de comandes pendents de servir que tindr el
centre distribudor ser K. La poltica de cada magatzem es una (Q,r) sense retenci de la

demanda: per un dia qualsevol, en quedar el nivell dinventari per sota de les r unitats senvia
una comanda de Q unitats al centre distribudor.
A cada un dels K districtes sefectua un nmero aleatori de peticions de recanvis al respectiu
magatzem que es distribueix segons la llei de Poisson amb una mitjana de 25 unitats diries. El
temps de servei al centre de distribuci segueix la llei Y = uniforme entre [1, 4 ] dies. El preu de
venda al pblic de cada unitat s de 10 en tots els districtes. Els costs de magatzematge venen
associats al nivell dinventari a linici del dia, ja que les vendes es serveixen al final del dia.
Aquests costs sn de 1 per unitat en magatzem. Si el magatzem no disposa de suficients
unitats per servir totes les peticions dun dia, llavors serveix noms les que disposa en existncia,
per, per un acord amb la clientela, ofereix un descompte de 1 per unitat no satisfeta al client
en una compra posterior, la qual cosa, per simplificar, pot tractar-se com una prdua immediata
de 1 .
Establir mitjanant simulaci quins sn els beneficis mensuals per la companyia. Suposar K = 2.

1.5.2 Parmetres

K = Nmero de magatzems
T = Longitud de lhoritz de temps a simular
S = Longitud de temps en el que es reben demandes pels magatzems per part de la
poblaci (com a totes les poblacions. Tpicament T/S = enter )
Parmetres especfics de la poblaci de clients l-ssima:
Llei de probabilitats de la v.a. X(l) = N de unitats sollicitades durant les S unitats de temps
al magatzem l. (P.ex: v.a. aleatria Poisson de mitjana )
Parmetres especfics del magatzem l-ssim:
Poltica (Q,r) sense retenci de la demanda.
Preus de manteniment de linventari pel magatzem l : P
M
(l)
de penalitzaci : P
P
(l)
de venda del producte : P
V
(l)
Quantitat dunitats demanada : Q(l)
Nivell mnim dinventari : r(l)

Parmetres especfics del centre de distribuci:
Sistema despera . / Y / 1. ( 1 servidor amb temps de servei Ts , v.a. distribuda segons una
llei de probabilitats determinada. P.ex: v.a. discreta i uniforme distribuda entre [ n.S,
(n+m)S ], n > 0 ).

1.5.3 Variables destat

Tck = instant de simulaci.
N(l) = Existncies del magatzem l .
C(l) = 1 si el magatzem l ha fet una comanda al distribudor no satisfeta.
0 altrament.
Np = Nmero de peticions en el centre de distribuci per satisfer.

1.5.4 Successos

1. Demanda de la poblaci l : (X(l) > 0 ).
2. Petici del magatzem l al distribudor.
3. Envio de Q(l) unitats al magatzem l per part del distribudor.

Tpicament els successos futurs es guarden en una estructura de dades en forma de llista
encadenada delements, la qual semplena pel final de llista i s buida pel inici de llista. Els
elements de la llista consisteixen dels segents camps:
- Instant en el que es dona el succs.
I - Tipus de succs.
Parmetres o valors numrics propis del succs
- Apuntador al segent succs.
En aquest cas nicament els successos tipus 2 es guardaran en forma de llista ja que, per
simplificar es considerar que la demanda per part de la poblaci i lenvio de unitats per part del
centre de distribuci sn successos presents ( es generen dins dun perode de S unitats de
temps )


Inici_llista Fi_llista

1.5.5 Pseudocodi del programa de simulaci.
Declaracions de les variables ms importants.
Tck - Enter. Instant de simulaci
N(l) Array denters. Existncies dels magatzems
R(l) - Array de flags. Indica recepci de unitats provinents del distribudor
r(l) Array denters. Nivell mnim dinventari per sota del qual senvia una comanda al
distribudor.
X(l) Array denters. Demandes de les poblacions
C(l) Array de flags . Indica petici al centre distribudor.
Pen(l) - Array de flotants. Import total de les penalitzacions per demanda no satisfeta.
Ing(l) - Array de flotants. Import total dels ingressos per vendes als clients.
Man(l) - Array de flotants. Import total de les despeses pel manteniment dinventari.
Succes Estructura. Registra una petici de unitats per un magatzem al provedor.
Succes.TS = Enter. Instant de simulaci en que es produir el succs.
Succes.MAG = Enter. Magatzem que ha efectuat la petici
Succes.PUN = Apuntador
Inici_llista Apuntador
Fi_llista Apuntador
Np Enter. Longitut de la llista Succes.
I nicialitzacions:
N(l) = valor inicial de linventari, l = 1, 2, ..., K
Fixar valor per T ; Tck = 0
R(l) = 0, l = 1, 2, ..., K
Q(l) = 100, l = 1, 2, ..., K
r(l) = 20, l = 1, 2, ..., K
Inici_llista = NULL; Fi_llista = NULL

Mentre Tck < T fer
Per l = 1, ..., K
Si ( R(l) = 1 ) llavors
N(l) = N(l) + Q(l); R(l) = 0; C(l) = 0
FiSi
X(l) = { Generar_Demanda(l) };
Man(l) = Man(l) + Manteniment( N(l), l )

Si ( X(l) <= N(l) ) llavors
N(l) = N(l) X(l);
Ing(l) = Ing(l) + PVP( X(l), l )
Altrament
Ing(l) = Ing(l) + PVP( N(l) );
Pen(l) = Pen(l) + Import_Pen( N(l) X(l), l );
N(l) = 0;
FiSi

Si ( N(l) < r(l) & C(l) = 0 ) llavors
{ Efectuar_Comanda(l) }; C(l) = 1
FiSi
FiPer

{ Proveidor(Tck) };
Sescriuen variables X, N, Man,, Ing, Pen, R, C, Estat de la cua;
Tck = Tck + S
Fi Mentre

_
Proveidor(Tck)

Variable local: Pun = Apuntador

Si ( Fi_llista NULL ) llavors
Si ( Tck = (Inici_llista). TS ) llavors
R( (Inici_llista). MAG ) = 1; Np = Np 1;
Pun = Inici_llista;
Inici_llista = (Inici_llista).PUN; Alliberar( Pun );
Si ( Inici_llista = NULL ) llavors
Fi_llista = NULL
FiSi
FiSi
FiSi
Return.

_


Efectuar_Comanda(l)
Variable local: tau = enter; Pun = Apuntador

tau = { Generar_Temps_de_servei };

Pun = Crear( Success ); Np = Np + 1;
(Pun).PUN = NULL;
(Pun).MAG = l;
Si ( Inici_llista = NULL ) llavors
Fi_llista = Inici_llista = Pun;
(Pun).TS = Tck + tau
Altrament
(Pun).TS = (Fi_llista).TS + tau
(Fi_llista).PUN = Pun; Fi_llista = Pun
FiSi
Return

Manteniment(a,l) = a
Pvp(a, l) = 10 a
Import_pen(a, l) = - min{a, 0}

Retard en servir una comanda: v.a. uniforme entre [1,4] dies.
Demanda X(l): v.a aleatria Poisson de mitjana 25 unitats.

Tck X(1) N(1) M(1) Pvp(1) Pen(1) R(1) C(1) X(2) N(2) M(2) Pvp(2) Pen(2) R(2) C(2) T1 T2 Np

1.1.1.1.1.1.1 Cua

1 28 72 100 280 0 0 0 21 79 100 210 0 0 0 - - 0 -
2 25 47 172 530 0 0 0 22 57 179 430 0 0 0 - - 0 -
3 15 32 219 680 0 0 0 20 37 236 630 0 0 0 - - 0 -
4 18 14 251 860 0 0 1 25 12 273 880 0 0 1 2 1 2 1(6), 2(7)
5 15 0 265 1000 1 0 1 11 1 285 990 0 0 1 - - 2 1(6), 2(7)
6 20 0 265 1000 21 1 1 21 0 286 1000 20 0 1 - - 1 2(7)
7 14 86 365 1140 21 0 0 20 0 286 1000 40 1 1 - - 0 -
8 24 62 451 1380 21 0 0 34 66 386 1340 40 0 0 - - 0 -
9 30 32 513 1680 21 0 0 30 36 452 1640 40 0 0 - - 0 -
10 15 17 545 1830 21 0 1 18 12 488 1820 40 0 1 3 2 2 1(13), 2(15)
11 2 15 562 1850 21 0 1 20 0 500 1940 48 0 1 - - 2 1(13), 2(15)
12 20 0 571 2000 26 0 1 12 0 500 1940 60 0 1 - - 2 1(13), 2(15)
13 1 0 571 2000 27 1 1 26 0 500 1940 86 0 1 - - 1 2(15)
14 10 90 671 2100 27 0 0 14 0 500 1940 100 0 1 - - 1 2(15)
15 7 83 761 2170 27 0 0 27 0 500 1940 127 1 1 - - 0 -
16 11 72 844 2280 27 0 0 26 74 600 2200 127 0 0 - - 0 -

Q=100, r=20
Cua:
Peticio_Magatzem (instant dentrega)

Sim TCi S

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sim TCi S

Uploaded by

Copyright:

Available Formats

APUNTS DE TEORI A DE CUES

es pot estimar a partir dels N parells de punts generats

s assimptticament normal amb variana [ ] ( ) ( ) j n Var

= . La inversa de la funci de distribuci

You might also like