Introduccion a la Simulación de Sistemas
-
Upload
pablo-ortiz-bochard -
Category
Education
-
view
1.699 -
download
2
description
Transcript of Introduccion a la Simulación de Sistemas
Introducción a la Simulación de
Sistemas
Ing. Pablo Ortiz, M.Sc., PMP
Agosto de 2013
Simulación de Sistemas
Agenda
� Ejemplos
� Qué es, cómo funciona y porqué simular
� Sistemas, Modelos y Simulación
� Simulación de Eventos Discretos
� Simulación de un Sistema de Colas de un solo Servidor
� La aguja de Buffon
� Simulación Monte Carlo
� Algunos Lenguajes de Simulación
� Otros temas relevantes
Agosto 2013 M.Sc. Ing. P. Ortiz 2
Flight Simulator (real)
Simulación de Sistemas 3Agosto 2013 M.Sc. Ing. P. Ortiz
Flight Simulator (Wii)
Simulación de Sistemas 4Agosto 2013 M.Sc. Ing. P. Ortiz
Simulador del Tren del Túnel del Canal M.
Simulación de Sistemas 5Agosto 2013 M.Sc. Ing. P. Ortiz
Centro de Entrenamiento en Lille, Francia
En el Análisis de Negocios…
Simulación de Sistemas 6Agosto 2013 M.Sc. Ing. P. Ortiz
Simulación Monte Carlo
En Biología y Agronomía
Crecimiento celular en una Simulación Monte Carlo
Simulación de Sistemas 7Agosto 2013 M.Sc. Ing. P. Ortiz
Coupling 1D Monte-Carlo simulations and geostatisticsto assess groundwater vulnerability to pesticide contamination on a regional scale
¿Qué es Simular?
Simulación de Sistemas 8Agosto 2013 M.Sc. Ing. P. Ortiz
Definición de Simulación de Dictionary.com
� Imitación o representación de una situaciónpotencial o el testing de un experimento
� La idea básica es construir un dispositivoexperimental o un simulador, que “actúe como” el sistema de interés, de forma rápida y eficiente
� Representación de las operaciones y funciones de un proceso o sistema mediante el uso de otro: ej. simulación por computadora de una emergencia en vuelo
¿Porqué Simular?
� Seguridad- Simulador de vuelo
� Costo – es mas fácil simular el efecto de agregar un carril mas a una autopista queimplementarlo en la realidad
� Tiempo – Boeing manufactura de forma simuladaantes de construir el objeto real, con enormesahorros en tiempo y dinero, descubriendo partesque no encajan y de esa forma repararlas antes de entrar en producción
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 9
¿Cómo funciona?
� La Simulación requiere que se conozca:
� Qué variables van a ser simuladas
� ¿Son las variables discretas o continuas?
�La distribución de la variable – valores quepuede tomar y la probabilidad que esosvalores ocurran .
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 10
Sistemas, modelos y simulación
SISTEMA
Experimentar
con el sistemaExperimentar
con un modelo
Modelo Físico Modelo matemático
Solución analítica Simulación
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 11
Formas de estudiar un sistema
Simulación de Sistemas
Sistemas, Modelos y Simulación (cont.)
� Clasificación de los modelos de simulación�Estáticos vs dinámicos�Deterministas vs. estocásticos�Continuos vs discretos
� Muchos modelos son dinámicos, estocásticos y discretos, tal es el caso de los modelos de simulación de eventos discretos (discrete-event simulation models)
Agosto 2013 M.Sc. Ing. P. Ortiz 12
Sistemas: discretos y continuos� Sistema: colección de entidades que interactúan
conjuntamente para lograr un objetivo
� Sistema Discreto: las variables de estado cambian instantáneamente en tiempos separados en el tiempo, por ej. un banco, ya que las variables de estado (# clientes), cambian cuando los clientes llegan o cuando el cliente es atendido y luego parte
Simulación de Sistemas 13Agosto 2013 M.Sc. Ing. P. Ortiz
Simulación de Eventos Discretos
Simulación de Sistemas 14Agosto 2013 M.Sc. Ing. P. Ortiz
Los modelos DES (Discrete EventSimulation) se caracterizan por un vector de estado S que consiste en un conjunto de variables necesarias para describir la evolución del sistema en el tiempo
• El estado del sistema en el tiempo (t, S(t)), es una función cuyos cambios son disparadospor eventos
• El modelo DES es manejado por un reloj (de simulación) y una lista de eventos
Objetivos de la simulación discreta
1. La simulación se propone analizar elcomportamiento de los sistemasdiscretos que no se pueden analizar conherramientas tradicionales de tipomatemático (por ej. Teoría de colas) alfin de tomar decisiones.
2. Se centra en el estudio de sistemascomplejos que no se pueden o que no eseconómicamente rentable simular en larealidad.
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 15
Ejemplo 1.
� Simular las fallas de una máquina basadoen datos históricos
Nro. de Fallaspor Mes
Frecuencia(# de mesesen los queocurrió)
0123
362031
Total 60
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 16
Simulación de Sistemas
Ejemplo 2 (Cola c/un servidor)�Objetivo: estimar el tiempo de espera en cola �Variables de estado
� Estado del servidor (ocioso, ocupado)- esnecesario decidir qué hacer con los arribos
� Largo de la cola– es necesario almacenar un arribo que debe esperar en línea
� Tiempo entre arribos– es necesario calcularel tiempo en la cola cuando el serviciocomienza
�Eventos� Arribo de un nuevo cliente� Fin del servicio (partida de un cliente) � etc.
Agosto 2013 M.Sc. Ing. P. Ortiz 17
Característica de un DES
� Un DES es entonces estocástico, dinámico y discreto
� Estocástico (probabilístico)�Los tiempos entre arribos y tiempos de servicio son
variables aleatorias
�Existen funciones de probabilidad acumuladas
Simulación de Sistemas 18Agosto 2013 M.Sc. Ing. P. Ortiz
Sistemas Continuos
Las variables de estado del sistema cambian continuamente en relación al tiempo, por ej. un avión volando, ya que las variables, posición y velocidad, cambian continuamente en relación al tiempo
Simulación de Sistemas 19Agosto 2013 M.Sc. Ing. P. Ortiz
Georges-Louis Leclerc, Conde de Buffon (1707-1788)Naturalista, matemático, biólogo, cosmólogo y escritor francés. Las ideas de Buffon influyeron a las siguientes generaciones de naturalistas incluyendo a Lamarck y Darwin.
En matemáticas Buffon es recordado por su teoría de la probabilidad y el problema clásico de la aguja de Buffon.
La aguja de Buffon se refiere a un método Monte Carlo simple para estimar �
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 20
La aguja de BuffonProcedimiento:� Deja caer, de la forma más
aleatoria posible, la aguja sobre la superficie.
� Anotar el número de tiradas y el número de veces que la aguja corta a una línea
� El cociente entre el número total de tiradas y el número de veces que la aguja corta a una línea tiende a �/2 ( se parecerá tanto más cuanto mayor sea el número de tiradas)
Simulación de Sistemas 21Agosto 2013 M.Sc. Ing. P. Ortiz
¿Qué es la simulación Monte Carlo?
� Método computacional usado para estudiar el comportamiento de sistemas matemáticos, físicos o de cualquier índole, a partir del uso de muestreo estadístico, números aleatorios y pseudo-aleatorios.
� Es iterativo -> requiere cálculos por computador.
� Creado por S. Ulam y J. Von Newmanen 1946
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 22
Introducción al Método Monte Carlo
� El método Monte Carlobásicamente es una forma de resolver problemas complejosmediante aproximaciones usandogran cantidad de números aleatorios
� Modelo básico: 1. Un conjunto de variables de entrada
generadas aleatoriamente a partir de determinadas distribuciones de probabilidad
2. Elección de un modelo
3. Resultado de la simulación
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 23
Métodos Monte Carlo. Método Hit-Miss
� Ejemplo: Cálculo de
Consideremos un cuarto de un circulo de una unidad
�Tiene área: �
�
�Definimos una caja contenedora: (0,0) (1,0)
(0,1) (1,1)
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 24
#������� ������������
#���������� �������=
����������
���� �������
http://twtmas.mpei.ac.ru/mas/Worksheets/approxpi.mcd
�
Detalle
# ptos. en el área sombreada/ # puntos en el cuadrado =
¼ π r2 / r2
π = 4 [# ptos. en el área sombreada / # puntos en el cuadrado]
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 25
Código Python
Se calcula la proporción de los puntos dentro del área (caja) sobre el número total
ct = 0rnd=Random()rnd.seed(12345)for i in range(nrpts):
x = rnd.random()y = rnd.random()if x*x + y*y < 1:
ct += 1print ct/(1.*nrpts)
Agosto 2013 M.Sc. Ing. P. Ortiz Simulación de Sistemas 26
T. Schwarz
Aplicaciones
� Física
� Cálculo Numérico (Integración,Diferenciación)
� Codificación/Decodificación ej. conexión-ssh
� Test de confiabilidad
� Inversiones bancarias
� Predicción de terremotos, etc.
Simulación de Sistemas 27Agosto 2013 M.Sc. Ing. P. Ortiz
Algunos lenguajes de simulación
Simulación de Sistemas 28Agosto 2013 M.Sc. Ing. P. Ortiz
Software libre
Simulación de Sistemas 29Agosto 2013 M.Sc. Ing. P. Ortiz
¿Porqué Python?
• Software libre• Amplia comunidad
para soporte• Gran cantidad de
bibliotecas de propósito general y específico
Otros temas relevantes
� Cadenas de Markov
� Generación de Nros. Aleatorios
� Modelos de Inventario
� Video streamming
� Movimiento Browniano (física)
� etc., etc.,...
Simulación de Sistemas 30Agosto 2013 M.Sc. Ing. P. Ortiz
Simulación de Sistemas 31Agosto 2013 M.Sc. Ing. Pablo Ortiz
La Presentación la pueden buscar en mi cuenta de