Tecnicas de Simulacion

Facultad de Ingeniera Confiabilidad Estructural
Universidad de Los Andes, Venezuela Prof. Jorge O. Medina M.

T TT Tema ema ema ema 4 4 4 4 Tcnicas Tcnicas Tcnicas Tcnicas de de de de Simulaci Simulaci Simulaci Simulaci n nn n
Introduccin
La idea bsica de la simulacin es obtener numricamente valores de fenmenos para
luego observar la frecuencia de algn rango de inters. Para ello es preferible emplear la
herramienta computacional.
Nmeros aleatorios
Un paso clave en simulacin es tener rutinas que generen variables aleatorias con
distribuciones especificas: exponencial, normal, etc. Esto es hecho en dos fases. La primera
consiste en generar una secuencia de nmeros aleatorios distribuidos uniformemente entre
0 y 1. Luego esta secuencia es transformada para obtener los valores aleatorios de las
distribuciones deseadas.
El valor usado para comenzar la secuencia es llamado semilla. Dada la semilla se
puede predecir con probabilidad 1 los nmeros de la secuencia. Sin embargo, los nmeros
son aleatorios en el sentido de que pasan pruebas estadsticas de aleatoriedad y por esto son
llamados pseudo-aleatorios. En muchos casos se prefieren estos nmeros en vez de los
completamente aleatorios ya que es necesario repetir las secuencias en distintos
experimentos. Si deseamos otra secuencia simplemente cambiamos la semilla.
Algunos generadores de nmeros aleatorios no repiten la parte inicial de la secuencia.
Esta parte es llamada cola. En estos casos el periodo del generador es la longitud de la cola
ms la longitud del ciclo

Figura 4-1. Esquema del periodo
Nota: De Generacin de Nmeros Aleatorios por Hoeger, H., s/d, p.IV-1
Los valores sucesivos generados deben ser independientes y uniformemente
distribuidos, por lo que la correlacin debe ser extremadamente pequea.
Generador de nmeros aleatorios
En 1951, D. H. Lehmer descubri que residuos de potencias sucesivas de un nmero
tienen buenas propiedades aleatorias, de tal forma que la propuesta de Lehmer se indica en
la Ecuacin 4-1a
1
y muchos de los generadores actuales son generalizaciones de la
Ecuacin 4.-1.

+ (4-1a)

( )
|
\
| +
+ =

m
b ax
entero m b ax x
n
n n
1
1
*
(4-1b)
donde,
a multiplicador,
m mdulo o residuo de (ax
n-1
+b)/m.
Cabe resaltar que los x son enteros entre 0 y m-1, y las constantes a y b son no-
negativas. La seleccin de a, b, y m afectan el periodo y la autocorrelacin en la secuencia.
Si un generador tiene el periodo mximo posible se llama generador de periodo completo.
Todos los generadores de periodo completo no son igualmente buenos. Son preferibles los
generadores con menor autocorrelacin entre nmeros sucesivos.
Un generador GCL (Generadores Congruenciales-Lineales) muy popular y que ya
hemos mencionado varias veces es:
= 7
1 (4-2a)

1 2
31
=
n
i
x
u
(4-2b)
Este es usado en el sistema SIMPL/I de IBM (1972), APL de IBM (1971), el sistema
operativo PRIMOS de Prime Computer (1984), y la librera cientfica de IMSL (1987).
Tiene buenas propiedades aleatorias y es recomendado como un estndar mnimo. Este
generador tiene un periodo de 2147,483x10
6
=2
31
-1, por lo tanto la probabilidad u
i
es el
cociente del nmero aleatorio entre el periodo.
Seleccin de la semilla
En principio la semilla no debera afectar los resultados de la simulacin. Sin embargo,
una mala combinacin de semilla y generador pueden producir conclusiones errneas. Por
lo tanto se debe seguir las siguientes recomendaciones para seleccionar la semilla.
1. No use cero.
2. Evite valores pares. Si un generador no es de periodo completo (por ejemplo GCL
multiplicativo con modulo (m =2
k
) la semilla debe ser impar. En otros casos no
importa.

1
La Ecuacin 4-1b es otra manera de expresar la Ecuacin 4-1a, ya que la funcin mod se refiere al residuo de una divisin
correspondiente al cociente entero.
3. No subdivida una secuencia. Usar una nica secuencia para todas las variables es un
error comn. Por ejemplo, en la secuencia u
1
, u
2
, ... generada a partir de la
semilla u
0
, el analista usa u
1
para generar el tiempo entre llegadas, u
2
para el tiempo
de servio, etc. Esto puede resultar en una fuerte correlacin entre las variables.
4. Use secuencias que no se solapan. Cada secuencia requiere su semilla. Hay que
seleccionar las semillas de forma tal que las secuencias no se solapen. Si u
1
, u
2
,
... generada a partir de la semilla u
0
, y necesitamos por ejemplo 10.000 tiempos
entre llegadas, 10.000 tiempos de servicios, etc., podemos seleccionar u
0
como la
semilla de la primera secuencia, u
10.000
para la segunda, u
20.000
para la tercera, etc.
5. Reuse semillas en replicaciones sucesivas. Si el experimento es replicado varias veces,
la secuencia no necesita ser reinicializada y se puede usar la semilla dejada en la
replicacin previa.
6. No use semillas aleatorias. (Hoeger, s/f)
Mtodo de Monte Carlo
Conceptos bsicos
El mtodo de Monte Carlo es una tcnica especial para generar algunos resultados
numricos sin realizar pruebas de campo. La base del mtodo es usar un generador de
nmeros aleatorios que genera un conjunto u para obtener el juego de valores aleatorios x a
partir de una funcin de probabilidades definida para la variable al hallar el valor inverso de
la funcin.
El mtodo es usualmente empleado en los siguientes casos:
1. Para resolver problemas donde no exista o sea muy difcil de obtener una solucin
analtica.
2. Resolver problemas complejos cuya solucin analtica requiere realizar muchas
simplificaciones, el mtodo puede resolver el problema sin las simplificaciones
necesarias y los resultados pueden ser ms reales.
3. Comprobar los resultados de otras tcnicas de simulacin.
Procedimiento general de valores obtenidos por nmeros aleatorios
para cualquier distribucin
El procedimiento general para obtener una muestra de valores x
i
de una variable
aleatoria X, cuya FDA es cualquier tipo de distribucin conocida, es el siguiente
1. Generar un nmero aleatorio u
i
entre 0 y 1.
2. Calcular el valor de la muestra x
i
segn,

(4-3)
donde,
Funcin inversa de la distribucin de F

X
.
Generacin de valores aleatorios de distribucin uniforme
Para una distribucin uniforme el equivalente a la Ecuacin 4-3 sera en la siguiente
forma:

= +
(4-4)
donde,
u
i
Valor generado por el generador de nmeros aleatorios,
a,b Lmites de la funcin.
Generacin de valores aleatorios de una distribucin normal
Para obtener una expresin equivalente a la Ecuacin 4-3 si F
X
es normal, se requiere
resolver dos ecuaciones.

(4-5)

(4-6)
donde,
u
i
Valor generado por el generador de nmeros aleatorios,
-1
Inversa de la FDA normal.

Figura 4-2. Representacin grfica de la Ecuacin 4-5
Ejemplo 4-1
La carga permanente es Normal, con media y coeficiente de variacin indicados.
Generar 10 valores de la carga permanente.
0.00
0.50
1.00
u=(z)
z
i
u
i
u
i
u
i
u
i
Z
CP
2970 kgf/m V
CP
10.0%

CP
297 kgf/m

Semilla 1 761 583 081 n 10

NA (segn Ecuacin 4-2a) u
i
(segn Ecuacin 4-2b) z
i
CP
i

1 1717284825 0,800 0,840 3219,61
2 225838095 0,105 -1,253 2597,96
3 1057258416 0,492 -0,019 2964,29
4 1062502434 0,495 -0,013 2966,10
5 1151883433 0,536 0,091 2997,13
6 139780726 0,065 -1,513 2520,52
7 2095035711 0,976 1,970 3555,07
8 1123318565 0,523 0,058 2987,20
9 1086381178 0,506 0,015 2974,38
10 902491852 0,420 -0,201 2910,23

m
CP
2969,25 s
CP
288,62
Ejemplo 4-2
Emplear Monte Carlo para obtener la media y desviacin estndar a 1,83 m del
extremo libre de una viga de madera en volado. P y w son dos variables aleatorias
independientes
w
74,00 kgf/m

P
2268 kgf

w
7,40 kgf/m

P
226,80 kgf

Semilla 225 838 095

NA u
i
z
i
P NA u
i
z
i
W
1057258416 0,4923 -0,0192 2 263,6 1307500234 0,6089 0,2763 76.0
1062502434 0,4948 -0,0131 2 265,0 2103756734 0,9796 2,0463 89.1
1151883433 0,5364 0,0913 2 288,7 1668664130 0,7770 0,7622 79.6
139780726 0,0651 -1,5134 1 924,8 1249086737 0,5817 0,2061 75.5
2095035711 0,9756 1,9699 2 714,8 1748139334 0,8140 0,8929 80.6
1123318565 0,5231 0,0579 2 281,1 1254011931 0,5839 0,2120 75.6
1086381178 0,5059 0,0148 2 271,3 774012659 0,3604 -0,3573 71.4
902491852 0,4203 -0,2012 2 222,4 1522309934 0,7089 0,5501 78.1
503557803 0,2345 -0,7241 2 103,8 342890380 0,1597 -0,9958 66.6
62942194 0,0293 -1,8910 1 839,1 1259991759 0,5867 0,2191 75.6

P W M

2 263,6 76,0 4 015,2

2 265,0 89,1 3 995,8

2 288,7 79,6 4 055,0
(Continua Tabla)
2
83 , 1
83 , 1
2
w P M + =
P W M (Continuacin)

1 924,8 75,5 3 395,9

2 714,8 80,6 4 833,1

2 281,1 75,6 4 048,0

2 271,3 71,4 4 037,1

2 222,4 78,1 3 936,2

m
M
3929,36

2 103,8 66,6 3 738,3

s
M
430,47

1 839,1 75,6 3 239,0 V
M
11,0%
Los parmetros reales de M son:

2
83 , 1
83 , 1
2
w P M
+ = ; ( )
2
2
2
2
83 , 1
83 , 1
|
|
\
|
+ =
w P M
Segn las Ecuaciones 3-2 y 3-4.

M
=4026,56;
M
=415,23; V
M
=10,3%.
Generacin de valores aleatorios de una distribucin log normal
Para obtener una expresin equivalente a la Ecuacin 4-3 si F
X
es log normal, primero
se debe aplicar la Ecuacin 4-5 para obtener z
i
de una distribucin normal estndar, luego
se aplica las relaciones de normal con log normal.

(4-7)

= ln
+ 1 (4-8)

= ln

1
2

(4-9)
Precisin de las probabilidades estimadas
Cabe destacar que los resultados obtenidos de una simulacin son estimaciones, es
importante conocer la relacin entre los valores estimados y el nmero de simulaciones.
Denominaremos P
verdadero
al valor tericamente correcto que estamos tratando de estimar,
entonces el valor esperado, varianza y coeficiente de variacin de la probabilidad estimada
P seria:
[ ]
verdadera
P P E = ; ( ) [ ]
verdadera verdadera P
P P
N
= 1
1
2
;
verdadera
verdadera
P
NP
P
V

=
1
(4-10)
donde,
N Nmero de simulaciones.
De la Ecuacin 4-10 se observa que a medida que aumenta el nmero de simulaciones
decrece el coeficiente de variacin, de tal forma que la relacin V
P
indica una forma de
establecer el nmero de simulaciones.
Ejemplo 4-3
Si P
verdadera
=10
-2
y V
P
=0,1 aplicando la Ecuacin 4-10 que N=9900.
Aplicando N=9900 para el ejemplo 4-3, los resultados son
Tabla 4-1. Comparacin de los resultados segn varias simulaciones del
ejemplo 4-2.
Simulaciones
M

M
V
M

10 3929,36 430,47 11,0%
9 900 4023,05 417,91 10,4%
Valor real 4026,56 415,23 10,3%
Simulacin con variables correlacionadas
Las indicaciones anteriores para simulacin est definida para variables no
correlacionadas, para los casos donde algunas variables estn correlacionadas, se aplica una
tcnica diseada para variables aleatorias normales, este procedimiento puede ser usado
para otras distribuciones como una aproximacin.
Digamos que tenemos las variables X
1
, X
2
, ,X
n
que son normales correlacionadas,
entonces las expresiones para la media y matriz de covarianza son:
{ } { }
n X
, , ,
1 1
K = (4-11)

[ ]
=
2
2 1
2
2
12
1 12
2
2 1
2
2
1 2
1 2 1
1
n
X n n
n X
n X
X X n X X n
X X n X X
X X n X X
X
C

L
M O M M
L

(4-12)
donde,
{
X
} Vector de las medias de las variables correlacionadas;
[C
X
] Matriz de covarianza de las variables correlacionadas.
Para generar nmeros aleatorios de las variables X
1
, X
2
, ,X
n
, es necesario generar un
conjunto de nmeros aleatorios no correlacionados para Y
1
, Y
2
, ,Y
n
usando la tcnica
mencionada.

{ } [ ]{ } Y T X =
(4-13)

[ ] [ ] [ ][ ]
= =
2
2
2
0 0
0 0
0 0
2
1
n
Y
Y
Y
T C T C
X
T
Y
L
M O M M
L
L

(4-14)


[ ] [ ][ ][ ]
T
Y X
T C T C =

(4-15)

{ } [ ] { }
X
T
Y
T =
(4-16)
donde,
[X] Vector de nmeros aleatorios correlacionados;
[Y] Vector de nmeros aleatorios no correlacionados;
[T] Matriz de los vectores propios correspondiente a los valores propios de la matriz [C
X
].
Los parmetros del conjunto de variables aleatorias Y son los que van a ser empleados
para la simulacin, luego se obtiene el conjunto X correlacionado segn la Ecuacin 4-13.
Ejemplo 4-4
Obtener los parmetros de M
n
=R
n
bd
2
si el coeficiente de correlacin entre b y d es de
0,05 y la distribucin es normal.

Rn 36,34 4,36

b 20,20 0,81
d 24,75 0,99

bd
0,05

Matriz C
X

19,02 0,00 0,00 Segn Ecuacin 4-12

0,00 0,65 0,04

0,00 0,04 0,98

Matriz T

1,00 0,00 0,00 Matriz de vectores propios de C
X

0,00 0,99 0,12

0,00 -0,12 0,99

Matriz C
Y

19,017 0,000 0,000 Segn Ecuacin 4-14

0,000 0,648 0,000

0,000 0,000 0,985

Vector
Y

Vector
Y
2

Vector
Y

Rn
36,34 Segn Ecuacin 4-16 19,017 Vector de la diagonal de C
Y
4.36
b
17,09

0,648

0.80
d
26,99

0,985

0.99
Simulacin de 10 valores con los parmetros no correlacionados
Y
,

Y

u
Rn
Rn u
b
b u
d
d
0,9683 44,43 0,4800 17,05 0,8415 27.98
0,5993 37,44 0,0475 15,75 0,2598 26.35
0,3886 35,11 0,5941 17,29 0,2024 26.16
0,7007 38,64 0,2328 16,51 0,2100 26.19
(Continua Tabla)
2
bd R M
n n
=
u
Rn
Rn u
b
b u
d
d
(Continuacin)
0,2311 33,14 0,9521 18,44 0,8321 27,94

0,9368 43,01 0,8430 17,91 0,3767 26,68

0,3652 34,84 0,5934 17,28 0,4860 26,95

0,2072 32,78 0,4457 16,98 0,8534 28,03

0,7849 39,78 0,8577 17,96 0,7144 27,55

0,3263 34,38 0,3766 16,84 0,4194 26,79

Vector de variables Correlacionados Segn Ecuacin 4-13
Rn b d Mn (kgf*cm)

44,43 13,58 29,82 536 730

37,44 12,49 28,04 367 575

35,11 14,03 28,04 387 340

38,64 13,26 27,97 400 773

33,14 14,96 29,95 444 553

43,01 14,59 28,63 513 983

34,84 13,94 28,83 403 436

32,78 13,51 29,86 394 883

39,78 14,53 29,50 503 030 m
Mn
433 257
34,38 13,52 28,61 380 264 s
Mn
62 242
Hipercubo Latino
La tcnica del hipercubo latino reduce el nmero de simulaciones necesarias para
obtener un resultado razonable. Los pasos son los siguientes:
Partir el rango de x
i
y en N intervalos, donde la probabilidad de x
i
debe ser igual a
1/N.

(4-17)
De cada intervalo N, se selecciona un valor aleatorio de x
i
aleatorio. Por ejemplo el
valor medio del intervalo.
Se tiene N valores representativos por cada una de las K variables aleatorias. Existen
N
K
combinaciones posibles. El objetivo de la tcnica es seleccionar N
combinaciones tal que cada valor representativo aparezca una vez y solo una vez en
las N combinaciones.
o Para obtener la primera combinacin, aleatoriamente se selecciona uno de los
valores representativos K
1
, el segundo valor representativo se selecciona de los N-
1 restantes, el tercer valor representativo se selecciona de los N-2 restantes y as
sucesivamente hasta tener las N combinaciones. En la figura 4-1 se indica un
diagrama de flujo para proceder a realizar la seleccin de las combinaciones.
Evaluar la funcin en cada combinacin, para as obtener los parmetros estadsticos
=
(4-18)
Ejemplo 4-5
Simular la funcin
2 1
7 3 X X Y = por el mtodo del hipercubo latino, considerando
que la variable X
1
es uniforme entre 2 y 4 y la X
2
es normal.
X
1
a 2
X1
3

b 4
X1
0,58

X
2

X2
0,6

X2
0,1

Se divide en seis intervalos

Estrato 1 2 3 4 5 6

p 0,17 0,33 0,50 0,67 0,83 1,00

Intervalo de
X
1

2,33
2,00
2,67
2,33
3,00
2,67
3,33
3,00
3,67
3,33
4,00
3,67
Inversa de FDA uniforme
Intervalo de
X
2

0,50
-
0,56
0,50
0,60
0,56
0,64
0,60
0,70
0,64
+
0,70
Inversa de FDA normal
X
1 seleccionado
2,14 2,50 2,83 3,17 3,50 3,83

X
2seleccionado
0,47 0,53 0,58 0,62 0,67 0,89

Combinaciones

3 1 4 5 6 2

2 4 5 3 1 6

X
1
2,83 2,14 3,17 3,50 3,83 2,50

X
2
0,53 0,62 0,67 0,58 0,47 0,89

Y 4,79 2,07 4,81 6,45 8,21 1,30

m
Y
4,61 s
Y
2,60

Tabla 4-2. Comparacin de los resultados del ejemplo 4-5 con varios
intervalos, Monte Carlo y Valor Real

Intervalos
Y

Y
V
Y

6 4,61 2,60 56,5%

100 4,79 1,83 38,2%

Monte Carlo 100
valores 4,74 1,06 22,3%

Real 4,80 1,87 38,9% Segn Ecuacin 3-2 y 3-4

Figura 4-1. Diagrama de flujo para la seleccin de las combinaciones a evaluar
Mtodo de punto estimado 2k+1 de Rosenblueth
La idea bsica es evaluar una funcin de variables aleatoria en 2K+1 puntos clave y
usar la informacin para estimar la media y desviacin estndar de la funcin. Por este
mtodo no se puede obtener la FDA de la variable.
Los pasos del mtodo son los siguientes:
1. Determinar la media y desviacin estndar para cada una de las K variables
aleatorias independientes,
2. definir la media funcin en y
0

( )
K
X X X
f y , , ,
2 1
0
K = (4-19)
3. Evaluar la funcin Y en 2K puntos de la siguiente forma. Para cada variable
aleatoria X
i
, evaluar la funcin empleando los dos puntos que son
Xi
Xi
mientras
las dems variables permanecen evaluadas en la media.

( )
( )
K i i
K i i
X X X X X i
X X X X X i
f y
f y

, , , , ,
, , , , ,
2 1
2 1
K K
K K
=
+ =
+
(4-20)
4. Determinar los dos parmetros de cada variable aleatoria X
i
basado en los valores
obtenidos de y
+
y y
-
.

2
+
+
=
i i
i
y y
y (4-21a)

+
+
+
=
i i
i i
y
y y
y y
V
i

(4-21b)
5. Calcular la media y coeficiente de variacin estimado.

=
|
|
\
|
=
k
i
i
y
y
y Y
1 0
0
(4-22a)

( ) 1 1
1
2
)
`
+ =

=
k
i
y Y
i
V V
(4-22b)
El mtodo tiene dos ventajas, no es necesario conocer las distribuciones de las
variables aleatorias X
i
y el nmero de simulaciones es pequeo.
Ejemplo 4-6
Simular la funcin
2 1
7 3 X X Y = por el mtodo de punto estimado 2k+1 de
Rosenblueth, considerando que la variable X
1
es uniforme entre 2 y 4 y la X
2
es normal.
X
1
a 2,00
X1
3,00 X
2

X2
0,60
b 4,00
X1
0,58
X2
0,10
y
0
4,80 Segn Ecuacin 4-19

y
1
+

6,53
y
2
+

4,10

Segn Ecuacin 4-20
y
1
-

3,07
y
2
-

5,50

y
1
4,80 y
2
V
y1
0,36 V
y2
-0,15

Y 4,80 V
Y
Tabla 4-3. Comparacin de los resultados del ejemplo 4-6 de los diversos
mtodos
Mtodo
Y

Y
V
Y

2k+1 de Rosenblueth 4,80 1,89 39,3%
Hipercubo Latino 100 intervalos 4,79 1,83 38,2%
Monte Carlo 100 valores 4,74 1,06 22,3%
Real 4,80 1,87 38,9%
Referencia
Hoeger H. (s/f). Apuntes de Simulacin, en
http://webdelprofesor.ula.ve/ingenieria/hhoeger.
Nowak, A. y Collins, K. (2000). Reliability of Structures. EE.UU.: McGraw-Hill
Companies, Inc.

Tecnicas de Simulacion

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tecnicas de Simulacion

Diunggah oleh

Hak Cipta:

Format Tersedia

Facultad de Ingeniera Confiabilidad Estructural

Universidad de Los Andes, Venezuela Prof. Jorge O. Medina M.

Funcin inversa de la distribucin de F

Anda mungkin juga menyukai