Simulación de Sistemas Efraı́n Soto Apolinar Simulación de Sistemas Notas por: Efraı́n Soto Apolinar PISIS Monterrey, N.L., México. 2008 Índice 1 Introducción 1.1 5 Conceptos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.1.1 Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.1.2 Etapas del Estudio de Simulación . . . . . . . . . . . . . . 10 1.1.3 Distribuciones de probabilidad . . . . . . . . . . . . . . . 12 1.2 Simulación 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.3 Simulación 02 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.3.1 Consideraciones . . . . . . . . . . . . . . . . . . . . . . . . 19 1.3.2 Simulación por computadora . . . . . . . . . . . . . . . . 20 1.3.3 Cálculo analı́tico . . . . . . . . . . . . . . . . . . . . . . . 23 Simulación 03 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 1.4.1 Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . 25 1.5 Simulación 04 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 1.6 Simulación 05 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 1.7 Simulación 06 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 1.4 Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 1.8 Simulación 07 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 1.9 Simulación 07 (Reposición) . . . . . . . . . . . . . . . . . . . . . 51 1.10 Simulación 08 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 1.11 Movimiento Browniano . . . . . . . . . . . . . . . . . . . . . . . . 59 1.11.1 Bosquejo de experimento . . . . . . . . . . . . . . . . . . 59 1.12 Simulación 11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 2 Proyecto Final 2.1 73 Simulación del Recurso Eólico . . . . . . . . . . . . . . . . . . . . 75 2.1.1 Energı́a extraida del viento . . . . . . . . . . . . . . . . . 75 2.1.2 Distribución del viento . . . . . . . . . . . . . . . . . . . . 77 2.1.2.1 Distribución Weibull . . . . . . . . . . . . . . . . 77 2.1.2.2 Distribución Rayleigh . . . . . . . . . . . . . . . 78 2.1.2.3 Distribución de energı́a . . . . . . . . . . . . . . 78 2.1.2.4 Anemómetros digitales . . . . . . . . . . . . . . 79 2.1.2.5 Predicción del recurso eólico . . . . . . . . . . . 79 2.1.3 Un caso especı́fico . . . . . . . . . . . . . . . . . . . . . . 80 2.1.4 Implementación . . . . . . . . . . . . . . . . . . . . . . . . 80 2.1.5 Resultados de la simulación . . . . . . . . . . . . . . . . . 85 2.1.6 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . 90 3 End matter 93 3.1 Fuentes bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . 95 3.2 Términos de uso . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 3.3 Créditos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 1 Introducción Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 1.1 Conceptos Básicos 1.1 7 Conceptos Básicos En esta sección se encuentran algunos conceptos básicos de la simulación de sistemas. Definición 1.1.1. Simulación Es la imitación de la operación de un proceso o sistema (encontrado en el mundo real) y su evolución en el tiempo. El comportamiento de un sistema conforme evoluciona en el tiempo se estudia desarrollando un modelo de simulación. Ventajas de la simulación • Pueden estudiarse nuevas polı́ticas, procedimientos operacionales, reglas de decisión, flujos de información, procedimientos organizacionales, etc., sin afectar la operación normal del sistema real. • Pueden probarse nuevos diseños mecánicos, sistemas de transporte, etc., sin asignar grandes cantidades de recursos financieros para su adquisición. • Puede probarse la factibilidad del cómo o por qué ciertos fenómenos pueden ocurrir. • Podemos acelerar o decelerar un fenómeno en investigación. • Podemos obtener información acerca de la interacción de las variables. • Podemos obtener información acerca de la importancia de cada una de las variables en el desempeño general del sistema. • Se puede desarrollar análisis de “cuello de botella”, indicando en qué partes se están retrasando demasiado información, materiales, etc. • Una simulación puede ayudar a entender cómo opera el sistema. • Podemos responder preguntas del tipo: “¿Qué pasarı́a si...?”. Esto es particularmente útil en el diseño de nuevos sistemas. Desventajas de la simulación • Construir un modelo requiere de entrenamiento. Es un arte que se aprende con el tiempo y a través de la práctica. Más aún, si dos personas competentes construyen un modelo para el mismo sistema, pueden tener similitudes, pero es muy poco probable que sean exactamente iguales. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 8 Introducción • Los resultados de la simulación pueden ser muy difı́ciles de interpretar. Dado que la mayorı́a de los resultados de las simulaciones son esencialmente variables aleatorias (están basadas en entradas aleatorias), puede ser difı́cil determinar si una observación es un resultado de las interrelaciones de las variables o de la aleatoriedad. • La modelación de un sistema y su análisis puede consumir mucho tiempo y ser costoso. Dedicarse a hacer la simulación de un sistema y su análisis puede después indicar que este modelo es insuficiente. • La simulación se utiliza en algunos casos aún cuando podemos encontrar las soluciones analı́ticamente, o aún preferibles. Esto es verdadero en la simulación de algunas lı́neas de espera donde hay disponibles modelos de colas cerradas. ¿Cuándo es apropiada la simulación? • La simulación permite el estudio, la experimentación, interacciones internas de un sistema, o de un subsistema dentro de un sistema complejo. • Cambios organizacionales, informáticos y ambientales pueden ser simulados y el efecto de estas alteraciones puede observarse. • El conocimiento ganado al diseñar un modelo de simulación puede ser de gran valor para sugerir mejoras en el sistema investigado. • Al cambiar las entradas del modelo y al observar las salidas, podemos obtener sugerencias valiosas acerca de cuáles variables son más importantes y cómo interactuan entre ellas. • La simulación puede utilizarse como un dispositivo pedagógico para fortalecer metodologı́as de soluciones analı́ticas. • La simulación puede ser usada para experimentar con nuevos diseños o polı́ticas antes de su implementación para prepararnos sabiéndo qué puede ocurrir. • La simulación puede utilizarse para verificar soluciones obtenidas analı́ticamente. Áreas de aplicación • Sistemas de manufactura. • Sistemas públicos. • Sistemas de trasnporte. • Sistemas de construcción. Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.1 Conceptos Básicos 9 • Sistemas de entretenimiento. • Reingenierı́a de procesos de negocios. • Procesamiento de alimentos. • Desempeño de sistemas computacionales. 1.1.1 Definiciones Definición 1.1.2. modelo Representación de un sistema con el propósito de estudiarlo. Definición 1.1.3. Modelo matemático Utiliza notación simbólica y ecuaciones matemáticas para representar el sistema. Definición 1.1.4. Simulación estática Representa al sistema en un punto particular del tiempo. También se conoce como simulación de Monte Carlo. Definición 1.1.5. Simulación dinámica Representa el sistema y su evolución conforme avanza el tiempo. Definición 1.1.6. Modelo determinista Es un modelo de simulación que no contiene variables aleatorias. Definición 1.1.7. modelo estocástico Es un modelo de simulación que incluye una o varias variables aleatorias. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 10 Introducción Nota: Entradas aleatorias generan salidas aleatorias. Dado que las salidas son aleatorias, solamente podemos considerarlas como una estimación de las verdaderas caracterı́sticas del modelo. Definición 1.1.8. Sistema discreto Un sistema en el cual las variables de estado cambian con valores discretos. Definición 1.1.9. Sistema continuo Un sistema en el cual las variables de estado cambian con valores continuos con el tiempo. 1.1.2 Etapas del Estudio de Simulación En el proceso de construción del modelo de simulación se realizan, en general, los siguientes pasos: Definición del sistema Determinar la interacción de las variables entre sı́, del sistema con otros sistemas, etc. Debemos entender el problema antes de iniciar con su solución. Formulación del modelo Definir todas las variables que forman parte del sistema, sus relaciones. Escribir una definición completa del problema. incluir detalles como entradas y salidas esperadas, el procesamiento necesario, suposiciones sobre el problema, etc. Colección de datos Definir con claridad los datos con que se va a alimentar el modelo. Implementación del modelo Decidir el lenguaje de programación a utilizar para implementar el modelo en una computadora. Validación Detallar las deficiencias del modelo o en los datos alimentados al mismo. • Opinión de expertos sobre los resultados de la simulación. • La exactitud con que se predicen datos históricos. • La exactitud de la predicción en el futuro. • La comprobación de falla del modelo de simulación con datos que hacen fallar al sistema real. Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.1 Conceptos Básicos 11 • La aceptación y confianza en el modelo de la persona que hará uso de los resultados que arroje el experimento de la simulación. Experimentación. La experimentación con el modelo se realiza después de que éste ha sido validado. Consiste en generar datos. Interpretación. Se interpretan los resultados que arroja la simulación para tomar una decisión. Documentación. Documentación técnica Servirá para hacer modificaciones al modelo. Documentación para el usuario Manual detallado de uso del sistema de simulación para la persona que maneje el sistema. Nota: Las suposiciones deben siempre escribirse en la documentación del programa de computradora generado como simulador. Por ejemplo, si debemos alimentar al sistema con un coeficiente para indicar un porcentaje que debe cumplir con: 0 ≤ p ≤ 1, la documentación debe mencionar este requerimiento de manera explı́cita. Definición 1.1.10. Software de calidad Debe cumplir con los siguientes: Funciona Debe realizar la tarea para la cual se le diseño, completa y correctamente. Es legible y comprensible El manual del usuario es fácil de comprender para un usuario. Las notas técnicas (del programador) son fácilmente comprensibles por otros programadores. Esto se logra con un buen diseño y con escritura clara. El código autodocumentado sirve para que otros programadores entiendan nuestros programas. Es modificable No debe requerirse mucho tiempo para hacer modificaciones al sistema de simulación. El programa de cómputo debe fácilmente adaptarse a pequeñas modificaciones sin gran problema. Definición 1.1.11. Código autodocumentado Es el código que utiliza para cada uno de los identificadores de las variables el nombre más parecido al uso que tiene en la realidad. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 12 Introducción Por ejemplo el código: double x,y,z; x = y / z; No nos dice mucho acerca de los significados de las variables x, y, z, sin embargo, podemos escribir: double velocidad, distancia, tiempo; velocidad = distancia / tiempo; lo cual hace evidente el significado de cada variable y entendible por otros programadores. Definición 1.1.12. Robustez La habilidad de un programa de cómputo para recuperarse después de encontrar un error, es decir, de continuar en operación. Por ejemplo, en el caso de que un usuario ingrese por error una letra en lugar de un dı́gito, el programa debe advertir al usuario del error y permitirle intentar de nuevo. 1.1.3 Distribuciones de probabilidad Se han creado cientos de distribuciones de probabilidad para ciertos procesos fı́sicos. La elección de una distribución adecuada para cada proceso es importante. Es una buena idea considerar las caracterı́ticas fı́sicas del proceso en estudio para seleccionar una distribución. Cuestiones de continuidad o discretización, si la variable está acotada o no acotada, etc., facilitan la decisión. Una vez que vaya a elegir una distribución debe tener cuidado. Aquı́ se indican algunos ejemplos. Binomial Modela el número de triunfos en n intentos, cuando los intentos son independientes con probabilidad de éxito p (todos los intentos tienen la misma probabilidad de éxito). Por ejemplo, el número de piezas defectuosas en un lote de n piezas. Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.1 Conceptos Básicos 13 Binomial Negativa (incluida la distribución geométrica) Modela el número de intentos requeridos para obtener k triunfos. Por ejemplo, el número de piezas que debemos inspeccionar para encontrar 2 defectuosas. Poisson Modela el número de eventos independientes que ocurren en una cantidad fija de tiempo y espacio. Por ejemplo, el número de clientes que llegan a una tienda durante una hora, o el número de defectos encontrados en una lámina de 50 m2 . Normal Modela la distribución de un proceso que puede pensarse como la suma de un número de subprocesos. Por ejemplo, el tiempo para ensamblar un producto, que es igual a la suma de los tiempos requeridos para cada operación del ensamble. Nótese que la distribución normal admite valores negativos, los cuales pueden ser imposibles para procesos de tiempo. Lognormal Modela la distribución de un proceso que pueden pensarse como el resultado de la multiplicación de un número de subprocesos. Por ejemplo, la rapidez de retorno de una inversión, cuando el interés es compuesto, es el producto del retorno por el número de periodos. Exponencial Modela el tiempo entre eventos independientes, o un proceso en el tiempo que no tiene memoria (el hecho de saber cuánto tiempo ha pasado no nos da información sobre cuánto tiempo debe pasar para completar el proceso). Por ejemplo, el tiempo entre llegadas de un gran número de clientes que actuan independientemente uno de otro. Gamma Una distribución muy flexible usada para modelar variables aleatorias no negativas. Esta distribución puede desplazarse (de cero) sumando una constante. Beta Una distribución muy flexible usada para modelar variables aleatorias con un intervalo definido (limites inferior y superior fijos). Erlang Modela procesos que pueden ser vistos como la suma de varios procesos con distribución exponencial. Por ejemplo, las fallas de la red computacional debido al fallo de una computadora y a dos computadoras de respaldo, y cada una tiene un tiempo de fallo que tiene distribución exponencial. Weibull Modela el tiempo de fallo de componentes. Por ejemplo, el tiempo de falla de un aparato electrodoméstico. Uniforme (Discreta o contı́nua) Modela incerteza completa, dado que todos los valores tienen la misma probabilidad de salir. Triangular Modela procesos donde solamente se conocen el mı́nimo, máximo y el más frecuente. Por ejemplo, los tiempos requeridos mı́nimo, máximo y el más frecuente para reparar un aparato electrico. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 14 Introducción Empirica Vuelve a muestrear de los datos reales medidos. Frecuentemente se utiliza cuando no se conoce una distribución teórica apropiada para el proceso en estudio. Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.2 Simulación 01 1.2 15 Simulación 01 Primera simulación Considere el planeta tierra con un tunel que le atraviesa por su centro. Se suelta una piedra de masa m para que caiga a través de ese tunel. Simular la posición de la piedra para cada instante t. Considere la masa de la tierra constante e igual a M . Desarrollar los siguientes casos: 1. Considerar la masa de la tierra M concentrada en su centro. Suponer que la fricción con el aire es despreciable. La fuerza que “siente” la piedra es su peso: W = m · ẍ(t) Por otra parte, esta fuerza es ocasionada por la atracción gravitatoria de la tierra sobre la piedra: m·M FG = G [x(t)]2 Igualando las fuerzas obtenemos: m · ẍ(t) = G m·M [x(t)]2 Lo cual puede simplificarse para obtener: ẍ(t) = G M [x(t)]2 La ecuación diferencial que representa el modelo matemático para esta situación es: ẍ(t) · [x(t)]2 = G M (1.1) La solución de esta ecuación no se ha logrado encontrar. En primer lugar, como x(t) está en el denominador, tenemos división por cero cuando la piedra está en el centro de la tierra. De cualquier manera, se muestra una solución que muestra la velocidad en función de la posición. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 16 Introducción Definimos: v(t) = ẋ(t), entonces, dv dx dv · =v· dx dt dx ẍ(t) = v̇(t) = Entonces, la ecuación se reduce de orden obteniendo: v· dv GM = 2 dx x Podemos separar las variables para resolver la ecuación: Z Z GM dx v dv = x2 v2 GM = − +C 2 3 x3 de donde al despejar v(x) obtenemos: r − v= 2 GM +K 3 x3 (1.2) Esta solución nos puede dar alguna información del fenómeno que estudiamos. 2. Considerar la masa de la tierra M distribuida uniformemente. Suponer que la fricción con el aire es despreciable. Por definición, la densidad de un material es igual al cociente de la masa del mismo entre su volumen. La densidad de la tierra en este caso se considera constante. Suponemos además que la forma de la tierra es esférica. El volumen de una esfera de radio x(t) es: V = 4 π [x(t)]3 3 Pero para la fórmula de la ley universal de gravitación de Newton necesitamos la masa de la fracción de la tierra que sigue atrayendo a la piedra. En este caso, se trata de una esfera de radio x(t), su masa puede calcularse como el producto del volumen parcial por la densidad promedio de la tierra, es decir: 4 M (t) = π [x(t)]3 ρT 3 Ahora, sustituimos este valor en la fórmula de la ecuación encontrada en el primer mdelo: Efraı́n Soto A. 4 [x(t)]3 m π ρT 3 [x(t)]2 m · ẍ(t) = G ẍ(t) = 4 π x(t) ρT G 3 Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.2 Simulación 01 17 y definiendo: L = 4 π ρT G, podemos escribir de una manera más compacta: 3 ẍ(t) = L x(t) (1.3) La solución de esta ecuación es como sigue: suponemos una solución del tipo x(t) = er t . Entonces, ẋ(t) = r er t , y ẍ(t) = r2 er t . Sustituyendo estos resultados en la ecuación obtenemos: r 2 er t 2 rt = L er t rt − Le r − L · er t r e 2 = 0 = 0 pero er t 6= 0 para cualquier t. Entonces, r2 − L = r = 0 +√ L Y la solución de la ecuación es: √ x(t) = C1 e Lt √ + C2 e− Lt Con las condiciones iniciales podemos encontrar los valores de las constantes C1 y C2 . En caso de que L sea negativo, tendremos soluciones imaginarias. 3. Considerar la masa de la tierra M distribuida uniformemente. Suponer que la fricción con el aire es directamente proporcional a la velocidad de la piedra. Ahora, tenemos una nueva fuerza que consiste en la resistencia debido al aire. En este caso se trata de una fuerza proporcional a ẋ(t). Entonces, la ecuación que considera las fuerzas que actúan sobre la piedra es: 4 m · ẍ(t) = π x(t) ρT m G − c · ẋ(t) 3 la cual puede expresarse como: m · ẍ(t) + c · ẋ(t) − λx(t) = 0 (1.4) 4 π ρT m G. 3 La solución de esta ecuación es inmediata, dado que se trata de una ecuación diferencial lineal de segundo orden. donde λ = Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 18 Introducción Suponemos que la solución es de la forma: x(t) = er t . Entonces, ẋ(t) = r er t , y ẍ(t) = r2 er t . Sustituyendo estos resultados en la ecuación obtenemos: m r2 er t + c r er t − λ er t = 0 Inmediatamente observamos que podemos factorizar la función er t , para obtener: er t m r 2 + c r − λ = 0 pero er t 6= 0 para cualquier t. Esto nos obliga a hacer: m r2 + c r − λ = 0. Aquı́ tenemos una ecuación cuadrática que se resuelve con la fórmula general: √ −c + c2 + 4 mλ r= 2m y obtenemos los dos valores de r que hacen que x(t) = er t sean solución de la ecuación diferencial: m · ẍ(t) + c · ẋ(t) − λx(t) = 0: √ −c + c2 + 4 mλ r1 = √2 m −c − c2 + 4 mλ r2 = 2m De donde la solución de la ecuación diferencial es: x(t) = C1 er1 t + C2 er2 t Con las condiciones iniciales podemos encontrar los valores de las constantes C1 y C2 . Por la forma del experimento, puede probarse que el valor de c > 0, y que las raı́ces r1 , r2 de la ecuación caracterı́stica de la ecuación diferencial son números complejos, y la solución tiene la forma: x(t) = e−c/2m C1 eiρt + C2 e−iρt y finalmente puede simplificarse, con la ayuda de las condiciones iniciales a: x(t) = R e−c/2m cos(ρt) √ donde ρ = Efraı́n Soto A. (1.5) c2 + 4 mλ . 2m Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.3 Simulación 02 1.3 19 Simulación 02 Problema 2 Se lanza un alfiler de longitud L a una mesa que tiene dibujadas lı́neas paralelas equidistantes separadas a L unidades una de la otra. Calcular la probabilidad de que el alfiler toque lı́nea. 1.3.1 Consideraciones Se realizaron las siguientes suposiciones: 1. La longitud del alfiler es 1. 2. El alfiler siempre cae dentro de la mesa. 3. La distancia (medida verticalmente) de una recta a la cabeza del alfiler es una variable aleatoria que presenta distribución uniforme. 4. El ángulo que forma el alfiler con las rectas dibujadas sobre la mesa es una variable aleatoria que presenta distribución uniforme. Con base en estas suposiciones, podemos definir como x la distancia (medida verticalmente) de una recta a la cabeza del alfiler, y θ como el ángulo que forma una de las rectas dibujadas sobre la mesa y el alfiler. 1 `i+1 θ x 0 `i Ahora definimos y como la posición de la punta del alfiler (el extremo opuesto a la cabeza del alfiler). Dado que el alfiler mide 1, la coordenada y puede calcularse con: y = x + sin (2 π θ) Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 20 Introducción donde π = 3.141592654 · · · , es la constante geométrica1 , y θ es el ángulo como se definió anteriormente. El alfiler tocará lı́nea siempre y cuando se cumpla alguna de las siguientes condiciones: i. y > 1, ó ii. y < 0 Geométricamente, de la figura podemos ver que en estos casos, la punta del alfiler estará fuera del área encerrada por las lı́neas paralelas `i y `i+1 . 1.3.2 Simulación por computadora En seguida se muestra el código del programa que simula este experimento. /* Nombre del archivo: simulacion01.cpp Descripción: Este programa simula el siguiente experimento: Se lanza un alfiler de longitud L a una mesa que tiene dibujadas lı́neas paralelas equidistantes separadas a L unidades una de la otra. El usuario debe ingresar el número total de experimentos (entero) que se deben realizar, entendiendo por experimento la simulación de un lanzamiento del alfiler sobre la mesa. El resultado indica la probabilidad de que el alfiler toque una de las lı́neas dibujadas sobre la mesa. ------------------------------------------------------------------------------------------------------Autor: Efraı́n Soto Apolinar Email: efrain@yalma.fime.uanl.mx Fecha de última Modificación: 24 de enero de 2008 Lenguaje de Programación: C++ Compilador: Dev - C++ Versión 4.9.9.2. ------------------------------------------------------------------------------------------------------*/ #include <iostream> // Funciones básicas para input/output #include <stdlib.h> // para usar la función rand() #include <math.h> // funciones matemáticas (sin (double)) #include <conio.h> // para usar: getche, getch 1 Al multiplicar θ por 2 π convertimos la variable aleatoria θ, cuyos valores van desde 0 hasta 1 a radianes. Se trata de un simple mapeo uno a uno. Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.3 Simulación 02 21 using namespace std; int main(void) { char respuesta; int si, no, i, j, total; double p, x, y, a; const double pi = 3.141592654; /* x --> representa la distancia de una recta paralela de referencia al punto donde cayó la cabeza del alfiler. y = x + sin (2 * pi * a) a --> es el ángulo que forma el alfiler con las rectas paralelas dibujadas sobre la mesa si --> es el número de veces que el alfiler toca lı́nea no --> es el número de veces que el alfiler NO toca lı́nea p --> es la probabilidad de que toque... total --> es el número de experimentos que realizará el programa... / * cout << "\nEste programa calcula la probabilidad de que"; cout << "\nal lanzar un alfiler de una longitud dada "; cout << "\nsobre una mesa que tiene dibujadas lı́neas "; cout << "\nparalelas separadas por una distancia igual "; cout << "\na la longitud del alfiler, toque lı́nea... "; // for (;;) { cout << "\n\n\nIngrese el número de experimentos: "; cin >> total; si = no = 0; p = 0; for (i = 1 ; i <= total ; i++) { // realizo los experimentos x = double(rand()) / double(RAND_MAX); a = double(rand()) / double(RAND_MAX); y = x + sin(2*pi*a); if ((y < 0) || (y > 1)) {si++;} else {no++;} } // end del ciclo for () p = double(si) / double(total); cout << "\n\n\nDe los " << total << " experimentos "; cout << si << " tocaron lı́nea, \nmientras que " << no ; cout << " no tocaron lı́nea.\n"; cout << "\nDe aquı́ que la probabilidad de que el alfiler"; Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 22 Introducción cout << "\ntoque lı́nea es: " << p; cout << "\n\n\n"; // cout << "Presione < S > para salir..."; respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)) { break; // Salir del ciclo for inicial... } cout <<"\n\n\n"; } return 0; } Como los resultados generados con este programa son aleatorios, los resultados varı́an ligeramente. En la siguiente tabla se muestran algunos resultados obtenidos con el mismo. No. Experimentos 100 200 300 400 500 600 700 800 900 1 000 10 000 106 108 Probabilidad 0.66 0.62 0.613333 0.63 0.644 0.646667 0.624173 0.64 0.647778 0.623 0.6437 0.636592 0.636612 De hecho, aún si se dan los mismos valores al programa, éste arrojará diferentes resultados cada vez, dado que los valores que van tomando las variables x (que representa la distancia desde la recta `i a la cabeza del alfiler) y θ (que representa el ángulo que forma el alfiler con cualquiera de las lı́neas dibujadas sobre la mesa) son variables aleatorias con distribución contı́nua. Esto se puede verificar realizando los cálculos de nuevo con el programa alimentándolo con los mismos valores. Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.3 Simulación 02 1.3.3 23 Cálculo analı́tico Para hacer el cálculo analı́tico podemos definir las siguientes coordenadas: Sea d la distancia del centro del alfiler a la recta más cercana. Sea ` esta recta, y sea α el menor ángulo formado entre ` y el alfiler. De aquı́ se deduce que: 1 π 0≤d≤ , y 0≤α≤ 2 2 También es claro que el alfiler tocará la recta ` si la hipotenusa del triángulo es menor a 0.5, es decir: d 1 < sin α 2 Entonces, al lanzar el alfiler, las coordenadas (d, α) tienen distribución uniforme en los intervalos antes definidos, que se pueden representar mediante el siguiente rectángulo: 1 2 π 2 La probabilidad de que el alfiler toque lı́nea es igual a la fracción del área del 1 rectángulo que yace debajo de la gráfica de la función: d = sin α. 2 El área del rectángulo es: π/4 y el área debajo de la gráfica de la función en cuestión es: Zπ/2 1 1 sin α dα = 2 2 0 y ası́ obtenemos: 1 2 = 2 ≈ 0.6366197724 p(A) = π π 4 Ası́ que la simulación codificada en C++ es correcta. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 1.4 Simulación 03 1.4 1.4.1 25 Simulación 03 Definiciones Definición 1.4.13. Distribución de probabilidad El conjuunto de todos los pares (x, p(x)) para los cuales p(x) > 0 se denomina la distribución de probabilidad de la variable aleatoria X. Un experimento binomial presenta las siguientes propiedades: 3 El experimento consiste de n intentos idénticos. 3 Cada intento resulta en uno de dos resultados. Uno de ellos se define como éxito y el otro como fracaso. 3 La probabilidad de éxito en un intento es p y continua constante de un intento a otro. 3 La probabilidad de fracaso es 1 − p. 3 Los intentos son independientes. 3 La variable aleatoria X es el número de éxitos observados durante los n intentos. Teorema.1.4.1 La distribución binomial está dada por: n x n−x p(x) = p q x Desarrollar una simulación por computadora que simule experimentos de Bernoulli. El programa debe repetir los intentos hasta que se supere un valor fijo p de éxito, definido por el usuario. Este mismo experimento debe realizarse con el método binomial. Se debe ir calculando el valor de la probabilidad binomial P (n, k) para k = 0, 1, 2 · · · i, hasta que se rebase el valor de p. El programa debe indicar al usuario cuántos intentos de Bernoulli se requierieron para superar el valor de p y cuántas iteraciones binomiales se requirieron para alcanzar el mismo objetivo. Se elaboró un programa que requiere de la siguiente información: Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 26 Introducción 3 Máximo de intentos de Bernoulli, que corresponde al número máximo de experimentos de Bernoulli que se simularán. 3 El valor de la probabilidad de éxito, que corresponde al valor de p del evento a simular. El código en el lenguaje C++ se enlista en seguida. /* Nombre del archivo: simulacion03.cpp Descripción: Este programa simula experimentos de Bernoulli y probabilidad binomial. ------------------------------------------------------------------------------------------------------Autor: Efraı́n Soto Apolinar Email: efrain@yalma.fime.uanl.mx efra.soto.a@gmail.com Fecha de última Modificación: 03 de febrero de 2008 Lenguaje de Programación: C++ Compilador: Dev - C++ Versión 4.9.9.2. ------------------------------------------------------------------------------------------------------*/ #include <iostream> // Funciones básicas para input/output #include <stdlib.h> // para usar la función rand() #include <math.h> // funciones matemáticas (pow (double)) #include <conio.h> // para usar: getche, getch #include <ctime> // clock_t = clock(); int errores; // variable global... int factorial(int n); int permuta(int n, int k); // using namespace std; int main(void){ char respuesta; int i, j, kBer, kBin, n; double p, q, prob, x; // cout << "\nEste programa simula experimentos binomiales"; cout << "\ny repeticiones de experimentos de Bernoulli..."; // // // for (;;) { errores = 0; kBer = 0; Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.4 Simulación 03 27 kBin = 0; cout << "\n\n\nMáximo de intentos de Bernoulli: "; cin >> n; if((n < 0) || (n > 20)) { cout << "\nn debe estar entre 1 y 20 (inclusive)..."; cout << "\n\n"; continue; } for (;;) { // para que pueda ingresar el valor de p... cout << "\nIngrese el valor de la probabilidad de éxito: "; cin >> p; if ((p < 0) || (p > 1)) { cout << "\np está entre cero y uno (inclusive)..."; cout << "\n\n\n"; continue; } q = 1 - p; // probabilidad de fracaso... break; } // termina el for... // // // // realizo el cálculo de acuerdo a Bernoulli... for (i=1 ; i <= n ; i++) { x = double(rand()) / double(RAND_MAX); // genero x if (p >= x){ kBer++; } // endif } // end for // // // realizo el cálculo por Binomial... x = double(rand())/ double(RAND_MAX); // genero x prob = 0; // inicio la probabilidad acumulada de Bernoulli kBin = 0; // inicio el número de intentos... for(;;){ // for infinito... prob +=double(permuta(n,kBin))*pow(p,double(kBin))*pow(q,double(n-kBin)); if (prob >= x) { break; } kBin++; } // // Muestro los resultados... cout << "\n\n\nIntentos con Bernoulli: " << kBer; cout << "\n\nIntentos con Binomial: " << kBin; cout << "\n\n\nTotal de errores: " << errores; // cout << "\n\n\nPresione < S > para salir..."; Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 28 Introducción respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)) { break; // Salir del ciclo for inicial... } cout << "\n\n\n"; } return 0; } /************************************** Declaro la función factorial... ***************************************/ int factorial(int n) { long fi,i; fi = i = 1; while (i <= n) { fi *=i; if (fi <= 0){ // por si se pasa la memoria... cout << "\nLo siento, se rebasó la memoria..."; fi = 1; errores++; break; } i++; } return fi; } /************************************** Declaro la función permuta... ***************************************/ int permuta(int n, int k) { int perm,subfactorial,i; i = n - k + 1; // n - k + 1 para calcular el subfactorial subfactorial = 1; // reinicio el subfactorial while (i <= n){ subfactorial *= i; i++; } perm = subfactorial / factorial(k); return perm; } Los resultados que arroja el programa evidentemente varı́a con los datos con que alimente al mismo. Por ejemplo, con 12 intentos de Bernoulli máximo y una probabilidad de éxito Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.4 Simulación 03 29 de 0.35 obtenemos los siguientes resultados: Este programa simula experimentos binomiales y repeticiones de experimentos de Bernoulli... Máximo de intentos de Bernoulli: 12 Ingrese el valor de la probabilidad de éxito: 0.35 Intentos con Bernoulli: 3 Intentos con Binomial: 5 Total de errores: 0 Presione < S > para salir... Los resultados obtenidos de un segundo ejemplo considerando 12 intentos de Bernoulli y un valor de p = 0.65, son: Máximo de intentos de Bernoulli: 12 Ingrese el valor de la probabilidad de éxito: 0.65 Intentos con Bernoulli: 7 Intentos con Binomial: 9 Total de errores: 0 Un tercer ejemplo se muestra en seguida: Máximo de intentos de Bernoulli: 12 Ingrese el valor de la probabilidad de éxito: 0.95 Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 30 Introducción Intentos con Bernoulli: 12 Intentos con Binomial: 12 Total de errores: 0 Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.5 Simulación 04 1.5 31 Simulación 04 Suponga deseamos calcular la distribución de probabilidad de que ocurra un accidente en una intersección de calles. Podemos considerar una unidad de tiempo, por ejemplo una hora, o un minuto, de manera que la probabilidad de que ocurra un accidente en ese intervalo sea distinta de cero. Entonces, si p es la probabilidad de que ocurra exactamente un accidente, 1 − p es la probabilidad de que NO ocurra. Si la ocurrencia de un accidente en in intervalo de tiempo es independiente de los demás intervalos, el número total de accidentes en un intervalo mayor, por ejemplo, una semana, tendrá una distribución binomial. Nosotros consideramos el caso en el que el producto n p permanece constante, al hace cambiar el tamaño del intervalo, es decir, si n → ∞, p → 0, implica n p = λ, siendo λ una constante. Entonces, n x lim p (1 − p)n−y n→∞ x x n−x λ n (n − 1) · · · (n − x + 1) λ 1− = lim n→∞ x! n n −x n x λ λ n (n − 1) · · · (n − x + 1) λ = lim 1− 1− n→∞ x! n nx n n −y x λ λ λ 1 2 x−1 1− 1− 1− ··· 1 − lim 1 − = x! n→∞ n n n n n Pero lim n→∞ λ 1− n n = e−λ y todos los demás factores se hacen 1, dado que n → ∞. Entonces: P (x) = λx −x e x! Las variables que presentan esta distribución se conocen como variables aleatorias con distribución de Poisson. Desarrollar un programa por computadora que simule experimentos con distribución de Poisson. El programa debe repetir los intentos hasta que se supere un valor fijo p de éxito, definido por el usuario. El programa debe indicar al usuario cuántos intentos del experimento se requierieron para superar el valor de p. Se elaboró un programa que requiere de la siguiente información: Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 32 Introducción 3 Valor de Lambda, que corresponde al promedio de la muestra. 3 El valor de la probabilidad de éxito, que corresponde al valor de p del evento a simular. El código en el lenguaje C++ se enlista en seguida. /* Nombre del archivo: simulacion04.cpp Descripción: Este programa simula experimentos con distribución de Poisson y probabilidad binomial. ------------------------------------------------------------------------------------------------------Autor: Efraı́n Soto Apolinar Email: efrain@yalma.fime.uanl.mx efra.soto.a@gmail.com Fecha de última Modificación: 03 de febrero de 2008 Lenguaje de Programación: C++ Compilador: Dev - C++ Versión 4.9.9.2. ------------------------------------------------------------------------------------------------------*/ #include <iostream> // Funciones básicas para input/output #include <stdlib.h> // para usar la función rand() #include <math.h> // funciones matemáticas (pow (double)) #include <conio.h> // para usar: getche, getch #include <ctime> // clock_t = clock(); int errores; // variable global... int factorial(int n); int permuta(int n, int k); // using namespace std; int main(void){ char respuesta; int i, k; double p, prob, x, lambda; // cout << "\nEste programa simula experimentos con"; cout << "\ndistribucion de Poisson..."; // // // for (;;) { errores = 0; cout << "\n\n\nValor de Lambda (Promedio): "; cin >> lambda; Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.5 Simulación 04 33 if((lambda < 0)) { cout << "\nLambda debe ser un valor positivo...\n\n"; continue; } for (;;) { // para que pueda ingresar el valor de p... cout << "\nIngrese el valor de la probabilidad de éxito: "; cin >> p; if ((p < 0) || (p > 1)) { cout << "\np está entre cero y uno (inclusive)..."; cout << "\n\n\n"; continue; } break; } // termina el for... // // // realizo el cálculo de la probabilidad... srand(unsigned(time(0)));// Semilla para el aleatorio... x = double(rand())/ double(RAND_MAX); // genero x prob = 0; // inicio la probabilidad acumulada for(i = 0 ; prob <= x ; i++){ // for infinito... prob += exp(-lambda) * pow(lambda,i) / factorial(i); // } // // Muestro los resultados... cout << "\n\n\nIntentos con Poisson: " << i-1; cout << "\n\n\nTotal de errores: " << errores; // cout << "\n\n\nPresione < S > para salir..."; respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)) { break; // Salir del ciclo for inicial... } cout << "\n\n\n"; } return 0; } /************************************** Declaro la función factorial... ***************************************/ int factorial(int n) { long fi,i; fi = i = 1; while (i <= n) { Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 34 Introducción fi *=i; if (fi <= 0){ // por si se pasa la memoria... cout << "\nLo siento, se rebasó la memoria..."; fi = 1; errores++; break; } i++; } return fi; } Un ejemplo de la ejecución del código se muestra enseguida: Este programa simula experimentos con distribucion de Poisson... Valor de Lambda (Promedio): 12 Ingrese el valor de la probabilidad de Txito: 0.45 Intentos con Poisson: 13 Total de errores: 0 Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.6 Simulación 05 1.6 35 Simulación 05 Desarrollar un programa por computadora que simule el lanzamiento de dos dados. El programa debe permitir al usuario indicar cuántos experimentos realizar y si desea o no ver los resultados de cada experimento. El programa debe imprimir en pantalla el promedio de la suma de todos los experimentos realizados. El código en el lenguaje C++ se enlista en seguida. /* Nombre del archivo: simulacion05.cpp Descripción: Este programa simula el lanzamiento de dos dados... ------------------------------------------------------------------------------------------------------Autor: Efraı́n Soto Apolinar Email: efrain@yalma.fime.uanl.mx efra.soto.a@gmail.com Fecha de última Modificación: 08 de febrero de 2008 Lenguaje de Programación: C++ Compilador: Dev - C++ Versión 4.9.9.2. ------------------------------------------------------------------------------------------------------*/ #include <iostream> // Funciones básicas para input/output #include <stdlib.h> // para usar la función rand() #include <conio.h> // para usar: getche, getch #include <ctime> // clock_t = clock(); using namespace std; int main(void){ char respuesta,resp; int i, x, y, n; // variables aleatorias... int suma; double promedio; // cout << "\nEste programa simula el lanzamiento"; cout << "\nde dos dados..."; // // // for (;;) { // realizo el cálculo de la probabilidad... cout << "\n\n\n¿Cuántos lanzamientos deseas simular? "; cin >> n; Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 36 Introducción cout << "\n\n\n¿Deseas ver los resultados? [S / N] "; cin >> resp; srand(unsigned(time(0)));// Semilla para el aleatorio... suma = 0; // reinicio la suma de resultados... if ((resp == ’S’)||(resp == ’s’)){ cout << "\n\nSimulación "; cout << "\t\tDADO 1: "; cout << "\tDADO 2: "; cout << "\tSUMA: \n"; } for (i = 1 ; i <= n ; i++ ){ // x = (rand() % 6) + 1; y = (rand() % 6) + 1; // suma += x+y; if ((resp == ’S’)||(resp == ’s’)){ // Muestro los resultados... cout << "\t" << i << "\t"; cout << "\t " << x << "\t"; cout << "\t " << y << "\t"; cout << "\t " << x+y << "\n\n"; } } promedio = double(suma) / double(i-1); cout << "\n\n\n Suma Promedio: " << promedio; // cout << "\n\n\nPresione < S > para salir..."; respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)) { break; // Salir del ciclo for inicial... } cout << "\n\n\n"; } return 0; } Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.7 Simulación 06 1.7 37 Simulación 06 Elaborar un programa que simule una variable aleatoria con distribución de Poisson que a su vez toma una variable con distribución exponencial. Comparar el número de intentos que debe realizar esta variable para alcanzar el valor 1 y compararlo con una variable aleatoria con distribución de Poisson que toma una variable con distribución uniforme. • Se muestra en seguida el código del programa que se preparó en el lenguaje C++ . /* Nombre del archivo: simulacion06.cpp Descripción: Este programa simula experimentos con distribución de Poisson cuya variable de dominio tiene una distribución exponencial y compararla con la distribución de Poisson con dominio en una variable aleatoria con distribución uniforme. ------------------------------------------------------------------------------------------------------Autor: Efraı́n Soto Apolinar Email: efrain@yalma.fime.uanl.mx efra.soto.a@gmail.com Fecha de última Modificación: 14 de febrero de 2008 Lenguaje de Programación: C++ Compilador: Dev - C++ Versión 4.9.9.2. ------------------------------------------------------------------------------------------------------*/ #include <iostream> // Funciones básicas para input/output #include <stdlib.h> // para usar la función rand() #include <math.h> // funciones matemáticas (pow (double)) #include <conio.h> // para usar: getche, getch #include <ctime> // clock_t = clock(); int errores; // variable global... int factorial(int n); // función... using namespace std; int main(void){ char respuesta; int i, ipe, ip; double prob, probe, u, lambda, x; // for (;;){ cout << "\nEste programa simula experimentos con"; cout << "\ndistribucion de Poisson a partir de una"; Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 38 Introducción cout << "\nvariable aleatoria con distribución exponencial..."; // // //srand(unsigned(time(0)));// Semilla para el aleatorio... // Con distribución Poisson - Exponencial probe = 0; // inicio la probabilidad acumulada for(i = 0 ; probe <= 1 ; i++){ // calculo la probabilidad... u = double(rand())/ double(RAND_MAX); // genero x x = - log(1 - u) / u; // probe += exp(-x) * pow(x,i) / factorial(i); ipe = i; } // // Ahora realizo el cálculo con distribución uniforme... prob = 0; // inicio la probabilidad acumulada for(i = 0 ; prob <= 1 ; i++){ prob += exp(-lambda) * pow(lambda,i) / factorial(i); } // // Muestro los resultados... cout << "\n\n\nIntentos con poisson exponencial: " << ipe; cout << "\n\n\nIntentos con poisson uniforme: " << i; // cout << "\n\n\nPresione < S > para salir..."; respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)){ break; // Salir del ciclo for inicial... } cout << "\n\n\n"; } return 0; } /************************************** Declaro la función factorial... ***************************************/ int factorial(int n) { long fi,i; fi = i = 1; while (i <= n) { fi *=i; if (fi <= 0){ // por si se pasa la memoria... cout << "\nLo siento, se rebasó la memoria..."; fi = 1; errores++; break; } i++; } Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.7 Simulación 06 39 return fi; } En seguida se muestran ejemplos de resultados obtenidos con este programa: Este programa simula experimentos con distribucion de Poisson a partir de una variable aleatoria con distribuci=n exponencial... Lo siento, se rebas= la memoria... Intentos con poisson exponencial: 17 Intentos con poisson uniforme: 3 /////////////////////////////////////////////// Este programa simula experimentos con distribucion de Poisson a partir de una variable aleatoria con distribuci=n exponencial... Lo siento, se rebas= la memoria... Intentos con poisson exponencial: 17 Intentos con poisson uniforme: 3 /////////////////////////////////////////////// Este programa simula experimentos con distribucion de Poisson a partir de una variable aleatoria con distribuci=n exponencial... Intentos con poisson exponencial: 16 Intentos con poisson uniforme: 3 /////////////////////////////////////////////// Este programa simula experimentos con distribucion de Poisson a partir de una variable aleatoria con distribuci=n exponencial... Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 40 Introducción Intentos con poisson exponencial: 6 Intentos con poisson uniforme: 3 /////////////////////////////////////////////// Este programa simula experimentos con distribucion de Poisson a partir de una variable aleatoria con distribuci=n exponencial... Lo siento, se rebas= la memoria... Intentos con poisson exponencial: 17 Intentos con poisson uniforme: 3 Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.8 Simulación 07 1.8 41 Simulación 07 Elaborar un programa que genere números aleatorios con distribución uniforme, utilizando la siguiente definición: ∞ x X (−x2 )i Φ(x) = √ 2 π i=0 2i · i! · (2 i + 1) • Se muestra en seguida el código del programa que se preparó en el lenguaje C++ . /* Nombre del archivo: simulacion07Final.cpp Descripción: Este programa simula números aleatorios con distribución normal. ------------------------------------------------------------------------------------------------------Autor: Efraı́n Soto Apolinar Email: efrain@yalma.fime.uanl.mx efra.soto.a@gmail.com Fecha de última Modificación: 26 de febrero de 2008 Lenguaje de Programación: C++ Compilador: Dev - C++ Versión 4.9.9.2. ------------------------------------------------------------------------------------------------------*/ #include <iostream> // Funciones básicas para input/output #include <stdlib.h> // para usar la función rand() #include <math.h> // funciones matemáticas (pow (double)) #include <conio.h> // para usar: getche, getch #include <ctime> // clock_t = clock(); #include <cmath> int errores; // variable global... double rfactorial(int n); // función... double normal(double x); // función... double intnormal(double x); const double pi = 3.141592653589; // global using namespace std; int main(void){ char respuesta; double x, xa, u, approx, approxa; double step, error, errorx; Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 42 Introducción int j, total, cont, z; char signo; // para los dı́gitos... cout.setf(ios::fixed); cout.setf(ios::showpoint); cout.precision(8); // for (;;){ cout << "\nEste programa simula la generación de números"; cout << "\ncon distribucion normal a partir de una"; cout << "\nvariable aleatoria con distribución uniforme..."; // //srand(unsigned(time(0))); // Semilla para el aleatorio... // cout << "\n\n\n¿Cuantos numeros desea generar? "; cin >> total; // for (cont = 1 ; cont <= total ; cont++){ // Genera un aleatorio en [0,1] u = double(rand()) / double(RAND_MAX); // x = 0; // valor inicial supuesto (media) z = 0; if (u < 0.01){ step = u / 2; } else{ step = 0.25; } for (;;){ // xa = x; approx = normal(x); // // Decido si incremento o decremento x while (approx < u){ x += step; approx = normal(x); //cout << "\napprox <... " << approx; z++; } step /= 1.5; while (approx > u){ x -= step; approx = normal(x); //cout << "\napprox >... " << approx; z++; } step /= 1.5; if (approx < 0.0001 && fabs(x) > 3.999){ Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.8 Simulación 07 43 x = u / 2; approx = normal(u); } // calculo el error relativo para x if (fabs(xa - x) < 0.0001){ // Criterio para salir del ciclo... cout << "\n" << cont << "\tu = " << u << "\tApprox = " << intnormal(x) << "\t x = " << x; break; } } // end for que hace las iteraciones... // } // end for cont = 1 to total; // cout << "\n\n\nPresione < S > para salir..."; respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)){ break; // Salir... } cout << "\n\n\n"; } // end for infinito... return 0; // Salir... } /************************************** Declaro la función normal... ***************************************/ double normal(double x){ double u = 0; double un, ua, temp; int i; if (x < -4){ return 0; } if (x > 4){ return 1; } for (i = 0 ; i < 40 ; i++){ ua = u; u += pow(-0.5 * x * x,i) * rfactorial(i) / (2*i+1); un = u; } // endfor if (x < 0 ){ u = 0.5 - u * x / sqrt(2*pi); } else{ u = 0.5 + u * x / sqrt(2*pi); } Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 44 Introducción return u; } /************************************** Declaro la función intnormal... ***************************************/ double intnormal(double x){ double u = 0; double ua, up, ac; double xi, step; // xi es la iteracion actual // step es el tamaño del paso... int i; step = 0.00000001; // El paso es 1 / 1000 xi = 0; // empieza a integrar desde cero... while (xi <= fabs(x)){ u += exp(-xi*xi / 2) * step; xi += step; } // end while u = u / sqrt(2*pi) + 0.5; if (x < 0 ){ return (u - 0.5); } else{ return u; } } /************************************** Declaro la función rfactorial... ***************************************/ double rfactorial(int n){ double fi, i; int j; fi = i = 1.0; j = 1; while (j <= n){ fi /=i; i = i + 1; j++; } return fi; } Un ejemplo de corrida se da en seguida: Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.8 Simulación 07 45 Este programa simula la generacion de numeros con distribucion normal a partir de una variable aleatoria con distribucion uniforme... Cuantos numeros desea generar? 10 1 2 3 4 5 6 7 8 9 10 u u u u u u u u u u = = = = = = = = = = 0.00125126 0.56358531 0.19330424 0.80874050 0.58500931 0.47987304 0.35029145 0.89596240 0.82284005 0.74660482 Approx Approx Approx Approx Approx Approx Approx Approx Approx Approx = = = = = = = = = = 0.50024959 0.56354406 0.53849867 0.80873107 0.58496935 0.59481027 0.56951744 0.89594475 0.82283187 0.74659295 x x x x x x x x x x = = = = = = = = = = 0.00062563 0.15996089 0.09665212 0.87322977 0.21462296 0.23993652 0.17514573 1.25877805 0.92621113 0.66380659 Presione < S > para salir... Un programa modificado que NO genera números aleatorios para la variable u, sino que el usuario da los valores que desea que se generen es el siguiente: /* Nombre del archivo: simulacion07FinalB.cpp Descripción: Este programa simula transformación inversa de la distribución normal, esto es, a partir del valor de u = Phi(x) calcula de manera aproximada x. El usuario indica el valor u que está en el intervalo (0,1) ------------------------------------------------------------------------------------------------------Autor: Efraı́n Soto Apolinar Email: efrain@yalma.fime.uanl.mx efra.soto.a@gmail.com Fecha de última Modificación: 26 de febrero de 2008 Lenguaje de Programación: C++ Compilador: Dev - C++ Versión 4.9.9.2. ------------------------------------------------------------------------------------------------------*/ #include <iostream> // Funciones básicas para input/output #include <stdlib.h> // para usar la función rand() #include <math.h> // funciones matemáticas (pow (double)) #include <conio.h> // para usar: getche, getch Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 46 Introducción #include <ctime> // clock_t = clock(); #include <cmath> int errores; // variable global... double rfactorial(int n); // función... double normal(double x); // función... double intnormal(double x); const double pi = 3.141592653589; // global using namespace std; int main(void){ char respuesta; double x, xa, u, approx, approxa; double step, error, errorx; int j, total, cont, z; char signo; // para los dı́gitos... cout.setf(ios::fixed); cout.setf(ios::showpoint); cout.precision(8); // for (;;){ cout << "\nEste programa simula la generación de números"; cout << "\ncon distribucion normal a partir de un"; cout << "\nvalor dado por el usuario entre cero y uno..."; for (;;){ cout << "\n\n\ningresa un valor entre cero y 1: "; cin >> u; if (u < 0 && u > 1){ cout << "\nError en argumento..."; cout << "\n\n"; continue; } break; } // end for para pedir u // x = 0; // valor inicial supuesto (media) z = 0; if (u < 0.01){ step = u / 2; } else{ step = 0.25; } for (;;){ // xa = x; approx = normal(x); // Decido si incremento o decremento x Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.8 Simulación 07 47 while (approx < u){ x += step; approx = normal(x); //cout << "\napprox <... " << approx; z++; } step /= 1.5; while (approx > u){ x -= step; approx = normal(x); //cout << "\napprox >... " << approx; z++; } step /= 1.5; if (approx < 0.0001 && fabs(x) > 3.999){ x = u / 2; approx = normal(u); } // calculo el error relativo para x if (fabs(xa - x) < 0.0001){ // Criterio para salir del ciclo... cout << "\tu = " << u << "\tApprox = " << intnormal(x) << "\t x = " << x; break; } } // end for que hace las iteraciones... // //} // end for cont = 1 to total; // cout << "\n\n\nPresione < S > para salir..."; respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)){ break; // Salir... } cout << "\n\n\n"; } // end for infinito... return 0; // Salir... } /************************************** Declaro la función normal... ***************************************/ double normal(double x){ double u = 0; double un, ua, temp; int i; if (x < -4){ return 0; Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 48 Introducción } if (x > 4){ return 1; } for (i = 0 ; i < 40 ; i++){ ua = u; u += pow(-0.5 * x * x,i) * rfactorial(i) / (2*i+1); un = u; } // endfor if (x < 0 ){ u = 0.5 - u * x / sqrt(2*pi); } else{ u = 0.5 + u * x / sqrt(2*pi); } return u; } /************************************** Declaro la función normal... ***************************************/ double intnormal(double x){ double u = 0; double ua, up, ac; double xi, step; // xi es la iteracion actual // step es el tamaño del paso... int i; step = 0.00000001; // El paso es 1 / 1000 xi = 0; // empieza a integrar desde cero... while (xi <= fabs(x)){ u += exp(-xi*xi / 2) * step; xi += step; } // endfor u = u / sqrt(2*pi) + 0.5; if (x < 0 ){ return (u - 0.5); } else{ return u; } } /************************************** Declaro la función rfactorial... ***************************************/ double rfactorial(int n){ double fi, i; int j; Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.8 Simulación 07 49 fi = i = 1.0; j = 1; while (j <= n){ fi /=i; i = i + 1; j++; } return fi; } Y los resultados obtenidos con este programna son: Este programa simula la generaci=n de n·meros con distribucion normal a partir de un valor dado por el usuario entre cero y uno... ingresa un valor entre cero y 1: 0.8423 u = 0.84230000 Approx = 0.84228995 x = 1.00391391 Presione < S > para salir...c Este programa simula la generaci=n de n·meros con distribucion normal a partir de un valor dado por el usuario entre cero y uno... ingresa un valor entre cero y 1: 0.56657 u = 0.56657000 Approx = 0.56654646 x = 0.16758842 Presione < S > para salir... Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 1.9 Simulación 07 (Reposición) 1.9 51 Simulación 07 (Reposición) Elaborar un programa que genere números aleatorios con distribución normal. El usuario debe ingresar la media de la muestra y su varianza. • Se muestra en seguida el código del programa que se preparó en el lenguaje C++ . /* Nombre del archivo: simulacion07A.cpp Descripción: Este programa simula una variable aleatoria con distribución normal, dados el promedio y la varianza de la muestra. ------------------------------------------------------------------------------------------------------Autor: Efraı́n Soto Apolinar Email: efrain@yalma.fime.uanl.mx efra.soto.a@gmail.com Fecha de última Modificación: 03 de febrero de 2008 Lenguaje de Programación: C++ Compilador: Dev - C++ Versión 4.9.9.2. ------------------------------------------------------------------------------------------------------*/ #include <iostream> // Funciones básicas para input/output #include <stdlib.h> // para usar la función rand() #include <math.h> // funciones matemáticas (pow (double)) #include <conio.h> // para usar: getche, getch #include <ctime> // clock_t = clock(); double normal(double media, double sigma); // función... const double pi = 3.141592653589793238462643; using namespace std; int main(void){ char respuesta; double x, varianza, promedio; int i, j, total; // for (;;){ cout << "\nEste programa simula experimentos con"; cout << "\ndistribucion normal a partir de una"; cout << "\nvariable aleatoria con distribución normal."; // cout << "\n\n\n¿Cuántos numeros desea generar? "; cin >> total; Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 52 Introducción cout << "\n\n\nPromedio de la muestra: "; cin >> promedio; cout << "\nVarianza de la muestra: "; cin >> varianza; varianza = sqrt(varianza); // for (j = 1; j <= total ; j++){ x = rand(); // Genera un aleatorio // Imprimo el indice con el número generado... cout << "\n " << j << "\t" << normal(promedio, varianza); } cout << "\n\n\nPresione < S > para salir..."; respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)){ break; // Salir del ciclo for inicial... } cout << "\n\n\n"; } return 0; } /************************************** Declaro la función normal... ***************************************/ double normal(double media, double sigma){ double u, v, x, y, z; u = double(rand()) / double(RAND_MAX); v = double(rand()) / double(RAND_MAX); x = sqrt(-2 * log(u)) * cos(2*pi*y); if (u >= 0.5){ z = media + sigma * x; } else{ z = media - sigma * x; } return z; } Un ejemplo de corrida se muestra en seguida: Este programa simula experimentos con distribucion normal a partir de una variable aleatoria con distribución normal. ¿Cuántos numeros desea generar? 25 Promedio de la muestra: 120 Varianza de la muestra: 15 Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.9 Simulación 07 (Reposición) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 53 124.148 124.01 121.815 112.758 124.471 111.528 112.659 112.01 114.597 123.903 123.511 110.731 122.568 121.993 121.522 115.187 113.153 120.31 114.703 122.286 111.552 108.083 113.758 122.306 113.109 Presione < S > para salir... Fuente bibliográfica del modelo matemático: Autor: Banks, J.; Carson, J. S., Nelson, B.L. Tı́tulo: Discrete–Event System Simulation Editorial: Prentice Hall Edición: 2da. Edición. 1 996. Páginas: 341 – 343. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 1.10 Simulación 08 1.10 55 Simulación 08 Simular la generación de números aleatorios con distribución uniorme con el método de aceptación - rechazo. Método del rechazo Se aplica solamente para variables aleatorias continuas. Tenemos una V.A.C. y conocemos su distribución. Sea Y una variable aleatoria continua con densidad g y sabemos cómo simular esta variable aleatoria con esta distribución. Deseamos simular una V.A.C. X con densidad f . Supongamos que U es una V.A.C. continua con distribución uniforme en el intervalo [0, 1]. Ya sabemos simular U y Y . Sea c una cota superior del siguiente conjunto: f (x) |x ∈ R A= g(x) Podemos suponer que el conjunto A está acotado superiormente, es decir, estamos suponiendo que dicha c existe. Para simular la V.A.C. X con densidad f , podemos hacer lo siguiente: Paso 1: Simular Y y U . Sea u el valor simulado de U , y sea y el valor simulado de Y . Paso 2: Decidir Si: u≤ f (y) c · g(y) Entonces el valor simulado de X es y. Si no, regresar al paso 1. El valor de c es el número esperado de iteraciones que se deben realizar para que la simulación nos genere un valor para la V.A.C. X. Por lo tanto, es muy conveniente elegir a c como la mı́nima cota superior: f (x) c ≡ sup |x ∈ R g(x) Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 56 Introducción • El código del programa en el lenguaje C++ se muestra en seguida: /* Nombre del archivo: simulacion08.cpp Este programa simula la generación de números aleatorios con duistribución normal por el método de aeptación - rechazo. ------------------------------------------------------------------Autor: Efraı́n Soto Apolinar Email: efra.soto.a@gmail.com efrain@yalma.fime.uanl.mx Fecha de última Modificación: 01 de marzo de 2008 ------------------------------------------------------------------*/ #include <cstdio> // Otra librerı́a... #include <cstdlib> // Librerı́a por si se requiere #include <iostream> // Funciones básicas para input/output #include <math.h> // funciones matemáticas #include <conio.h> // para usar: getche, getch // Defino las funciones que voy a usar... double f(double y); double g(double y); // using namespace std; int main(void){ int i, total; char respuesta; double x, y, z, u; // el valor de c = 1.315489247 // const double c = sqrt(2 * 2.718281828 / 3.141592653); const double c = 1.315489247; // for (;;){ // for infinito... cout << "\nEste programa simula la generacion de numeros"; cout << "\ncon distribucion normal con el metodo de "; cout << "\naceptacion y rechazo..."; cout << "\n\nCuantos numeros desea generar... "; cin >> total; cout << "\n\n\n"; // un poco de espacio... for (i = 1; i<= total ; i++){ x = double(rand()) / double(RAND_MAX); // aleatorio z = double(rand()) / double(RAND_MAX); // aleatorio if (z < 0.5){ // genero el valor de y y = log(2 * z); } Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.10 Simulación 08 57 else { y = - log(2 - 2 * z); } // x es el valor a comparar... // y es el argumento de las funciones... u = f(y) / (c * g(y)); if (u >= x){ // aceptar el valor... cout << "\n" << i << "\t----->\t" << y; } } cout << "\n\n\nPresione < S > para salir..."; respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)){ break; // Salir del ciclo for inicial... } cout << "\n\n\n"; } // end for infinito... return 0; } /************************************* Defino la función f(y) **************************************/ double f(double y){ return 0.39894228 * exp(- y * y / 2) ; // el factor 0.39894228 = 1 / sqrt(2 * 3.141592653); } /************************************* Defino la función g(y) **************************************/ double g(double y){ return exp(-fabs(y)) / 2; } Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 1.11 Movimiento Browniano 1.11 59 Movimiento Browniano Proceso de Brown. Bt≥0 3 Cada Bt es una variable aleatoria contı́nua, salvo B0 = (0, 0). 3 Bt presenta una distribución normal con media 0 y varianza proporcional al tiempo. Bt,i ∼ N (0, αt) {α > 0, α ∈ R} 3 Bt tiene dos componentes: Bt = (Bt,1 , Bt,2 ), siendo Bt,1 independiente de Bt,2 con la misma distribución para cada valor de t. 3 Si t1 ≤ t2 ≤ t3 ≤ t4 , i ∈ 1, 2, entonces las variables aleatorias Bt2 ,i − Bt1 ,i y Bt4 ,i −Bt3 ,i son independientes y tienen media 0 y varianza proporcional a α (t2 − t1 ) y α (t4 − t3 ), respectivamente. En general, Bt,i − Bs,i tiene distribución normal con media cero y varianza α |t − s|, ∀t, s ≥ 0 con t 6= s. Propiedad: Si (Bt )t≥0 es un proceso Browniano, entonces la probabilidad de que el proceso sea contı́nuo con respecto al tiempo es 1. Sin embargo, la probabilidad de que su trayectoria sea derivable en algún punto es cero. Propiedad: Si t1 > t0 > 0, entonces, la trayectoria del proceso (Bt )t≥0 de t0 a t1 tiene longitud infinita. 1.11.1 Bosquejo de experimento Supongamos que conozco α = 1, de un proceso browniano. Si conozco la posición de la partı́cula en n puntos, deseo conocer una aproximación de la posición de la partı́cula para algún punto s que estuvo entre los puntos xi , xi+1 . El promedio “esperado” de s es la media ponderada. Una posible varianza serı́a la media geométrica: σ 2 = (v − s)(s − u) Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 60 Introducción Bt (w) Bs Bu Bv u O s v t Desconocemos x1 = Bs . Sabemos que x1 depende de x0 y de x2 , siendo x0 = Bu , x1 = Bs y x2 = Bv . Definimos: X = Bu , Y = Bs , W = Bv . X es una variable aleatoria con distribución normal, media cero y varianza u: X → N (0, u). De manera semejante: Y → N (0, s) W → N (0, v) Las funciones de densidad de la variables aleatorias son: x2 exp − 2u X = fX (x) = √ √ u 2π x2 exp − 2s Y = fY (x) = √ √ s 2π x2 exp − 2v W = fW (x) = √ √ v 2π Ahora calculamos la densidad de s condicionada por el valor de la variable aleatoria X: (x − x0 )2 exp − v−u p fY |X=x0 = π (v − u) De manera semajante: (x − x2 )2 exp − v−u p = π (v − u) fY |W =x2 Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.11 Movimiento Browniano 61 Podemos considerar como una variable aleatoria a Y |X = x0 y W |X = x0 condicionada cada una a W . Supongamos que conocemos la distribución conjunta: fU,V (x, y): fu (x) = Z∞ f (x, y) dy −∞ Z∞ fv (x) = f (x, y) dy −∞ También necesitamos calcular la distribución marginal condicionada. Distribución bivariada fXY = fX · fY |X ⇒ fY |X = fXY fX Consideremos tres puntos. Conocemos t0 y x0 . Tenemos un movimiento browniano con varianza ∆t. Bt (w) x1 x0 x2 O t0 t1 t2 t La densidad de xt1 es normal con media x0 y varianza t1 − t0 ; la densidad de xt2 es también normal y con media x0 y varianza t2 − t0 . La densidad condicional de Xt2 dado que Xt1 = x1 es normal con media x1 y varianza t2 − t1 . Entonces, la densidad conjunta de (Xt1 , Xt2 ) está dada por: La simulación que se generó en el lenguaje C++ se muestra enseguida: /* Nombre del archivo: simulacion09.cpp Este programa simula un movimiento browniano. ---------------------------------- Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 62 Introducción ---------------------------------Autor: Efraı́n Soto Apolinar Email: efra.soto.a@gmail.com efrain@yalma.fime.uanl.mx Fecha de última Modificación: 01 de marzo de 2008 ------------------------------------------------------------------*/ #include <cstdio> // Otra librerı́a... #include <cstdlib> // Librerı́a por si se requiere #include <iostream> // Funciones básicas para input/output #include <math.h> // funciones matemáticas #include <conio.h> // para usar: getche, getch #include <fstream> // para grabar datos generados... // const double PI = 3.141592653; // función para generar los números pseudoaleatorios // con distribución normal... double dnormal(double media, double sigma); double dnormal(void); // Función para generar un número pseudoaleatorio // con distribución uniforme en el intervalo (0,1) double uniforme(void); using namespace std; int main(void){ char respuesta, semilla; double t, step, tiempo; // escala de tiempo. double xn, x = 0; // posición de la partı́cula. double media, sigma; // parámetros de dist. Normal. int i = 0; // for (;;){ // for infinito... cout << "\nEste programa simula un "; cout << "movimiento browniano "; cout << "\n\nTiempo en segundos a simular: "; cin >> tiempo; for (;;){ cout << "\nIntervalo entre dos posiciones consecutivas (seg): "; cin >> step; if (step <= 0){ cout << "\n\nEl intervalo debe ser un numero positivo..."; cout << "\nPreferentemente menor a un segundo."; } Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.11 Movimiento Browniano 63 else{ // ingresó un step positivo... break; cout << "\n\n\n"; } } cout << "\nMedia de la posicion: "; cout << "\n(Presione 0 (cero) si la desconoce): "; cin >> media; cout << "Desviacion estandar de la posicion..."; cout << "\n(Presione 0 si la desconoce): "; cin >> sigma; if (sigma == 0){ sigma = 1; } for (;;){ // hasta que presione S ó N cout << "\n\nDesea iniciar la semilla? [S/N]"; cin >> semilla; if (semilla == ’S’ || semilla == ’s’){ srand(time(0)); cout << "\n\nSe reinicia la semilla..."; break; // salir del for infinito } if (semilla == ’N’ || semilla == ’n’){ cout << "\n\nNo se reinicia la semilla..."; break; // salir del for infinito } cout << "\n\nError en argumento..."; } // end for infinito para la semilla cout << "\n\n\n"; // un poco de espacio... t = 0; // reinicio el tiempo del experimento... ofstream out_stream; // escritura de datos... out_stream.open("brown.txt"); // creo y abro el archivo... if (out_stream.fail()){ // si no puede abrir el archivo... cout << "\n\nNo se pudo abrir el archivo..."; cout << "\nPor favor, reinicie el programa..."; exit(1); // Termina el programa } out_stream << "\n"; out_stream << "# Simulacion de un movimiento Browniano" << "\n"; out_stream << "# el eje t representa al tiempo" << "\n"; out_stream << "# y el eje x (vertical) representa la posicion..." << "\n"; out_stream << "# Los datos van desde t = 0 hasta t = " << tiempo << ".\n"; out_stream << "0 0 i\n"; // Primer dato... for (t = step; t <= tiempo ; t += step){ x = dnormal(media, sigma); out_stream << t << " " << x << " i\n"; i++; Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 64 Introducción } cout << "\n\n\nSe han grabado " << i << " datos en el archivo"; cout << "\nbrown.txt\n"; out_stream << "# Este archivo contiene " << i << " datos."; // pregunto si desea salir... cout << "\n\n\nPresione < S > para salir..."; respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)){ break; // Salir del ciclo for inicial... } cout << "\n\n\n"; } // end for infinito... return 0; } /************************************** Declaro la función DNORMAL... ***************************************/ double dnormal(double media, double sigma){ /* Esta función genera números pseudoaleatorios con distribución uniforme a partir de su media y su desviación estándar. */ double u, v, x, y, z; u = uniforme(); y = uniforme(); x = sqrt(-2 * log(u)) * cos(2 * PI * y); if (u >= 0.5){ z = media + sigma * x; } else{ z = media - sigma * x; } return z; } /************************************** Declaro la función DNORMAL... ***************************************/ double dnormal(void){ /* Esta función genera números pseudoaleatorios con distribución uniforme. */ double u, x, y, z; // Como no se definen la media y // desviación estándar, las defino... Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.11 Movimiento Browniano 65 double media = 0, sigma = 1; u = uniforme(); y = uniforme(); x = sqrt(-2 * log(u)) * cos(2 * PI * y); if (u >= 0.5){ z = media + sigma * x; } else{ z = media - sigma * x; } return z; } /************************************** Declaro la función UNIFORME... ***************************************/ double uniforme(void){ // Esta función genera un número pseudoaleatorio // con distribución uniforme en el intervalo (0,1). return (double(rand())/double(RAND_MAX)); } Y la gráfica que muestra los resultados que se generaron con esta simulación es: Bt 3 2 1 t (s) 0 1 2 3 4 5 6 7 −1 −2 −3 Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 1.12 Simulación 11 1.12 67 Simulación 11 Escribir un programa con una función que genere números pseudo-aleatorios con distribución uniforme. La función debe ser creada por el autor del programa. NO se permite utilizar la función rand() definida en ANSI-C o en C++ . 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 /* ---------------------------------Nombre del Archivo: uniforme.cpp Descripción: Este programa simula la generación de números pseudoaleatorios con distribución uniforme. Tiene definidas las funciones: - void suniforme(int seed); - double uniforme(void); - double uniforme(float a, float b); que se diseñaron por el autor de este programa. Autor: Efraı́n Soto Apolinar Email: efrain@yalma.fime.uanl.mx efra.soto.a@gmail.com Fecha de última Modificación: 08 de mayo de 2008 17 18 19 20 21 22 23 24 ------------------------------------------------------------------*/ #include <cstdio> // Otra librerı́a... #include <cstdlib> // Librerı́a por si se requiere #include <iostream> // Funciones básicas para input/output #include <math.h> // funciones matemáticas 25 26 27 28 29 30 // reinicializar la semilla del aleatorio void suniforme(int seed); double uniforme(void); double uniforme(float a, float b); void duniforme(void); 31 32 33 // Constantes para las funciones: const long PROBABILITY_RAND_MAX = 2147483647; // = 2ˆ31 - 1; 34 35 36 37 38 39 int main(int argc, char *argv[]){ char respuesta, distribucion; double lambda; // promedio de la exponencial int i, j; for(;;){ // for infinito... Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 68 Introducción 40 41 42 43 printf("\n\nEste programa genera números aleatorios"); printf("\ncon distribución uniforme..."); // Llamo la función para generar los histogramas... duniforme(); 44 45 46 47 48 49 50 51 52 53 54 55 56 // pregunto si desea salir... scanf("%c", &respuesta); printf("\n\n\nPresione < S > para salir... "); scanf("%c", &respuesta); if ((respuesta == ’S’)||(respuesta == ’s’)){ break; // Salir del ciclo for inicial... } printf("\n\n\n"); } // end for infinito... // system("PAUSE"); return 0; } 57 58 59 60 61 62 63 64 65 66 67 68 69 /*************************************************** suniforme(int): Esta función reinicia la semilla del generador de números pseudo-aleatorios de la función double uniforme(void). ****************************************************/ void suniforme(int seed){ static int semilla = seed; //printf("\n\n\nPasó este punto..."); static bool first = false; return; } 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 /*************************************************** uniforme(void): Esta función genera un número pseudo-aleatorio con distribución uniforme en el intervalo (0,1). ****************************************************/ double uniforme(void){ double u; int primo1 = 8191; // = 2ˆ13 - 1; int primo2 = 524287; // = 2ˆ19 - 1; static int semilla = 1001; // semilla inicial static bool first = true; if (first){ first = false; return ((double)(semilla)/((double) (PROBABILITY_RAND_MAX))); } unsigned modular = semilla; // modular = (primo1 * modular + primo2) % Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.12 Simulación 11 PROBABILITY_RAND_MAX; semilla = modular; // cambio la semilla... // calculo el valor que me va a devolver... u = (double)(modular) / ((double) (PROBABILITY_RAND_MAX)); return (u); 90 91 92 93 94 95 96 69 } 97 98 99 100 101 102 103 104 105 106 /*************************************************** uniforme(float a, float b): Esta función genera un número pseudo-aleatorio con distribución uniforme en el intervalo (a,b). ****************************************************/ double uniforme(float a, float b){ double x = (double)(a) + uniforme() * (double)(b - a); return x; } 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 /************************************** Declaro la función DUNIFORME.. ***************************************/ void duniforme(void){ /* Para generar los números con distribución uniforme... */ // divido el intervalo (0,1) en 10 // subintervalos de igual longitud // I1 almacenará el número de números // que caigan en el intervalo (0,0.1) int I[9]; // los intervalos... int errores = 0, max =0, min = 1000000; int imax, imin; int total; // cuántos vamos a generar... int semilla; int correcto = 0; int i, j; // contadores float x; // el número generado... double escala; // para hacer la gráfica... int factor; // para hacer la gráfica... float a, b; // Lı́mites del intervalo char seedu; // para saber si quiere indicar la semilla... // printf("\nIndique el lı́mite inferior del intervalo: "); scanf("%f", &a); printf("\nIndique el lı́mite superior del intervalo: "); scanf("%f", &b); for(;;){ // hasta que ingrese un número entero positivo printf("\nIndique cuantos numeros desea generar: "); Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 70 Introducción 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 scanf("%d", &total); if (total <= 0){ printf("\n\nError en argumento..."); printf("\nPor favor, ingrese un número entero positivo..."); printf("\n\n\n"); continue; } break; } for(;correcto == 0;){ // hasta que reinicie la semilla printf("\n\nDesea reiniciar la semilla del aleatorio? [S/N]"); scanf("%c", &seedu); if (seedu == ’S’ || seedu == ’s’){ for(;;){ // Inicia for infinito ... [A] printf("\nIndique el valor de la semilla: (Número Entero) "); scanf("%i", &semilla); if (semilla == 0){ //printf("\n\n\nPasó este punto..."); suniforme((int)(time(0))); printf("\n\nSe ha reiniciado la semilla del aleatorio..."); printf("\nCon el reloj de la computadora..."); printf("\n\n"); correcto = 1; break; } else{ if (semilla > 0){ suniforme(unsigned(semilla)); printf("\n\nSe ha reiniciado la semilla del aleatorio..."); correcto = 1; break; } else{ // No tecleó un entero positivo... printf("Error en argumento..."); printf("\nPor favor, intente de nuevo..."); continue; // regresar a pedir la semilla. } } // End else... } // end for infinito... [A] } if (seedu == ’N’ || seedu == ’n’){ printf("\n\nNo se reinicia la semilla del aleatorio...\n\n"); break; } if (correcto == 0){ Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 1.12 Simulación 11 printf("\n\nError en argumento..."); printf("\nPor favor, intente de nuevo..."); 190 191 } 192 193 71 } 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 // Limpio la memoria del arreglo: for (i = 0 ; i <= 9 ; i++){ I[i] = 0; } for (i = 0; i <= total; i++){ // Genero un pseudoaleatorio x = uniforme(a, b); for (j = 0 ; j <= 9 ; j++){ if (x > (a + 0.1 * j * (b - a)) && x < (a + 0.1 * (j + 1) * (b - a))){ I[j]++; } } } // Encuentro el intervalo con // mayor número de ocurrencias for (i = 0; i <= 9 ; i++){ if (I[i] > max){ max = I[i]; imax = i; } if (I[i] < min){ min = I[i]; imin = i; } } // Ahora imprimo los resultados... for (i = 0 ; i <= 9 ; i++){ printf("\n Intervalo %.1f -- %.1f ", (1.0 * i * (b - a)/ 10 + a), (1.0 * (i+1) * (b - a) / 10 + a)); escala = 35.0 * I[i] / max; factor = int(escala + 0.5); // redondeo // Imprime la barra del intervalo (i-1) for (j = 0 ; j <= factor ; j++){ printf("|"); } // termina de imprimir la barra... if (i == imax){ printf(" (%i) [Max]\n", I[i]); continue; } if (i == imin){ printf(" (%i) [Min]\n", I[i]); continue; } printf(" (%i) \n", I[i]); Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 72 Introducción 240 241 242 } return; } // Fin de la función DUNIFORME Un ejemplo de corrida es la siguiente: Este programa genera n·meros aleatorios con distribuci 34 n uniforme... Indique el lÝmite inferior del intervalo: 0 Indique el lÝmite superior del intervalo: 10 Indique cuantos numeros desea generar: 12000000 Desea reiniciar la semilla del aleatorio? [S/N]s Indique el valor de la semilla: (N·mero Entero) 0 Se ha reiniciado la semilla del aleatorio... Con el reloj de la computadora... Intervalo Intervalo Intervalo Intervalo Intervalo Intervalo Intervalo Intervalo Intervalo Intervalo 0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 ----------- 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 |||||||||||||||||||||||||||||||||||| (1226331) ||||||||||||||||||||||||||||||||||| (1209130) ||||||||||||||||||||||||||||||||||| (1204179) ||||||||||||||||||||||||||||||||||| (1202058) |||||||||||||||||||||||||||||||||||| (1224251) ||||||||||||||||||||||||||||||||||| (1207161) |||||||||||||||||||||||||||||||||||| (1238754) [Max] |||||||||||||||||||||||||||||||||| (1162282) ||||||||||||||||||||||||||||||||| (1128922) ||||||||||||||||||||||||||||||||||| (1196933) Presione < S > para salir... Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 2 Proyecto Final Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 2.1 Simulación del Recurso Eólico 2.1 2.1.1 75 Simulación del Recurso Eólico Energı́a extraida del viento Un generador eólico utiliza la energı́a cinética del viento para generar electricidad. Lo que pasa en realidad es que la energı́a del viento es transferida a un rotor que tiene dos o más aspas acopladas mecánicamente al generador eléctrico. La enegı́a cinética que contienen m kilogramos de viento que se mueve a velocidad v [m/s] es: 1 Ek = mv 2 2 Sin embargo, generalmente no conocemos la masa de aire que atravesarán las aspas del generador eólico, ası́ que es una mejor idea expresarlo con términos de la densidad y la velocidad del viento. Por definición, la densidad ρ del viento es igual al cociente de su masa al volumen. De donde, m = ρ · V . Podemos ver el volumen de aire que atraviesan las aspas del generador eólico como el cilindro de altura v · t y área de base igual al área A [m2 ] que barren las aspas del generador. Entonces, por unidad de tiempo, el volumen de aire que atraviesan las aspas del generador eólico es: V =A·v Flujo volumétrico (m3 /s) Ası́ que la energı́a cinética del viento con velocidad v puede expresarse como: P = 1 ρAv 3 2 potencia (W) El recurso eólico de dos sitios distintos se compara en base a la potencia eólica especı́fica, es decir, por cada metro cuadrado de área que barren sus aspas. Sabemos que la potencia eólica especı́fica varı́a con el cubo de la velocidad del viento. √ Considerando que 3 2 ≈ 1.2599, podemos darnos cuenta que cuando la velocidad del viento aumenta en un 25.99% la potencia generada crece al doble. Por otra parte, si la velocidad del viento disminuye el mismo porcentaje, la potencia generada disminuye a la mitad. √ También, 3 3 ≈ 1.4422 nos indica que si la velocidad del viento crece un 44.22%, la potencia eléctrica generada aumentará al triple, mientras que si la velocidad del viento disminuye en esa misma cantidad, la potencia generada disminuirá a la tercera parte. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 76 Proyecto Final He aquı́ la importancia de caracterizar la distribución de la velocidad del viento para poder determinar correctamente la potencia generada en un sitio especı́fico. La energı́a extraida del viento es igual a la diferencia de la energı́a cinética del viento que atraviesa el generador antes y después de pasar a través de él: P0 = 1 · ṁ · (v 2 − v02 ) 2 donde P0 es la potencia [W] absorvida por el generador, ṁ es el flujo másico [kg/s], v es la velocidad del viento [m/s] al entrar al generador y v0 es la velocidad del viento [m/s] después de atravesar el generador. La velocidad del viento es discontinua de v a v0 en el plano de las aspas del generador. El flujo másico del viento a través de las aspas se calcula multiplicando la densidad por la velocidad promedio: v + v0 ṁ = ρ · A · 2 La potencia mecánica que mueve al rotor, que mueve finalmente al generador eléctrico es: 1 v + v0 P0 = ρA · · (v 2 − v02 ) 2 2 Esta expresión puede reescribirse como: P0 = 1 ρ A · v3 2 v 2 v0 0 1+ 1− v v 2 Podemos definir: v 2 v0 0 1+ 1− v v Cp = 2 que representa la fracción del viento que “aprovechan” las aspas del generador eólico. Para velocidades de entrada del viento a las aspas del generador eólico, los valores de Cp dependen de la proporción v0 /v, alcanzando un máximo cuando este cociente es igual a 1/3. Entonces, Cp = 16/27 ≈ 0.5926. La máxima potencia transmitida a las aspas ocurrirá cuando v = 3 v0 , o bien, cuando Cp = 0.5926. Entonces, P0 = 1 ρ A · v 3 · (0.59) 2 En diseños prácticos de aspas, el valor máximo alcanzado es de aproximadamente 0.5 para turbinas de alta velocidad que trabajan con dos aspas, y entre 0.2 y 0.4 para turbinas de baja velocidad con más aspas. Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 2.1 Simulación del Recurso Eólico 77 Considerando Cp = 0.5 obtenemos una expresión más simple: P0 = 2.1.2 1 ρ A · v3 4 Distribución del viento Dato que el viento se origina con las diferencias de densidad en el aire debido a los cambios de temperatura que el sol ocasiona en el aire atmosférico, con la colaboración del movimiento rotativo de la tierra, los patrones de viento generalmente se repiten con periodicidad de un año. Dado que la potencia generada con un generador eólico es proporcional al cubo de la velocidad del viento, su distribución se convierte en la medición más importante para determinar la cantidad de energı́a que un sitio considerado. El comportamiento de la velocidad del viento nunca es estable. Depende de muchos factores, entre el clima, la topografı́a del lugar y la altura en la que se mide a partir del suelo. La velocidad del viento cambia continuamente, por lo que la velocidad promedio debe basarse en mediciones de al menos una década. De esta manera tendremos mayor confianza en el valor asignado al sitio. Sin embargo, medir la velocidad del viento por 10 años requiere de una inversión grande además de que un proyecto generalmente no puede esperar tanto. En los casos en que se tienen poca información, se mide la velocidad del viento y ésta se compara con la velocidad medida en otro sitio cercano y a partir de estas consideraciones se realiza una estimación del promedio anual del sitio considerado. Las variaciones de la velocidad del viento se pueden describir por una función de distribución de probabilidad. 2.1.2.1 Distribución Weibull La distribución de la velocidad del viento en una localidad puede descibirse utilizando al distribución Weibull con el parámetro k de forma y el parámetro c de escala. La probabilidad de que la velocidad de viento sea de v m/s durante algún intervalo de tiempo dado es: v k−1 −(v/c)k k h(v) = e para 0 < v < ∞ c c En la gráfica de distribución de probabilidad se grafica h vs. v para distintos intervalos de tiempo, donde: Fracción de tiempo en que la velocidad del viento está entre v y v + ∆v h= ∆v Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 78 Proyecto Final Por definición de la función de probabilidad, la probabilidad de que la velocidad del viento esté entre cero e infinito en ese periodo de tiempo es igual a uno: Z∞ h dv = 1 0 Si elegimos el periodo de tiempo igual a un año, y expresamos la integral en términos del número de horas en un año, entonces tenemos: h= Número de horas que la velocidad del viento está entre v y v + ∆v ∆v Las unidades de h son horas por año por metros por segundo, y la integral se convierte en 8 760, el número total de horas en el año, en lugar de la unidad. Para la distribución Weibull con valor de k = 1 tenemos la distribución exponencial. En el caso k = 2 la distribución se conoce como distribución Rayleigh. Este tipo de distribución es el que presenta la velocidad de viento en muchos sitios. 2.1.2.2 Distribución Rayleigh • Distribución Rayleigh: 2 f (x) = Φ(u) = 2 αxe−αx para x > 0 0 para x ≤ 0 donde: α > 0 u 2 2u exp − c2 c Para esta distribución: µ = σ2 2.1.2.3 = r 1 π 2 α 1 π 1− α 4 Distribución de energı́a Si definimos la función de densidad de energı́a como: e= Contribución en kWh al año por las velocidades entre v y v + ∆v ∆v podremos graficar esta distribución y la distribución de probabilidad de la velocidad y conocer a partir de qué velocidad el número de horas que el viento presenta esa velocidad, decrece más rápido que v 3 . Este valor nos indicará un decremento neto en la contribución energética anual global. Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 2.1 Simulación del Recurso Eólico 2.1.2.4 79 Anemómetros digitales La velocidad promedio de un sitio en un periodo de tiempo se calcula sumando muchas lecturas en ese periodo de tiempo entre el número de lecturas. La mayorı́a de los anemómetros se instalaban con el propósito de medir la velocidad del viento y no con propósitos de la medición del recurso energético. Ası́ que el promedio calculado como se indicó se realizaba de manera semejante para una hora, un dı́a y para un año: n 1X v̄ = vi n i=1 Pero para estimar el recurso eólico disponible en un lugar necesitamos calcular: v u n u1 X 3 3 v vrmc = t n i=1 i La expresión anterior no toma en cuenta la densidad del aire, que también afecta la cantidad de energı́a producida por el viento. Para calcular el recurso eólico de un sitio se recomienda utilizar la siguiente fórmula: n Prmc = 1 X ρi vi3 2 n i=1 donde n es el número de mediciones realizadas, ρi es la densidad del aire [kg/m3 ] en el momento de realizar la i-ésima medición y vi es la velocidad del viento [m/s] en la i-ésima medición, y Prmc representa la densidad de energı́a promedio. 2.1.2.5 Predicción del recurso eólico La energı́a que podemos aprovechar del viento depende de su velocidad, la cual es una variable aleatoria. Para el operador de la granja eólica esto representa una dificultad para designar el despacho de energı́a a la red, además de que no se conoce la cantidad de energı́a disponible con anticipación. Sin embargo, si la velocidad del viento puede pronosticarse con varias horas de anticipación, podemos despachar la energı́a de una manera cómoda. Alexiadis, et al1 , han propuesto una nueva técnica para pronosticar la velocidad del viento y la cantidad de energı́a producida con muchas horas de anticipación. La técnica está basada en correlación cruzada en sitios vecinos y redes artificiales neuronales. La técnica propuesta puede mejorar significativamente la precisión de las predicciones comparado con el modelo comúnmente usado. El modelo propuesto se calibra en diferentes sitios en un periodo de un año. 1 Alexiadis, M. C., Dokopoulos, P. S., and Sahsamanogdou, H. S. 1998. Wind Speed and Power Forecasting Based on Spatial Correlation Models, IEEE Paper No. PE-437-EC-0-041998. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 80 Proyecto Final 2.1.3 Un caso especı́fico • La Venta, Oaxaca. México2 . – El viento presenta Distribución Weibull. – Velocidad promedio del viento: 9.3 m/s. – k = 1.77, c = 11.86 m/s a una altura de 32 metros. – k = 1.73, c = 10.44 m/s a una altura de 15 metros. 2.1.4 Implementación Enseguida se muestra el código de la implementación elaborada en el lenguaje C++ . /* Nombre del archivo: windFinal.cpp Este programa simula la velocidad de viento de una localidad de acuerdo a la distribución que se especifique. Calcula además, la densidad de recurso eólico local (Watts/metro cuadrado) y en el caso de la distribución Weibull, calcula la velocidad de viento promedio como media ponderada de la velocidad media de cada intervalo por la probabilidad de que el viento presente esa velocidad. ------------------------------------------------------------------Autor: Efraı́n Soto Apolinar Email: efra.soto.a@gmail.com efrain@yalma.fime.uanl.mx Fecha de última Modificación: 01 de mayo de 2008 ------------------------------------------------------------------*/ #include <cstdio> #include <cstdlib> #include <iostream> #include <math.h> #include <conio.h> #include <fstream> // double uniforme (void); double weibull(double c, double k); // void duniforme(void); void drayleigh(void); void dweibull(void); float windPower(double windSpeed); using namespace std; int main(void){ char respuesta, semilla; int i = 0; 2 Fuente: Evaluación del recurso eólico de La Venta, Juchitán, Oaxaca. M. A. Borja, O. A. Jaramillo, M. F. Morales. Instituto de Investigaciones Eléctricas. Temixco, Morelos, México. Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 2.1 Simulación del Recurso Eólico 81 int continuar; char distribucion; for (;;){ // for infinito... //continuar = 0; cout << "Este programa simula el Recurso Eolico"; cout << "\nde un sitio dados los parametros de su distribucion."; for (;;){ // hasta que presione S ó N cout << "\n\nDesea iniciar la semilla del aleatorio? [S/N] "; cin >> semilla; if (semilla == ’S’ || semilla == ’s’){ srand(time(0)); cout << "Se reinicia la semilla..."; break; // salir del for infinito } if (semilla == ’N’ || semilla == ’n’){ cout << "No se reinicia la semilla..."; break; // salir del for infinito } cout << "\n\nError en argumento..."; } // end for infinito para la semilla cout << "\n\nSeleccione la distribucion estadistica "; cout << "\nque presenta el viento de la localidad: "; cout << "\n[R] Rayleigh."; cout << "\n[W] Weibull."; cout << "\n[C] Cancelar..."; cout << "\nIngrese una opcion: "; cin >> distribucion; switch (distribucion){ case ’R’: drayleigh(); break; case ’r’: drayleigh(); break; case ’W’: dweibull(); break; case ’w’: dweibull(); break; case ’C’: break; case ’c’: break; default: cout << "\n\nError en argumento..."; cout << "\nPor favor, intente de nuevo..."; continuar = 1; } // end switch if (continuar == 0){ // se debe salir... break; } // pregunto si desea salir... cout << "\n\nPresione < S > para salir... < C > para continuar..."; respuesta = getche(); if ((respuesta == ’S’)||(respuesta == ’s’)){ break; // Salir del ciclo for inicial... } cout << "\n\n\n"; respuesta = getche(); } // end for infinito... return 0; } /************************************** Declaro la función UNIFORME... ***************************************/ Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 82 Proyecto Final double uniforme(void){ // Esta función genera un número pseudoaleatorio // en el intervalo (0,1) con distribución uniforme. return (1.0 * rand()/(1.0 * RAND_MAX)); } /************************************** Declaro la función WEIBULL... ***************************************/ double weibull(double c, double k){ // Esta función genera números pseudoaleatorios // con distribución Weibull double x; x = c * pow(-log(1 - uniforme()), 1/k); return x; } /************************************** Declaro la función RAYLEIGH... ***************************************/ double rayleigh(double media){ // Esta función genera números pseudoaleatorios // con distribución rayleigh // Fuente: // http://www.brighton-webs.co.uk/distributions/rayleigh.asp double factor, r; factor = media / 1.253314; r = sqrt(-2 * factor * factor * log(uniforme())); return r; } /************************************** Declaro la función DWEIBULL.. ***************************************/ void dweibull(void){ /* Para simular viento con distribución Weibull... */ int I[24]; // los intervalos... int max =0, min = 1000000; int i = 0, j; // contadores double x; // el número generado... double escala; // para hacer la gráfica... int factor; // para hacer la gráfica... double c, k; // parámetros alpha y beta double t; // tiempo float velocidadProm = 0; // Velocidad Promedio float sv3 = 0;// suma de cubo de velocidad float densidadEnergetica; float energia = 0; // Energia anual // cout << "\nValor del parametro c: "; cin >> c; // alpha cout << "Valor del parametro k: "; cin >> k; // beta t = 0; // reinicio el tiempo del experimento... FILE* f = fopen("speedwei.txt", "w+"); // limpio la memoria del array... for (i = 0 ; i <= 24 ; i++){ I[i] = 0; } for (t = 0; t < 8760; t++){ x = weibull(c, k);// Genero un pseudoaleatorio fprintf(f, "%f\n", x); // grabo en archivo... sv3 += pow(x, 3.0) / 4.0; energia += windPower(x); for (i = 0 ; i <= 24 ; i++){ if ((x > 0.1 * i * c) && (x <= 0.1 * (i + 1) *c)){ Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 2.1 Simulación del Recurso Eólico 83 I[i]++; break; } } } fclose(f); // Calculo la velocidad promedio... for (i = 0 ; i <= 24 ; i++){ velocidadProm += 1.0 * I[i] * c / 8760; } velocidadProm = velocidadProm * 465 / 593; // factor de escala... // Encuentro el intervalo con mayor número de ocurrencias for (i = 0; i <= 24 ; i++){ if (I[i] > max){ max = I[i]; } if (I[i] < min){ min = I[i]; } } for (i = 0 ; i <= 24 ; i++){ printf("\n%.2f m/s -- %.2f m/s ", (0.1 * i * velocidadProm), (0.1 * (i+1) * velocidadProm)); escala = 35.0 * I[i] / max; factor = (int)(escala + 0.5); // redondeo // Imprime la barra del intervalo (i-1) for (j = 0 ; j <= factor ; j++){ cout << "|"; } // termina de imprimir la barra... if (I[i] == max){ cout << " (" << I[i] << ") [Maximo]"; continue; } if (I[i] == min){ cout << " (" << I[i] << ") [Minimo]"; continue; } cout << " (" << I[i] << ")"; } printf("\n\nVelocidad Promedio del viento: %.2f m/s.", velocidadProm); // calculo recurso energético... densidadEnergetica = sv3 / (2 * 8760); printf("\nDensidad energetica promedio: %.3f W/mˆ2", densidadEnergetica); printf("\nEnergia anual estimada: %.2f W-hr/mˆ2.", energia); return; } // Fin de la función DWEIBULL /************************************** Declaro la función DRAYLEIGH.. ***************************************/ void drayleigh(void){ int I[24]; // los intervalos... int max =0, min = 1000000; int total; // cuántos vamos a generar... int i, j; // contadores int imax, imin; double t; double x; // el número generado... float sv3 = 0.0; float densidadEnergetica; float energia = 0; // Energia anual float media; // parámetro de la distribución double escala; // para hacer la gráfica... int factor; // para hacer la gráfica... FILE* f = fopen("speedray.txt", "w+"); Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 84 Proyecto Final for(;;){// hasta que indique el valor de lambda cout << "\nIntroduzca la velocidad media del viento: "; scanf("%f", &media); if (media <= 0.0){ cout << "\n\nEl valor debe ser positivo..."; cout << "\nPor favor intente de nuevo...\n"; continue; } break; } // limpio la memoria del array... for (i = 0 ; i <= 24 ; i++){ I[i] = 0; } for (t = 0; t < 8760; t++){ x = rayleigh(media);// Genero un pseudoaleatorio x = x * 593 / 465; fprintf(f, "%f\n", x); // grabo en archivo... sv3 += pow(x, 3.0) / 4; energia += windPower(x); for(i = 0 ; i <= 24 ; i++){ if ((x > 0.1 * i * media) && (x <= 0.2 * (i + 1) * media)){ I[i]++; break; } } } fclose(f); // Encuentro el intervalo con mayor número de ocurrencias for (i = 0; i <= 24 ; i++){ if (I[i] > max){ max = I[i]; imax = i; } if (I[i] < min){ min = I[i]; imin = i; } } // Ahora imprimo el histograma... for (i = 0 ; i <= 24 ; i++){ printf("\n%.2f m/s -- %.2f m/s ", (0.1*i*media), (0.1*(i+1)*media)); escala = 35.0 * I[i] / max; factor = (int)(escala + 0.5); // redondeo // Imprime la barra del intervalo (i-1) for (j = 0 ; j <= factor ; j++){ cout << "|"; } // termina de imprimir la barra... if (I[i] == max){ cout << " (" << I[i] << ") [Maximo]"; continue; } if (I[i] == min){ cout << " (" << I[i] << ") [Minimo]"; continue; } cout << " (" << I[i] << ")"; } // calculo recurso energético... densidadEnergetica = sv3 / (2 * 8760); printf("\n\nDensidad energetica promedio: %.3f W/mˆ2", densidadEnergetica); printf("\nEnergia anual estimada: %.2f W-hr/mˆ2.", energia); return; } // Fin de la función DRAYLEIGH /************************************** Declaro la función WINDPOWER.. Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 2.1 Simulación del Recurso Eólico 85 ***************************************/ float windPower(double windSpeed){ /* Esta función calcula la energı́a producida por el generador considerando la el teorema de Welt’z, Densidad del aire = 1,000 kg/mˆ3, Area de rotor = 1 mˆ2 v ---> generada por el programa, windspeed (con distribución dada) */ double rho = 1.00; // densidad del aire double potencia; // Potencia generada double eficiencia = 0.15; // eficiencia del generador double weltz = 0.59; // factor de terorema de Weltz potencia = eficiencia * rho * weltz * pow(windSpeed,3); return potencia; } 2.1.5 Resultados de la simulación Se consideraron los siguientes datos: • Velocidad promedio del viento: 9.3 m/s. • k = 1.77, c = 11.86 m/s. que corresponden a La Venta, Oaxaca. Los parámetros de la distribución Weibull están calculados a partir de mediciones de velocidad de viento realizadas a 53 metros de altura (respecto del suelo). Este programa simula el Recurso Eolico de un sitio dados los parametros de su distribucion. Desea iniciar la semilla del aleatorio? [S/N] s Se reinicia la semilla... Seleccione la distribucion estadistica que presenta el viento de la localidad: [R] Rayleigh. [W] Weibull. [C] Cancelar... Ingrese una opcion: r Introduzca la velocidad media del viento: 9.3 0.00 0.93 1.86 2.79 3.72 4.65 5.58 6.51 7.44 8.37 9.30 m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s ------------ Simulación de Sistemas 0.93 m/s 1.86 m/s 2.79 m/s 3.72 m/s 4.65 m/s 5.58 m/s 6.51 m/s 7.44 m/s 8.37 m/s 9.30 m/s 10.23 m/s |||||| (157) |||||||||||||||| (449) |||||||||||||||||||||||||| (752) ||||||||||||||||||||||||||||||||| (944) |||||||||||||||||||||||||||||||||||| (1045) [Maximo] |||||||||||||||||||||||||||||||||||| (1040) |||||||||||||||||||||||||||||||||| (998) |||||||||||||||||||||||||||||| (857) |||||||||||||||||||||||| (699) ||||||||||||||||||| (523) |||||||||||||||| (442) Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 86 Proyecto Final 10.23 11.16 12.09 13.02 13.95 14.88 15.81 16.74 17.67 18.60 19.53 20.46 21.39 22.32 m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s --------------- 11.16 12.09 13.02 13.95 14.88 15.81 16.74 17.67 18.60 19.53 20.46 21.39 22.32 23.25 m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s m/s ||||||||||| (302) |||||||| (196) |||||| (143) |||| (76) ||| (57) || (39) || (22) | (7) | (4) | (6) | (1) | (0) [Minimo] | (0) [Minimo] | (0) [Minimo] Densidad energetica promedio: 403.707 W/mˆ2 Energia anual estimada: 2503818.25 W-hr/mˆ2. Presione < S > para salir... < C > para continuar... c Este programa simula el Recurso Eolico de un sitio dados los parametros de su distribucion. Desea iniciar la semilla del aleatorio? [S/N] s Se reinicia la semilla... Seleccione la distribucion estadistica que presenta el viento de la localidad: [R] Rayleigh. [W] Weibull. [C] Cancelar... Ingrese una opcion: w Valor del parametro c: 11.86 Valor del parametro k: 1.77 0.00 m/s -- 0.92 m/s ||||||||| (159) 0.92 m/s -- 1.85 m/s ||||||||||||||||| (317) 1.85 m/s -- 2.77 m/s |||||||||||||||||||||||| (460) 2.77 m/s -- 3.69 m/s ||||||||||||||||||||||||||||||||| (640) 3.69 m/s -- 4.62 m/s |||||||||||||||||||||||||||||||| (631) 4.62 m/s -- 5.54 m/s |||||||||||||||||||||||||||||||||||| (706) [Maximo] 5.54 m/s -- 6.46 m/s |||||||||||||||||||||||||||||||||||| (699) 6.46 m/s -- 7.39 m/s |||||||||||||||||||||||||||||||||| (669) 7.39 m/s -- 8.31 m/s ||||||||||||||||||||||||||||||| (601) 8.31 m/s -- 9.23 m/s |||||||||||||||||||||||||||||||| (629) 9.23 m/s -- 10.16 m/s |||||||||||||||||||||||||||| (542) 10.16 m/s -- 11.08 m/s |||||||||||||||||||||||| (459) 11.08 m/s -- 12.00 m/s ||||||||||||||||||||||| (435) 12.00 m/s -- 12.93 m/s ||||||||||||||||||| (363) 12.93 m/s -- 13.85 m/s ||||||||||||||||| (315) 13.85 m/s -- 14.77 m/s |||||||||||||| (253) 14.77 m/s -- 15.70 m/s ||||||||||| (201) 15.70 m/s -- 16.62 m/s ||||||||| (153) 16.62 m/s -- 17.54 m/s |||||||| (135) 17.54 m/s -- 18.47 m/s |||||| (102) 18.47 m/s -- 19.39 m/s |||| (66) 19.39 m/s -- 20.32 m/s |||| (65) 20.32 m/s -- 21.24 m/s ||| (45) 21.24 m/s -- 22.16 m/s || (28) 22.16 m/s -- 23.09 m/s || (25) [Minimo] Velocidad Promedio del viento: 9.23 m/s. Densidad energetica promedio: 325.489 W/mˆ2 Energia anual estimada: 2018713.00 W-hr/mˆ2. Presione < S > para salir... < C > para continuar... c Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 2.1 Simulación del Recurso Eólico 87 Este programa simula el Recurso Eolico de un sitio dados los parametros de su distribucion. Desea iniciar la semilla del aleatorio? [S/N] s Se reinicia la semilla... Seleccione la distribucion estadistica que presenta el viento de la localidad: [R] Rayleigh. [W] Weibull. [C] Cancelar... Ingrese una opcion: r Introduzca la velocidad media del viento: 8.62 0.00 m/s -- 0.86 m/s ||||||| (189) 0.86 m/s -- 1.72 m/s ||||||||||||||||| (489) 1.72 m/s -- 2.59 m/s ||||||||||||||||||||||||| (723) 2.59 m/s -- 3.45 m/s ||||||||||||||||||||||||||||||| (929) 3.45 m/s -- 4.31 m/s |||||||||||||||||||||||||||||||||||| (1075) [Maximo] 4.31 m/s -- 5.17 m/s ||||||||||||||||||||||||||||||||||| (1033) 5.17 m/s -- 6.03 m/s |||||||||||||||||||||||||||||||| (965) 6.03 m/s -- 6.90 m/s |||||||||||||||||||||||||||||| (898) 6.90 m/s -- 7.76 m/s |||||||||||||||||||||||| (700) 7.76 m/s -- 8.62 m/s ||||||||||||||||||| (562) 8.62 m/s -- 9.48 m/s |||||||||||||| (395) 9.48 m/s -- 10.34 m/s |||||||||| (264) 10.34 m/s -- 11.21 m/s |||||||| (210) 11.21 m/s -- 12.07 m/s ||||| (125) 12.07 m/s -- 12.93 m/s |||| (85) 12.93 m/s -- 13.79 m/s ||| (54) 13.79 m/s -- 14.65 m/s || (27) 14.65 m/s -- 15.52 m/s || (21) 15.52 m/s -- 16.38 m/s | (9) 16.38 m/s -- 17.24 m/s | (5) 17.24 m/s -- 18.10 m/s | (0) [Minimo] 18.10 m/s -- 18.96 m/s | (1) 18.96 m/s -- 19.83 m/s | (1) 19.83 m/s -- 20.69 m/s | (0) [Minimo] 20.69 m/s -- 21.55 m/s | (0) [Minimo] Densidad energetica promedio: 310.544 W/mˆ2 Energia anual estimada: 1926020.50 W-hr/mˆ2. Presione < S > para salir... < C > para continuar... c Este programa simula el Recurso Eolico de un sitio dados los parametros de su distribucion. Desea iniciar la semilla del aleatorio? [S/N] s Se reinicia la semilla... Seleccione la distribucion estadistica que presenta el viento de la localidad: [R] Rayleigh. [W] Weibull. [C] Cancelar... Ingrese una opcion: w Valor del parametro c: 10.44 Valor del parametro k: 1.73 0.00 m/s -- 0.81 m/s 0.81 m/s -- 1.62 m/s 1.62 m/s -- 2.44 m/s Simulación de Sistemas |||||||||| (169) ||||||||||||||||||| (354) ||||||||||||||||||||||||||| (509) Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 88 Proyecto Final 2.44 m/s -- 3.25 m/s |||||||||||||||||||||||||||||||| (609) 3.25 m/s -- 4.06 m/s ||||||||||||||||||||||||||||||||| (624) 4.06 m/s -- 4.87 m/s |||||||||||||||||||||||||||||||||||| (677) [Maximo] 4.87 m/s -- 5.68 m/s |||||||||||||||||||||||||||||||||||| (668) 5.68 m/s -- 6.50 m/s |||||||||||||||||||||||||||||||||||| (674) 6.50 m/s -- 7.31 m/s ||||||||||||||||||||||||||||||||| (615) 7.31 m/s -- 8.12 m/s ||||||||||||||||||||||||||||||| (575) 8.12 m/s -- 8.93 m/s |||||||||||||||||||||||||||||||| (593) 8.93 m/s -- 9.74 m/s |||||||||||||||||||||||||| (492) 9.74 m/s -- 10.56 m/s ||||||||||||||||||||| (394) 10.56 m/s -- 11.37 m/s |||||||||||||||||||| (359) 11.37 m/s -- 12.18 m/s ||||||||||||||| (278) 12.18 m/s -- 12.99 m/s |||||||||||||| (259) 12.99 m/s -- 13.80 m/s |||||||||||| (212) 13.80 m/s -- 14.62 m/s ||||||||| (155) 14.62 m/s -- 15.43 m/s ||||||| (120) 15.43 m/s -- 16.24 m/s |||||| (92) 16.24 m/s -- 17.05 m/s ||||| (75) 17.05 m/s -- 17.86 m/s ||||| (71) 17.86 m/s -- 18.68 m/s ||| (48) 18.68 m/s -- 19.49 m/s ||| (43) 19.49 m/s -- 20.30 m/s || (24) [Minimo] Velocidad Promedio del viento: 8.12 m/s. Densidad energetica promedio: 226.478 W/mˆ2 Energia anual estimada: 1404631.75 W-hr/mˆ2. Presione < S > para salir... < C > para continuar... El número entre paréntesis a la derecha de cada intervalo indica la cantidad de horas que se tuvieron velocidades de viento en ese intervalo en un año, considerando que la distribución de probabilidad de esa variable aleatoria sigue la distribución indicada. Es de notar que la densidad energética varı́a al considerar distintas distribuciones, a pesar de utilizar los datos de un sitio obtenidos a partir del mismo estudio y realizar el cálculo de la densidad de recurso eólico local con la misma metodologı́a. Para la distribución Weibull se obtuvo una densidad energética de 315.558 W/m2 , mientras que para el caso de la distribuión Rayleigh se obtuvo un valor correspondiente de 403.202 W/m2 . El primer caso siendo un 78.26% de la segunda estimación. También es importante indicar que no se calcula la densidad de recurso eólico a partir de la velocidad promedio estimada, sino con las velocidades de viento, conforme se van generando estos valores con la distribución correspondiente. Cuando se elige la distribución Weibull, el programa calcula la velocidad promedio del viento a partir de la siguiente fórmula: n P v= vi · P (vi ) i=1 n P fi i=1 Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 2.1 Simulación del Recurso Eólico 89 donde n es es el número de intervalos en los cuales se dividió la distribución al dibujar el histograma, vi es la velocidad promedio del intervalo i de la distribución, P (vi ) es la probabilidad de que el viento tenga la velocidad vi , que se calculó dividiendo la frecuencia fi del i−ésimo intervalo entre el número de mediciones realizadas. A. Los resultados pronosticados... Datos de la Ventosa, Oax. México. (32 metros) 3 Velocidad del Viento promedio: Rayleigh: 9.3 m/s∗ Weibull: 9.23 m/s 3 Densidad energética promedio: Rayleigh: 403.707 W/m2 Weibull: 325.489 W/m2 3 Energı́a anual estimada: Rayleigh: 2.503 818 MW-hr/m2 Weibull: 2.018 713 MW-hr/m2 Para el caso de las mediciones a 15 metros, se utilizó la siguiente relación para aproximar el valor de la velocidad de viento a esa altura: • Sean v2 la velocidad del viento a la altura h2 , • y v1 la velocidad del viento a la altura h1 ... • Entonces, se cumple: v2 = v1 h2 h1 α • donde α es el coeficiente de fricción superficial con el suelo caracteristico local3 . Valores tı́picos de α Tipo de Terreno Lago, Océano, Terreno firme y plano Pasto alto en terreno plano Sembradı́os, arbustos, forraje Bosque o selva Población pequeña con árboles Ciudad con edificios altos 3 Fuente: Coeficiente de Fricción (α) 0.10 0.15 0.20 0.25 0.30 0.40 Wind and Solar Power Systems. Patel, Mukind R. CRC Press. 1 999 Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 90 Proyecto Final Usando la relación anterior, y considerando que los generadores eólicos están instalados en una playa, tenemos: 0.1 15 = 8.62 m/s. vh=15m = 9.3 32 B. Los resultados pronosticados... Datos de la Ventosa, Oax. México. (15 metros) 3 Velocidad del Viento promedio: Rayleigh: 8.62 m/s∗ Weibull: 8.12 m/s 3 Densidad energética promedio: Rayleigh: 310.544 W/m2 Weibull: 226.478 W/m2 3 Energı́a anual estimada: Rayleigh: 1.926 021 MW-hr/m2 Weibull: 1.404 632 MW-hr/m2 2.1.6 Conclusiones Resultados: los resultados obtenidos con la simulación están basados en consideraciones teóricas solamente. Para realizar cálculos más precisos se requieren datos más detallados. Por ejemplo, el programa calcula la densidad energética eólica, es decir, la cantidad de energı́a que se espera recuperar con un generador eólico por cada metro cuadrado de área que barran las aspas de los generadores instalados en ese lugar. Para pronosticar la cantidad de energı́a generada en ese lugar, se requiere, además, el radio de las aspas de los generadores que se instalarán, las curvas de eficiencia de los generadores contra la velocidad del viento, entre otros parámetros. Problemas: Conseguir información sobre la distribución del viento y sus parámetros hasta hoy es complicado, no porque las personas que se encargan de trabajar en esta área sean muy celosos de estos datos, sino porque hay muy pocas bases de datos. La mayorı́a de las mediciones que se habı́an hecho sobre las velocidades de viento de diferentes localidades se habı́a realizado con fines de obtener información para el pronóstico del tiempo. Estas mediciones solamente estaban interesadas en la velocidad promedio del viento, y no en la distribución que presenta el viento y mucho menos en los parámetros de la misma. Para un proyecto de generación de energı́a a partir del viento, se requieren conocer con precisión la distribución que presenta el viento, porque una Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 2.1 Simulación del Recurso Eólico 91 inversión grande requiere de estudios detallados para asegurar el éxito del proyecto. Trabajo Futuro: Él código del programa generado trabaja correctamente con el compilador Dev-Cpp Versión 4.9.9.2. La conversión de el código al lenguaje C es muy sencilla, y de hecho, algunas de las funciones que utiliza actualmente el código se elaboraron en ANSI-C, de manera que la conversión debe resultar sencilla. Por otra parte, serı́a una excelente idea convertir este código al lenguaje Java, porque este lenguaje permite el uso de utilerı́as gráficas, que facilitarı́an la generación de una animación. Lecciones Aprendidas: 1. La simulación de un sistema requiere, además de una buena preparación en cuestiones técnicas de la materia (programación en algún lenguaje de alto nivel, matemáticas, en particular estadı́stica, etc.), un sólido conocimiento en las bases de la materia del evento o sistema que se desea simular. Una persona inexperta en el área de energı́a eólica pudo suponer que la velocidad del viento podı́a considerarse con la misma magnitud a 15, 32 ó 50 metros de altura, ocasionando errores graves en los resultados obtenidos. 2. Cuando se desea realizar una simulación, se requiere de información “de calidad”. Si no se cuenta con información “buena”, se corre el riesgo de simular algo que no está acorde con la realidad. En casos de sistemas que no se conocen muy bien, o que tienen poca información sobre el mismo, conviene suponer algunos valores y finalmente decidir si esos valores son adecuados de acuerdo a los resultados que arroja la simulación y comparar éstos con los valores que se debı́an esperar. 3. La simulación es solamente una simulación. No se debe considerar la simulación como un sustituto del sistema real. De hecho, para hacer la simulación hemos hecho muchas suposiciones que nos ayudan a simplificar el sistema real. En el caso de este proyecto, para el cálculo de la densidad energética se consideró que la distribución que se midió y se reportó en el artı́culo Evaluación del recurso eólico de La Venta, Juchitán, Oaxaca, era la que el programa generado simulaba, y además que los valores de la probabilidad para cada velocidad de viento considerada en cada inervalo del histograma de frecuencias generado por el mismo programa, era el que se presentó en ese lugar. Evidentemente, el valor de la densidad energética pronosticada cambiará, aún con el mismo algoritmo, si se aumenta o disminuye el número de intervalos a considerar al dibujar el histograma de frecuencias de las velocidades de viento. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 92 Proyecto Final Efraı́n Soto A. Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Simulación de Sistemas 3 End matter Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 3.1 Fuentes bibliográficas 3.1 95 Fuentes bibliográficas Para la fundamentación de este proyecto final se utilizaron las siguientes fuentes: Wind and solar power systems Patel, Mukind R., CRC Press. 1999. ISBN 0-8493-1605-7 EE.UU. Handbook of wind energy Tony Burton, et al. Ed. John Wiley & Sons. EE.UU. 2001. ISBN 0-471-48997-2 y se consultaron los siguientes artı́culos: 3 Alexiadis, M. C., Dokopoulos, P. S., and Sahsamanogdou, H. S. 1998. Wind Speed and Power Forecasting Based on Spatial Correlation Models, I.E.E.E. Paper No. PE-437-EC-0-04-1998. 3 M. A. Borja, O. A. Jaramillo, M. F. Morales. Evaluación del recurso eólico de La Venta, Juchitán, Oaxaca, 2001. I.S.E.S. Millenium Solar Forum 2000. ERS-22-01. En cuanto a la parte de programación en los lenguajes C++ y C, y generación de números pseudoaletaorios, se consultaron las siguientes fuentes: Discrete-event system simulation Jerry Banks, John S. Carson II, Barry L. Nelson. Ed. Prentice Hall. 1996. (2nd Edition) Probabilidad y estadı́stica para ingenieros Ronald E. Walpole, Raymond H. Myers. Ed. McGraw-Hill. México. 1989. Mathematical Statistics John E. Freund. Ed. Prentice Hall. EE.UU. 1992. 5ta. Edición. C++ for mathematicians Edward Scheinerman. Ed. Chapman & Hall. 2006. Problem solving with C++ Walter Savitch. Ed. Addison Wesley. 1999. (2nd Edition) Además, el modelo matemático para generar números pseudoaleatorios con distribución Rayleigh, se obtuvo de la siguiente dirección de internet: http://www.brighton-webs.co.uk/distributions/rayleigh.asp Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 3.2 Términos de uso 3.2 97 Términos de uso Efraı́n Soto Apolinar no es responsable por cualesquiera daños ocasionados por el uso de este material. Tienes derecho de leer el material y de divulgarlo a otras personas, con la única condición de que no modifiques el documento en ninguna forma. Si deseas utilizar alguna parte del material, puedes hacerlo, con la única condición de que menciones la fuente, i.e., este material y a Efraı́n Soto Apolinar como el autor. Espero que este material pueda ser de ayuda a muchas personas que desean aprender la simulación de sistemas. Con estas notas estoy aprendiendo junto contigo. En realidad el material que estas leyendo lo estoy generando como un resumen de lo que voy aprendiendo. Voy a utilizarlo en lo futuro como una referencia. Este material está siendo actualizado continuamente. Te agradeceré que me envı́es un mensaje en caso de que encuentres errores en las definiciones, procedimientos, soluciones, ortografı́a y/o gramática, etc., del mismo. El material no ha tenido ninguna revisión. Agradezco infinitamente tu ayuda. Efraı́n Soto Apolinar. Simulación de Sistemas Notas del curso Simulación de Sistemas Prohibida la reproducción sin permiso previo del autor. Efraı́n Soto A. 3.3 Créditos Este documento se preparó con el software de tipografı́a cientı́fica LATEX 2ε . Todas las figuras que se presentan en este material se elaboraron con el paquete TikZ de LATEX 2ε . Créditos... Profesor: Dr. César Villarreal. Estudiante: Efraı́n Soto Apolinar. Diseño de portada: Efraı́n Soto Apolinar. Edición: Efraı́n Soto Apolinar. Composición tipográfica: Efraı́n Soto Apolinar. Productor general: Efraı́n Soto Apolinar. Revisión técnica: Pendiente. Año de edición: 2008 Año de publicación: Pendiente July 11, 2008 Última revisión: 6:31pm Agradezco tus sugerencias, comentarios, correcciones, reclamos y todo lo que se le parezca a cualquiera de las cuentas de correo electrónico: efra.soto.a@gmail.com efrain@yalma.fime.uanl.mx @ @