1.

- Introduccin a la Simulacin

Las primeras referencias sobre simulacin se encuentran hacia el ao 1940, cuando Von Neumann y Ullman trabajaron sobre la simulacin del flujo de neutrones para la construccin de la bomba atmica en el proyecto Montecarlo. Desde entonces se conocan las tcnicas de simulacin como procesos Montecarlo, aunque en la actualidad se diferencian ambas cosas, siendo los segundos un tipo particular de simulacin. Tambin se realiz un proceso de simulacin para el proyecto APOLLO dentro del plan espacial de la N.A.S.A, acerca del movimiento dentro de la atmsfera de la luna.

1.1.- Introduccin
Actualmente, la simulacin es una poderosa tcnica para la resolucin de problemas. Sus orgenes estn en la teora de muestreo estadstico y anlisis de sistemas fsicos probabilsticos complejos. El aspecto comn de ambos es el uso de nmeros y muestras aleatorias para aproximar soluciones. Una de las ms famosas aplicaciones de muestras aleatoria s, ocurre durante la segunda guerra mundial, cuando la simulacin se utiliz para estudiar el flujo de neutrones dentro del desarrollo de la bomba atmica. Esta investigacin era secreta y le dieron un nombre en cdigo: Monte Carlo. Este nombre se mantiene, y durante mucho tiempo se usaba para hacer referencia a algunos esfuerzos en simulacin. Pero el trmino mtodos Monte Carlo, se refiere actualmente a una rama de las matemticas experimentales que trata con experimentos de nmeros aleatorios, mientras que el trmino simulacin, o simulacin de sistemas, cubre una tcnica de anlisis ms prctico, y es lo que vamos a estudiar.

Introduccin a la Simulacin

Vamos a ver tcnicas que utilizan los computadores para imitar, o simular, el comportamiento de sistemas del mundo real. Para estudiar cientficamente estos sistemas, a menudo se han de hacer una serie de suposiciones acerca de cmo trabaja ste. Estas suposiciones que usualmente toman la forma de relaciones matemticas o lgicas, constituyen un modelo que va a ser usado para intentar comprender el comportamiento del sistema correspondiente. Si las relaciones que componen el modelo son suficientemente simples, es posible usar mtodos matemticos (tales como lgebra, clculo o teora de la probabilidad) para obtener una informacin exacta de las cuestiones de inters; a esto se le llama solucin analtica. Sin embargo, la mayora de los sistemas del mundo real son demasiado complejos y normalmente los modelos realistas de los mismos, no pueden evaluarse analticamente. Lo que se puede hacer es estudiar dichos modelos mediante simulacin. En una simulacin se utiliza el ordenador para experimentar con un modelo numricamente, de forma que con los resultados obtenidos se haga una estimacin de las caractersticas del sistema.

1.2.- Sistemas, Modelos y Simulacin

Un Sistema se define como una coleccin de entidades (por ejemplo, personas, mquinas, ...) que actan e interactan juntas para lograr un fin comn. En la prctica qu se entiende por sistema depende de los objetivos del estudio particular que se pretenda hacer. El conjunto de entidades que componen el sistema para un estudio puede ser slo un conjunto de todas las entidades utilizadas para otro estudio. Se puede definir el estado de un sistema con un conjunto de variables necesarias para describir el sistema en un punto particular de tiempo, relativo a los objetivos del estudio. Los sistemas se pueden clasificar en dos tipos, discretos y continuos. Un sistema discreto es aquel en el que las variables de estado cambian instantneamente en puntos separados en el tiempo. Un sistema continuo es aquel en el que las variables de estado cambian continuamente con respecto al tiempo. En la prctica muchos sistemas no son completamente discretos o continuos, usualmente es posible clasificarlos en base al tipo de cambios que predominen en el mismo. En algunos momentos en la vida de un sistema es necesario estudiar el mismo para entender las relaciones entre sus componentes o predecir su comportamiento bajo nuevas condiciones que se consideran. Existen diferentes formas de estudiar un sistema (Figura 1.1):

Experimentar sobre el sistema actual frente a experimentar con un modelo del sistema. Lo primero es preferible siempre y cuando se pueda alterar el sistema con las nuevas condiciones y no sea muy costoso. Sin embargo es muy raro que esto se pueda llevar a cabo, ya que normalmente estos experimentos suelen ser muy costosos o muy destructivos para el sistema. Incluso puede ocurrir que el sistema no exista pero se quiera estudiar posibles alternativas de construccin del mismo (sistemas de fabricacin, armas nucleares, etc.). Por estas razones es necesario construir un modelo

Introduccin a la Simulacin

que represente al sistema y estudiar ste para poder responder a las cuestiones planteadas sobre el sistema.

Modelo fsico frente a modelo matemtico: Para muchos la palabra modelo, evoca imgenes de miniaturas, cabinas separadas de los aviones para el entrenamiento de los pilotos, etc. Estos son ejemplos de modelos fsicos (tambin conocidos como modelos icnicos). Sin embargo la mayora de los modelos construidos para estudiar los sistemas son matemticos, los cuales representan un sistema en trminos de relaciones cuantitativas y lgicas que pueden ser cambiadas para ver cmo el modelo reacciona y ver as como debera comportarse el sistema, si el modelo es vlido. Solucin Analtica frente a Simulacin: Una vez que se ha construido un modelo matemtico, ste debe examinarse para poder concluir el comportamiento del sistema y as responder a las cuestiones planteadas sobre el mismo. Si el modelo es simple , es posible trabajar con estas cantidades y relaciones y obtener una solucin analtica exacta. Sin embargo hay veces en las que obtener una solucin analtica resulta complejo y necesita muchos recursos de computacin. En estos casos el modelo puede ser estudiado por medio de simulacin, es decir, se ejercita el modelo numricamente por medio de entradas para ver cmo stas afectan a las medidas de salida o ejecucin.

Sistema

Experimentacin con el Sistema

Experimentacin con un Modelo del Sistema

Modelo Fsico

Modelo Matemtico

Solucin Analtica

Simulacin

Figura 1.1. Formas de estudiar un Sistema

Por tanto podemos definir la simulacin como la tcnica de resolucin de problemas siguiendo en el tiempo los cambios de un modelo de un sistema (Gordon, 1969), o como el proceso de disear un modelo de un sistema real y realizar experimentos con dicho modelo con el propsito de

Introduccin a la Simulacin

comprender el funcionamiento del sistema o de evaluar diferentes estrategias (dentro de los lmites impuestos por un criterio o conjunto de criterios) para la operacin del sistema (Shannon, 1975), para este ltimo autor , simulacin incluye tanto la modelizacin como el uso del modelo para estudiar el sistema. Otra posible definicin es entender la simulacin como el proceso de disear un modelo matemtico o lgico de un sistema real y realizar una serie de experimentos con el ordenador sobre l para describir, explicar y predecir el comportamiento del sistema real (Naylor y otros). Por modelo entendemos la representacin de un sistema, desarrollado con el propsito de estudiar dicho sistema. Los modelos deben contener slo los aspectos esenciales del sistema real que representan. Aquellos aspectos del sistema que no contribuyen significativamente en su comportamiento no se deben incluir, ya que lo que haran sera obscurecer las relaciones entre las entradas y las salidas. En qu punto se debe parar de incluir realismo en el modelo? Esto depende del propsito para el cual el modelo se haya desarrollado. Caractersticas que deben presentar los modelos:

Deben ser fciles de entender y manejar. Deben ser simples y de costo no excesivo. Deben ser una buena aproximacin del sistema real, que controle el mayor nmero posible de aspectos del mismo y que stos contribuyan de forma significativa al sistema (hay relaciones en el sistema que no son significativas y pueden obviarse en el modelo).

El diseo y control de modelos de modelos obliga a tener conocimientos de cuatro reas de conocimiento distintas:

Modelizacin: necesarios para disear el modelo que permita dar respuestas vlidas del sistema real que represente. El diseo es una fase muy importante, ya que los errores proporcionarn modelos falsos. Programacin: ya que el modelo se ha de implentar con un lenguaje de programacin. Probabilidad y Estadstica: la probabilidad es necesaria para definir y estudiar las variables ale atorias de las entradas, y la estadstica para permitir el diseo y anlisis de los experimentos. Mtodos Heursticos: para permitir llegar a una solucin buena del problema planteado.

1.2.1.- Clasificacin de los modelos

Nos vamos a centrar en los modelos matemticos y su estudio por medio de simulacin. Los modelos se pueden clasificar en:

Estticos frente a Dinmicos: Un modelo esttico es una representacin de un sistema en un punto particular del tiempo, o uno que representa un sistema en el cual el tiempo no juega ningn papel; ejemplos de simulaciones estticas son los modelos Monte

Introduccin a la Simulacin

Carlo. De otro lado, los modelos dinmicos representan sistemas que evolucionan con el tiempo.

Determinsticos frente a Probabilsticos: Si un modelo no continene ningn componente probabilstico se conoce como determinstico (ej, un complicado sistema de ecuaciones diferenciales que describen una sustancia qumica). En un modelo determinstico la salida es determinada una vez que se especifican las relaciones, cantidades y entradas. Sin embargo muchos sistemas tienen ciertos componentes aleatorios de entrada y stos se representan mediante modelos probabilsticos (por ejemplo la mayora de los sistemas de colas e inventarios). Los modelos de simulacin probabilsticos producen salidas que son aleatorias y deben ser tratadas como tales, es decir como una estimacin de las verdaderas caractersticas del modelo; esta es una de las desventajas de la simulacin. Continuos frente a Discretos: Los modelos de simulacin continuos y los discretos se definen de forma anloga a la de los sistemas. Slo decir que no siempre es usado para modelar un sistema discreto y viceversa. La decisin de utilizar un modelo discreto o continuo para un sistema particular depende de los objetivos del estudio. Por ejemplo un modelo del flujo de trfico en una autova podra ser discreto si son importantes las caractersticas y movimientos de los coches individuales. Alternativamente, si los coches se tratan en conjunto el flujo de trfico se puede describir mediante ecuaciones diferenciales en un modelo continuo. Prescriptivos frente a Descriptivos: Los primeros pretenden tomar decisiones sobre el sistema; se utilizan cuando se desea responder y optimizar una cuestin acerca del sistema, tratan de dar la mejor solucin. Los segundos se limitan a describir el comportamiento del sistema y dejan la totalidad del proceso de optimizacin en manos del analista. De Ciclo Abierto frente a de Ciclo Cerrado: En los primeros no hay realimentacin, es decir, las salidas no afectan a las entradas. En los segundos las salidas s afectan a las entradas (ej: un sistema de calefaccin).

1.3.- Aplicaciones de la simulacin

La simulacin tiene numerosas aplicaciones por ejemplo (dadas por Hussey, 1972; Shannon, 1975): Experimentacin: Hay dos situaciones que requieren un modelo, cuando la experimentacin directa sobre el sistema real es muy costosa o imposible; la otra es la del diseo de un nuevo sistema, as el modelo puede ir modificndose fcilmente hasta obtener el comportamiento deseado. Prediccin: El modelo se puede usar para predecir el comportamiento del objeto real bajo ciertos estmulos. Se puede hacer as una evaluacin de diferentes estrategias de accin.

Introduccin a la Simulacin

Enseanza y training: as se puede utilizar para el adiestramiento de astronautas, en los juegos de negocios, etc. Las reas de aplicacin de la simulacin son diversas y muy numerosas. Debajo hay un listado de algunas clases de problemas para los que la simulacin constituye una poderosa herramienta:

Diseo y anlisis en los sistemas de manufactura. Evaluacin de los requerimientos hardware y software en un computador. Evaluacin de nuevas armas o tcticas militares. Determinacin de distintas polticas para sistemas de inventario. Diseos de sistemas de comunicacin y protocolos de mensajes para ellos. Diseo y operacin de sistemas de transporte tales como autopistas, aeropuertos, puertos, ferrocarriles, etc. Evaluacin de diferentes diseos para organizaciones de servicios tales como hospitales, oficinas de correos, restaurantes de comida rpida, etc. Anlisis financieros o sistemas econmicos. Anlisis medioambientales.

Aunque la simulacin est ampliamente utilizada tambin presenta una serie de problemas. Por un lado, los modelos usados para estudiar sistemas de la rga escala de tiempo suelen ser muy complicados y adems necesitan utilizar muchos recursos de computacin, aunque en la actualidad y gracias al desarrollo de paquetes software que ofrecen automticamente muchas de las caractersticas necesarias para codif icar los modelos y al abaratamiento del costo de computacin, estos inconvenientes estn disminuyendo.

1.4.- Ventajas y desventajas de la simulacin frente solucin analtica

1.4.1.- Modelo analtico
Ventajas:

Conciso en la descripcin del problema. Conjunto de soluciones cerrado. Permiten evaluar fcilmente el impacto producido por cambios en las entradas sobre las medidas de salida. Posibilidad de llegar a una solucin ptima.

Inconvenientes:

Las suposiciones hechas para describir el sistema puede ser poco realistas.

Introduccin a la Simulacin

Las frmulas matemticas pueden ser muy complicadas impidiendo llegar a una solucin.

1.4.2.- Modelos de Simulacin

Ventajas:

Pueden describir sistemas que sean muy complejos. Pueden ser usados para experimentar con sistemas que todava no existan, o para experimentar con sistemas existentes sin que stos se alteren. (Esto tambin los pueden hacer los mtodos analticos siempre y cuando el sistema no sea muy complejo).

Inconvenientes:

No existe un conjunto de soluciones cerrado. Cada cambio en las variables de entrada requiere una solucin separada o conjunto de ejecuciones. Los modelos de simulacin complejos pueden requerir mucho tiempo para construirlos y ejecutarlos. Puede resultar dificultoso establecer la validez del modelo (es decir, la correspondencia con el sistema real).

1.5.- Cundo utilizar simulacin

Despus de ver estas ventajas e inconvenientes del uso de la simulacin puede no haber quedado muy claro cundo se debe utilizar. El estudio de un sistema se va a realizar mediante simulacin cuando se de una o varias de las condiciones siguientes (Shannon, 1975):

No existe una formulacin matemtica del problema. Existe un modelo matemtico, pero no mtodos analticos de resolucin del mismo. Existen el modelo y los mtodos, pero los procedimientos son tediosos, por lo que resulta ms sencilla y menos costosa la simulacin. Se desea observar en el tiempo una historia simulada del sistema. Se desea experimentar con un modelo antes de construir el sistema (Ej: un avin en un tnel aerodinmico). Es imposible experimentar sobre el sistema real (Ej: sistema solar). Puede experimentarse sobre el sistema, pero motivos ticos lo impiden (Ej: sistemas biolgicos humanos). Se quiere observar un sistema de evolucin muy lenta, reduciendo la escala del tiempo (Ej: anlisis de sistemas ecolgicos).

Introduccin a la Simulacin

Hasta ahora se ha presentado la simulacin y los mtodos analticos como mtodos alternativos, sin embargo, hay veces en que resulta fructfero el uso conjunto de ambos mtodos. Un estudio de planificacin de un ambulatorio usa una s imulacin recursiva, primero un modelo de programacin genera planificaciones y asignacin de personal ptimas y entonces un modelo de simulacin evala su efectividad basndose en medidas tales como tiempo de espera de los pacientes y utilizacin de los servicios del personal. Si las medidas no son satisfactorias, se alteran las condiciones o se desarrolla un modelo de programacin matemtico usando el anlisis de regresin, y ste se incorpora para una segunda ronda de optimizacin. El proceso contina hasta que la solucin alcanzada sea aceptable. Esta aproximacin mixta tiene la ventaja de los modelos analticos de producir soluciones ptimas, mientras que con los modelos de simulacin refleja el grado apropiado de realismo y precisin en la descripcin del sistema. Sin embargo, esta combinacin presenta la desventaja de requerir un mayor nivel de familiaridad con los modelos analticos y ms ingenio que si se usan slo modelos de simulacin.

1.6.- Pasos en la simulacin

Aunque se van a presentar una serie de pasos de forma secuencial, realmente es un proceso iterativo, tal y como se muestra en

Figura 1.2

1.6.1.- Formulacin del problema

Se definen las cuestiones para las que se buscan las respuestas, las variables implicadas y las medidas de ejecucin que se van a usar. Esta fase es muy importante para poder alcanzar un modelo vlido, se puede dividir a su vez en 5 fases

1.6.1.1.- Identificacin del Problema

Se hace una abstraccin del tipo de problema que se va a tratar. Se identifican los recursos a utilizar, los requisitos que se van a exigir (relaciones a establecer).

Introduccin a la Simulacin

Formulacin del problema

Recoleccin de datos y anlisis

Desarrollo del modelo

Verificacin y Validacin del modelo

Experimentacin y Anlisis de las Salidas

Implantacin de los resultados de la Simulacin

Figura 1.2. Pasos en la Simulacin

1.6.1.2.- Reconocer las variables del sistema

Se han de identificar las variables que interviene en el sistema y que son de inters para nuestro modelo, stas se pueden clasificar en:

Variables exgenas: son variables externas al modelo y existen con independencia de l. Se consideran variables de entrada. stas a su vez se pueden dividir en dos grupos:

Variables controlables o de decisin (factores) : son aquellas sobre las que el analista puede decidir su valor dentro de ciertos lmites. Variables incontrolables o parmetros: sus valores no se pueden decidir sino que vienen fijados. Las variables sern controlables o incontrolables dependiendo de quin las defina.

Variables endgenas: son variables internas y las variables de salida del modelo. Son funcin de las variables exgenas y de la estructura del modelo.

Introduccin a la Simulacin

1.6.1.3.- Especificacin de las restricciones de las variables de decisin

Incluso en el caso de que las variables sean controlables, estn limitadas o restringidas a ciertos lmites dentro de los cuales se pueden modificar. Es importante considerar cuidadosamente las restricciones sobre las variables de decisin, ya que definen el posible espacio de soluciones dentro del cual se buscar una buena solucin o la ptima usando el modelo de simulacin.

1.6.1.4.- Desarrollar una estructura preliminar del modelo que interrelacione las variables del sistema y las medidas de ejecucin.
Para evaluar la efectividad de un sistema, se debe identificar una medida o medidas de comportamiento (o ejecucin) para juzgarlo. Estas medidas se seleccionan del conjunto de variables endgenas. La medida o medidas que se pretenden optimizar se conocen como funcin objetivo. Hay veces en las que existe una nica funcin objetivo dominante y entonces se intenta optimizar sta sin tener en cuenta las otras variables, aunque siempre considerando las restricciones. En otras ocasiones existe ms de una funcin dominante, en este caso, hay que estudiar las distintas funciones objetivo e intentar encontrar valores para los cuales las funciones son ptimas. Cuando se quiere tener en cuenta varias medidas de comportamiento, a menudo no se podrn optimizar simultneamente. Lo ideal sera hacer mnimas ambas medidas, el tiempo de espera y el costo de tener los empleados, pero si se minimiza una de ellas la otra aumenta. Se tienen tres formas de abordar este problema:

Establecer compromisos implcitos entre las medidas. Esta aproximacin es muy subjetiva y no se va a considerar. Se dan los resultados a quin tenga que tomar la decisin y l ser quien establezca la relacin entre las variables conflictivas. Establecer compromisos explcitos, realizando una combinacin de todas las medidas usando una dimensin comn tal como el costo. A estas tcnicas se les suele conocer como anlisis de toma de decisiones multiatributo o multiobjetivo. Para realizar esta tcnica se tiene que decidir una dimensin comn para todas las medidas, factores pesos, y formar una funcin que las combine. Restriccin y corte: seleccionar una medida como la que ms interesa optimizar y hacer que las otras estn dentro de un rango de valores aceptable. Esto reduce la posibilidad de encontrar un ptimo, o al menos las mejores soluciones.

1.6.1.5.- Desarrollo de un modelo apropiado

Los modelos son abstracciones de las partes esenciales del sistema. Se ha de intentar ver si con las variables que se han especificado se tiene suficiente para describir estos aspectos importantes del sistema (si no se tienen suficientes entonces el modelo no ser una buena representacin del sistema), o por el contrario se han definido ms de las necesarias (esto puede oscurecer las relaciones entre las

10

Introduccin a la Simulacin

variables realmente importantes). En resumen, lo que se tiene que fijar en este paso es el nivel de detalle al que se debe llegar en el modelo. El nivel de detalle depende de:

Propsito del modelo. Contribucin de las variables al modelo.

No es igual si lo que se desea hacer es un modelo para una previsin a largo plazo, en cuyo caso la precisin puede ser menor, debido a que al transcurrir el tiempo las variables van a cambiar e incluso podrn aparecer otras nuevas, que si se desea una previsin a corto plazo, entonces se deber profundizar ms en el nivel de detalle.

1.6.2.- Coleccin de datos y Anlisis

Aunque la recogida de datos se va a ver como el segundo paso, es bastante posible que se hayan tenido que recoger datos para la formulacin del problema. Sin embargo, durante este paso se recoge el mayor volumen de datos, se reduce y se analiza. Los mtodos de recogida de datos son tan variados como los problemas a los que stos se pueden aplicar. Si se clasifican por su sencillez, se puede ir desde las aproximaciones manuales hasta las tcnicas ms sofisticadas de alta tecnologa. En la seleccin de un mtodo se pueden tener en cuenta los siguientes factores:

Capacidad de quien recoja los datos. El impacto que pueda producir el proceso de recoleccin sobre el comportamiento del sistema real. Puede producir perturbaciones reales o fsicas en el sistema o psicolgicas. La facilidad de conversin de los datos a una representacin procesable por el ordenador. El coste del mtodo.

En muchas situaciones es suficie nte con la observacin directa y la recogida manual de los atributos de inters. Pero si la medida que se quiere observar depende de una persona, su comportamiento se puede ver afectado por estar siendo observada. Otras veces puede ocurrir que la accin que se quiere observar sea muy rpida y que no sea posible realizar una observacin humana. Para decidir el nmero de muestras necesarias, se ha de establecer una relacin costo-exactitud y hacer una optimizacin de dicha relacin. Una vez realizado el muestreo, los datos se han de analizar e introducir en el modelo. Los datos usados para definir el modelo pueden ser de dos tipos:

Deteminsticos: son datos conocidos con certeza. stos se pueden introducir fcilmente en el modelo. Probabilsticos: hay dos formas de incluirlos en el modelo:

Usar la muestra de datos recogida para representar la distribucin de probabilidades.

11

Introduccin a la Simulacin

Determinar una distribucin probabilstica terica que se comporte como la muestra y usar sta en el modelo. Esto permite tener una mejor comprensin (generalizacin) del modelo.

1.6.3.- Desarrollo del modelo

Incluye la construccin y depuracin del modelo del sistema real, incluyendo la seleccin de un lenguaje de programacin, codificacin del modelo. Esta etapa se va a dividir en dos partes: Comprensin del sistema y Construccin del modelo.

1.6.3.1.- Comprensin del sistema

Una de las tareas ms difciles en el anlisis de simulacin es adquirir el suficiente conocimiento del sistema para poder desarrollar un modelo apropiado, es decir, conocer el comportamiento del sistema. Dos tcnicas comnmente usadas son la aproximacin de flujo fsico y la aproximacin de cambio de estado.

Aproximacin de Flujo Fsico. Se ha de identificar las entidades cuyo procesamiento o transformacin constituye el propsito principal del sistema. Estas entidades pueden tomar diferentes caminos en el sistema, las rutas que siguen se determinan mediante reglas de decisin. La representacin del sistema vendr dada mediante un diagrama de flujo de entidad y los elementos de procesamiento del sistema. Aproximacin de Cambio de Estado. Para describir esta aproximacin, se debe definir unas variables endgenas adicionales que son las variables de estado e introducir un nuevo concepto, el de suceso o evento. Las variables de estado describen el estado del sistema en cada momento. Dados los valores actuales de las variables de estado, las variables exgenas y la estructura del modelo, se puede determinar el estado futuro del sistema. Un evento es un instante particular en el tiempo en el que el sistema cambia de estado. La evolucin del sistema se puede representar mediante un grafo de sucesos.

En el ejemplo del supermercado, si se sigue la primera aproximacin, hay dos posibilidades para la traza de entidades: clientes y cajas. Sin embargo los clientes son el inters principal, mientras que las cajas tienen una importancia secundaria. Comienza la traza de un cliente cuando ste se aproxima a la caja. En este instante el cliente decide en qu cola se situar, basndose en algo como en elegir la ms corta. Esta decisin determina la ruta que va a seguir por el sistema. El cliente queda esperando en la cola hasta que sea atendido (hasta que se le asigne el elemento cajero). Aqu ocurren tres procesos: se hace la cuenta de los productos comprados, se paga por ellos, se embolsan. Entonces, el cliente abandona el sistema. En la Figura 1.3 se muestra el diagrama de flujo.

12

Introduccin a la Simulacin

Cliente en cola

Cajero y empaquetador Recuento compra Pago Embolsar

Eleccin de Cola

Cliente en cola

Cajero y empaquetador Recuento compra Pago Embolsar

Figura 1.3. Diagrama de flujo de las entidades.

En la segunda aproximacin, se pueden considerar como variables de estado el nmero de clientes en cola o el nmero de clientes que estn siendo servidos actualmente. Tales variables se pueden utilizar para calcular medidas de comportamiento, tales como el tiempo de espera de los clientes. Cuando un cliente llega a una de las colas en el supermercado, el estado vara ya que se ve alterado el nmero de clientes en dicha cola, con lo que la llegada se considera un evento. Se puede describir completamente el comportamiento del sistema incorporando al modelo la capacidad de modificar las variables de estado conforme van ocurriendo los eventos. Para el ejemplo del supermercado la atencin se puede fijar en una caja particular, pues la operacin es idntica en todas. La principal variable de estado es el nmero de clientes en el supermercado y el nmero de clientes en cada una de las colas. Otras variables de estado son las que indican los estados de los cajeros y empaquetadores, si el estn ocupados o no. Algunos eventos que cambian el estado del sistema, y por tanto las variables de estado, son una llegada al sistema, la seleccin de una cola y el aadirse a ella, salida del sistema una vez que ha pagado los productos. Ej: Suponemos una sola caja en el supermercado Variables de estado: Nmero de consumidores en el sistema (N). Nmero de consumidores en cola (M). Sucesos: Llegada de un consumidor a la cola. Consumidor empieza a ser servido. Consumidor sale de caja. Cambios provocados en las variables por estos sucesos: Suceso 1: N N+1, M M+1

13

Introduccin a la Simulacin

Suceso 2: N N, MM-1 Suceso 3: NN-1, MM Resulta til representar esto de forma grfica mediante el grafo de sucesos. Los eventos se representan mediante nodos y la progresin de los eventos mediante flechas (Figura 1.4).

Sucesos 1. Llegada del Cliente.

2. Cliente selecciona caja. 3. Cajero empieza.

4. Cajero termina. 5. Empaquetador empieza. 6. Empaquetador termina. 7. Salida del Cliente. ~ =Enlace condicional.

Figura 1.4. Grafo de sucesos.

1.6.3.2.- Construccin del Modelo

Las tareas principales en la construccin de un modelo son: Eleccin Mecanismo de avance del tiempo. Este depender de la aproximacin elegida para describir el comportamiento del sistema. Si se eligi la aproximacin de flujo fsico, este diagrama de flujo podra refinarse para convertirse en el diagrama de flujo del programa. Si se sigui la aproximacin de cambio de estado, el diagrama de flujo desarrollado debera describir el procedimiento que efecta los cambios de estado en el tiempo. Otros dos factores inciden en la construccin del diagrama de flujo del programa: elegir un mecanismo de avance del tiempo y el lenguaje de programacin que se seleccione. Hay fundamentalmente dos formas de considerar el avance del tiempo en un modelo de simulacin:

Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del modelo se comprueba despus de transcurrido cada uno de estos incrementos constantes. Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las comprobaciones y modificaciones de las variables afectadas se realizan slo despus de la ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la ocurrencia de un evento a otro.

El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si se elige el incremento por eventos, el reloj se inicializa a 0, y se incrementa al siguiente tiempo en que vaya a ocurrir un suceso, en ese m omento, en este momento de actualizacin del reloj se modifican las variables que se vean afectadas por la ocurrencia del suceso. Si por el contrario se elige un incremento
14

Introduccin a la Simulacin

de tiempo fijo, el reloj se inicia a 0 y se va actualizando cada vez que pase el incremento de tiempo fijado. En esos instantes se observar el sistema para realizar los cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o que por el contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender antes (por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir errores de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que sucede un suceso hasta que ste se computa (cuando el reloj se incrementa). Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido ningn suceso. Por el contrario si es demasiado grande se producirn muchos errores de redondeo y la dinmica del modelo ser ineficiente.

Figura 1.5. Avance del reloj de simulacin segn los sucesos.

Figura 1.6. Avance del reloj de simulacin en incrementos fijos.

Eleccin de un Lenguaje de programacin. Hay un creciente nmero de lenguajes de programacin disponibles para la implementacin de modelos de simulacin. Entre los lenguajes de simulacin destacan: GPSS (General Purpose Simulation System), SLAM (Simulation Language for Alternative Modeling), SIMAN (Simulation Analysis), y SIMSCRIPT. Muchos lenguajes de propsito general son completamente adecuados para la simulacin, por ejemplo, FORTRAM, PASCAL,, pero los lenguajes de simulacin proporcionan una serie de caractersticas que hacen la programacin, depuracin y experimentacin ms eficientes en tiempo y esfuerzo, aunque consuman ms tiempo en la ejecucin. Quizs la ms importante ventaja de los lenguajes de simulacin es la correspondencia entre los elementos del sistema y los elementos del lenguaje. Por ejemplo, en GPSS hay bloques de diagramas de flujo y conjuntos de sentencias de programa llamados QUEUE que procesan entidades a travs de una cola de espera y acumulan datos de variables de salida tales como tiempo de espera en la cola. El lenguaje seleccionado puede influir en la forma exacta del diagrama de flujo del programa de computador. Generacin de nmeros y variables aleatorias. Se van a necesitar muestras aleatorias para representar valores de variables de entrada probabilsticas. Utilizando estos nmeros aleatorios podemos obtener valores de variables aleatorias que sigan ciertas distribuciones de probabilidad.
15

Introduccin a la Simulacin

Aunque se ha hecho referencia a que los nmeros usados en simulacin son aleatorios, no lo son totalmente, ya que se producen a partir de algoritmos determinsticos. Sin embargo las propiedades de los nmeros producidos se pueden hacer lo suficientemente cerradas de forma que stos sean completamente utilizables para la simulacin. Si el modelo se implementa con un lenguaje de propsito general, se puede seleccionar e incluir algoritmos necesarios para generar las variables aleatorias requeridas. Pero si se utiliza un lenguaje de simulacin estos algoritmos estn incluidos y pueden ser fcilmente accesibles por el usuario. Implementacin y depuracin del modelo. La facilidad o dificultad en esta etapa dependen en gran medida del lenguaje de programacin que se haya elegido.

1.6.4.- Verificacin y Validacin del modelo

La Verificacin del modelo consiste en ver cul es la consistencia interna del modelo. La Validacin consiste en asegurar que existe la una correspondencia entre el sistema real y el modelo. Un buen mtodo para la validacin es hacer un test para ver cmo el modelo predice el comportamiento del sistema ante determinadas entradas. La verificacin y validacin del modelo se realiza en todas los niveles de modelizacin: modelo conceptual, modelo lgico y un modelo de ordenador. La verificacin se centra en la consistencia interna del modelo, mientras que la validacin se interesa por la correspondencia entre el modelo y la realidad. Se dice que un modelo es vlido si sus medidas de salida tie nen una correspondencia apropiada con las mismas medidas en el sistema real. La comprobacin ltima para la validez de un modelo es ver cmo el modelo puede predecir un comportamiento futuro del sistema ante unas determinadas entradas.

1.6.5.- Experimentacin y Anlisis de las salidas

Se han de disear los experimentos que se van a llevar a cabo sobre el modelo y luego analizar las salidas obtenidas, de forma que podamos responder a las cuestiones que se plantearon.

1.6.5.1.- Experimentacin con el modelo

El propsito ltimo de la experimentacin con el modelo es obtener informacin acerca del comportamiento del sistema para que esto nos ayude en la toma de decisiones. Cuando consideramos la ejecucin de un sistema se puede desear conocer cmo se comporta dicho sistema en sentido absoluto, o comparativamente, para poder contrastar varias configuraciones alternativas del sistema. O se podran considerar dos medidas simultneamente. Es evidente que el nmero de exploraciones que se tendran que realizar es extremadamente largo. Hasta para los diseos de experimentos ms modestos, la exploracin de todas las posibles soluciones en la bsqueda de la mejor solucin, no es algo factible. Se necesita una aproximacin estructurada ms directa para encontrar una solucin que merezca la pena. Podemos considerar dos
16

Introduccin a la Simulacin

aproximaciones diferentes para abordar este problema: conjunto predeterminado de experimentos y tcnicas de bsqueda de ptimos. Conjunto de experimentos predeterminado: esta aproximacin impone identificar factores que podran afectar a la medida de salida y ejecutar los experimentos con los factores puestos a determinados valores. Una vez realizados los experimentos se aplicaran unas tcnicas estadsticas denominadas anlisis de la varianza (ANOVA), para decidir cul o cules de los factores seleccionados tiene realmente algn impacto en la medida de salida. Las medidas de salida se pueden adaptar de forma que las suposiciones estadsticas de esta tcnica se satisfagan de forma razonable y puedan ser aplicadas en la experimentacin del modelo. Un diseo experimental particularmente general es el diseo factorial. Se consideran dos o ms factores pudiendo estar cada uno a dos o ms niveles. El uso de un conjunto predeterminado de experimentos es efectivo para encontrar buenas soluciones si se puede aproximar una regin de optimalidad con experimentos previos o con la experiencia que se tenga sobre el problema. Sin embargo esta tcnica no puede conducir a la mejor solucin global, ni siquiera puede garantizar un ptimo local. Tcnicas de bsqueda de ptimos: un conjunto de estas tcnicas se conoce como Metodologa de Superficie de Respuesta (RSM). La superficie de respuesta es la funcin que describe las relaciones de las medidas de ejecucin con los factores o variables de decisin. Dos factores definen una superficie de 3 dimensiones, la cual puede ser vista como un terreno en donde se puede escalar. De hecho, la representacin en 2 dimensiones de la respuesta de superficie es como las lneas de contorno de un mapa topogrfic o (Figura 1.7). Usando varias estrategias se pueden alcanzar puntos altos en el terreno, y quizs llegar a la cumbre. Una estrategia es el mtodo de escalado ascendente. Esta requiere que el modelo se ejecute suficientemente para hacer que se pueda determinar qu direccin (qu cambios en los valores de los factores) parece conducir a un incremento en la altitud (incremento en la medida de salida). Las variables de decisin se van cambiando de esta forma y el proceso contina hasta que ya no se puede llegar ms alto, en ese momento se ha alcanzado un ptimo local o global.

Medida de ejecucin

Variable de decisin 2

Variable de decisin 1

Figura 1.7. Respuesta en Superficie para dos variables de decisin.

17

Introduccin a la Simulacin

1.6.5.2.- Anlisis de las salidas

En la interpretacin de las salidas del modelo, hay algunos aspectos que son nicos de la simulacin. Mientras que los modelos analticos proporcionan soluciones con medidas de ejecucin completamente definidas, los modelos de simulacin producen estimaciones de las medidas que estn sujetas a error. Las salidas del modelo de simulacin se consideran muestras. Los principales cuestiones en la obtencin de estimaciones tiles a partir de muestras son: que la muestra sea representativa del comportamiento del sistema, y que el tamao de la muestra sea lo suficientemente grande para que las estimaciones de las medidas de ejecucin alcancen un buen nivel de precisin. El tamao de la muestra es algo que est bien definido, pero la representatividad del comportamiento del sistema depende de la naturaleza de las cuestiones que tienen que ser contestadas por el modelo. Se pueden realizar dos tipos de anlisis con un modelo de simulacin: Anlisis para sistemas con final definido: la ejecucin del modelo finaliza cuando ocurre un evento especfico. Se tomara una muestra por ejecucin. Anlisis para sistemas con final no definido (sistemas en estado de equilibrio o estacionario): el inters est en medias de las medidas de comportamiento de ejecuciones largas, despus de que el sistema ha pasado por algn periodo de comportamiento transitorio. Las medidas en estado estacionario se pueden definir como el valor de la s medidas en el lmite, cuando la longitud de la ejecucin tiende a infinito. En ambos casos, las condiciones inicia les (estado del sistema el empezar la ejecucin) pueden influir en la estimacin de las medidas de comportamiento. El tamao de la muestra es importante ya que la precisin de las estimaciones depende de la varianza de la media de la muestra, y la varianza cambia de forma inversamente proporcional al tamao de la muestra (si se cuadriplica el tamao de la muestra la desviacin estndar se reduce a la mitad). La definicin de tamao de muestra para simulacin depende del tipo de anlisis que se haya hecho. Para el anlisis de un sistema con final definido se podra reproducir el periodo de inters, con las condiciones iniciales apropiadas, un determinado nmero de veces hasta conseguir la precisin deseada de la estimacin. En cada ejecucin de obtendr un elemento de la muestra. Con un anlisis en estado estacionario el tamao de la muestra est estrechamente enlazado con el tamao de la ejecucin del modelo o cantidad de tiempo de simulacin.

1.6.6.- Implantacin de los resultados de la Simulacin

Se ha de asegurar que los resultados son aceptados por el usuario. Este paso final es uno de los ms importantes y el que ms se descuida de todo el proceso. Parece obvio que los beneficios de un largo y costoso anlisis no se realizarn sin una implementacin apropiada y una aceptacin por parte de los usuarios.

18

Introduccin a la Simulacin

Entre las razones por las que los esfuerzos de implantacin son a menudo intiles, se incluyen las siguientes:

Existe un vaco de comunicacin entre el analista de la simulacin y los encargados y usuarios del sistema. Falta de entendimientos por parte de los encargados del sistema debido a los tecnicismos utilizados. El compromiso de implementacin es tardo. Resistencia al cambio. Falta de coincidencia entre el personal disponible y los objetivos marcados por el modelo.

Hay aproximaciones que tratan estos obstculos potenciales. Estas aproximaciones requieren que los usuarios y los analistas estn implicados desde el comienzo en el proyecto simulacin.

19