OBJETIVO.

- El estudiante identificar los elementos principales y las principales

aplicaciones en simulacin.

UNIDAD 1: INTRODUCCION A LA SIMULACION 1.1.- DEFINICIN E IMPORTANCIA DE LA SIMULACIN DE LA INGENIERA.

Definicin de Simulacin: Es un proceso a disear y desarrollar un modelo de un sistema o proceso real y conducir experimentar con el propsito de entender el comportamiento del sistema a evaluar varias. Es una tcnica numrica para conducir experimentos en una computadora digital, los cuales requieren ciertos tipos de modelos lgicos y matemticos que describen el comportamiento de un negocio o un sistema econmico (o algn componente de ellos) en periodos extensos de tiempo real.

IMPORTANCIA DE LA SIMULACIN EN LA INGENIERA.

Recientes avances en las metodologas de simulacin y la gran disponibilidad de software que actualmente existe en el mercado, han hecho que la tcnica de simulacin sea una de las herramientas ms ampliamente usadas en el anlisis de sistemas. La simulacin es muy importante para la ingeniera de sistemas porque presenta las siguientes ventajas : A travs de un estudio de simulacin, se puede estudiar el efecto de cambios internos y externos del sistema, al hacer alteraciones en el modelo del sistema y observando los efectos de esas alteraciones en el comportamiento del sistema.

1.2.- CONCEPTOS BSICOS DE MODELACIN.

Definicin de modelo: Es la representacin simplificada de un sistema elaborada comprender, predecir y controlar el comportamiento de dicho sistema. para

La construccin de los modelos proporciona una manera sistemtica y eficiente para ayudar a tomar decisiones FUNCIN DE LOS MODELOS Elmaghaby reconoce algunos usos legtimos y comunes de los modelos:

a) una ayuda para el pensamiento: los modelos pueden ayudarnos a organizar y clasificar conceptos confusos e inconsistencias. b) una ayuda para la comunicacin: los modelos pueden ayudar ambigedad y proporcionan un modo de comunicacin mas eficiente y efectivo. c) Una herramienta de prediccin: el uso mas importante de los modelos es la prediccin de las caractersticas del comportamiento de la entidad modelada. d) Para entrenamiento e instruccin: los modelos son ideales para entrenar a una persona para que afronte varias eventualidades antes de que ocurran. CLASIFICACIN DE LOS MODELOS Algunos de estos esquemas de clasificacin son los siguientes: a) esttico b) determinanticos c) discreto d) Icnico Los modelos fsicos y estticos, ayudan a visualizar las relaciones especiales tales como modelos arquitectnicos o los modelos de diseo de plantas. MODELOS MATEMTICOS Consta de 4 elementos: Componentes como variables, parmetros y relaciones funcionales. Variables: se clasifican en exgenas, de estado y endgenas. VARIABLES EXGENAS: Son independientes o de entrada del modelo previamente proporcionadas y predeterminadas independientemente del sistema que se modela. VARIABLES DE ESTADO: Describen el estado de un sistema o de uno de sus componentes; estas variables interaccionan con las exgenas y endgenas. VARIABLES ENDGENAS: Son las dependientes o de salida del sistema se generan por la interaccin de las endgenas con las del estado.

1.3.- METODOLOGA DE LA SIMULACIN.

La simulacin como tal es un proceso y en general consta de las siguientes etapas: DEFINICION DEL SISTEMA Para tener una definicin exacta del sistema que se desea simular, es necesario hacer primeramente un anlisis preliminar de este, con el fin de determinar la interaccin con otros sistemas, las restricciones del sistema, las variables que interactuan dentro del sistema y sus interrelaciones, las medidas de efectividad que se van a utilizar para definir y estudiar el sistema y los resultados que se esperan obtener del estudio. FORMULACIN DEL PROBLEMA Una vez definidos con exactitud los resultados que se esperaban obtener del estudio, se define y construye el modelo con el cual se obtendrn los resultados deseados. En la formulacin del modelo es necesario definir todas las variables que formulan parte de l, sus relaciones lgicas y los diagramas de flujo que describan en forma completa el modelo. COLECCIN DE DATOS Es importante que se definan con claridad y exactitud los datos que el modelo va a requerir para producir los resultados deseados. IMPLEMENTACIN DEL MODELO EN LA COMPUTADORA Con el modelo definido, el siguiente paso es decidir si se utiliza algn lenguaje como el fortran, algol, lisp, etc., o se utiliza algn paquete como Vensim, Stella y iThink, GPSS, simula, simscript, Rockwell Arena etc., para procesarlo en la computadora y obtener los resultados deseados. VALIDACIN A travs de esta etapa es posible detallar deficiencias en la formulacin del modelo o en ocasiones los datos alimentados al modelo. Las formas ms comunes de validar un modelo son: 1.- La opinin de expertos sobre los resultados de simulacin. 2.- La exactitud con que se predicen datos histricos. 3.- La exactitud en la prediccin del futuro. 4.- La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar al sistema real. 5.- La aceptacin y confianza en el modelo de la persona que har uso de los resultados que arroje el experimento de simulacin.

EXPERIMENTACIN La experimentacin con el modelo se realiza despus que ste haya sido validado. La experimentacin consiste en generar los datos deseados y en realizar un anlisis de sensibilidad de los ndices requeridos. IMPLEMENTACIN En esta etapa del estudio, se interpretan los resultados que arroja la simulacin y con base a esto se tomo una decisin. Es obvio que los resultados que se obtienen de un estudio de simulacin ayuda a soportar decisiones del tipo semiestructurado. DOCUMENTACIN Dos tipos de documentacin son requeridos para hacer un mejor uso del modelo de simulacin. La primera se refiere a la documentacin del tipo tcnico y la segunda se refiere al manual de usuario, con el cual se facilita la interaccin y el uso del modelo desarrollado.

1.4.- SISTEMAS, MODELOS Y CONTROL.

ENFOQUE DE SISTEMAS
El enfoque de sistemas establece que "el mundo y cualquiera de sus partes puede visualizarse como un conjunto de sistemas en interaccin dinmica". Es un punto de vista, una forma de pensar, que en la confrontacin de una situacin problemtica, busca no ser reduccionista. Es decir visualizar la situacin desde un punto en donde se consideren todos los elementos que intervienen en un problema.

CONCEPTO DE SISTEMAS. Por sistema; se entiende una coleccin de entidades relacionadas, cada una de las cuales se caracteriza por atributos o caractersticas que pueden estar relacionados entre s. Los objetivos que se persiguen al estudiar uno o varios fenmenos en funcin de un sistema son aprender cmo cambian los estados, predecir el cambio y controlarlo. Todo sistema consta de tres caractersticas. Tienen fronteras, existe dentro de un medio ambiente y tiene subsistemas. El medio ambiente es el conjunto de circunstancias dentro de las cuales est una situacin problemtica, mientras que

las fronteras distinguen las entidades dentro de un sistema de las entidades que constituyen su medio ambiente. Por lo tanto podemos definir a un sistema como:
UNA ESTRUCTURA DINMICA DE PERSONAS, PROCEDIMIENTOS ORGANIZADOS PARA EL PROPSITO CIERTAS FUNCIONES". OBJETOS Y DE LOGRAR

EL CONJUNTO DE ELEMENTOS QUE FORMAN UN SISTEMA TIENE LAS SIGUIENTES TRES PROPIEDADES:

Las propiedades o el comportamiento de cada elemento del conjunto

tienen un efecto en las propiedades o el comportamiento del conjunto como un todo. Las propiedades y comportamiento de cada elemento y la forma en que se afectan al todo, dependen de las propiedades y comportamiento al menos de otro elemento en el conjunto. En consecuencia, no hay parte alguna que tenga un efecto independiente en el todo y cada una est afectada al menos por alguna otra. Cada subgrupo posible de elementos del conjunto tienen las dos primeras propiedades: cada uno tiene efecto no interdependiente en el total. En consecuencia no se puede descomponer el total en subconjuntos independientes. No se puede subdividir un sistema en subsistemas independientes.

CONCEPTOS BSICOS DE SISTEMAS. ENTIDAD.

"Una entidad es algo que tiene realidad fsica u objetiva y distincin de ser o de carcter". Las entidades tienen ciertas propiedades que las distinguen a unas de otras.
RELACIN. "Relacin es la manera en la cual dos o ms entidades dependen entre s".

Relacin es la unin que hay entre las propiedades de una o ms entidades; por consiguiente, el cambio en alguna propiedad de una entidad ocasiona un cambio en una propiedad de otra entidad.
ESTRUCTURA.

Una estructura es un conjunto de relaciones entre las entidades en la que cada entidad tiene una posicin, en relacin a las otras, dentro del sistema como un todo.

ESTADO.

"El estado de un sistema en un momento del tiempo es el conjunto de propiedades relevantes que el sistema tiene en este momento. Cuando se habla del estado de un sistema, se entiendes los valores de los atributos de sus entidades. Analizar un sistema supone estudiar sus cambios de estado conforme transcurre el tiempo. JERARQUIA DE SISTEMAS SUBSISTEMAS. Un subsistema es "Un elemento o componente funcional de un sistema mayor que tiene las condiciones de un sistema en s mismo, pero que tambin tiene un papel en la operacin de un sistema mayor
SUPRASISTEMA.

El suprasistema es un sistema mayor a cuya funcin global el sistema est contribuyendo y del cual forma parte.
FRONTERA.

La frontera de un sistema representa el lmite de accin en donde tiene autoridad la persona que toma decisiones en ese sistema. La frontera delimita lo que es y lo que no es el sistema.
AMBIENTE.

El ambiente de un sistema es todo lo est situado fuera de su frontera.

SISTEMA PARCIAL.

Un sistema parcial es una visin del sistema en la cual parte de las relaciones, aquellas que no son relevantes al aspecto del sistema que se est estudiando, son eliminadas. COMO SE DEFINE UN SISTEMA EN SIMULACIN. Coleccin de entradas que pasan a travs de las fases de cierto proceso, produciendo respuestas. Por ejemplo:
EL PORQUE DE LOS MODELOS SE DEBE A LAS SIGUIENTES CONDICIONES:

Complejidad de la interrelacin entre factores que definen un sistema. Preparacin del tomador de decisiones. Incapacidad de clasificar los hechos relevantes e irrelevantes y cmo pueden afectarse al implementar decisiones. Diseo o modificacin de sistemas evaluando diferentes alternativas. Menor costo que en sistemas reales la toma de decisiones.

 La inexistencia del sistema real. Implementar sistemas para tomar decisiones genera grandes atrasos y se incurre en la posibilidad que el sistema implementado sea insatisfactorio.
CARACTERSTICAS DESEABLES DE UN MODELO DE SIMULACIN 1. 2. 3. 4. 5. 6. Que sea completo Adaptabilidad Credibilidad Simplicidad (menor nmero de parmetros) Factible tanto en Informacin como en recursos Econmico (EL COSTO MXIMO DEL MODELO DEBE SER EL MNIMO BENEFICIO QUE SE OBTIENE)

CLASIFICACIN DE LOS MODELOS Los modelos pueden clasificarse de diversas maneras. Existen muchos modelos fsicos tales como el modelo de un avin o, ms generalmente, una rplica a escala de un sistema. Existen modelos esquemticos que abarcan dibujos, mapas y diagramas. Existen modelos simblicos, de los cuales los que estn basados en las matemticas o en un cdigo de computadora son simblicos desempean funciones importantes en el diseo de los estudios de simulacin de sistemas por medio de computadora. Algunos modelos son estticos; otros, dinmicos. Un modelo esttico omite ya sea un reconocimiento del tiempo o describe un instante del estado de un sistema en determinado momento. En contraste, un modelo dinmico reconoce explcitamente el transcurso del tiempo. Adems de proporcionar una secuencia de instantes del sistema en el transcurso del tiempo, algunos modelos dinmicos especifican relaciones entre los estados de un sistema en diferentes momentos. Otra distincin es la referente a los modelos deterministas contra modelos estocsticos. En los primeros, todas las entidades establecen relaciones matemticas o lgicas constantes. Como consecuencia, estas relaciones determinan soluciones. En un modelo estocstico, por lo menos una parte de la variacin tiene una naturaleza casual. Por tanto, un investigador puede, a lo sumo, obtener soluciones promedio mediante modelos estocsticos para resolver los problemas. El presente libro se concentra exclusivamente en modelos estocsticos. NECESIDAD Y COSTO DEL DETALLE Cuando se construye un modelo, un investigador se enfrenta constantemente al problema de equilibrar la necesidad del detalle estructural con

la de hacer manejable el problema para las tcnicas de solucin aplicables al problema. Siendo un formalismo, un modelo es necesariamente una abstraccin. Sin embargo, cuanto ms detallado sea un modelo en forma explcita, mejor ser la semejanza del modelo con la realidad. Otra razn para incluir el detalle es que se ofrecen mayores oportunidades para estudiar la respuesta del sistema cuando una relacin estructural dentro del modelo altera con el propsito de investigacin. Primero, puede considerarse un mayor nmero de combinaciones de los cambios estructurales y, segundo, puede estudiarse un mayor nmero de aspectos de la respuesta. Por otra parte, el detalle por lo general dificulta la solucin de los problemas. A menudo los detalles agregados cambian el mtodo para resolver un problema de un mtodo analtico a otro numrico, de manera que se pierde la generalidad de una solucin analtica. El detalle tambin puede aumentar el costo de la solucin. Sin embargo, el factor que sirve de lmite en la utilizacin del detalle, es que a menudo no se tiene suficiente informacin sobre el sistema que se estudia, como para poder especificar otras caractersticas que no sean las obvias. Todo modelo debe limitar el detalle en algn aspecto. Al hacer la descripcin de un sistema en lugar del detalle, se hacen suposiciones sobre el comportamiento del sistema. Como se desea que estas suposiciones no contradigan el comportamiento observable del sistema, siempre que se pueda, se deben probar comparndolas con la observacin.
CRITERIOS PARA REALIZAR UN BUEN MODELO.

Se ha definido a la simulacin como el proceso del diseo de un modelo de un sistema real y la realizacin de experimentos con el mismo, con el propsito de entender ya sea el comportamiento del sistema o la evaluacin de varias estrategias que se consideran para la operacin del sistema. Esto implica el establecer ciertos criterios que debe cumplir todo buen modelo de simulacin: Fcil de entender por parte del usuario. Dirigido a metas u objetivos. No d respuestas absurdas. Fcil de controlar y manipular por parte del usuario. Completo, en lo referente a asuntos importantes. Evolutivo, es decir, que debe ser sencillo al principio y volverse ms complejo, de acuerdo con el usuario. RIESGOS DE LA ELABORACIN DE MODELOS. Primero, no existe garanta alguna de que el tiempo y el trabajo dedicados a establecer el modelo tendrn como resultado algo til as como beneficios

satisfactorios. El fracaso suele ocurrir porque el nivel de recursos es demasiado bajo. Sin embargo, a menudo el investigador se ha basado ms en el mtodo y no suficientemente en el ingenio cuando el balance apropiado entre conducir a la mayor probabilidad de xito. La segunda advertencia se refiere a la tendencia del investigador de defender su representacin particular de un problema como la mejor que existe de la realidad. Esta situacin ocurre a menudo despus de que ha invertido mucho tiempo y trabajo esperando resultados tiles. La tercera advertencia es la referente a la utilizacin del modelo para predecir ms all del intervalo de aplicacin sin la debida especificacin. Por ejemplo, puede disearse un modelo para pronosticar el comportamiento del sistema para un periodo futuro. Si se toma el mismo modelo para predecir en dos periodos futuros, debe especificarse de manera explcita a quienes lo utilizan en el sentido de que en estas predicciones el periodo futuro de prediccin no es tan exacto como en el caso de la prediccin para determinado periodo. Omitir una especificacin apropiada con respecto a un modelo de extrapolacin da como resultado quizs la nica y mayor causa de la mala aplicacin prctica.

1.5.- ESTRUCTURA Y ETAPAS DE UN ESTUDIO DE SIMULACIN.

Los componentes son las partes constituyentes del sistema. Tambin se les denomina elementos o subsistemas. Las variables son aquellos valores que cambian dentro de la simulacin y forman parte de funciones del modelo o de una funcin objetivo. Los parmetros son cantidades a las cuales se les asignar valores, una vez establecidos los parmetros, son constantes y no varan dentro de la simulacin. Las relaciones funcionales muestran el comportamiento de las variables y parmetros dentro de un componente o entre componentes de un sistema. Estas caractersticas operativas pueden ser de naturaleza determinstica o estocstica. Las relaciones determinsticas son identidades o definiciones que relacionan ciertas variables o parmetros, donde una salida de proceso es singularmente determinada por una entrada dada. Las relaciones estocsticas son aquellas en las que el proceso tiene de manera caracterstica una salida indefinida para una entrada determinada. Las restricciones son limitaciones impuestas a los valores de las variables o la manera en la cual los recursos pueden asignarse o consumirse. En las funciones de objetivos se definen explcitamente los objetivos del sistema y cmo se evaluarn, es una medida de la eficiencia del sistema.

1.6.- ETAPAS DE UN PROYECTO DE SIMULACIN.

Pasos en la simulacin Aunque se van a presentar una serie de pasos de forma secuencial, realmente es un proceso iterativo. 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 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 Implantacin de los resultados de la Simulacin Experimentacin y Anlisis de las Salidas Verificacin y Validacin del modelo Desarrollo del modelo Recoleccin de datos y anlisis

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. 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.
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 u 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. 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 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: 1 2 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. 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 suficiente 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. 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.

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.

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 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 en l 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 +1 M Eleccin de Cola Cliente en cola Cliente en cola Recuento compra Pago Embolsar

Cajero y empaquetador Recuento compra Pago Embolsar Cajero y empaquetador 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 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.

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 momento, 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 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. 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), 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. 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. mplementacin y depuracin del modelo. La facilidad o dificultad en esta etapa dependen en gran medida del lenguaje de programacin que se haya elegido.

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 correspondencia ltima para la comportamiento que un modelo es vlido si sus medidas de salida tienen una apropiada con las mismas medidas en el sistema real. La comprobacin validez de un modelo es ver cmo el modelo puede predecir un futuro del sistema ante unas determinadas entradas.

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.

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 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 topogrfica. 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. Variable de decisin 1 Variable de decisin 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 las 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.

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. 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.

VENTAJAS Y DESVENTAJAS DE SIMULACIN

VENTAJAS No es necesario interrumpir las operaciones de la compaa. Proporciona muchos tipos de alternativas posibles de explorar. La simulacin proporciona un mtodo ms simple procedimientos matemticos son complejos y difciles. de solucin cuando los

La simulacin proporciona un control total sobre el tiempo, debido a que un fenmeno se puede acelerar. Auxilia el proceso de innovacin ya que permite al experimentador observar y jugar con el sistema. Una vez construido el modelo se puede modificar de una manera rpida con el fin de analizar diferentes polticas o escenario. Permite anlisis de sensibilidad Generalmente es ms barato mejorar el sistema va simulacin que hacerlo en el sistema real. Es mucho ms sencillo visualizar y comprender los mtodos de simulacin que los mtodos puramente analticos. Da un entendimiento profundo del sistema

Los mtodos analticos se desarrollan casi siempre relativamente sencillos donde suele hacerse un gran nmero de suposiciones simplificaciones, mientras que en los mtodos de simulacin es posible analizar sistemas de mayor complejidad o con menor detalle. En algunos casos, la simulacin es el nico medio para lograr una solucin. Da soluciones a problemas "sin" solucin analtica. Aunque la simulacin es un planteamiento muy valioso y til para resolver problemas, no es una panacea para todos los problemas administrativos y presenta algunas desventajas como : La simulacin es imprecisa, y no se puede medir el grado de su imprecisin. Los resultados de simulacin son numricos; por tanto, surge el peligro de atribuir a los nmeros un grado mayor de validez y precisin. Los modelos de simulacin en una computadora son costosos y requieren mucho tiempo para desarrollarse y validarse. Se requiere gran cantidad de corridas computacionales para encontrara soluciones, lo cual representa altos costos. Es difcil aceptar los modelos de simulacin y difcil de vender Los modelos de simulacin no dan soluciones ptimas. La solucin de un modelo seguridad. de simulacin puede dar al anlisis un falso sentido de

Requiere "largos" periodos de desarrollo

PELIGROS Y PROBLEMAS EN SIMULACIN

Definir los lmites y nivel de detalles del sistema. Subestimar el tiempo y costos involucrados en el proceso de modelacin. Fallar en la seleccin del ms simple y econmico de los modelos para el fin establecido. Ausencia o prdida de metodologa estadstica.

Considerar como aproximados algunos atributos de un sistema que no existe. Entendimiento superficial del sistema a ser modelado. Poca destreza para comunicarse con administradores y staff que financiarn el proyecto.

REAS DE APLICACIN DE SIMULACIN

La simulacin es una tcnica que puede ser aplicada a una gran cantidad de reas, debido a que los avances tecnolgicos y la disponibilidad de software que existen actualmente, hacen de ella una herramienta muy til. Los siguientes son algunos ejemplos de las aplicaciones de la simulacin en algunas reas de estudio:

Sistema de colas. Sistema de inventarios Proyecto de inversin. Sistemas econmicos Estados financieros. Problemas industriales. Problemas econmicos Problemas conductuales y sociales Sistemas biomdicos Sistemas Justo a tiempo Sistemas de Logstica
LA SIMULACIN ES UN PROCESO ITERATIVO Un experimento de simulacin da el valor de los parmetros durante y al final de la simulacin. El anlisis de los resultados sugiere modificaciones a la estrategia, cambios tales como prioridades o reglas de secuencia. As, paso a paso, ganamos conocimiento sobre el sistema y su comportamiento hasta que se tiene suficiente informacin para hacer recomendaciones finales sobre el sistema a ser implementado. LA SIMULACIN NO SE USA NORMALMENTE PARA ENCONTRAR SOLUCIN PTIMA DEL PROBLEMA. En contraste con simulacin, una tcnica de programacin matemtica, tal como programacin lineal, proporciona una solucin ptima, s existe. (La desventaja de tal tcnica, sin embargo, es que permanece esttica para cada conjunto de datos). Puede parecer que la simulacin es menos poderosa que la programacin matemtica u otro mtodo matemtico. Sin embargo, la simulacin es una excelente tcnica cuando otros mtodos fallan.

POR OTRA PARTE NO SIMULE CUANDO SE TENGA LAS SIGUIENTES CONDICIONES:

1. El problema puede resolverse usando anlisis de sentido comn. 2. El problema puede resolverse analticamente (usando una forma cerrada).

3. Es ms fcil cambiar o ejecutar experimentos directamente en el sistema real. 4. El costo de la simulacin excede el posible ahorro. 5. No hay recursos disponibles para el proyecto. 6. No hay tiempo suficiente para los resultados del modelo para usarse. 7. No hay informacin o ni siquiera datos estimados. 8. El modelo no puede ser verificado o validado 9. Las expectativas del modelo no pueden ser alcanzadas El comportamiento del sistema es demasiado complejo o no puede ser definido.