Simulacion

1
Indice general
SIMULACION 3
1 INTRODUCCION 3
1.1 INCONVENIENCIA DE LOS MODELOS ANALITICOS 3

1.2 QU ES SIMULACIN? 3
2 SITUACIONES EN QUE LA SIMULACION ES ADECUADA 5
3 LAS VARIABLES ALEATORIAS 6
3.1 LA VARIABLE ALEATORIA 6

3.2 VARIABLE ALEATORIA DISCRETA 7
3.3 VARIABLE ALEATORIA CONTINUA 8
3.4 GENERADOR DE NMEROS ALEATORIOS 9
4 ETAPAS DE LA SIMULACION 10
4.1 MTODO CIENTFICO SEGN CHURCHMAN, ACKOFF, ARNOFF 10
5 SIMULACIN TIPO MONTECARLO 15
5.1 EL MTODO DE MONTECARLO 15

5.2 SIMULACIN DE EVENTOS DISCRETOS 15
5.3 MODELOS DE LINEAS DE ESPERA 15
6 TEORA DE COLAS. 17
6.1 DEFINICIN DEL PROBLEMA. 17

6.2 PROCESOS DE NACIMIENTO Y MUERTE. 17
7 ETIQUETACION DE MODELOS DE LE _ / _ / _ 21
7.1 NOTACION DE KENDALL: 21
8 MODELOS DE LINEAS DE ESPERA 23
8.1 MODELO M/M/1 23

8.2 MODELO M/M/1/K 25
8.3 MODELO M/M/S 27
Curso: Simulacion y Modelamiento

2
8.4 MODELO M/M/S/K: 28
8.5 MODELO DE UNA LINEA DE ESPERA CON N PROCESOS 30
9 INTRODUCCIN A LA DINMICA DE SISTEMAS 31
9.1 ETAPAS EN LA CONSTRUCCIN DE MODELOS 31

9.2 DIAGRAMAS CAUSALES 31
9.3 DIAGRAMAS DE NIVELES FLUJOS 34
9.4 LA ESTRUCTURA MATEMTICA 36
10 PLICACIN DE LA DINMICA DE SISTEMAS A LA PLANIFICACIN

URBANSTICA EN UNA MUNICIPALIDAD 38
10.1 INTRODUCCION Y OBJETIVOS. 38

10.2 CONCEPTUALIZACIN Y FORMALIZACIN DE LOS DIFERENTES
SUBMODELOS 38
10.3 SUBMODELO DE CONSTRUCCION. 39
10.4 SUBMODELO DE ACTIVIDAD ECONOMICA. 41
10.5 ANALISIS DE LOS BUCLES DE REALIMENTACIN 42
10.6 ESTUDIO DEL COMPORTAMIENTO DEL MODELO BAJO DIFERENTES
HIPTESIS. 44
10.7 CONCLUSIONES 46
1

3
SIMULACION
1 INTRODUCCION
Simulacin es un rea de estudio que forma parte de la Investigacin de Operaciones
(IDO), La cual es usada prcticamente en todas las reas de estudio conocidas.
Simulacin permite estudiar un sistema sin tener que realizar experimentacin sobre el
sistema real. Esto presenta muchas ventajas que discutiremos ms adelante aqu. Sin
embargo, esta no es la nica forma de estudiar un sistema; otra posibilidad es construir
un modelo anlitico conformado por un conjunto de ecuaciones (generalmente
diferenciales) que representan al sistema para luego resolverlo para diferentes
situaciones, o bien plantear un modelo de optimizacin que pretende proporcionar la
mejor estrategia que el sistema debe adoptar para funcionar mejor de acuerdo con
alguna medida de rendimiento establecida en la "funcin objetivo" y satisfaciendo las
diversas condiciones del problema, establecidas en "las restricciones". Los modelos que
se obtienen como un conjunto de ecuaciones se denominan con frecuencia modelos
analticos, es decir modelos de ecuaciones diferenciales o de optimizacin.
1.1 INCONVENIENCIA DE LOS MODELOS ANALITICOS

La construccin de un modelo analtico tiene con frecuencia serios inconvenientes, entre
los que podemos citar:
1) La dificultad de encontrar el modelo de ecuaciones que representen al sistema real

y
2) La dificultad para resolver el modelo.
Por otro lado, con frecuencia se requiere que los individuos que participan en el equipo
deben tener una gran capacitacin y destreza. De modo que estos equipos de trabajo
suelen ser costosos. En contraparte, para obtener modelos de simulacin, los equipos de
trabajo pueden estar conformados por personas con menor calificacin, de modo que la
coordinacin de estos equipos es en general mas simple y casi siempre ms econmico.
Con esto no se pretende decir que los modelos analticos sean intiles, ya que existen
cierto tipo de problemas, para los cuales se conoce la forma de obtencin del modelo as
como la manera de construir un algoritmo eficiente para resolverlo.
1.2 QU ES SIMULACIN?
Simulacin es una palabra que es familiar a los profesionales de todas las disciplinas e
incluso para aqullos que no han estudiado una carrera profesional. De esta manera el
significado de la palabra Simulacin se explica casi por s misma. Entre los significados
que podemos obtener de la gente comn y corriente para la palabra "Simular", se
encuentran los siguientes: "Imitar la realidad", "emular un sistema", "dar la apariencia o
efecto de un sistema o situacin real". Hay muchas definiciones propuestas sobre lo que
significa Simulacin, he aqu algunas definiciones:
"Una simulacin es una imitacin de la operacin de un proceso del mundo real sobre
determinado tiempo"
"El comportamiento de un sistema durante determinado tiempo puede ser estudiado por
medio de un modelo de simulacin. Este modelo usualmente toma su forma a partir de
un conjunto de postulados sobre la operacin del sistema real".

4
En la primera definicin, est implcito un sistema, mismo que contiene un proceso
(posiblemente formado por subprocesos). De esta manera se trata de un sistema el cual
cambia con el tiempo. Ntese que en esta definicin no se seala si las relaciones de las
variables del sistema son discretas o continuas, esto depende del modelo que
representar al sistema real. Esta divisin no existe siempre en la realidad, hemos sido
los seres humanos quienes lo hemos dividido (para facilitar su estudio) en discreto y
continuo. Esto pasa con todas las cosas de la naturaleza; est es nica, sin embargo, el
hombre se ha encargado en dividirla en fsica, biologa, matemticas, etc. No importa
como dividamos a la naturaleza esta seguir siendo nica y probablemente indivisible.
Un modelo es una representacin de un objeto de inters. No obstante que el objeto

sea nico, el nmero de representaciones es por lo general muy grande, de modo que el
nmero de modelos de un sistema del mundo real lo es tambin. Puesto que para un
sistema del mundo real habr tantas representaciones como concepciones de la realidad
se tengan, el nmero de modelos es por lo general infinito. El hecho de que se tenga
ms de un modelo de simulacin para un sistema real, no nos debe preocupar
demasiado, encontrar un modelo de simulacin casi siempre es fcil, mientras que
encontrar un modelo analtico con frecuencia es una tarea ardua, independientemente
que, para muchos problemas, un modelo analtico, simplemente no existe.
Obsrvese que en la segunda definicin tambin se hace incapi de un modelo, dejando

entrever la posibilidad de diferentes modelos, lo cual resulta totalmente natural, dada la
multiplicidad de modelos para un mismo objeto del mundo real. Ntese tambin que se
propone un objetivo de la simulacin: "estudiar sistemas reales a travs de modelo".
Podramos agregar aun ms que el propsito de estudiar a los sistemas reales es
comprender la interaccin de los procesos que intervienen en el, con el propsito de
modificarlos para obtener un beneficio determinado. En esta definicin est implcito que:
1) Un modelo de simulacin representa un conjunto de suposiciones (o postulados)

sobre la operacin de un sistema real.
2) Los postulados de un modelo de simulacin se pueden expresar como relaciones
entre entidades u objetos de inters del sistema en forma de expresiones matemticas,
lo que llevara a un modelo analtico.
Afortunadamente, es posible reemplazar esas expresiones matemticas y el clculo de

los valores de las variables de inters, a travs de funciones de distribucin de
probabilidad. Para los problemas de lneas de espera, existen modelos analticos que
pretenden representar los resultados promedio de la utilizacin de dichas funciones de
distribucin de probabilidad. Los Modelos de Markov tambin apuntan en esa direccin.
Los Modelos de simulacin de eventos discretos (o simulacin tipo MonteCarlo),
por el contrario, utilizan estas funciones de distribucin con el propsito de realizar una
experimentacin cuyos resultados llevarn, despus de un nmero conveniente de
ensayos a lo que se obtendra en el sistema real. Estos modelos de simulacin tienen la
ventaja que se pueden para muchos tipos de problemas y no slo para aqullos de
lneas de espera. Existen adems modelos del rea de teora de Control que incorporan
funciones de distribucin de probabilidad y lo que se conoce como estabilidad de
sistemas, referidos recientemente como Teora de Caos que se pueden tambin usar
para una gran variedad de problemas. Los modelos de estabilidad empleados asi son
por lo regular difciles de construir y validar. Por otra parte tambin existen modelos de
optimizacin que utilizan funciones de distribucin y permiten estudiar sistemas del
mundo real de alguna manera; ejemplos de ellos son los modelos de redes neuronales y

5
algoritmos genticos. Otros tcnicas empleadas son Redes de petri y Modelos de
Regresin.
En este curso solamente estudiaremos modelos de lneas de espera y de Markov y,

modelos de Simulacin de eventos discretos tipo Montecarlo. En lo que sigue usaremos
el trmino "Simulacin", para referirnos a "Simulacin de Eventos Discretos". En este
curso usaremos el Trmino "Simulacin", para referirnos a la Simulacin de Eventos
Discretos tipo MonteCarlo.
2 SITUACIONES EN QUE LA SIMULACION ES ADECUADA
La Simulacin permite el estudio de, y la experimentacin con, las interacciones internas

de un sistema real o, entre un subsistema con uno o ms sistemas donde las relaciones
son de naturaleza estocstica.
La simulacin es conveniente cuando:
* Se requiere analizar diferentes cambios en la informacin y su efecto.

* Se desea experimentar con diferentes diseos o polticas.
* Se desea verificar soluciones analticas.
* Un modelo analtico es imposible o difcil de construir.
* Se desea estudiar un sistema real y resulta peligroso o costoso hacerlo en el
propio sistema real; la posibilidad de hacerlo mediante un modelo analtico resulta
imposible inconveniente.
Adems, puede resultar conveniente:
Usar la simulacin como un instrumento pedaggico para reforzar metodologas

analticas.
Determinar cuales son las variables ms importantes del modelo de un sistema,

mediante el uso de simulacin. De esta manera se podr construir un modelo refinado
del sistema real. Esto puede ser til para la construccin de modelos diferentes a los de
simulacin.
Algunas aplicaciones de Simulacin que podemos citar son los siguientes:

Operaciones de mantenimiento
* Simulacin del Trfico de un sistema (Teleproceso, Trfico areo y terrestre,
telecomunicaciones, telefona,...).
* Cambios en la configuracin de un sistema.
* Simulacin econmica.
* Estrategias militares.
* Control de inventarios.
* Lneas de produccin,

6
3 LAS VARIABLES ALEATORIAS
3.1 La variable aleatoria

Se denomina variable aleatoria, a una variable X que puede tomar un conjunto de
valores {x0, x1, x2, ... xn-1}, con probabilidades {p0, p1, p2, ... pn-1}. Por ejemplo, en la
experiencia de lanzar monedas, los posibles resultados son {cara, cruz}, y sus
probabilidades son {1/2, 1/2}. En la experiencia de lanzar dados, los resultados posibles
son {1, 2, 3, 4, 5, 6} y sus probabilidades respectivas son {1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.
Realicemos ahora la experiencia de hacer girar una ruleta y apuntar el nmero del sector
que coincide con la flecha. En la ruleta de la izquierda de la figura los resultados posibles
son {0, 1, 2, 3, 4, 5, 6, 7}, y la probabilidad de cada resultado es 1/8. En la ruleta de la
derecha de la figura los posibles resultados son {0, 1, 2, 3}, y las probabilidades
respectivas {1/4, 1/2, 1/8, 1/8}, proporcionales al ngulo del sector.
En los tres primeros ejemplos, la variable aleatoria X se dice que est uniformemente
distribuida, ya que todos los resultados tienen la misma probabilidad. Sin embargo, en el
ltimo ejemplo, la variable aleatoria X, no est uniformemente distribuida.
El problema crucial de la aplicacin de los mtodos de Montecarlo es hallar los valores
de una variable aleatoria (discreta o continua) con una distribucin de probabilidad dada
por la funcin p(x) a partir de los valores de una variable aleatoria uniformemente
distribuida en el intervalo [0, 1), proporcionada por el ordenador o por una rutina
incorporada al programa.
Para simular un proceso fsico, o hallar la solucin de un problema matemtico es
necesario usar gran cantidad de nmeros aleatorios. El mtodo mecnico de la ruleta
sera muy lento, adems cualquier aparato fsico real genera variables aleatorias cuyas
distribuciones difieren, al menos ligeramente de la distribucin uniforme ideal. Tambin,
se puede hacer uso de tablas de cifras aleatorias uniformemente distribuidas,
comprobadas minuciosamente en base a pruebas estadsticas especiales. Se emplean
solamente cuando los clculos correspondientes a la aplicacin del mtodo de
Montecarlo se realiza a mano, lo que en estos tiempos resulta inimaginable. En la
prctica, resulta ms conveniente emplear los denominados nmeros pseudoaleatorios,
se trata de nmeros que se obtienen a partir de un nmero denominado semilla, y la
aplicacin reiterada de una frmula, obtenindose una secuencia {x0, x1, x2, ... xn} de
nmeros que imitan los valores de una variable uniformemente distribuida en el intervalo
[0, 1).

7
3.2 Variable aleatoria discreta
Para simular la ruleta situada a la derecha de la figura, se procede del siguiente modo:
se hallan las probabilidades de cada resultado, proporcionales al ngulo de cada sector
y se apuntan en la segunda columna, la suma total debe de dar la unidad. En la tercera
columna, se escriben las probabilidades acumuladas.
Resultado Probabilidad P. acumulada

0 0.25 0.25
1 0.5 0.75
2 0.125 0.875
3 0.125 1
Se sortea un nmero aleatorio ? uniformemente distribuido en el intervalo [0, 1), el

resultado del sorteo se muestra en la figura. En el eje X se sitan los distintos resultados
que hemos nombrado x0, x1, x2, x3 . En el eje vertical las probabilidades en forma de
segmentos verticales de longitud igual a la probabilidad pi de cada uno de los resultados,
dichos segmentos se ponen unos a continuacin de los otros, encima su respectivo
resultado xi. Se obtiene as una funcin escalonada. Cuando se sortea una variable
aleatoria ?, se traza una recta horizontal cuya ordenada sea ?. Se busca el resultado
cuya abscisa sea la interseccin de dicha recta horizontal y del segmento vertical, tal
como se seala con flechas en la figura. Si el nmero aleatorio ? est comprendido entre
0.25 y 0.75 se obtiene el resultado denominado x1.
La tabla describe el sorteo de una variable discreta, siendo?? una variable aleatoria
uniformemente distribuida en el intervalo [0,1).
Condicin Resultado
0<=?<0.25 0
0.25<=?<0.75 1
0.75<=?<0.875 2
0.875<=?<1 3
Una vez visto un caso particular, el problema general puede formularse del siguiente
modo:

8
Si X es una variable aleatoria discreta cuyos posible resultados son {x0, x1, x2 , ... xn-1} y
sean {p0, p1, p2, ... pn} sus respectivas probabilidades. Al sortear un nmero aleatorio ?,
uniformemente distribuido en el intervalo [0, 1), se obtiene el resultado xi, si se verifica la
siguiente condicin:
(1)
3.3 Variable aleatoria continua

Comprendido el concepto de transformacin de una variable discreta, y el procedimiento
para obtener un resultado cuando se efecta el sorteo de una variable aleatoria
uniformemente distribuida, no reviste dificultad el estudio de la variable continua. Si X es
una variable aleatoria continua, y p(x) es la probabilidad de cada resultado x,
construimos la funcin que se representa en la figura.
(2)
El resultado del sorteo de una variable ? uniformemente distribuida en el intervalo [0 ,1)

se obtiene a partir de la ecuacin.
(3)
Grficamente, se obtiene trazando una recta horizontal de ordenada ?. La abscisa x del

punto de corte con la funcin es el resultado obtenido. En la figura se seala mediante
flechas.
Un ejemplo sencillo es la transformacin de una variable aleatoria que est

uniformemente distribuida en el intervalo [a, b) si
Integrando (2) obtenemos la funcin

9
que es una lnea recta, que vale cero cuando x=a, y uno cuando x=b, tal como puede
verse en la figura inferior. Utilizando la frmula (3) de la transformacin de la variable
aleatoria continua y despejando x, se obtiene
3.4 Generador de nmeros aleatorios

Existen varias frmulas para obtener una secuencia de nmeros aleatorios, una de las
ms sencillas es la denominada frmula de congruencia: se trata de una frmula
iterativa, en la que el resultado de una iteracin se utiliza en la siguiente.
x=(a*x+c)%m;
donde a, c, m, son constantes cuyos valores elige el creador de la rutina, as por ejemplo
tenemos
a=24298 c=99491 m=199017

a=899 c=0 m=32768
Basta introducir el valor inicial de x, para obtener una secuencia de nmeros

pseudoaleatorios. Dejaremos al lector interesado la codificacin de esta rutina.

10
4 ETAPAS DE LA SIMULACION
4.1 Mtodo Cientfico Segn Churchman, Ackoff, Arnoff
I. FORMULACIN DEL PROBLEMA.

En esta fase se define el problema a resolver y los objetivos que se pretenden alcanzar,
mostrando las herramientas para hacer uso y mejoramiento de los esfuerzos de los
investigadores, divididos en dos aspectos:
A) PERODO DE ORIENTACIN.
Denominado tambin como el primer perodo de la investigacin.
El equipo de Investigacin de Operaciones ajeno a la empresa tiene la oportunidad de
valorar al problema y a la organizacin. Los promotores que son los crticos cientficos y
los que ayudan a la organizacin econmicamente (fundaciones, gobierno,...) tienen
tambin una oportunidad similar de tener un acercamiento a la empresa.
As, al final del perodo de orientacin puede especificarse bajo que condiciones se
realiza la investigacin y puedan tomarse las medidas necesarias que satisfagan tales
condiciones.
B) LOS COMPONENTES DEL PROBLEMA.

Para llegar a la formulacin del problema debemos plantear, en que consiste el
problema?, o cules son sus componentes?. Para lo cual tomaremos en cuenta lo
siguiente:
1. La evidencia de que alguien o algn grupo tiene un problema.
Este "alguien o grupo" es tambin llamado CENTRO DE DECISIN.
Cuando el centro de decisin no est satisfecho con algn aspecto de las actividades
tienen la autoridad para implementar, modificar y concluir las polticas vigentes en la
organizacin y del sistema en estudio.
Las cuestiones siguientes pueden servir de gua en la adopcin de decisiones.
i.) Quin es el responsable de emitir las recomendaciones que estn en relacin a las
modificaciones de las polticas?.
ii.) De quin depende la aprobacin y como es expresada la misma?
iii.) Cmo se realiza la aprobacin final? P. ej. Por voto mayoritario en deliberacin
conjunta, por una autoridad final.
iv.) Alguien tiene poder de veto absoluto?
v.) Quin es el responsable de aplicar las recomendaciones aprobadas?
vi.) Quin valorar la accin tomada?
2. Los objetivos que persigue quien toma las decisiones.
El ejecutivo de la organizacin puede desear mantener y obtener algunos objetivos
diferentes, tales como: disminuir costos de produccin, aumentar su volumen de ventas,
mejorar el servicio a clientes, ...,
3. El sistema o ambiente.
Que es el escenario de los recursos restringidos o inexistentes en relacin con quien
toma decisiones.
El sistema est formado por un conjunto de componentes interrelacionados que buscan
un objetivo comn, p. ej.: El consejo administrativo, el personal de la empresa, la
maquinaria y equipo, los materiales empleados para obtener el producto final, el volumen
de ventas, la competencia, ...,
4. Los cursos de accin alternativos.

11
Es al menos dos alternativas o polticas planteadas para que el que toma la decisin
tenga la opcin a elegir.
Para obtener una lista de alternativas, se deben de formular y contestar las siguientes
preguntas para cada parte del sistema.
En que medida afectan la eficacia del sistema hacer ciertos cambios, en el personal,
equipo, operaciones, mquinas, materiales, ..., en relacin con los objetivos sealados?
Una vez especificados las acciones y reacciones posibles, est concluda la
Identificacin de los Componentes del Sistema, y se pasar a la Transformacin del
Problema de la Toma de Decisiones, a un Problema de Investigacin de Operaciones,
que segn Churchman, Ackoff, Arnoff, implica las siguientes etapas:
La seleccin de la lista de objetivos obtenidos en la formulacin del problema.
b) La seleccin de la lista de posibles cursos de accin alternativos.
c) La definicin de la medida de rendimiento que va a utilizarse.
II. CONSTRUCCIN DEL MODELO MATEMTICO QUE REPRESENTA AL SISTEMA

EN ESTUDIO.
La representacin de algn objeto que est sujeto a estudio (acontecimientos, procesos,

sistemas) es llamado Modelo Cientfico, que tiende a ser de carcter explicativo y es
utilizado con fines de prediccin y control.
La primera fase de la construccin del modelo donde son expuestas las medidas
alternativas a evaluar y la definicin de la medida de rendimiento, luego entonces el
rendimiento del sistema estar en funcin de los valores de las variables.
Estas variables pueden cambiarse por las decisiones de los directivos; pero otras no. O
sea, las primeras sern variables controlables y la siguientes, no controlables.
Los valores de las variables controlables se utilizan para definir los cursos de accin
posible .
Por los directivos de la organizacin, son los aspectos incontrolables del sistema, p.
ej.: la demanda del consumidor ambas estn en funcin (f) y (E) es la medida de
rendimiento utilizada.
En la construccin del modelo, se estructuran una o ms ecuaciones de la forma:
En el sistema, hallar la solucin, consiste en encontrar los valores de las variables

controlables , que harn un mximo de rendimiento del mismo.
En algunos casos se utilizar la medida de falta de rendimiento (p. ej.: costos
esperados), entonces la solucin radica en hacer mnima la medida de eficiencia.
Componentes del Sistema.
Se empieza por enumerar a todos los componentes del sistema que contribuye al
rendimiento o no rendimiento de su funcionamiento.
Datos de entrada Resultado
Importancia de los componentes.

12
Ya teniendo la lista que completan los componentes del sistema, lo siguiente es

identificar cuales de ellos deben tomarse en cuenta, y ver si hay alguno en relacin a
otro ( o en funcin de otro) o si el curso de accin es totalmente independiente.
Se tendr que averiguar por que el sistema funciona en la forma en la que lo hace, qu
factores producen los efectos que han sido observados?, de qu manera se pueden
manipular para que se produzcan los efectos deseados?
Combinacin y divisin de los componentes.
Para su buen manejo resulta conveniente agrupar ciertos componentes del sistema . La
combinacin de stos pueden dar origen a otro diferente.
Smbolos de sustitucin.
En la lista modificada ser necesario determinar si el componente tiene un valor fijo o

variable, se deber buscar los aspectos del sistema que estn afectando al componente
variable. Se asignarn a los componentes variables un smbolo para cada
subcomponente.
Construccin del modelo matemtico.
Dependiendo de la definicin del problema el equipo de Investigacin de Operaciones de

O decidir sobre el modelo ms adecuado que representar al sistema, el cual
especificar las expresiones cuantitativas para el objetivo y sus restricciones, todo en
funcin de las variables de decisin.
DERIVACIN DE LA SOLUCIN A PARTIR DEL MODELO MATEMTICO.
Segn Prawda, resolver un modelo consiste en encontrar los valores de las variables
dependientes y las no dependientes, asociadas a los componentes controlables del
sistema con el fin de optimizar, si no es posible, mejorar la eficiencia del sistema dentro
del marco de referencia que fijan los objetivos establecidos por el grupo de toma de
decisiones.
Los mtodos de solucin son:
1. Mtodo Analtico.
2. Mtodo Numrico.
3. Mtodo de Simulacin.
1.- EL MTODO ANALTICO, hace el anlisis matemtico clsico, es utilizado para

obtener soluciones en forma deductiva, (llamadas tambin soluciones analticas), o sea,
que parte de lo general a lo particular.
2.- EL MTODO NUMRICO, se aplica cuando la solucin no es posible obtenerla de

manera deductiva, se utilizar, el anlisis numrico, (Iterativo) o solucin numrica en
forma inductiva, que va de lo particular a lo general. La solucin de tipo iterativo se
aproxima a la solucin ptima con un margen de error permitido, basado en una serie de
pruebas sobre la misma lgica de solucin, en relacin a resultados de una prueba
anterior.
3.- Existen los MTODOS DE SIMULACIN, que son los que imitan al sistema real, es
muy til en la solucin de problemas complejos, de riesgo y bajo incertidumbre.

13
La Tcnica de Montecarlo, es un mtodo de solucin que utiliza los problemas
probabilsticos de simulacin. Esta tcnica es utilizada donde no se puede hacer uso de
los mtodos de solucin numrica o de solucin analtica, ya que se generan nmeros
aleatorios para obtener valores mustrales en base a una distribucin de probabilidad.
La Teora de Juegos, es un sistema donde existen varios grupos de decisin que
reaccionan entre s.
Existen Lenguajes de Programacin para la Simulacin, como: DYNAMO, FORTRAN,
GPSS, SIMSCRIPT, etc.
IV. COMPROBACIN DEL MODELO Y DE LA SOLUCIN.

El modelo debe probar su validez, antes de ser implantado, observando si los resultados
predicen o no, con cierta aproximacin o exactitud, los efectos en relacin a las
diferentes alternativas de solucin.
Si los resultados del modelo, se alejan bastante de los resultados reales del sistema, se
debe tomar en cuenta lo siguiente:
Determinar si el modelo seala el rendimiento del sistema segn una o ms
variables que afectan a dicho rendimiento.
Corroborar si el modelo no ha omitido alguna variable que tenga efecto
importante en el rendimiento del sistema.
Comprobar si el modelo expresa realmente la relacin real existente entre la
medida de rendimiento y la variables

- Verificar si los parmetros includos en el modelo no estn siendo evaluados
adecuadamente.
Para comprobar la solucin del modelo, deber recopilarse la informacin, con el fin de
hacer las pruebas necesarias y hacer la verificacin segn los siguientes pasos:
a) Definir cientficamente (incluyendo la medida de rendimiento)
b) Llevar a cabo el muestreo (incluyendo el diseo de experimentos)
c) Reducir el nmero de datos.
d) Utilizar los datos en la prueba de hiptesis
e) Evaluar los resultados.
Si estos pasos son llevados a cabo recurrentemente cada vez que obtienen resultados
del modelo y les son presentados al grupo de toma de decisiones, se empieza a ejecutar
un procedimiento sistemtico de control que depura y ajusta al mismo, con la realidad.
V. ESTABLECIMIENTO DE LOS CONTROLES Y APLICACIN DE LA SOLUCIN.
Los sistemas no suelen ser estables y su estructura est sujeta a cambios, que pueden
ser cambios entre las variables que definen al propio sistema , o pueden ser cambios
entre los valores de las variables del sistema.
El objetivo del establecimiento de controles, es para que no se pierda la efectividad del
modelo matemtico debido a cambios en los parmetros y la eficacia de la solucin
puede verse disminuda en consecuencia a:
- cambio de los valores
- cambio de la relacin entre ellos
- cambio en ambos factores.
En consecuencia, un parmetro que no era significativo puede llegar a serlo o puede
dejar de serlo, o tal vez, cambiar su grado de importancia.
El diseo de un sistema de control deber tomar en cuenta lo siguiente:
1. Enumeracin de las variables y la relacin entre ellas, y la manera en que afecta a la
solucin el cambio de los valores.

14
2. Elaboracin de un procedimiento para detectar los cambios importantes entre los
parmetros (variables) y las relaciones,
3. Especificacin de la accin que deber tomarse o los ajustes que deben llevarse a
cabo en el momento de ocurrir un cambio importante.
Los parmetros enumerados pueden ser clasificados como:
a)Valores que se conocen de antemano durante el perodo correspondiente a una
decisin.
Como por ejemplo: nmero de das de trabajo, precio de ventas de un artculo,...
b)Medidas cuyos valores no se conocen de antemano.
P. ejemplo:La cantidad de producto defectuosa, la utilidad anual de la empresa, ...
La participacin entre los investigadores de operaciones y el personal de operacin, cuyo

trabajo en conjunto, permitir desarrollar exitosamente el plan de implantacin.
Ya que ninguna consideracin prctica se dejar de analizar, y de esta manera podrn
verificarse las modificaciones o ajustes posibles al sistema

15
5 SIMULACIN TIPO MONTECARLO
5.1 EL MTODO DE MONTECARLO

6
El mtodo de Montecarlo consiste en tomar una solucin vlida, provocar una pequea
variacin aleatoria y, si la nueva configuracin es mejor que la anterior y cumple las
restricciones, nos quedamos con la nueva; si no, nos quedamos con la antigua. Este
metodo planteado de esta forma no convege -aunque llege a un mnimo, sigue
operando-. Para que converja, se va haciendo cada vez ms pequea la variacin
aleatoria. El metodo de Montecarlo puede ni converger en un mnimo, pero el coste es
razonable y puede ser aceptado para problemas de mucha complejidad. Otra
optimizacin tradicional es provocar la variacin aleatoria de forma que la nueva
configuracin ya sea vlida, mas esto no siempre es posible.
6.1 SIMULACIN DE EVENTOS DISCRETOS

Tambin llamada simulacin de Montecarlo proporciona una visin general terica
y prctica de los conceptos de simulacin mediante un estudio avanzado de los
aspectos ms importantes de sistemas de eventos discretos. El enfoque principal
es lograr aplicar la simulacin en sistemas de eventos discretos del mundo real
usando diferentes lenguajes de simulacin. Las bases matemticas para la
simulacin de sistemas de eventos discretos son Teora de probabilidad y Teora
de Lneas de espera. Estas teoras son ampliamente usadas en el campo de
investigacin de operaciones, manufactura e ingeniera industrial.
6.2 MODELOS DE LINEAS DE ESPERA
Los modelos de lneas de espera (LE) son importantes en la simulacin y modulacin de

sistemas computacionales debido a:
Pueden ser usados para entender aspectos estocsticos de las redes de

comunicacin y redes de cmputo.
Pueden ser usados para simular servidores de sistemas diversos tales como:
bancarios, sistemas de produccin, simulacin de vuelos, etc.
Los profesionales que tpicamente enfrentan estos problemas son, los ingenieros de
sistemas, industriales, de sistemas computacionales y de informtica; sin embargo, estos
son problemas afectan todos los sectores productivos, de manera que las LE's tienen un
gran potencial de aplicacin.
Existen bsicamente dos maneras de abordar un problema de LE:
Usando modelos matemticos obtenidos ex profeso para ciertos tipos de LEs que se
presentan con frecuencia y
Usando un modelo de simulacin de eventos discretos.

16
El primer caso consiste bsicamente de un conjunto de frmulas que se aplican para
ciertas caractersticas de un sistema de espera particular. Cuando se utiliza el trmino
"modelo de lneas de espera", con frecuencia se entiende (correcta o incorrectamente)
que se trata de este primer caso. Los modelos de lneas de espera tienen las
siguientes caractersticas que los hacen atractivos:
Son ms rpidos, que los modelos de simulacin.

Son fciles de utilizar no requirindose grandes esfuerzos de programacin.
Son ms baratos que los modelos de simulacin
Pueden ser usados para validar sistemas de simulacin MonteCarlo, mediante
condiciones que las LE's consideran.
Pueden ser usados para validar sistemas de simulacin MonteCarlo, mediante
condiciones que las LE's consideran.
Aqu presentaremos los modelos de LE ms comunes. Para su presentacin,

mostraremos la forma como se deriva solo para un caso, con lo que pretendemos ilustrar
de que manera se obtienen. Esto se hace con el objeto de presentar el grado de
complejidad que representa obtener un modelo de Lneas de Espera. Para ello nos
basaremos en los modelos de Nacimiento y Muerte, los cuales, suponemos que el
alumno conoce al menos de manera superficial.

17
7 TEORA DE COLAS.
7.1 Definicin del problema.

El problema a modelar consiste en el comportamiento dinmico de algunas
variables de inters de un sistema de servicio de clientes. Las cantidades de inters que
se consideran en el modelo son:
S : nmero de servidores.
n : nmero de clientes en el sistema.
N : nmero mximo de clientes en el sistema.
L : nmero promedio de clientes en el sistema.
LQ
: nmero promedio de clientes esperando en la cola.
W : tiempo promedio de un cliente en el sistema.
WQ
: tiempo promedio de un cliente esperando en el sistema.
Adems se puede definir la razn promedio de llegada de clientes a por:
N( t )
a lim
t t
Entonces se pueden plantear las frmulas Littles:
L a W
L Q a WQ
7.2 PROCESOS DE NACIMIENTO Y MUERTE.
Los modelos de Lneas de Espera (LE), se derivan generalmente a partir de los procesos
de Nacimiento y Muerte, los cuales son procesos de Markov con "Entradas Poisson y
Tiempos de Servicio Exponencial". Esto significa que la situacin de espera en la cual el
nmero de llegadas y salidas del sistema, durante un intervalo de tiempo, esta
controlado por las siguientes condiciones:
La Probabilidad de que un evento (es decir llegada o salida) ocurra entre los
instantes de tiempo t y t+h, depende nicamente de la longitud del intervalo de
tiempo entre esos dos instantes, esto es depende solamente de h. Esto quiere decir
que la probabilidad de ocurrencia de un evento durante el intervalo t y t+h no
depende del nmero de eventos ocurridos antes de t ni tampoco del valor de t.
Si h es intervalo de tiempo muy pequeo, la probabilidad de que ocurra un evento
durante ese intervalo nunca es mayor que la unidad y siempre es positiva.
Durante el intervalo h solo puede ocurrir un evento, es decir lo que puede variar es la
probabilidad de que ocurra un evento durante ese intervalo.
Para determinar si se tiene un proceso tipo Poisson, se pueden realizar pruebas

estadsticas, tales como la prueba Xi Cuadrada, sin embargo, una manera ms sencilla y
utilizada con frecuencia en la prctica es observar el proceso durante un cierto tiempo y

18
registrar el nmero de eventos que ocurren cada h unidades de tiempo; acto seguido se
calcula la media y la desviacin estndar, s estas son aproximadamente iguales,
entonces se dice que el nmero de ocurrencias sigue una distribucin de Poisson. Si un
proceso es Poisson, entonces las probabilidad del tiempo entre ocurrencias de eventos
es exponencial.
Un sistema de nacimiento y muerte, se puede representar como sigue:
n-2
n-1
n n+1
Sea: 0, 1, n, la media de llegadas cuando hay 0.1,n clientes en el sistema y 1,

2,,n,n+1, la tasa media de servicio cuando hay 1,2,n, n+1 clientes en el sistema.
Sean Po, P1, Pn, las probabilidades de estado estable. Entonces usamos las
ecuaciones de balance de flujos:
Suma de flujos de entrada = Suma de flujos de salida
Para determinar cada Pi mediante este mtodo, escribimos las ecuaciones para cada
nodo:
Estado Ecuacin Despejes de Pi en trminos de P0

0 1 P1 = 0 P0 P1= (0/1)P0
1 0 P0 +2 P2 = (1+1)P1 P2= (10/21)P0
2 1 P1 + 3P3 = (1+1)P1 P3= (210/321)P0
.
..
n-1 Pn=(n-1n-2..0/nn-1..1)P0
Utilizamos ahora:
Cn = ( n-1 n-2 .0) / {n n-1.1} ..(1)
Escribimos ahora la ecuacin del rengln n-1 usando Cn:

19
Pn = Cn P0 (2)
Podemos generar un sistema de ecuaciones para determinar P0,P1,Pn; sin embargo,

recuerda que una de las ecuaciones (2) es redundante y debe se reemplazada por:
Pn =1
0
o bien

P0 + Pn = 1 .(3)
1
Esto se consigue haciendo variar n desde 1 hasta infinito. Significa que la ecuacin (2)
con la (3) formar un sistema consistente.
Sustituyendo (2) en (3)

P0 + CnP0 =1
1
Entonces P0 es igual a:
1
P0 = --------------------- (4)

1 + Cn
1
La ecuacin (4) converge si Cn < 1, esto es un resultado que resulta del rea de Series y
Sucesiones, y que se estudia normalmente en los cursos elementales de Clculo
Diferencial e Integral, lgebra o Matemticas Discretas.
Note que se puede calcular P0 de la ecuacin (4) ya que las tasas de llegadas y de
servicios son por lo regular conocidas. Ntese tambin que con la ecuacin (2) podemos
calcular todas las Pi's, puesto que P0 es ahora conocida.
Recordamos el concepto de valor esperado de una variable aleatoria xi, que se define
como:

Xi Pi
0
Entonces el nmero esperado de clientes en el sistema L y el nmero esperado de
clientes en la lnea de espera Lq es:
Ahora vamos a definir los siguientes valores esperados:

20
L= n Pn
0

Lq = (n-s) Pn
n=s
Donde s es el nmero de servidores en el sistema.
Primera Practica Calificada

21
8 ETIQUETACION DE MODELOS DE LE _ / _ / _
Estos modelos se etiquetan como sigue:
_________/____________________/_________________
Distribucin Distribucin Nmero de servidores

Del tiempo Del tiempo
Entre de
Llegadas servicio
Con frecuencia se usan las letras:
M = Distribucin exponencial (Markoviana) D = Distribucin degenerada (tiempos

constantes)
Ek = Distribucin Erlang G = Distribucin General
8.1 NOTACION DE KENDALL:
Se utilizan dos notaciones de Kendall:
a) A/B/S/K/m/Z b) A/B/S/Z/m/K
Es una notacin extendida de la anterior (es decir el caso anterior es un caso particular)
donde:
A= Distribucin del tiempo entre llegadas B= Distribucin del tiempo de servicio

S= Nmero de servidores
K=Nmero de clientes potenciales en el sistema o tamao de la fuente

(Capacidad del sistema)
m= Nmero de clientes en el sistema Z= Disciplina de atencin de la lnea de

espera
A y B pueden ser:
GI = Distribucin general independiente

G = Distribucin general
Ek =Distribucin Erlang
M = Distribucin Exponencial (Markoviana)
D = Distribucin degenerada o determinstica (tiempos constantes)
Hk = Distribucin Hiperexponencial con k etapas
Los otros ndices de la notacin de Kendall pueden ser:

22
K: Puede ser Finita infinita
m: Puede ser Finito infinito
Z: Puede ser FIFO, LIFO, etc.
Es comn usar la notacin de Kendall simplificada A/B/S, cuando:
La LE es infinita
La fuente es infinita
La disciplina es FIFO

23
9 MODELOS DE LINEAS DE ESPERA
9.1 MODELO M/M/1
Una cola un servidor
En este modelo se considera que las tasas medias de llegadas y de servicio no cambian
con el nmero de clientes en el sistema, es decir:
= ........(1)........ Coeficiente de atencin

W= 1 ......(2)...... Tiempo total de atencin del cliente

-
L= (3) Longitud promedio de la cola del sistema

1-
Ademas:
Probabilidad en ser atendido en "t" unidades de tiempo
W(t) = e-t/w
Probabilidad de estar "t" unidades de tiempo en la cola
Wq(t) =e-t/w
Pn = n(1 - )
= (1 - Pn) ........................promedio de clientes no llegados
Lq = L - /
Wq = Lq /
Ejemplo:

24
Un vigilante atiende a los visitantes, los cuales van llegando a razn de 16 por
hora, el vigilante atiende a razn de 20 clientes por hora, se pide:
a) Longitud promedio de la cola del sistema.
b) El tiempo total que demora cada cliente desde que llega hasta que salede la cola.
c) El tiempo que demora en la cola.
Solucin
Datos:
= 16 clientes/hora
= 20 clientes/hora
Aplicando (1)
= 16 = 4
20 5
a) Aplicando (3)
L= 4/5 = 4 clientes
1 - 4/5
a) Aplicando (2)
W= 1 = 1/4 hora o 15 minutos

20 - 16
a) Si se atienden 20 clientes en una hora entonces se puede deducir que un cliente es

atendido en 3 minutos por cliente.
El tiempo que demora en la cola = L - 3 minutos por cliente = 15 - 3 = 12 minutos

25
9.2 MODELO M/M/1/K
Similar a la anterior pero con una longitud limite "K" para la cola
= Para n = 0, 1, 2,..........K-1
0 Para n = K, K+1, .........
Pn Probabilidad de que exista "n" elementos en la cola:
Pn = n(1 - ) ( 1) .......1a
1 - K+1
K ( = 1) ........1b
2
L Longitud de la cola:
L= - (K+1)k+1 ( 1) ..........2a
1- 1 - K+1
K ( = 1) ..........2b
2
Ejemplo:
En una estacin de servicio se cuenta con solo un grifo para la atencin. Los clientes
llegan en un proceso de poisson a razn de 10 vehculos por hora mientras que son
atendidos bajo un proceso exponencial con una media de 3 minutos, adems se sabe
que la venta promedio es de 18 dollares. Debido a que la estacin es pequea, solo
puede mantener 4 autos en espera, si llegan mas cuando esta llena debe buscar otro
grifo. Determinar:
a) El numero promedio de vehculos en la cola.
b) El tiempo que los clientes deben esperar para esperar la atencion.
c) Las perdidas por la no atencin de clientes.
Solucin:
Datos:
= 10 clientes/hora
= 3 minutos o 20 clientes/hora
k=4
= 10 = 1
20 2
a) Se utilizara 2a para el calculo de "L":

26
L= 1/2 - (4+1)(1/2) 4+1
1 - 1/2 1 - (1/2) 4+1
L= 1 - (5)(1/2) 5
1 - (1/2) 5
L= 1 - (5)(1/2) 5
1 - (1/2) 5
L= 1 - 5/32 = 0.16 autos

31/32
b)
Pk= (1/2)4(1-1/3) = 0.0322
1 - (1/2)5
= (1-Pk)
= 10 (1-0.0322) = 9.678
L= (1/2) - (4+1)(1/2)4+1 = 0.839

1 - (1/2) 1-(1/2)4+1
Lq = 0.839 -9.678/20 = 0.3551
Wq = 0.3551/9.678 = 0.0367
c) Vehculos que no son atendidos:
- = 10 - 9.678 = 0.322
Perdidas por hora = 0.322*18 = $ 5.796

27
Examen Parcial
9.3 MODELO M/M/S
Una cola Varios servidores
En este modelo se considera que:
n = n0
n= n n0
s ns
Po= n=s-1
n + s -1

n! s!(1 - /s)
n=0
Pn= nPo = (n/n!)Po ,,,,,,,n s
n!n
n = (n/s!s sn-s)Po ......n s
s!s n-s
Lq= s+1 Po
(s+1)!(s-)2

28
Wq = Lq/
W = Wq + 1/
Ejemplo:
En una empresa se tiene 2 vendedores de mostrador los cuales atienden a razn de 15

clientes por hora. Los vendedores atienden es de 3 minutos por cliente. Se pide calcular
la probabilidad de que haya 3 clientes en espera de ser atendidos.
Solucin:
S=2
n=3
=
= 3 minutos o 20 clientes por hora
= 3/4
Po = (3/4)0/0! + (3/4)2 /(2!(1-(3/4)/2)) + (3/4)1 / 1! + (3/4)2/(2!(1-(3/4)/2) -1

Po = (53/20) -1
Po = 20/53
P3 = ((3/4)3/2!*2 3-2)*(20/53) = 0.397

9.3.1.1
9.4 MODELO M/M/S/K:
En los modelos de LE infinita, no se permite que el nmero de clientes en el sistema

exceda un nmero especificado por "K". A cualquier cliente que llegue cuando la LE este
llena se le niega la entrada y este cliente lo deja para siempre. Entonces:
n = n = 0,1,2,3, ........k-
1
0 n = k, k+1, k+2, ....
n= n n = 0,1,2,3, ........k-1
s n =s+1, s+2, s+3, ..
= /s
Po = sss+1 (1-k-s) + s (s)n -1 1

29

s!(1-) n!
n=0
sss+1 (1-k-s) + s (s)n -1 =1

s!(1-) n!
n=0
Pn = (s)n Po n=1, 2, 3, ,,,,,s
n!
(1-k-s) + n=s+1, s+2, s+3, ...k
s!(1-)
0 n=k+1, k+2, k+3, ...
Lq= sss+1 (1-k+s-(1-)(k-s) k+s)Po
s!(1-)2
Wq = Lq/
Problema:
En un taller de mecanica existen 4 mecanicos que atienden a los los clientes. El taller
solo cuenta con espacio para 3 automoviles en espera. Los clientes llegan en promedio
de 15 por hora bajo una tendencia de poison y son atendidos con una media de 12
minutos por auto bajo una tendencia exponencial, se pide:
a) Promedio de clientes en cualquier momento.

a) Promedio de autos que se retiran si no hallan espacio
Solucion:
S=4
K=7
= 15 autos hora
= 60/12 = 5 autos por hora
= 15/4*5 = 3/4
Po = 44(3/4)4+1(1-(3/4)7-4)/4!(1-3/4)+1/0!+(4(3/4)) 1/(2!)+(4(3/4))2/(2!)+(4(3/4))3/(3!)
+(4(3/4))4/(4!))-1
Po = 0.04498

30
P7 = 44(3/4)7(0.04498)/4! = 0.06404
= (1-P7) = 15(1 - 0.06404) = 14.0394
Lq = 44(3/4)5*(1-(3/4))7-4-(1-3/4)(7-4)(3/4)7-4)(0.04498)/(4!(1-(3/4))2)
Lq =0.4767
Wq = 0.4767/14.0394 = 0.03395
W =Wq+1/ =0.03395+1/5 = 0.2339
L = *W = 14.0394*0.2339 = 3.2846
b) - = 15 -14.0394 = 0.9606 autos.
9.5 MODELO DE UNA LINEA DE ESPERA CON N PROCESOS
Cola 1
Cola 2
Cola 3
Varias lneas, Varios Servidores

31
Practica dirigida
Practica calificada
10 INTRODUCCIN A LA DINMICA DE SISTEMAS

Esta breve introduccin sobre construccin de modelos a travs de la Dinmica de
Sistemas incluye primero algunas consideraciones sobre los pasos para construir un
modelo. El primer paso es la Determinacin de las Variables. A este le puede seguir la
construccin de diagramas causales, es decir la bsqueda de las relaciones entre las
variables generadas en el primer paso. El diagrama causal de un modelo puede ser
trasformado fcilmente en un diagrama del tipo niveles - flujos. La obtencin del sistema
de ecuaciones es un proceso automtico, usando normalmente el diagrama niveles -
flujo, si se usa un software de la dinmica de sistemas. Los ltimos pasos son la
Validacin y Experimentacin.
10.1 Etapas en la Construccin de Modelos

En la construccin de un modelos de simulacin usando la dinmica de sistemas se
pueden identificar las siguientes etapas:
1. Determinacin de las variables a usar en el modelo y de las relaciones entre las

variables.
2. Construccin de diagramas (causales y/o de flujo-tasa).
3. Determinacin de la estructura matemtica del modelo (ecuaciones).
4. Validacin y Experimentacin (que no se discutir aqu).

El primer paso (y parte del segundo) se puede realizar sin la necesidad de construir la
estructura matemtica del modelo. La determinacin de variables se puede hacer
usando tcnicas de generacin de ideas y/o recurriendo a los conocimientos de expertos
sobre el problema en estudio. En el caso del modelo de Caparo se hizo un estudio
exhaustivo de los trabajos que se publicaron en el pasado sobre el tema y se pudo
contar con sugerencia y consejos de expertos. De esas lecturas y discusiones se
obtuvieron alrededor de unas 50 variables. El proceso puede continuar con la
determinacin de una manera cualitativa de las posibles relaciones entre las variables.
En otras palabras, determinar si existen o no relaciones entre pares de variables. Esto se
puede hacer usando matrices de interacciones, de alcanzabilidad, etc. o usando grafos
como los de los diagramas causales. A veces el proceso puede terminar con un anlisis
de la estructura cualitativa conseguida en esta primera etapa sin la necesidad de pasar a
la determinacin de la estructura matemtica. Para estos anlisis, durante las dcadas
de los setenta y ochenta, se elaboraron muchas tcnicas, conocidas con el nombre
general de modelado estructural (Tonella, 1984). Una vez obtenida la estructura
cualitativa se puede pasar a la determinacin de la estructura matemtica. En el caso de
la Dinmica de Sistemas este paso es facilitado por el uso de los Diagramas Causales y
de los Diagramas de Niveles - Flujos.
10.2 Diagramas Causales

Existe una discusin abierta si en la dinmica de sistemas es mejor iniciar la construccin
de un modelo con diagramas causales o directamente con diagramas de niveles - flujo.
El modelo del presente estudio fue elaborado casi totalmente usando diagramas

32
causales, por varias razones que no se indicarn aqu. Los diagramas causales sirven
para hacer un bosquejo de todos los elementos de una problemtica sin entrar en los
detalles matemticos del posible modelo. Para obtener un diagrama causal de un
problema hay que considerar los siguientes aspectos:
1. Pensar en trminos de relaciones causa efecto.
Si se tienen dos variables A, B y si A es capaz de influenciar a B,

se representa la relacin de la siguiente manera:
Para denotar si la influencia causa variacin en el mismo sentido

(es decir, si a un aumento de A se genera un aumento de B, y si a
una disminucin de A se genera un riduccin de B) se coloca el
signo + sobre la flecha:
Por otro lado, si a un aumento / disminucin de A se corresponde

una disminucin / aumento de B, entonces se denota:
2. Centrarse en las relaciones de retroalimentacin entre los

componentes del sistema.
Si se agrega una nueva variable C al sistema anterior, la cual est

influenciada por B en el mismo sentido, y que sea capaz de
influenciar a A de manera positiva, se denotar:

33
Si A aumenta, inmediatamente B aumentar, ocasionndose

entonces un incremento en C, lo cual aumentar nuevamente a A,
y as sucesivamente. En este caso, la variacin de un elemento se
propaga a lo largo del bucle de manera que se refuerza la
variacin inicial. Este efecto se conoce como lazo de
retroalimentacin positiva; se presenta cuando todas las
relaciones son positivas (como en el ejemplo anterior) o cuando
existe un nmero par de relaciones negativas. Por ejemplo,
supngase que un aumento de A genera una disminucin en B,
y que una disminucin en B causa un aumento en C,
todo el sistema se representar:
Resumiendo, si A aumenta, se produce una disminucin en B que

genera un incremento en C, lo que causa un nuevo incremento en
A.

34
Si el nmero de relaciones negativas fuese impar, se tienen bucles
de retroalimentacin negativa, los cuales tienden a
autorregularse: si la variable C afecta a la variable A
negativamente,
a un aumento de A se corresponde una disminucin en B que

genera un aumento en C, causando una disminucin en A.
3. Determinar los lmites apropiados para decidir los elementos a

incluir en el estudio.
El establecimiento de la relacin causa efecto entre 2 variables

se obtiene del conocimiento de expertos en el rea, de estudios
realizados o de datos histricos sobre el comportamiento del
sistema. De toda manera durante este proceso puede ser que
algunas de las variables que se seleccionaron al inicio son
eliminadas y otras nuevas son introducidas. El proceso a pesar que
se presenta de una manera lineal es un proceso iterativo, ya que
continuamente se pasa de la primera a la segunda fase del
proceso, hasta conseguir la lista definitiva de las variables y las
ideas bsicas sobre sus interrelaciones, que se pueden presentar
a travs de los ciclos causales.
10.3 Diagramas de Niveles Flujos

La realizacin de estos diagramas se puede hacer sin pasar por los diagramas causales.
Se analizan las variables en trminos de acumuladores y de tasas de variacin de los
acumuladores.

35
Por ejemplo, supngase que en una ciudad existen 3000 habitantes que la tasa anual de
natalidad es del 10% de la poblacin y la mortalidad del 2% anual. Si se quiere
representar lo que ocurrira en la ciudad al cabo de diez aos, es necesaria una variable
que refleje los cambios en el transcurso del tiempo: un acumulador denominado
"Poblacin". La tasa de natalidad incrementa anualmente el nivel "Poblacin", es decir,
incrementa el material contenido en el acumulador (en este caso personas); por ello se
debe reflejar un flujo de personas que entra al nivel:
A su vez, la tasa de mortalidad, disminuye la totalidad de personas en la ciudad; por

tanto, se debe representar un flujo de salida del acumulador:
Resumiendo, las variables que acumulan (que se llaman niveles o "stocks") representan
la acumulacin de distintas entidades del sistema, tales como cantidad de empleados,
kilogramos de trigo, pedidos no cubiertos, artculos en inventario, etc. Mientras que las
tasas son las variables que determinan las variaciones en los niveles del sistema.
Adems de los dos smbolos vistos arriba para las tasas (smbolo de una vlvola) y los
niveles (smbolos de un rectngulo), en la dinmica de sistemas se usan tambin los
siguientes smbolos:
La nube que puede representar una fuente o un pozo; puede

interpretarse como un nivel que es prcticamente inagotable o
que no es de inters del cientfico. Por ejemplo, cuando se
represent la tasa de natalidad de la poblacin, se debi

36
haber colocado:
ya que no interesa representar de dnde provienen los

nios.
Las variables auxiliares se utilizan para efectuar clculos
intermedios entre variables.
Las constantes son un elemento del modelo que no cambiar

de valor durante la simulacin.
El canal de material indica que hay traspaso de material entre

las variables conectadas mediante este canal; mientras que el
canal de informacin indica que slo se est traspasando
informacin.
Los retardos, que se pueden usar sobre lazos de materiales o

de informacin.
10.4 La Estructura Matemtica

La estructura matemtica de un modelo de dinmica de sistemas es un sistema de
ecuaciones diferenciales (o en diferencia). Pero en lugar de escribir directamente las
ecuaciones diferenciales, se escriben ecuaciones para cada uno de los smbolos vistos
anteriormente, es decir para los niveles, para las tasas, para las variables auxiliares, etc.
Esto se puede entender mejor con las siguientes explicaciones:
Una variable de estado (o nivel), es decir una variable que acumula sus valores (que
matemticamente se representa con un integrador) es cambiada por variables que se
representas por flujos de material (tasas). Por ejemplo si N es el Nivel, FE y FS los flujos
de entrada y de salida, se puede escribir la siguiente ecuacin:

37
donde N(t) es el valor del nivel en el instante de tiempo t y N(o) es el valor inicial del
nivel. Se puede ver facilmente que esta ecuacin es una ecuacin diferencial (derivada
de N es igual a las diferencias de las tasas).
Esa ecuacin se puede escribir, de forma aproximada, empleando el mtodo de Euler de

integracin numrica:
Esta ltima forma es la que se emplea comnmente en Dinmica de Sistemas para

definir cualquier nivel en trminos de sus flujos.
Una forma muy frecuente de escribir una ecuacin de flujo es la siguiente:
en donde TN es el flujo normal y M es lo que se denomina multiplicador de flujo normal.

Si M(t) = 1 se tiene una situacin neutral en la que F(t) = TN * N(t), es decir, el flujo es
una fraccin constante del nivel.
Considerando el ejemplo de la poblacin indicado arriba se podra tener por ejemplo que:
Tasa (flujo)de Natalidad = 0.1 * Poblacin, donde TN = 0.1.
El multiplicador M(t) refleja el efecto de otros factores sobre la variable de nivel en

cuestin: M(t) = M1 [ V1 (t) ] * M2 [ V2 (t) ] * ... * MK [ VK (t) ] , en donde cada factor Mi [ Vi (t) ]
es una funcin no lineal de una variable V i, la cual puede ser un nivel o una variable
auxiliar.

38
11 PLICACIN DE LA DINMICA DE SISTEMAS A LA PLANIFICACIN
URBANSTICA EN UNA MUNICIPALIDAD
11.1 INTRODUCCION Y OBJETIVOS.

La mejora en la planificacin urbanstica de una municipalidad debe constituir uno de los
pilares ms importantes de su poltica municipal. En dicha planificacin influyen variables
de diversa naturaleza, demogrficas, econmicas, de construccin, etc., muchas de las
cuales estn interrelacionadas con bucles de realimentacin. En general, el sistema
urbano posee mucha inercia y los tiempos de respuesta a las medidas urbansticas son
lentos. De ah, que resultara interesante para los responsables de la planificacin
urbanstica en una municipalidad, disponer de una herramienta que les permitiera simular
y obtener "grosso modo" cual sera el comportamiento de las variables de su sistema
urbano, ante diferentes hiptesis y escenarios de previsin. De esa forma, podran
tomarse decisiones ms consistentes, con menor riesgo y con suficiente adelanto, sobre
la respuesta del municipio ante las necesidades futuras que pudieran ocasionar
crecimientos de la poblacin del mismo, por ejemplo, en materia de viviendas, suministro
de agua, saneamiento, infraestructura, etc.
En este contexto, el objetivo que se pretende es el de disear y construir, empleando

Dinmica de Sistemas, un modelo matemtico representativo de la Dinmica Urbana de
la poblacin en una municipalidad genrico. Una vez dise ado, para validar su
funcionamiento correcto, se aplicar a Lepe y Cartaya, dos de los municipios ms
importantes de la costa oriental de Huelva. En el modelo se abordan, entre otros, los
problemas derivados de la variacin de la poblacin y de la evolucin del nmero de
viviendas, en funcin de la superficie disponible y de la capacidad econmica del
municipio. Este problema, ya clsico en la literatura sobre Dinmica de Sistemas, ha sido
estudiado anteriormente con diferentes perspectivas por varios autores (Forrester, 1969;
Aracil y Bueno, 1976; Alfeld y Graham, 1976; Aracil, 1986; Aracil y Toro, 1993).
Para su descripcin, se ha dividido al modelo en tres partes: poblacin, construccin y

actividad econmica. Inicialmente, se describirn las relaciones de influencia del
submodelo de poblacin, por ser el que sirve de base para las decisiones de
planificacin urbana. Partiendo de ste, se abordar la parte del modelo dedicada a la
construccin de viviendas, es decir, a la evolucin del nmero de viviendas en funcin de
la poblacin demandante de viviendas, de su renta y de la superficie urbanizable
disponible. Asmismo, se expondr el submodelo de actividad econmica en el municipio,
que influye y es influido por el resto del sistema. Seguidamente, se analizarn los
principales bucles de realimentacin del sistema y se presentarn algunas simulaciones
del modelo para comprobar su correcto funcionamiento bajo distintas hiptesis.
Finalmente, se muestran el diagrama de Forrester del modelo completo, las referencias
bibliograficas, y las fuentes y centros de informacin utilizados.
11.2 CONCEPTUALIZACIN Y FORMALIZACIN DE LOS DIFERENTES

SUBMODELOS
Submodelo de Poblacin.
En l (figura 1) se aborda la variacin de la poblacin en funcin del numero de

nacimientos, muertes, emigraciones e inmigraciones; partiendo de un valor inicial de
poblacin correspondiente al nmero de habitantes existentes al final del ao anterior al

39
de inicio del periodo en estudio. Obviamente, en cada intervalo de simulacin, la
poblacin del municipio aumentar con los Nacimientos y las Inmigraciones y
disminuir con las Muertes y las Emigraciones. En cuanto al nmero de emigraciones,
se ha supuesto que puede tener dos orgenes: por un lado, un porcentaje (Tasa emig
por efec paro) de los habitantes del municipio que se encuentren en situacin de
desempleo (representados por la variable N de parados) y que se ven obligados a
emigrar; por otro, la emigracin de empadronados en el municipio (Pob sin efecto de
paro), debida a cualquier otra causa distinta del desempleo (Tasa emig sin efec p).
11.3 Submodelo de Construccion.

En este submodelo se aborda la evolucin del nmero de viviendas (N VIVIENDAS) en
la municipalidad objeto del estudio (figura 2). Esta variable ha de ser de nivel y
aumentar con las viviendas que se construyan (Constr de viv), y disminuir con los
derrumbamientos y demoliciones de viviendas que se produzcan en cada intervalo de
simulacin (Derrumb de viv), ambas de flujo. Se ha supuesto que la construccin de
viviendas (Constr de viv), es decir, el total de viviendas construidas en un ao, depende
de la cantidad de viviendas demandadas por la poblacin (Demanda de viv), ms un
pequesimo porcentaje adicional estimado por los propios constructores (Plus viv
cons), que permita satisfacer un inesperado aumento de la demanda de viviendas.
Continuando con la descripcin del modelo, la variable de flujo Demanda de viv

depende de la poblacin que demande vivienda (Pob dem viv), del precio medio de la
vivienda (Precio med viv), de las disponibilidades econmicas de las familias que
demanden vivienda (Renta familiar media) y del tipo de inters de los prestamos
hipotecarios a particulares (Int1), suponiendo que stos deban hipotecarse para adquirir
la misma. Pasemos a analizar cada uno de estos cuatro trminos.

40
La poblacin demandante de vivienda (Pob dem de viv) puede tener dos orgenes. La
mayor parte provendr de las parejas del municipio que desean formar una familia y
contraen matrimonio civil o religioso (N matrimonios dem viv), pero tambin existir
otra fraccin mucho menor (Tasa mej) procedente de la poblacin del municipio que no
contrae matrimonio (Poblacin menos nmero de matrimonios), pero que tambin
demanda viviendas por haber aumentado el nmero de sus miembros o bien por mejorar
su situacin econmica particular y que denominamos (Dif pob matr). El precio medio de
la vivienda (Precio med viv), se ha supuesto que depende de la superficie media de la
vivienda (Sup med viv), y del precio del metro cuadrado construido (Prec m 2 viv). La
Renta familiar media se obtiene multiplicando el nmero medio de personas que
trabajan por familia (N med pers trab por famil) por el nivel salarial mensual medio
(Nivel salar men) de los adquirentes de vivienda. El tipo de inters de los prestamos
hipotecarios a particulares (Int1), se ha considerado como variable exgena al sistema.
La variable Plus viv cons se ha hecho depender de la superficie disponible para

construir (Sup urbanizable), de la superficie la vivienda media en el municipio (Sup med
viv) y de un factor de inversin (F inver emp constr), integrante del submodelo de
Actividad Econmica, estimado por los constructores, para determinar el nmero de
viviendas a construir. A su vez, dicho factor depender del tipo de inters establecido
para prstamos a constructores (Int2), de las viviendas construidas en aos anteriores al
ao en estudio y que an no se han vendido (Viv c n vend), de la demanda de vivendas
(Demanda viv) y del precio medio del m2 de terreno (Precio m2 terreno).
Pasando a describir la problemtica de la gestin del suelo, el suelo residencial (S

residen) comprende la superficie ocupada por las viviendas existentes, las zonas verdes
(parques, jardines y reas de juego) y los centros pblicos (de enseanza, de salud,
deportivos, comerciales y asistenciales). En las normas urbansticas, las proporciones de
zonas verdes (P zv) y de zonas para uso pblico (P cp) suelen venir expresadas como
porcentajes de la superficie construida. El suelo urbano (S urb) comprende
fundamentalmente adems del suelo residencial (S residencial), el suelo dedicado a
construcciones para la actividad industrial (S ind). El suelo urbanizable (S urbanizable)
es la parte de suelo que por sus caractersticas se considera apto para ser urbanizado.
La cantidad de suelo residencial (S residencial), se ha hecho depender del
nmero de viviendas del municipio (N de viv), de la superficie media de las viviendas

(Sup med viv), del porcentaje de zonas verdes (P zv) y del suelo que deba destinarse a
uso pblico (P cp). La suma del suelo residencial y del suelo industrial da el suelo
urbano. Por ltimo, la disponibilidad de suelo urbanizable se obtiene como diferencia
entre la superficie total (Sup total) y la suma de suelo urbano (S urb) y no urbano (S no
urb) del municipio. La mayora de las variables Aux i en las ecuaciones surgen como
consecuencia de incongruencia en las unidades al realizar las simulaciones.

41
11.4 Submodelo de Actividad Economica.

En este apartado, se aborda la influencia que la actividad econmica en el municipio,
puede tener sobre la dinmica urbanstica del mismo, es decir, sobre la variacin en el
nmero de sus habitantes, y especialmente sobre el sector de la construccin, principal
objeto del modelo. Como se muestra en la figura 3, primero se ha definido una variable
que mida esa actividad econmica (Inv total), que depender principalmente de la
inversin efectuada por los propios empadronados en el municipio (Inv propia), ms la
inversin procedente de otras personas fsicas o jurdicas de otros municipios (Inv
externa). La primera de ellas se ha supuesto que es funcin de la renta familiar media
(Renta fam med), del nmero de familias (a su vez dependiente de la variable
POBLACION) y de la tasa de inversin (Tasa inv), es decir, del porcentaje del ahorro que
se emplea en la instalacin o ampliacin de instalaciones industriales, comerciales o
agrcolas que generan ms riqueza para el municipio y ms impuestos para la
municipalidad.
A mayor Inv total en el municipio, ms ampliaciones, reformas o nuevas construcciones

de establecimientos comerciales, industriales, agrcolas o ganaderos se producirn (Amp
y refor inst comer), y por consiguiente, ms volumen de trabajo se generar en el sector
de la construccin (Trab en constr), a aadir al ya procedente de la construccin de
nuevas viviendas y al derrumbamiento de antiguas descrito en el submodelo de
construccin.

42
A ms volumen de trabajo en construccin, aumentar la poblacin activa ocupada en

construccin (Pob act ocup en constr), en funcin de un parmetro del modelo al que
se ha denominado "capacidad media de los trabajadores" (Cap med de trab), que
representa el nmero de trabajadores que en promedio se necesita para realizar una
vivienda al ao. Este valor, tras diversas entrevistas con gerentes y propietarios de
pequeas y medianas constructoras de Lepe y Cartaya ha sido establecido en 4/7, lo
cual significa que por cada 7 trabajadores se realiza una media de 4 viviendas en un
ao. Continuando con el razonamiento, a ms poblacin activa ocupada en construccin,
menor nmero de parados en el municipio, lo cual disminuir las emigraciones (y en su
caso aumentar las inmigraciones), provocndose con ello un mantenimiento o aumento
del nmero de habitantes del municipio.
11.5 ANALISIS DE LOS BUCLES DE REALIMENTACIN

La figura 4 muestra una vista general del modelo, donde se puede observar de forma
simplificada (siguiendo los signos), algunas de las relaciones ms significativas del
comportamiento del sistema urbano. As, en torno a la variable de poblacin existen tres
bucles: el mayor de ellos es explosivo, indicando que un crecimiento de la poblacin,
traer consigo un mayor nmero de matrimonios, una mayor demanda de viviendas, una
mayor construccin de stas, una mayor poblacin ocupada en la construccin, un
menor nmero de parados, un menor nmero de emigraciones por esta causa, y por
tanto un menor decremento, o en su caso aumento, de la poblacin empadronada en el
municipio. Ese crecimiento explosivo de la poblacin, se ve frenado por la actuacin de
un bucle negativo, debido al fallecimiento por edad, enfermedad o accidente de la misma
y aumentado por la velocidad de nacimiento de nuevos habitantes.

43
Anlogamente, en torno a la variable nmero de viviendas, existen otros tres bucles,

todos ellos negativos, que actan en sentido contrario al bucle positivo anterior. En
primer lugar, una mayor construccin de viviendas traer como consecuencia un mayor
nmero de viviendas y unas mayores necesidades de suelo urbano y urbanizable que
pueden llegar a agotar la superficie disponible y por tanto frenar su crecimiento. Por otro
lado, el derrumbamiento de viviendas disminuir el nmero de viviendas en el municipio
pero liberar suelo para edificar, mientras que un exceso en el nmero de viviendas
provocar un stock de viviendas compradas y no vendidas, lo cual frenar la inversin de
las empresas constructoras, bajando la construccin. En definitiva, las variables de
estado del sistema, evolucionarn en un sentido u otro segn la mayor preponderancia
de unos u otros bucles.

44
11.6 ESTUDIO DEL COMPORTAMIENTO DEL MODELO BAJO DIFERENTES
HIPTESIS.
Construido el modelo, ha de realizarse una evaluacin del mismo mediante simulaciones,
comprobando la consistencia de las hiptesis en las que se ha basado su construccin,
realizando su "anlisis de sensibilidad" y estudiando su comportamiento ante distintas
polticas alternativas (Aracil, 1986).
Se trata de determinar si los resultados obtenidos mediante simulaciones se

corresponden, con suficiente aproximacin, con los datos reales del sistema modelado.
Realmente, dadas las simplificaciones introducidas en el modelo, no es posible
reproducir con exactitud milimtrica su comportamiento (sera preciso disear un modelo
mucho ms complejo que el expuesto). Adems, aunque la mayora de los parmetros
del modelo son datos reales contrastables obtenidos de organismos de estadstica
pblicos, existen unos pocos parmetros que han sido estimados basndose en la
opinin de constructores y funcionarios de las municipalidadess estudiados. Un anlisis
detallado de un gran nmero de simulaciones, demuestra que los resultados obtenidos
se aproximan bastante a los datos reales del modelo, lo cual confirma la validez del
mismo. Dentro de los muchos escenarios que se pudieran plantear, por razones de
espacio, hemos seleccionado tan slo uno, para ilustrar brevemente algunas de las
posibilidades del modelo.
Escenario 1, municipio de Lepe, perodo 1992 a 1998 (Inicial): Los valores de partida de
esta simulacin se han tomado de los datos reales de Lepe para 1992. As, se parte de
una poblacin inicial de 16784 habitantes y de 9342 viviendas correspondientes al 31 de
Diciembre del 1991 y de una superficie total de 13402.5 hectreas. Los parmetros
iniciales tienen los siguientes valores: tasa de nacimientos 0.0122, tasa de muertes
0.0069, tasa de emigracin sin efecto del paro 0.00607, tasa de inmigracin 0.0098, tasa
de matrimonios 0.006, tasa de derrumbamiento 0.0004, etc. Se trata de estimar cual
sera la poblacin para 1998, en la hiptesis de haberse mantenido constantes tales
parmetros durante los cinco aos.
En tales circunstancias, la figura 6 muestra la evolucin de la poblacin, de los

nacimientos y de las muertes para dicho periodo. El crecimiento de la poblacin se
explica porque la diferencia entre las tasas de nacimiento y de muerte es superior a la
existente entre emigraciones e inmigraciones. Anlogamente, en la figura 7 se aprecia
como tambin el nmero de viviendas de Lepe crece paralelamente a su poblacin, con
un flujo de construcciones superior al de derrumbamientos como se puede apreciar en
los datos numricos del eje de ordenadas.

45
Hiptesis 1: Partiendo del escenario inicial anterior, se formula la hiptesis de que

aumente la esperanza de vida de los "leperos", haciendo que su tasa de muertes
disminuya un 15% y que su tasa de nacimientos crezca un 30%, mientras que el resto de
los parmetros permanecen constantes.
Hiptesis 2: Partiendo del mismo escenario inicial, supongamos una mejora general de
la economa que afecte a los sectores ms importantes del municipio (agricultura y
turismo), ocasionando un aumento relativo en el nivel salarial mensual medio de los
habitantes de Lepe en un 4% y que aumente tambin la tasa de matrimonios un 20%;
mientras que el resto de los parmetros permanecen constantes.

46
11.7 CONCLUSIONES
Aunque el modelo expuesto adolezca de ciertas simplificaciones, lo cierto es que
describe los aspectos ms importantes, as como las relaciones entre las principales
variables integrantes del sistema urbano en un municipio cualquiera. Debido a ello,
permitira obtener de forma bastante aproximada la evolucin de las variables de estado
del sistema ante diferentes hiptesis y escenarios de previsin alternativos. De esa
forma, permitira a lo responsables de la planificacin urbanstica de una municipalidad
tomar decisiones ms consistentes, con menor riesgo y con suficiente adelanto, sobre la
respuesta del municipio ante las necesidades futuras que pudieran ocasionar
crecimientos de la poblacin del mismo, por ejemplo, en materia de viviendas, suministro
de agua, saneamiento, infraestructura, etc.

47
Examen Final

Simulacion

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Simulacion

Cargado por

Copyright:

Formatos disponibles

1

1.1 INCONVENIENCIA DE LOS MODELOS ANALITICOS 3

2 SITUACIONES EN QUE LA SIMULACION ES ADECUADA 5

3 LAS VARIABLES ALEATORIAS 6

3.1 LA VARIABLE ALEATORIA 6

4.1 MTODO CIENTFICO SEGN CHURCHMAN, ACKOFF, ARNOFF 10

5 SIMULACIN TIPO MONTECARLO 15

5.1 EL MTODO DE MONTECARLO 15

6.1 DEFINICIN DEL PROBLEMA. 17

7.1 NOTACION DE KENDALL: 21

8 MODELOS DE LINEAS DE ESPERA 23

8.1 MODELO M/M/1 23

Curso: Simulacion y Modelamiento

9 INTRODUCCIN A LA DINMICA DE SISTEMAS 31

9.1 ETAPAS EN LA CONSTRUCCIN DE MODELOS 31

10 PLICACIN DE LA DINMICA DE SISTEMAS A LA PLANIFICACIN

10.1 INTRODUCCION Y OBJETIVOS. 38

Curso: Simulacion y Modelamiento

1.1 INCONVENIENCIA DE LOS MODELOS ANALITICOS

1) La dificultad de encontrar el modelo de ecuaciones que representen al sistema real

Curso: Simulacion y Modelamiento

Un modelo es una representacin de un objeto de inters. No obstante que el objeto

Obsrvese que en la segunda definicin tambin se hace incapi de un modelo, dejando

1) Un modelo de simulacin representa un conjunto de suposiciones (o postulados)

Afortunadamente, es posible reemplazar esas expresiones matemticas y el clculo de

Curso: Simulacion y Modelamiento

En este curso solamente estudiaremos modelos de lneas de espera y de Markov y,

2 SITUACIONES EN QUE LA SIMULACION ES ADECUADA

La Simulacin permite el estudio de, y la experimentacin con, las interacciones internas

La simulacin es conveniente cuando:

* Se requiere analizar diferentes cambios en la informacin y su efecto.

Adems, puede resultar conveniente:

Usar la simulacin como un instrumento pedaggico para reforzar metodologas

Determinar cuales son las variables ms importantes del modelo de un sistema,

Algunas aplicaciones de Simulacin que podemos citar son los siguientes:

Curso: Simulacion y Modelamiento

3.1 La variable aleatoria

Curso: Simulacion y Modelamiento

Resultado Probabilidad P. acumulada

Se sortea un nmero aleatorio ? uniformemente distribuido en el intervalo [0, 1), el

Curso: Simulacion y Modelamiento

3.3 Variable aleatoria continua

El resultado del sorteo de una variable ? uniformemente distribuida en el intervalo [0 ,1)

Grficamente, se obtiene trazando una recta horizontal de ordenada ?. La abscisa x del

Un ejemplo sencillo es la transformacin de una variable aleatoria que est

Integrando (2) obtenemos la funcin

Curso: Simulacion y Modelamiento

3.4 Generador de nmeros aleatorios

a=24298 c=99491 m=199017

Basta introducir el valor inicial de x, para obtener una secuencia de nmeros

Curso: Simulacion y Modelamiento

4.1 Mtodo Cientfico Segn Churchman, Ackoff, Arnoff

I. FORMULACIN DEL PROBLEMA.

B) LOS COMPONENTES DEL PROBLEMA.

Curso: Simulacion y Modelamiento

II. CONSTRUCCIN DEL MODELO MATEMTICO QUE REPRESENTA AL SISTEMA

La representacin de algn objeto que est sujeto a estudio (acontecimientos, procesos,

En el sistema, hallar la solucin, consiste en encontrar los valores de las variables

Componentes del Sistema.

Datos de entrada Resultado

Importancia de los componentes.

Curso: Simulacion y Modelamiento

Ya teniendo la lista que completan los componentes del sistema, lo siguiente es

Combinacin y divisin de los componentes.