qwertyuiopasdfghjklzxcvbnmqwertyui

opasdfghjklzxcvbnmqwertyuiopasdfgh
jklzxcvbnmqwertyuiopasdfghjklzxcvb
nmqwertyuiopasdfghjklzxcvbnmqwer
Modelación y simulación de
tyuiopasdfghjklzxcvbnmqwertyuiopas
operaciones y procesos
Modelos de Optimización de Recursos

dfghjklzxcvbnmqwertyuiopasdfghjklzx
27/05/2013

cvbnmqwertyuiopasdfghjklzxcvbnmq
wertyuiopasdfghjklzxcvbnmqwertyuio
pasdfghjklzxcvbnmqwertyuiopasdfghj
klzxcvbnmqwertyuiopasdfghjklzxcvbn
mqwertyuiopasdfghjklzxcvbnmqwerty
uiopasdfghjklzxcvbnmqwertyuiopasdf
ghjklzxcvbnmqwertyuiopasdfghjklzxc
vbnmqwertyuiopasdfghjklzxcvbnmrty
uiopasdfghjklzxcvbnmqwertyuiopasdf
ghjklzxcvbnmqwertyuiopasdfghjklzxc
INTRODUCCION

El trabajo que a continuación les presentamos consta principalmente del proceso

de simulación nos informa que es, como se formula, que tipo de modelos de
simulación existen, nos dice cuales podemos usar en determinados momentos, ya
que se usan de acuerdo a la aplicación que deseamos realizar. Las aplicaciones
que se mencionan en este documento son las aplicaciones en líneas de espera e
inventarios

Lo primero que tenemos que hacer es estudiar nuestro problema y ver cuál es el
objetivo que deseamos alcanzar en el proyecto deseado, luego pasamos a
formular nuestro modelo. Con estos datos nos podemos utilizar un software que
nos ayude a realizar el modelo de simulación ya que en la actualidad existen
varios software para la simulación cada uno para distintas aplicaciones.

También se habla de las técnicas de Montecarlo, que son unos métodos

simplificados de simulación, que incluye factores de probabilidad. Esta simulación
funciona de manera guiada por un muestreo al azar para tomar en cuenta la
probabilidad de que el evento suceda. Estas técnicas nos sirven para simular
sucesos naturales con el fin de determinar la probabilidad de los eventos bajo
estudio.

Este es un trabajo he recopilado información distinta de varias fuentes, para

comparar y analizar el contenido de la información para luego poner los puntos
más importantes de cada uno y se pueda entender con más claridad todos los
temas que abarcaremos.
EL PROCESO DE SIMULACION

Simulación es la experimentación con un modelo de una hipótesis o un conjunto

de hipótesis de trabajo.

Thomas T. Goldsmith Jr. y Estle Ray Mann la define así: "Simulación es una
técnica numérica para conducir experimentos en una computadora digital. Estos
experimentos comprenden ciertos tipos de relaciones matemáticas y lógicas, las
cuales son necesarias para describir el comportamiento y la estructura de
sistemas complejos del mundo real a través de largos períodos".

Una definición más formal formulada por R.E. Shannon1 es: "La simulación es el
proceso de diseñar un modelo de un sistema real y llevar a término experiencias
con él, con la finalidad de comprender el comportamiento del sistema o evaluar
nuevas estrategias -dentro de los límites impuestos por un cierto criterio o un
conjunto de ellos - para el funcionamiento del sistema".

TIPOS DE SIMULACIÓN

Existen dos tipos distintos de modelos de simulación.

Los modelos continuos se ocupan de sistemas cuyo comportamiento cambia

contiguamente con el tiempo. Estos modelos suelen utilizar ecuaciones
diferenciales para describir las interacciones entre los diferentes elementos del
sistema.

Los modelos discretos tienen que ver principalmente con el estudio de líneas de
espera con el objetivo de determinar medidas como el tiempo de espera promedio
y la longitud de cola.

ELEMENTOS DE LA SIMULACIÓN DE EVENTOS DISCRETOS

El objetivo final de la simulación es estimar algunas medidas de desempeño

deseables que describan el comportamiento del sistema simulado. Por ejemplo, en
una instalación de servicio, las medidas de desempeño asociadas pueden incluir
el tiempo de espera promedio hasta que un cliente es atendido, la longitud
promedio de la cola y la utilización promedio de la instalación de servicio.

Todas las simulaciones de eventos discretos describen, directamente o

indirectamente, simulaciones de colas en las que los clientes llegan (para
servicio), esperan en la cola (si es necesario) y luego reciben servicio antes de
salir de la instalación de servicio.
La aleatoriedad de la simulación surge cuando el intervalo t, entre los eventos
sucesivos es probabilístico. Esta sección presenta tres métodos para generar
muestras aleatorias sucesivas (t=t1,t2…) de una distribución de probabilidad f(t).

Método inverso

Método de convolución

Método de aceptación y rechazo

MÉTODO INVERSO

Suponga que se desea obtener una muestra aleatoria x de la función de

densidad de probabilidad f(x) (continua o discreta). El método inverso determina
primero la expresión de forma cerrada de la función de densidad acumulada F(x) =
P{y ≤ x}, donde 0 ≤ F(x )≤1, para todos los valores definidos de y.

Se puede demostrar que la variabilidad aleatoria z=F(x) está distribuida de

modo uniforme en el intervalo 0 ≤ z ≤ 1. Con base en este resultado, se determina
una muestra aleatoria de f(x) mediante los siguientes pasos (F-1 es la inversa de
F).

Paso 1: Genere un número aleatorio 0-1,R.

Paso 2: Calcule la muestra deseada x = F-1 (R).

MÉTODO DE CONVOLUCIÓN

La idea básica del método de convolución es expresar la muestra deseada

como la suma estadística de otras variables aleatorias fáciles de muestrear.
Típicas entre estas distribuciones están las de Erland y la de Poisson, cuyas
muestras pueden obtenerse con las muestras de la distribución exponencial.

MODELOS DE SIMULACION

La experimentación puede ser un trabajo de campo o de laboratorio. El modelo de

método usado para la simulación seria teórico, conceptual o sistémico.

Después de confirmar la hipótesis podemos ya diseñar un teorema. Finalmente si

éste es admitido puede convertirse en una teoría o en una ley.

Modelo teórico

El 'modelo teórico' debe contener los elementos que se precisen para la

simulación. Un ejemplo con trabajo de laboratorio es un programa de estadística
con ordenador que genere números aleatorios y que contenga los estadísticos de
la media y sus diferentes versiones : cuadrática- aritmética-geométrica-armónica.
Además debe ser capaz de determinar la normalidad en términos de probabilidad
de las series generadas. La hipótesis de trabajo es que la media y sus versiones
también determinan la normalidad de las series. Es un trabajo experimental de
laboratorio. Si es cierta la hipótesis podemos establecer la secuencia teorema,
teoría, ley. Es el modelo principal de todo una investigación científica, gracias a
ello podemos definir o concluir la hipotesis, las predicciones, etc.

Modelo conceptual

El modelo conceptual desea establecer por un cuestionario y con trabajo de

campo, la importancia de la discriminación o rechazo en una colectividad y hacerlo
por medio de un cuestionario en forma de una simulación con una escala de
actitud. Después de ver si la población es representativa o adecuada, ahora la
simulación es la aplicación del cuestionario y el modelo es el cuestionario para
confirmar o rechazar la hipótesis de si existe discriminación en la población y hacia
que grupo de personas y en que cuestiones. Gran parte de las simulaciones son
de este tipo con modelos conceptuales.

Modelo Sistémico

El modelo sistémico es más pretencioso y es un trabajo de laboratorio. Se simula

el sistema social en una de sus representaciones totales. El análisis de sistemas
es una representación total. Un plan de desarrollo en el segmento de transportes
con un modelo de ecología humana, por ejemplo. El énfasis en la teoría general
de sistemas es lo adecuado en este tipo de simulaciones. Este método, que es
para un Sistema complejo, es sumamente abstracto, no se limita a la descripción
del sistema, sino que debe incluir en la simulación las entradas y salidas de
energía y procesos de homeostasis, autopoiesis y retroalimentación.

Tanto el programa de estadística, como la escala de actitud, como el sistema total,

son perfectas simulaciones de la realidad y modelizan todos los elementos en sus
respectivas hipótesis de trabajo. Son también un microclima y el ambiente o el
escenario en los procesos de simulación/experimentación. Otras propiedades que
deben contener las simulaciones es que sean repetibles indefinidamente. Que
eviten el efecto de aprendizaje que incita al encuestador a rellenar él mismo los
cuestionarios y que se podrá evitar con algún control, que sean flexibles o
mejorables y que no sea invasivo o cambiar la población de las muestras
sucesivas.
SIMULACION POR COMPUTADORA

Es un intento de modelar situaciones de la vida real por medio de un programa de

computadora, lo que requiere ser estudiado para ver cómo es que trabaja el
sistema. Ya sea por cambio de variables, quizás predicciones hechas acerca del
comportamiento del sistema.

La simulación por computadora se ha convertido en una parte útil del modelado de

muchos sistemas naturales en física, química y biología, y sistemas humanos
como la economía y las ciencias sociales (sociología computacional),3 así como
en dirigir para ganar la penetración su comportamiento cambiará cada simulación
según el conjunto de parámetros iniciales supuestos por el entorno. Las
simulaciones por computadora son a menudo consideradas seres humanos fuera
de un loop de simulación.

Tradicionalmente, el modelado formal de sistemas ha sido a través de un modelo

matemático, que intenta encontrar soluciones analíticas a problemas que permiten
la predicción del comportamiento de un sistema de un conjunto de parámetros y
condiciones iniciales. La simulación por computadora es frecuentemente usada
como un accesorio para, o sustitución de, sistemas de modelado para los cuales
las soluciones analíticas de forma cerrada simple no son posibles. Ahí se
encuentran muchos tipos diferentes de simulación por computadora, la
característica común que todas ellas comparten es el intento por generar una
muestra de escenarios representativos para un modelo en que una enumeración
completa de todos los estados posibles serían prohibitivos o imposibles. Varios
paquetes de software existen para modelar por computadora en el funcionamiento
de la simulación se realiza sin esfuerzo y simple (por ejemplo: la
simulación Montecarlo y el modelado estocástico como el Simulador de Riesgo).

Es cada vez más común escuchar acerca de simulaciones a muchas clases

designadas como "ambientes sintéticos". Esta etiqueta ha sido adoptada al
ampliar la definición de "simulación", que abarca virtualmente cualquier
representación computarizada.

LA TÉCNICA MONTECARLO

Es un método simplificado de simulación, pero también incluye factores de

probabilidad. La simulación es guiada por un muestreo al azar para tomar en
cuenta la probabilidad de que el evento suceda.
El muestreo al azar se usa para simular sucesos naturales con el fin de determinar
la probabilidad de los eventos bajo estudio.
Se emplea una tabla de números al azar para obtener la muestra al azar. El
Montecarlo es un medio de tanteo para ver que sucedería cuando ciertos eventos,
normales y anormales, se presenten.
Este enfoque es productivo y dice lo que probablemente sucederá en los eventos
reales sin analizar los eventos comprobables existentes. Las aplicaciones posibles
son muy numerosas.
Pueden usarse para resolver problemas con estas preguntas típicas:

¿Cuál es la probabilidad de un evento o combinación de eventos, que ocurran en

un proceso dado?

¿Qué decisión debe tomarse en base a las alternativas posibles?

Líneas de espera ( Filas ):

Se presentan problemas administrativos debido a:

Se hace esperar a empleados, máquinas o materiales debido a instalaciones

insuficientes para manejarlos de inmediato.

Ocurre la utilización de las instalaciones a menos del máximo a causa de la

secuencia de la llegada de recursos que emplean las instalaciones.

Hay pérdidas de tiempo, mano de obra no utilizada y costos excesivos causados

por las líneas de espera o filas. Minimizar estas pérdidas es el objetivo de esta
técnica.
Las filas están relacionadas con el flujo; Ejemplo: el material que espera ser
procesado por una máquina, los aviones que dan círculos sobre un aeropuerto en
espera de instrucciones, incluyen el flujo de la combinación y de los materiales.

Los métodos de Montecarlo abarcan una colección de técnicas que permiten

obtener soluciones de problemas matemáticos o físicos por medio de pruebas
aleatorias repetidas. En la práctica, las pruebas aleatorias se sustituyen por
resultados de ciertos cálculos realizados con números aleatorios. A lo largo de
varias páginas se estudiará el concepto de variable aleatoria y la transformación
de una variable aleatoria discreta o continua.

Empezaremos a estudiar esta técnica por los ejemplos más sencillos: el

mecanismo básico de la difusión y el establecimiento del equilibrio térmico entre
dos sistemas que se ponen en contacto a distinta temperatura. Estos dos ejemplos
nos mostrarán el significado de proceso irreversible y fluctuación alrededor del
estado de equilibrio.

Se incluyen entre otros ejemplos, la explicación de la ley exponencial decreciente

en la desintegración de una sustancia radioactiva en otra estable. Comprender, a
partir de un modelo simple de núcleo radioactivo, que su desintegración es un
suceso aleatorio, con mayor o menor probabilidad dependiendo de la anchura de
las barreras de potencial que mantienen confinadas a las partículas que
componen el núcleo.

Otros ejemplos relevantes son: el estudio de un sistema con un número pequeño

de estados como paso previo al estudio del comportamiento de un material
paramagnético bajo la acción de un campo magnético y a una determinada
temperatura, dos ejemplos de aplicación de la transformación de una variable
discreta. Por último, estudiaremos el comportamiento de un material dieléctrico
como ejemplo de aplicación de transformación de una variable aleatoria continua.

FASE TRANSITORIA FASE ESTABLE

EL número de llegadas a la Poisson. Si no es así, puede ser necesario buscar

otros métodos de análisis para completar el estudio: La simulación es muy
adecuada para investigar situaciones de “mal comportamiento” en filas que no se
pueden analizar por medio de los modelos teóricos estándar de líneas de espera.

PROCEDIMIENTO DE SIMULACION

 PASO 1: DEFINICION DE LOS OBJETIVOS

Una simulación puede llevarse a cabo como ayuda para entender un sistema
existente o como apoyo para diseñar un nuevo sistema.

Es importante que los objetivos estén definidos con claridad, Los objetivos influyen
en el diseño del experimento.

 PASO 2: FORMULACION DEL MODELO

La tarea es desglosar en términos lógico matemáticos precisos:

 Las componentes que deben incluirse.

 Comportamiento de las componentes

 Sus relaciones

La meta es formular un modelo válido y seguro con un mínimo de complejidad.

  PASO 3: DISEÑO DEL EXPERIMENTO
Se ahorra mucho tiempo y esfuerzo, si se trabaja en los procedimientos
experimentales antes de correr el modelo.

¿Qué medidas se tiene que tomar? ¿Qué incrementos de tiempo se usarían?

¿Cuál será la duración total?

Deben tomarse en cuenta las respuestas a estas y otras preguntas al desarrollar

un plan para el experimento.

 PASO 4: REALIZACION DEL EXPERIMENTO

Esto es de hecho correr el modelo. Aquí se debe marcar el tiempo apropiado,
hacer las observaciones necesarias y registras los datos para el análisis.

 PASO 5: EVALUACION DE LOS RESULTADOS

Casi siempre la simulación da resultados estadísticos: promedios y distribuciones
de probabilidad.

En la práctica, estos 5 pasos se traslapan considerablemente.

El orden de los pasos es menos significativo que el que se ejecuten por completo.