Estado del arte del Modelado y

Simulación de Sistemas de Eventos Discretos y

Estocástico.
Explicar las metodologías utilizadas para el modelado, a
plicaciones, softwares utilizados para la
simulación.

sistemas estocasticos:

El estado subsecuente del sistema se determina tanto por las acciones predecibles
del proceso, como por un elemento aleatorio. La mayoría –si no todos- los sistemas
de la vida real son estocásticos. Su comportamiento puede ser medido y
aproximado a distribuciones y probabilidades, pero rara vez pueden ser
determinados por un solo valor (por ende no-determinísticos).

Los procesos estocásticos se centra en el estudio y modelización de sistemas que

evolucionan a lo largo del tiempo, o del espacio, de acuerdo a unas leyes no
determinísticas, esto es, de carácter aleatorio. La forma habitual de describir la evolución
del sistema es mediante sucesiones o colecciones de variables aleatorias. De esta manera,
se puede estudiar cómo evoluciona una v.a. a lo largo del tiempo. Por ejemplo, el número
de personas que espera ante una ventanilla de un banco en un instante t de tiempo; el
precio de las acciones de una empresa a lo largo de un año; el número de parados en el
sector de Hostelería a lo largo de un año[1].

Un proceso de Márkov, llamado así por el matemático ruso Andréi Márkov, es un fenómeno
aleatorio dependiente del tiempo para el cual se cumple una propiedad específica: la propiedad
de Márkov. En una descripción común, un proceso estocástico con la propiedad de Márkov, o
sin memoria, es uno para el cual la probabilidad condicional sobre el estado presente, futuro y
pasado del sistema son independientes.
Los procesos de Márkov surgen en probabilidad y en estadística en una de dos maneras:
i) Un proceso estocástico, que se define a través de un argumento separado, puede
demostrarse (matemáticamente) que tiene la propiedad de Márkov y como consecuencia tiene
las propiedades que se pueden deducir de ésta para todos los procesos de Márkov.
ii) De más importancia práctica es el uso de la suposición que la propiedad de Márkov es válida
para un proceso aleatorio con el fin de construir,, un modelo estocástico para este proceso. En
términos de modelado, suponer que la propiedad de Márkov es válida es una de un limitado
número de formas sencillas de introducir dependencia estadística en un modelo para un proceso
estocástico, de tal manera que permita que la fuerza de la dependencia en los diferentes
retardos decline a medida que el retardo aumenta.[va la referencia articulo 1 estocastico].

Se han desarrollados los metodo de sistemas estocasticos Runge-Kutta para

multidimensionales Ias ecuaciones diferenciales estocásticas a los métodos estocásticos
equilibradas Runge-Kutta mediante el uso de las funciones de control. Se Lleva a cabo un
análisis de estabilidad lineal de la clase de los métodos estocásticos Runge-Kutta para las
ecuaciones de ensayo lineales con ruido multiplicativo proporcionando de este modo una
estructura explícita de matrices de estabilidad.[Asintótico cuadrado medio estabilidad de débil de
segundo orden equilibrado estocástico]

La metodologia

DISEÑAR EL EXPERIMENTO Hay que diseñar las estrategias a evaluar, las pruebas que se
van a llevar a cabo, el número de simulaciones de cada una de ellas, etc. Un buen diseño de
experimentos puede ser fundamental para obtener la información eficientemente. También las
técnicas de reducción de la varianza que permiten obtener estimadores más precisos con el
mismo esfuerzo computacional, o igual de precisos con menor esfuerzo computacional, son una
buena ayuda para resolver el problema de forma eficiente.

LLEVAR A CABO LAS EJECUCIONES DE SIMULACIÓN :Se ejecutan todas las pruebas que
han sido diseñadas en la fase anterior.
ANALIZAR LOS RESULTADOS: Hay que tener muy en cuenta que lo que se tiene de cada
ejecución es una muestra simulada y, por lo tanto, hay que recurrir al análisis estadístico para
sacar las conclusiones, igual que si la muestra no fuera simulada.

DECIDIR SI DAR POR TERMINADA LA SIMULACIÓN A la vista de los resultados, hay que
decidir si dar por terminada la simulación y pasar a la última fase del estudio o, por el contrario,
si se requieren nuevas pruebas, en cuyo caso habría que volver al paso de diseñar un nuevo
experimento.
DOCUMENTAR Y ORGANIZAR LAS EJECUCIONES Es importante recopilar y mostrar bien la
información obtenida de las simulaciones, con el fin de hacer creíbles las conclusiones y
decisiones que se propongan. Para ello una buena documentación es un punto fundamental que
forma parte del propio estudio[2].

¿que es un sistema?
Un SISTEMA es una colección de entidades (seres o máquinas) que actúan y se relacionan
hacia un fin lógico. [5]

¿qué es simulación?
tipos de simulación
¿que es modelo?
es una representación simplificada de un sistema elaborada para comprender, predecir y
controlar el comportamiento de dicho sistema[5]
http://pensayos.blogspot.com/2013/10/clasificacion-de-los-modelos-de.html

Modelos de Simulación Físicos

Son aquellos en que la realidad es presentada por algo tangible, construido en
escala o que por lo menos se comporta en forma análoga a esa realidad (maquetas,
prototipos,modelos analógicos, etc.).

Modelos de Simulación Matemáticos o abstracto

Representan la realidad en forma abstracta de muy diversas maneras.[6]

Los modelos de simulación abstracto a su vez pueden ser clasificados atendiendo a

varios criterios[4]:
-Según la evolución del tiempo
*Estáticos: representan un sistema en un instante particular. A menudo, a este tipo de
simulación se la denomina simulación de Monte Carlo.
* Dinámicos: representan un sistema que evoluciona con el tiempo.
-Según la aleatoriedad
*Deterministas: no incluyen variables aleatorias. Dados unos datos de entrada, existe un único
conjunto posible de datos de salida.
*Probabilistas o estocásticos: contienen variables aleatorias, las salidas son aleatorias
(estimaciones de las verdaderas características).
Según las variables de estado
* Continuos: si todas las variables de estado cambian de forma continua con el tiempo.
*Discretos: si todas las variables de estado cambian en determinados instantes de tiempo. Se
definen como eventos aquellos sucesos que pueden producir un cambio en el estado del
sistema. A estos modelos también se les llama modelos de simulación de eventos discretos.
Hay que tener en cuenta, sin embargo, que no siempre de un sistema discreto se hace un
modelo discreto, hay casos en que por simplificar es mejor tratarlo como un sistema continuo.
Un caso muy habitual son los modelos de tráfico, en que aunque los cambios son discretos,
modelarlos como flujos continuos da mucho mejor resultado. o Híbridos o combinados: si
incluyen variables de estado continuas y discretas.

Modelos de simulación de eventos discretos.

Los Modelos de Eventos Discretos son modelos dinámicos, estocásticos y discretos en los que las
variables de estado cambian de valor en instantes no periódicos del tiempo. Estos instantes de
tiempo se corresponden con la ocurrencia de un evento. Un evento se define como una acción
instantánea que puede cambiar el estado de un modelo[3]
• Los eventos pueden servir para
– Planificar el final de una simulación
– Planificar una operación en un instante concreto

• Ejemplo: Cola
– Servidor (libre/ocupado)
– Cola (vacía/ocupada)
– Cliente (tiempo llegada/tiempo servicio)
– Eventos (llegada/servicio cliente)

http://arantxa.ii.uam.es/~aguirre/OS/sms.pdf

referencias
[1]http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/PEst/tema2pe.pdf
[2] http://www.dc.uba.ar/materias/escuela-complutense/2012/estocasticos.pdf
[3] https://www.monografias.com/trabajos-pdf/simulacion-digital/simulacion-digital2.shtml
[4] http://www.dc.uba.ar/materias/escuela-complutense/2012/estocasticos.pdf
[5] http://arantxa.ii.uam.es/~aguirre/OS/sms.pdf
[6]https://prezi.com/_1vawverb61m/tipos-y-modelos-de-simulacion/