Modelación

Matemática y Simulación

Una Introducción

1era. Edición










Dr. Roberto A. González-Castellanos
Compañía Centroamericana de Biogás,
Nicaragua.












Independent Publisher

www.full-ebook.com

Independent Publisher
ISSBN










Managua, julio de 2018

www.full-ebook.com
Copyright © Roberto A. González-Castellanos
All rights reserved

www.full-ebook.com
Prefacio
La importancia de la modelación matemática ha influido en nuestras vidas siempre. En los tiempos
antiguos, los hombres y las mujeres han intentado predecir el futuro. Los reyes empleaban magos y
adivinos, muchas religiones utilizaban profetas. Videntes, como el boticario francés Michel de Notre-Dame
(más conocido como Nostradamus) se hicieron famosos por sus visiones del futuro. Otros intentaron hacer
predicciones en base a las fechas de nacimiento y las estrellas. Las bolas de cristal, los huesos y las cartas
del Tarot se utilizaron también como herramientas para investigar el futuro.
Aunque en este libro no se recomiendan esos métodos, el practicante de la simulación moderna tiene
una relación con el profeta de la misma manera que los químicos modernos tienen relación con el antiguo
alquimista. Por supuesto, las metodologías que utilizan los modernos analistas de simulación no tienen
virtualmente ninguna semejanza con los métodos de predicción que se usaban en los tiempos antiguos. Sin
embargo, hay elementos comunes. Por ejemplo, ambos tratan de eliminar el riesgo de ocurrencia de un
evento o comportamiento futuro y de reducir la incertidumbre. En su tiempo el profeta trató de hacerlo
mediante la magia que tenía disponible. Hoy, el analista de simulación utiliza la moderna magia de los
principios matemáticos, la experimentación, la ciencia de la computación y la estadística.
Generalmente hablando, la simulación ha evolucionado desde el deseo natural de eliminar el riesgo del
proceso de toma de decisiones. En los tiempos antiguos el líder frecuentemente dependía de profetas para
pronosticar el resultado de una acción militar. En los tiempos modernos el mismo deseo se manifiesta en
modelos militares sofisticados que se usan para examinar de cerca y anticipar estadísticamente el resultado
de acciones y maniobras particulares, pero el objetivo a alcanzar permanece constante: reducir el riesgo y
tener un mejor proceso de toma de decisiones.
Para facilitar el uso avanzado de las técnicas de Modelación Matemática y Simulación, tan útiles en la
actualidad, en este libro se presenta un compendio de los conceptos principales de la modelación
matemática y la simulación y los softwares más utilizados en este campo, para aplicaciones científicas e
ingenieriles, que se consideran indispensables para un tratamiento más profundo de esta materia. Con el
objetivo de facilitar el uso de la información brindada, en este libro se brindan abundantes referencias
bibliográficas actualizadas, con la mayor cantidad posible de enlaces a los artículos y libros referidos, que
permitan obtener los que estén libremente disponibles vía Internet, de manera que se pueda profundizar en
los temas planteados y sacar conclusiones propias. Se presentan algunos ejemplos de aplicación de estas
técnicas.

www.full-ebook.com
Contenido
Prefacio
Contenido
Capítulo 1 Modelación
1.1 Introducción
1.2 Fundamentos de Modelación
1.3 Modelos de Procesos Tecnológicos
Capítulo 2 Simulación
2.1 Introducción
2.2 Definiciones de simulación
2.2 Simulación por computadoras
2.3 Tipos de Simulación
2.3.1 Modelos Continuos
2.3.1 Modelos Discontinuos o discretos
2.3.2 Modelos Mixtos
Figuras
Tablas
Referencias Bibliográficas

www.full-ebook.com
Capítulo 1 Modelación
1.1 Introducción
Hoy en día la simulación por computadoras basada en modelos matemáticos
resulta parte integral de la investigación y del sistema de educación universitaria
por su bajo costo y el ahorro de tiempo que producen. Esa situación es de mayor
importancia en el caso de la enseñanza de las ingenierías, donde las prácticas de
laboratorio convencionales se han vuelto más y más caras. Por ejemplo, una
simple corrida de reacción discontinua a escala piloto requiere decenas de horas
de tiempo experimental y varios cientos de dólares en materiales y energía. Sin
embargo, un programa adecuado de simulación puede llevar a cabo decenas de
corridas “experimentales” de ese tipo en solo segundos, con un costo
prácticamente despreciable.
Por supuesto la experimentación manual real no puede ser sustituida en el
aprendizaje por la simulación por computadora. Pero la experimentación manual
real unida al uso de la simulación basada en modelos, son capaces de
profundizar eficientemente nuestro conocimiento.
Por lo tanto, los experimentos simulados en computadora son un magnífico
complemento para las corridas reales en equipos industriales y constituyen una
muy buena vía para estudiar la influencia, por ejemplo, de diferentes estrategias
de alimentación a los reactores, así como diferentes algoritmos de control y sus
parámetros. De ahí la importancia de estudiar la Modelación y Simulación
Matemática de los Procesos.
Por otra parte, los temas previos de Análisis Numérico en otros cursos y la
experiencia general, brindan una idea básica de lo que es un modelo y cómo se
puede utilizar. Sin embargo, para poder adquirir habilidades para desarrollar y
analizar modelos, se necesita una descripción más formal, un conocimiento más
profundo. En especial se necesita entender la estructura de los modelos, sus
potencialidades y las asunciones en las que se basan. Eso hace necesario
reconsiderar la pregunta: ¿qué es un modelo?, Esa pregunta pudiera parecer muy
simple y de hecho lo es, pero, como ocurre a veces, las preguntas simples
frecuentemente llevan a respuestas complejas. Además, se necesita tener mucho
cuidado con la fina línea que divide una respuesta simple de una respuesta que
simplifique excesivamente. Albert Einstein tenía muy claro ese concepto cuando
dijo: “Las cosas se deben hacer tan simples como sea posible, pero no
demasiado simples” y debemos seguir su consejo [1].
Los primeros esfuerzos en simulación se pueden trazar hasta la II Guerra
Mundial, cuando John Von Neumann y Stanislaw Ulam desarrollaron la técnica

www.full-ebook.com
de Simulación de Monte Carlo, para ayudar en la comprensión y desarrollo de la
bomba atómica. La moderna era de simulación comenzó en los años 50 del
pasado siglo, cuando nuevos conceptos y métodos para crear simulaciones se
implementaron con programas en los lenguajes de computación disponibles en
ese momento, como el código de máquina, el lenguaje ensamblador o el
FORTRAN. En ese momento el hardware era costoso, escaso, lento y no siempre
confiable. Además, los lenguajes de programación no se habían diseñado para
aplicaciones de simulación. A pesar de esas limitaciones ambientales, el valor de
la simulación por computadora se hizo evidente. Posteriormente se desarrollaron
técnicas mejores de modelación y se implementaron en el hardware y las
plataformas de software disponibles [2].
En general la historia de la Simulación se ha dividido en los dos grandes
campos que se han desarrollado: la simulación discreta, utilizada
preferentemente en los negocios y la economía y la simulación continua,
utilizado en la industria química y bioquímica y las ciencias naturales, aunque
también hay que considerar procesos mezclados continuos y discretos [3]. Una
historia resumida de la Simulación Discreta se presenta en una de las referencias
de este libro [2].
En el caso de la simulación continua, un elemento importante es que la
misma se aplica en todo el Ciclo de Vida de los Proyectos de Procesos
Biotecnológicos [4], desde la etapa de laboratorio donde se lleva a cabo el inicio
del proceso de Investigación y Desarrollo, hasta la etapa final industrial, pasando
por las etapas de banco y piloto.

www.full-ebook.com
 1.2 Fundamentos de Modelación
Para avanzar en el tema, hay que volver a la pregunta original: ¿Qué es un
modelo? Y para responder esa pregunta hay que comenzar por identificar una
amplia variedad de tipos de modelos. Según la forma en que existan, tenemos los
siguientes tipos de modelos [1]:
1. Modelo físico: una réplica física que se puede operar, probar y
evaluar. Por ejemplo, un aeroplano que se coloca en un túnel de
viento para probar sus características hidrodinámicas y su
comportamiento.
2. Modelo analógico: un modelo que es análogo, que comparte
semejanzas con el original. Por ejemplo, un mapa es análogo a la
localización territorial real que modela.
3. Modelo simbólico: un modelo que es más abstracto que los dos
antes mencionados y que se caracteriza por su representación
simbólica, construido principalmente por relaciones matemáticas.
Por ejemplo, un modelo financiero de la economía de un país
utilizado para predecir la actividad económica de un sector
económico particular.
Pero hay otras formas de clasificar los modelos además de las circunstancias
dentro de las cuales existen (físicas, analógicas, simbólicas). Por ejemplo, hay
modelos que son ricos en datos y otros que son pobres en datos. Además, otra
clasificación fundamental de los modelos es si son determinísticos o
probabilísticos, o sea si tienen en cuenta o no la incertidumbre que existe o
puede existir en las relaciones dentro del modelo y sus variables. Un modelo
determinístico generalmente ignora cualquier incertidumbre en sus relaciones y
variables. Sin embargo, aun cuando la incertidumbre existe, se pueden utilizar
modelos determinísticos si se reduce la incertidumbre de los eventos a algunos
valores determinados, por ejemplo, el promedio de varios resultados.
Los modelos probabilísticos, por su parte, consideran explícitamente las
incertidumbres, incorporando la descripción técnica de la forma en que las
variables cambian y la incertidumbre queda incorporada en la estructura del
modelo. Eso hace que, en general, los modelos probabilísticos sean más
complejos y difíciles de construir. Pero en compensación a su complejidad, esos
modelos producen resultados de mucho valor ya que, después de todo, casi todos
los problemas importantes contienen algunos elementos de incertidumbre.
En general los modelos son parte integral de cualquier tipo de actividad
humana. Sin embargo, normalmente no se está consciente de esa situación. Por
otra parte, la mayoría de los modelos son cualitativos en su naturaleza y no se

www.full-ebook.com
formulan explícitamente y ese tipo de modelos no son reproducibles y por lo
tanto no pueden ser verificados fácilmente o probados que sean falsos. Sin
embargo, muchos de los modelos utilizados en Matemáticas son puramente
mentales, hechos “dentro de la cabeza”, quizás con la ayuda de papel y lápiz [5].
Y sin embargo esos modelos han sido muy útiles, basta con recordar los
experimentos mentales hechos por Einstein, a partir de los cuales desarrolló la
Teoría de la Relatividad.
Como se explicó anteriormente, son muchos los modelos que se usan, pero
los tipos más útiles científica y técnicamente son los modelos que se expresan en
términos matemáticos, o sea los modelos matemáticos, los que a su vez pueden
ser de tipo determinísticos o probabilísticos. Por lo tanto, esta introducción a la
modelación matemática está enfocada en los modelos matemáticos.
Un elemento importante a tener en cuenta es que los modelos matemáticos
son solamente una aproximación de los procesos de la vida real. Los procesos
reales son frecuentemente extremadamente complejos y se pueden entender sólo
parcialmente. Por lo tanto, los modelos que utilizamos no son de por sí ni buenos
ni malos, sólo deben satisfacer un objetivo previamente bien definido.
La razón principal de que todos los modelos son incompletos es que todos son
realmente simplificaciones. Las vías mediante las cuales son simplificaciones de
la realidad no es fundamental para su uso práctico y de hecho en muchas
ocasiones son precisamente las simplificaciones las que hacen útil un modelo.
De ahí que se diga: “Todos los modelos son falsos. Algunos modelos son
útiles...” [6].
Ahora bien, son falsos sólo en sentido estricto, porque son incompletos.
Cualquier modelo, cuando se examina con profundidad, se encuentra que difiere
de lo que representa. Nunca debe sorprender el conocer que un modelo de interés
es incompleto y por consiguiente es “falso”. Porque el hecho de que un modelo
sea falso no significa que sea inútil. En realidad, estamos utilizando siempre
modelos falsos, porque ningún modelo es cien por ciento correcto. Por lo tanto,
negarse a utilizar un modelo simplemente porque es falso, equivale a negarse a
utilizar cualquiera de los modelos en absoluto, lo que carece de sentido. El
objetivo es distinguir los modelos útiles de los que no lo son. Y no se debe
complicar un modelo más de lo necesario, si con la aproximación que tiene
permite alcanzar los resultados esperados. Hay que mantener siempre la máxima
de que el modelo tiene que ser “tan simple como sea posible”.
La modelación es realmente un arte, pero también es un muy importante
proceso de aprendizaje. Para hacer un buen modelo matemático se requiere,
además de maestría en la teoría relevante de la modelación matemática, un
considerable conocimiento de las particularidades del sistema en que se va a

www.full-ebook.com
utilizar el modelo. Por lo tanto, las tareas que hay que llevar a cabo para
desarrollar un modelo matemático permiten al que desarrolla un modelo
matemático incrementar considerablemente el conocimiento de lo que está
modelando. Muchas veces la complejidad de un modelo hace necesario reunir un
especialista en modelación con un experto en el problema que se va a modelar y
en ese caso ambos aprenden durante el proceso.
La modelación es un proceso de continuo desarrollo en el cual es siempre
aconsejable comenzar con la representación conceptual más simple posible del
proceso que se analiza y a partir de esa primera aproximación, incluir más y más
complejidades, en la medida en que hagan falta para cumplir con los objetivos de
la modelación. Si se comienza intentando modelar el sistema en su forma más
compleja, generalmente lo que se logra es una gran confusión. Además, se
invierte más tiempo y dinero del que haría falta. Hay que aplicar la máxima de:
“Lo más simple es lo mejor, siempre y cuando funcione”.
El modelo resultante puede obtenerse en un rango que va desde un simple
caso con unas pocas ecuaciones, hasta modelos de gran complejidad. Sin
embargo, mientras más es la complejidad del modelo, mayor es el número de
parámetros cuyos valores se deben precisar. Por lo tanto, una de las habilidades
principales de la modelación es obtener el modelo más simple posible, que sea
capaz de brindar una representación realista del proceso que se quiere modelar
[3].

www.full-ebook.com
 1.3 Modelos de Procesos Tecnológicos
Un modelo es un conjunto de Relaciones entre las variables de interés en el
sistema estudiado (Figura 1, parte izquierda). El conjunto de relaciones, o sea el
modelo, puede ser un conjunto de ecuaciones matemáticas, gráficos, tablas o un
conjunto de relaciones de causa/efecto. El sistema estudiado puede ser un
biorreactor, una célula aislada, un cultivo microbiano, una célula inmovilizada,
una en intercambiador de calor, una centrífuga, una columna de HPLC, etc. Las
variables de interés pueden ser la tasa de cambio de alimentación, temperatura,
pH, tasa y modo de agitación, calidad del inóculo y costos operaciones. Ya sea
matemático o no, un modelo, por consiguiente, describe como el sistema se
comporta en respuesta a los cambios que se hacen en el sistema o en el ambiente
[5].
Con frecuencia se requiere describir el comportamiento de algún sistema o
fenómeno real, ya sea físico, sociológico, o incluso económico, en términos
matemáticos. La descripción matemática de un sistema o fenómeno se denomina
modelo matemático, el cual se construye con ciertos objetivos en mente. Por
ejemplo, es posible que deseemos comprender los mecanismos presentes detrás
de cierto ecosistema aplicándonos al estudio del crecimiento de las poblaciones
animales localizadas en dicho sistema, o fechar un fósil por medio del análisis de
la degeneración de una sustancia radiactiva contenida en el fósil o en el estrato
donde se descubrió.
La construcción de un modelo matemático de un sistema inicia con la
identificación de las variables responsables del cambio que se produzca en el
sistema. Es posible que al principio decidamos no incorporar todas estas
variables en el modelo. En este primer paso se especifica el nivel de resolución
del modelo. A continuación, se formula un conjunto de premisas razonables o
hipótesis acerca del sistema que intentamos describir. Estos supuestos también
incluirán cualquier ley empírica aplicable al sistema. Para ciertos propósitos es
perfectamente razonable aceptar modelos de baja resolución. Por ejemplo,
podemos estar conscientes de que, para modelar el movimiento de un cuerpo en
caída libre cerca de la superficie de la Tierra, la fuerza de desaceleración
correspondiente a la fricción del aire ocasionalmente se ignora en los cursos
básicos de física; sin embargo, para un científico cuya labor es predecir de forma
precisa la trayectoria de vuelo de un proyectil de largo alcance, la resistencia del
aire y otros factores como la curvatura de la Tierra tienen que ser tomados en
cuenta.
Ya que las suposiciones acerca de un sistema con frecuencia implican una
tasa de cambio de una o más variables, la representación matemática de todas

www.full-ebook.com
estas suposiciones puede implicar una o más ecuaciones que involucren
derivadas. En otras palabras, el modelo matemático puede ser una ecuación
diferencial o un sistema de ecuaciones diferenciales.
Una vez formulado un modelo matemático equivalente a una ecuación
diferencial o a un sistema de ecuaciones diferenciales, se enfrenta el no menos
importante problema de intentar resolverlo. Si podemos resolverlo, entonces
consideramos que el modelo será razonable cuando su solución sea consistente
con datos experimentales o con hechos conocidos acerca del comportamiento del
sistema.
Pero si las predicciones generadas por la solución no son adecuadas, podemos
incrementar el nivel de resolución del modelo o formular premisas alternativas
sobre los mecanismos causantes del cambio en el sistema. Los pasos del proceso
de modelación se muestran en el siguiente diagrama (Figura 1, parte derecha).
Evidentemente, al incrementar la resolución se eleva la complejidad del modelo
matemático y aumenta la probabilidad de que no podamos obtener una solución
explícita [7].
Un modelo matemático de un sistema físico incluye, por lo general, a la
variable de tiempo t. Una solución del modelo presentará entonces el estado del
sistema; en otras palabras, para valores apropiados de t, los valores de la variable
(o variables) dependiente describen al sistema en el pasado, el presente y el
futuro.
En el diagrama (Figura 1, parte derecha), el cuadro de la parte superior
derecha (suposiciones) representa el problema del mundo real y corresponde a la
parte inicial del proceso de modelación. A partir de esas suposiciones, se
sustituyen los fenómenos del mundo real por un modelo abstracto con el
propósito de emplear las herramientas
del análisis matemático.
Este tipo de modelo generalmente
toma la forma de ecuaciones
diferenciales, que quedan expresadas
en el cuadro de la parte superior
derecha (Formulación matemática),
que corresponde al modelo
matemático desarrollado. La solución subsecuente de las ecuaciones
diferenciales se representa en el cuadro de la parte inferior derecha (Obtención
de soluciones). Las soluciones permiten presentar predicciones del modelo que
deben verificarse y reinterpretarse en las condiciones reales fijadas en el mundo
real, lo que se describe en el cuadro de la parte inferior izquierda (Verificar las
predicciones del modelo)

www.full-ebook.com
 Si ese proceso no resulta en el conocimiento adicional deseado, se debe
entonces repetir todo el ciclo, comenzando por modificar las suposiciones
iniciales o incrementar la resolución del modelo. En la práctica es común
completar el ciclo completo varias veces y en cada intento repetido se refine al
modelo, hasta llegar a una solución “satisfactoria” al problema origina.
En un modelo matemático se tienen una o más ecuaciones que podemos
utilizar para responder preguntas sobre el sistema: qué pasa si se incrementa la
temperatura, disminuye la concentración de glucosa, disminuye el conteo de
esporas en el inóculo, cambia la fuente de nitrógeno, se utiliza un menor
biorreactor, una mayor velocidad de impelente, una menor tasa de aireación, una
cepa modificada genéticamente, etc. Otras preguntas de ejemplo pueden
involucrar la identificación de las condiciones de operación que aseguran un
punto de equilibrio económico o un margen de ganancia dado, etc.
Con los avances en instrumentación, medición, tecnología de información,
biología molecular y técnicas de gran capacidad, ha ocurrido una explosión de
datos cuantitativos y cualitativos e información en los campos de la
biotecnología y la ingeniería de procesos, aunque, para hacer uso de esa
información se necesita conocer las relaciones y la conectividad entre ellos, para
lo cual se encuentran disponibles varios softwares. Una vez que se ha encontrado
una relación, se tiene un modelo, aunque éste puede ser incompleto o
complicado. Por lo tanto, la información obtenida de los experimentos, de la
observación y de la literatura, son los puntos de arranque de la modelación,
como se muestra en la Figura 1, parte izquierda.
Ahora bien, puesto que esta figura tiene una naturaleza cíclica, no tenemos
que comenzar con los datos y observaciones sino que podemos comenzar, por
ejemplo, con una hipótesis, construir un modelo simple basado en esa hipótesis,
diseñar algunos experimentos basados en la hipótesis y el modelo y probarlos
comparando los resultados del modelo predictivo con los resultados
experimentales [8].
El estudio detallado de los modelos de procesos biotecnológicos se verá en el
Tema 3 de esta Unidad, después de haber conocido, en el Tema 2, los softwares
que se utilizan para desarrollar esos modelos matemáticos y los principios de la
simulación. Como se puede apreciar de la Figura 2, realmente todo el proceso es
un proceso combinado modelación-simulación, con mucha interacción y lazos
de retroalimentación.

www.full-ebook.com
Capítulo 2 Simulación
2.1 Introducción
La simulación implica el diseño de un modelo de un sistema y la realización
de experimentos a medida que avanza en el tiempo. Los modelos permiten ver
cómo funcionará una actividad del mundo real bajo diferentes condiciones y
probar varias hipótesis a una fracción del costo de realizar la actividad real.
Uno de los principales beneficios de un modelo es que puede comenzar con una
aproximación simple de un proceso y refinar gradualmente el modelo a medida
que mejora su comprensión del proceso. Este "refinamiento paso a paso" le
permite lograr una buena aproximación de problemas muy complejos
sorprendentemente rápido. A medida que agrega refinamientos, el modelo imita
más de cerca el proceso de la vida real [3]. Más abajo se muestra una síntesis
gráfica de este proceso (Figura 2 ) [9].
En este acápite se continúa la discusión sobre modelación en conjunto con la
simulación, por lo que se comenzará por aclarar el concepto de simulación, ya
que los conceptos asociados a los términos modelación y simulación son un
poco confusos e incluso en la práctica en muchas ocasiones se intercambian y se
usa simulación en lugar de modelación y viceversa. Claro que esa confusión no
es tan importante si se tiene en cuenta que en la mayoría de los casos hay que
utilizar el proceso combinado de modelación-simulación, como se explicó
anteriormente. En ese caso el modelo representa la parte analógica y la
simulación la parte dinámica (Figura 2).
En ese contexto la modelación no es un objetivo en sí mismo, sino la
herramienta que se necesita para realizar la simulación. Sin embargo, la
modelación es casi siempre una de las partes más complejas de ese proceso
combinado, de modelación y simulación
Para la modelación no hay reglas definidas y frecuentemente hay más de una
posible solución. El nivel de complejidad de la tarea será grande en
dependencia de la complejidad del sistema en sí, el nivel de conocimiento
existentes sobre el sistema a simular y los objetivos del proceso de simulación.
A continuación se analizan algunos modelos típicos [7] que darán una idea
de la diversidad de situaciones que se pueden afrontar, aunque en esta unidad la
atención se centrará en la modelación y simulación de procesos biotecnológicos.
Dinámicas de población: Uno de los primeros intentos por modelar el
crecimiento poblacional humano mediante las matemáticas fue realizado por el
economista inglés Thomas Malthus, en 1798. Básicamente, la idea del modelo
de Malthus representa la suposición de que el ritmo con que la población de un

www.full-ebook.com
país crece en cierto tiempo es
proporcional* a la población total del
país en ese tiempo. En otras palabras,
mientras más personas existan en el
tiempo t, más serán en el futuro. En
términos matemáticos, si P(t) indica la

población total en el tiempo t, entonces

esta suposición puede expresarse como:
Donde k es una constante de proporcionalidad. A pesar de que este sencillo
modelo no toma en cuenta muchos factores (por ejemplo, inmigración y
emigración) que pueden influir sobre las poblaciones humanas para su
crecimiento o disminución, resultó ser bastante preciso para predecir la
población de Estados Unidos durante los años de 1790 a 1860. Las poblaciones
que crecen a un ritmo descrito por (1.1) son raras, sin embargo, todavía se utiliza
(1.1) para modelar el crecimiento de pequeñas poblaciones durante breves
intervalos de tiempo, por ejemplo, el crecimiento de bacterias en cajas de Petri
[7].

Mezclas: La mezcla de dos soluciones salinas

de distintas concentraciones da lugar a una ecuación diferencial de primer orden
para la cantidad de sal contenida en la mezcla. Supongamos que un tanque
grande de mezcla inicialmente contiene 300 galones de salmuera (es decir, agua
en la que se ha disuelto cierta cantidad de libras de sal). Otra solución de
salmuera se inyecta en el tanque grande a una velocidad de 3 galones por
minuto; en este flujo de entrada, la concentración de sal es de 2 libras por galón.
Cuando la solución se mezcla bien en el tanque, se extrae al mismo ritmo que la
solución de entrada. Observe la Figura 3: Si A(t) indica la cantidad de sal
(medida en libras) que hay en el tanque en el momento t, entonces la velocidad a
que A(t) cambia será una tasa neta de:
La velocidad de entrada Rentrada a la que ingresa la sal al tanque es el producto
de la concentración de sal del flujo de entrada y la velocidad del fluido de

entrada. Observe que Rentrada se mide en libras por

minuto:

www.full-ebook.com
 Ahora, como la
solución está siendo bombeada hacia fuera del
tanque a la misma velocidad a la que ingresa,
la cantidad de galones de salmuera que hay
dentro del tanque en el tiempo t es una
constante de 300 galones. Por lo tanto, la
concentración de sal dentro del tanque, así
como en el flujo de salida, es c(t) = A(t)/300
lb/gal, y la velocidad de salida Rsalida de sal es:

Entonces, la velocidad neta (1.2) se

convierte en:
Si rentrada y rsalida indican las velocidades de entrada y salida de las soluciones de
salmuera, entonces existen tres posibilidades rentrada = rsalida, rentrada > rsalida y rentrada
< rsalida. En el análisis que llevó a (1.3) asumimos que rentrada = rsalida. En los
últimos dos casos, dentro del tanque, la cantidad de galones de salmuera está
aumentando (rentrada > rsalida) o disminuyendo (rentrada < rsalida) a la velocidad neta
rentrada _ rsalida [7].
En general se puede hablar de varios tipos de modelos. Por ejemplo, muchos
procesos complicados pueden separarse en distintas etapas y el modelo del
sistema completo se puede describir entonces como la interacción entre las
distintas etapas que componen el sistema. Tales sistemas se denominan modelos
de compartimentos y se representan gráficamente como diagramas de bloques
[5]. Los dos modelos mostrados anteriormente, tanto el de población como el de
mezcla, son ejemplos de sistemas que se pueden tratar como compartimentos, en
estos casos, con un solo compartimento: la población, en el primer modelo y el
tanque de agua en el segundo. En general un modelo de un solo compartimento
(Figura 4) se describe de la forma siguiente
[10]

Donde
la ecuación diferencial 1.4 representa la cantidad de sustancia en el
compartimento en un tiempo t, como una tasa de cambio en función de la
entrada y salida del compartimento.

www.full-ebook.com
2.2 Definiciones de simulación
Para tener una mayor idea de la simulación en la actualidad, se comenzará por
analizar dos definiciones de Simulación:
Generación de posibles estados (o imágenes) de un sistema dado, por medio
de un modelo matemático que lo representa. La simulación es Dinámica cuando
el sistema a representar es dinámico. Si el sistema es dinámico transitorio los
modelos matemáticos se construyen con ecuaciones algebraicas y/o
diferenciales.
El proceso de diseñar un modelo de un sistema real y conducir experimentos
con dicho modelo, con el propósito de entender el comportamiento del sistema o
evaluar varias estrategias para la operación de dicho sistema, dentro de los
límites impuestos por un criterio o conjunto de criterios.
Del análisis de las definiciones se aprecia que en ambas se parte de un
modelo matemático, por lo cual en realidad se está hablando de un proceso
combinado de modelación y simulación. Sin embargo, se puede realizar el
modelo de un sistema sin pretender (o necesitar) simularlo. La necesidad de la
simulación surge cuando ocurren un grupo de circunstancias dadas como se
muestra más abajo (Tabla 1) [2].
Como se puede apreciar, hay ocasiones en que se tiene un modelo matemático
que tiene solución práctica analítica o numérica y no se requiere un pronóstico
para el futuro y en esos casos no se necesita simulación, basta con resolver el
modelo para la situación que se necesita evaluar y se obtiene el resultado
esperado. En esos casos sólo se requiere la modelación matemática. No
obstante, incluso en esos casos, puede resultar conveniente conocer el
comportamiento del modelo en diferentes condiciones y utilizar la simulación.
Como ejemplo, se tiene el modelo
de un cuerpo (que puede ser una
piedra), en caída libre. Para construir el
modelo matemático se considera que es
un cuerpo que se desplaza en un campo
de fuerzas (en este caso gravitatorias) y
se aplica la Segunda Ley de Newton
para el Movimiento, que dice que
cuando la fuerza neta que actúa sobre
un cuerpo no es igual a cero.
Entonces esta fuerza neta es
proporcional a su aceleración a, o más
exactamente, F = ma, donde m

www.full-ebook.com
 representa la masa del cuerpo. Se
supone que la roca es arrojada hacia
arriba desde el techo de un edificio
como se ilustra en la figura 5
¿Cuál es la posición s(t) de la roca
en relación con el suelo en el tiempo t?
La aceleración de la roca es la segunda
derivada d2s/dt2. Si asumimos que la
dirección ascendente es positiva y que
ninguna fuerza actúa sobre la roca
salvo la fuerza de gravedad, entonces
aplicando la Segunda Ley de Newton

se
obtiene [7]:

En otras palabras, la fuerza neta es

simplemente el peso F = F1 = –W de la roca cerca de la superficie de la tierra.
Recuerde que la magnitud del peso es W = mg, donde m es la masa del cuerpo y
g la aceleración debida a la gravedad. En (1.5), el signo negativo se debe a que el
peso de la roca es una fuerza dirigida hacia abajo, lo cual es contrario a la
dirección positiva. Si la altura del edificio es s0 y la velocidad inicial de la roca
es v0, entonces s se determina a partir del problema de valor inicial de segundo
orden:

Para resolver esa ecuación diferencial se puede

integrar la constante –g dos veces con respecto a t. Las condiciones iniciales
determinan las dos constantes de integración. No obstante, sin necesidad de
resolver la ecuación, utilizando los conocimientos de física básica se reconoce la
ecuación que resuelve ese problema y que es la solución analítica de la ecuación
diferencial:
Conociendo entonces la solución analítica de la ecuación diferencial del
modelo, se puede conocer la posición de la piedra para el tiempo que se necesite,
sin necesidad de aplicar técnicas de simulación. También se puede continuar
perfeccionando el modelo e incluir en el mismo la resistencia del aire.
La fuerza resistiva del aire se ignora en el modelo presentado en (1.7). Bajo

www.full-ebook.com
las mismas circunstancias, un cuerpo de masa m cayendo, como una pluma con
baja densidad y forma irregular, encuentra una resistencia del aire que es
proporcional a su velocidad instantánea v. Si tomamos, en esta circunstancia, la
dirección positiva como orientada hacia abajo, entonces la fuerza neta que actúa
sobre la masa estará dada por F = F1+ F2 = mg – kv, donde el peso F1 = mg del
cuerpo es una fuerza que actúa en dirección positiva y la resistencia del aire F2 =
– kv es una fuerza, llamada amortiguación viscosa, que actúa en dirección
opuesta o ascendente (Figura 6).

Ahora,
como v está relacionada con la
aceleración a mediante:
La segunda ley de Newton se
convierte en F = ma= m dv/dt. Al
igualar la fuerza neta de esta forma con
la segunda ley de Newton se obtiene una
ecuación diferencial de primer orden para la velocidad v(t) de un cuerpo en el

tiempo t (Ecuación 1.8)

En esta expresión k es una constante positiva de proporcionalidad. Si s(t) es la
distancia que el cuerpo recorre al caer en el tiempo t desde su punto inicial de
liberación, entonces v = ds/dt y a = dv/dt = d2s/dt2. En términos de s, la
Ecuación 1.8 es una ecuación diferencial de segundo orden.
Esta descripción esquemática del modelo de caída de un cuerpo sirve para
ilustrar como las teorías se desarrollan en interacción con la observación y la
experimentación. Claramente el modelo descrito en (1.8) es superior al modelo
descrito en (1.6). Sin embargo, cuando la resistencia del aire es despreciable,
como era el caso de los experimentos de Galileo con las bolas que caían en un
plano inclinado, (1.6) brinda mucho mejores resultados que (1.8) [5].
Sirve además para ilustrar como las simplificaciones que se asumen pueden
permitir obtener resultados importantes. El genio de un científico constructor de
modelos radica en detectar cuáles simplificaciones pueden resultar en teorías
viables. El ejemplo también sirve como una guía para conocer el rol de los
matemáticos en la construcción de los modelos. Por ejemplo, las ecuaciones
iniciales provienen de la física (las Leyes de Newton) y el resto ha sido pura
manipulación matemática. La interpretación de las formulas obtenidas de nuevo
cae en el campo físico, aunque en general ese tipo de modelos está muy al

www.full-ebook.com
alcance de los matemáticos.
En problemas cuantitativos más generales, hay que reconocer los roles
separados de los matemáticos y los físicos, economistas, biólogos u otros
especialistas de las partes del mundo real que son modeladas. En algunos casos,
un matemático aplicado pudiera tener suficiente conocimiento en un campo dado
para marchar sólo y, viceversa, un especialista de un campo dado puede tener
una base matemática fuerte que le permita desarrollar el modelo por sí sólo. Sin
embargo, la mayoría de los problemas requieren un enfoque interdisciplinario y
para obtener un modelo matemático adecuado se requiere una gran interacción
entre los especialistas del área a modelar y los matemáticos aplicados.

www.full-ebook.com
 2.2 Simulación por computadoras
El proceso integrado de Modelación Matemática y Simulación, muchas
veces denominado solamente Simulación por Computadoras, se refiere a la
disciplina en la que se diseñan modelos de un sistema físico teórico o real, se
ejecuta el modelo en una computadora digital y se analizan los resultados de
salida obtenidos. Ese proceso se basa en el principio de “aprender haciendo”, ya
que para aprender del sistema se debe primero construir un modelo de alguna
clase y luego operar el modelo. Y esa actividad es tan natural como un niño que
lleva a cabo juegos de roles. Los niños entienden el mundo simulando, mediante
juguetes y figurines, muchas de las interacciones con otras personas, animales y
objetos.
Sin embargo, cuando crecemos perdemos muchas de esas habilidades de los
niños, pero podemos recapturarlas mediante la simulación por computadoras.
Para entender la realidad y toda su complejidad, debemos construir objetos
artificiales y actuar de forma dinámica los roles con ellos. La simulación por
computadora es el equivalente electrónico de ese tipo de juego de roles y sirve
para operar con ambientes sintéticos o mundos virtuales.
Sobre la simulación ha existido un largo debate acerca de si se debe definir
como un arte o como una ciencia. Los que sienten que es una ciencia, se basan
en que la estadística, las matemáticas y la ciencia de la computación constituyen
las bases de la simulación y por ello hay que clasificarla como una ciencia. Los
que piensan que es un arte se basan en que la destreza del equipo de modelación,
la creatividad involucrada en la creación del modelo y de la interpretación de los
resultados, se unen para formar un arte individualizado. En la opinión del autor,
no hay una vía real segura para estructurar una simulación y garantizar que sus
resultados serán válidos [2].
En lugar de eso, después de que cada modelo se ha codificado y corrido, hay
que estudiar y comparar los resultados con valores conocidos para determinar si
el modelo es útil. No hay valores definidos conocidos que el modelador pueda
seguir y por lo tanto debe depender de sus instintos y el juicio de los expertos
para hacer la determinación. La creatividad y los instintos que se utilizan, tienen
mucha afinidad con el arte. Pero también la mayoría de la metodología
involucrada en la creación de modelos y análisis se basa en la ciencia de la
computación y principios matemáticos. Por consiguiente, en la modelación y
simulación existen elementos de arte y de ciencia. La simulación pudiera
definirse como una “ciencia suave” que contiene ambos componentes, aunque
en los últimos años la relación se ha ido moviendo a lo largo del espectro
acercándose más a la parte correspondiente a la ciencia (Figura 7). Mucha de la

www.full-ebook.com
incertidumbre se ha ido eliminando con las mejoras de los lenguajes de
simulación y con el advenimiento de los simuladores. Con esa base, hoy en día
la simulación se clasifica como una rama de las matemáticas aplicadas [5].

www.full-ebook.com
 2.3 Tipos de Simulación
La Simulación por Computadora (Modelación y Simulación Matemática)
toma una gran variedad de formas lo que ha hecho que el término adquiera
varios significados en diferentes campos. Hablando de forma general, la
Simulación por Computadora es un término amplio que incluye la práctica de
generar salidas desde usuarios simulados y pasar esos valores en software real de
computadora (aunque esa práctica en específico en ocasiones se denomina
emulación). Por ejemplo, los simuladores de vuelo pueden tanto simular las
operaciones de vuelo como controlar el software real de vuelo. El formalismo
utilizado para especificar un sistema se denomina metodología de la simulación
y entre los Modelos de Simulación se tienen: Modelos Continuos (Dinámica de
Sistemas y Modelación Basada en Agentes), Modelos Discretos por Eventos y
Modelos Mixtos (Tasa de Eventos y Modelación Monte Carlo).
En general este variado número de métodos de simulación muestra el rango
de problemas que se abordan y se pueden aprecia adecuadamente en los
denominados Paradigmas de la Simulación que se muestran más abajo (Figura
8). Con esos paradigmas los problemas se organizan en la escala con respecto al
nivel típico de abstracción de los
modelos correspondientes.
En el nivel detallado se tiene el
modelado "físico", donde importan los
objetos individuales con tamaños,
distancias, velocidades y tiempos
exactos. Por ejemplo, los sistemas
mecatrónicos y de control, las
simulaciones de tráfico a nivel micro
se encuentran en la parte inferior de
este cuadro.
Los modelos de piso de fábrica con
transportadores y estaciones se ubican
un poco más arriba porque, en general, se abstrae de las trayectorias físicas
exactas y utiliza tiempos medios. Lo mismo se aplica a los modelos de logística
de almacén con almacenamientos, transportadores, operaciones de carga y
descarga.
El modelado de procesos de negocio y sistemas de servicio generalmente
opera con horarios y horarios, aunque el movimiento físico está presente algunas
veces, p. el diseño de la sala del departamento de emergencias se tomaría en
cuenta.

www.full-ebook.com
 La simulación de red y transporte se ocupa de los horarios, las latencias, las
capacidades y los tiempos de carga / descarga / procesamiento. Los modelos de
transporte y el nivel de macro no pueden considerar vehículos o paquetes
individuales, sino que usan sus volúmenes. Las cadenas de suministro se
modelan a niveles de abstracción muy diferentes, por lo que este elemento se
puede colocar en cualquier lugar en el rango de abstracción de Medio a Alto.
Los problemas en la parte superior de la tabla generalmente se abordan en
términos de valores agregados, retroalimentaciones globales, tendencias, etc.
Elementos individuales como personas, partes, productos, vehículos, animales,
casas nunca se consideran allí. El modelo de dinámica de sistemas en este nivel
generalmente se basa en razonamientos como "si el número de trabajos aumenta,
entonces tendremos un aumento de la inmigración".
2.3.1 Modelos Continuos
A veces conocidos como Simulación y Modelado de Procesos, se usa para
describir un flujo de valores. El paso de tiempo se fija al comienzo de la
simulación, el tiempo avanza en incrementos iguales y los valores cambian en
función de los cambios de tiempo. En este tipo de modelo, los valores reflejan el
estado del sistema modelado en un momento determinado, y el tiempo simulado
avanza de manera uniforme de un paso a otro.
Por ejemplo, un avión que vuela en piloto automático representa un sistema
continuo ya que su estado (como posición o velocidad) cambia continuamente
con respecto al tiempo. Las simulaciones continuas son análogas a una corriente
constante de fluido que pasa a través de una tubería y pueden ser de tres tipos
principales Dinámica de Sistema, Sistemas Dinámicos y Modelos Basados en
Agentes.
Modelos de Dinámica de Sistemas: El volumen puede aumentar o disminuir
en cada paso de tiempo, pero el flujo es continuo. Las simulaciones con Modelos
de Dinámica de Sistemas caen dentro de este tipo [11]. Los modelos de
Dinámica de Sistema se estudiarán con más detenimiento en el siguiente
capítulo.
La Simulación continua tiene que ver con la modelación en el tiempo, de un
conjunto de ecuaciones que representan un sistema. Ese sistema consiste de
sistemas algebraicos, modelos de teoría de juegos, modelos estadísticos o
modelos de ecuaciones diferenciales, conformados de una forma que pueden
cambiar continuamente para representar el cambio de los parámetros asociados
con el estado del sistema.
Un ejemplo de simulación continua es el modelo de un sistema de
suspensión con tracción en las cuatro ruedas, con el cual se puede examinar la

www.full-ebook.com
dinámica de correr sobre diferentes tipos de terreno. La simulación continua se
utiliza muchas veces junto con Sistemas de Dibujo Auxiliados por
Computadoras (CAD, por sus siglas en inglés) o con paquetes de software de
modelación matemática.
En este caso hay que distinguir entre la
llamada Dinámica de Sistemas, que es
la que se tratará en este libro [11] y los
Sistemas Dinámicos, que son
realmente antecedentes de la
Dinámica de Sistemas. Entre los
Sistemas Dinámicos están los que se
resuelven con diagramas se bloques
como el Simulink de MATLAB, que
se muestra más abajo (Figura 10).
Estos diagramas son un lenguaje de modelado gráfico típico, como los que
usan los Ingenieros de Control Automático. También hay otros lenguajes
gráficos y de texto para dominios específicos. El modelo matemático subyacente
de un Sistema Dinámico (SD) consiste en un número de variables de estado y
ecuaciones diferenciales algebraicas de varias formas sobre estas variables. En
contraste con la Dinámica del Sistema (DS), las variables integradas aquí tienen
un significado "físico" directo: ubicación, velocidad, aceleración, presión,
concentración, etc., son inherentemente continuas y no son agregados de
ninguna entidad.
La diversidad y complejidad matemática en el dominio de los Sistemas
Dinámicos puede ser mucho más alta que en la Dinámica de Sistema, y las
herramientas utilizadas para la simulación dinámica del sistema podrían resolver
fácilmente cualquier problema DS con una precisión mucho mejor que con las
clásicas herramientas DS. Sin embargo, las herramientas de los SD se han
desarrollado para integrarse en el ciclo de diseño de ingeniería y, por lo tanto, los
modeladores de Dinámica de Sistemas (DS) se sentirían incómodos si las
utilizaran, porque las herramientas de SD no son compatibles con la forma en
que piensan los modeladores de DS.
Un ejemplo de uso de la Dinámica de Sistemas es la modelación de la
competición entre dos poblaciones. Los modelos biológicos de ese tipo se
conocen como modelos de presa-depredador. El ambiente consiste en dos
poblaciones que interactúan una con la otra. Los depredadores dependen de las
presas como su fuente de alimentación. Si el número de depredadores crece muy
rápido, las presas disponibles disminuyen y los depredadores pasan hambre y su
número comienza a disminuir. Según disminuye el número de depredadores, el

www.full-ebook.com
número de presas vuelve a incrementarse y la relación puede analizarse mediante
una simulación continua, utilizando derivadas parciales. La matemática de este
tipo de sistemas fue desarrollada por el notable teórico Volterra, el que demostró
que, si no hay interferencias externas, ocurre una relación fluctuante como la que
se muestra en la Figura 10, a partir del
modelo obtenido con ExtendSim9 [3].
El crecimiento de la población, el
crecimiento urbano, las predicciones
de huracanes, el pronóstico del tiempo,
la dispersión de las enfermedades y los
modelos de fermentación son todos
ejemplos de sistemas que son
candidatos adecuados para que se le
apliquen modelos para la simulación continua. Además, se utiliza el término
Dinámica de Sistemas (DS), usado por primera vez por Jay W. Forrester en la
década de 1950, para describir la modelación y simulación de sistemas
continuos. Ese tipo de simulación se tratará en la segunda parte de este Tema y
en ella se describe el comportamiento de sistemas que están interrelacionados y
que tienen lazos de retroalimentación, cada uno de los cuales puede impactar
directa o indirectamente a los otros.

Modelos Basados en Agentes: Otro tipo de modelos que se consideran

continuos son los Modelos Basados en Agente. En la Simulación Basada en
Agentes, se carece de definiciones universalmente aceptadas para algunos
conceptos claves, lo que hace que la identificación de los conceptos básicos y
supuestos subyacentes a la disciplina sea más difícil que en el caso de la
Dinámica del Sistema. Incluso para el concepto de un Agente de Software la
respuesta a la pregunta, qué propiedades debe caracterizar una entidad para
merecer ser llamado "agente", no está clara: las definiciones van desde una mera
subrutina a una entidad consciente. En realidad, muchas de las propiedades de
los Agentes que se encuentran en la literatura se desarrollan en mayor o menor
medida, según el propósito para el que esté diseñado el agente, probablemente
sea más apropiado no diferenciar entre agentes y no agentes, sino hablar de un
continuo de agencia. En ese caso, cuantas más características del agente posea
una entidad y cuanto más desarrolladas sean, mayor será el grado de agencia
que tenga la entidad. Más abajo se muestra una descripción general de las
Propiedades del Agente que se pueden encontrar en la literatura (Tabla 2),
aunque la lista no es exhaustiva [12].
Por lo tanto, un Sistema Basado en Agentes es "uno en el que la abstracción

www.full-ebook.com
clave utilizada es la de un agente", según la "definición" en la tabla anterior. Los
agentes se modelan de forma que representen entidades naturales en el sistema
considerado, por ejemplo, seres humanos, animales o instituciones. Un Modelo
de Simulación Basado en Agentes se compone principalmente de más de un
agente, por lo que a menudo se lo denomina Sistema de Agentes Múltiples.
Este tipo de modelación es un
método relativamente nuevo en
comparación con la Dinámica de
Sistemas (DS) y el Modelado Discreto
por Eventos (DE), que se verá más
abajo. De hecho, el Modelado Basado
en Agentes (BA) fue durante mucho
tiempo mayormente un tema
académico [13] hasta que los
practicantes de simulación
comenzaron a usarlo hace unos 15
años [9]. En la práctica, en muchas
ocasiones este enfoque de simulación
se ha utilizado junto con la DA, de
manera de aprovechar las ventajas de
ambos enfoques. En esos casos se parte del uso de los Sistemas DA como una
plataforma para la Simulación BA, aunque también se puede partir de Sistemas
Discretos por Eventos (DE). Esto se debe a que, en muchos casos, la mejor
forma de capturar la dinámica interna del agente es utilizar la DS o DE, y luego
colocar un diagrama de flujo y stock o un diagrama de flujo del proceso dentro
de un agente. Del mismo modo, los agentes externos a la dinámica del entorno
donde viven los agentes, a menudo se modelan de forma natural, utilizando
métodos tradicionales. Es por eso que muchos Modelos BA son Modelos de
Múltiples Métodos [12].
Para la modelación BA se han desarrollado diferentes softwares. Uno de los
más utilizados es el NetLogo desarrollado por el Center for Connected Learning
and Computer-Based Modeling, de la Northwestern University (Sitio Web:
https://ccl.northwestern.edu/netlogo/).
NetLogo es un lenguaje de programación basado en agentes y un entorno de
modelado integrado, de código abierto, con muchas aplicaciones científicas y de
ingeniería [14] [15]. NetLogo es un laboratorio virtual donde se pueden alterar
las normas de comportamiento del o los agentes y ver lo que ocurre como
resultado de ello. El software cuenta con una muy amplia galería de modelos de
ejemplo.

www.full-ebook.com
 Sin embargo, como el NetLogo es un lenguaje de programación, para los que
están acostumbrados a trabajar con la DS resulta más sencillo utilizar sistemas
que se usan para la BA y también para la DS, DE y Tasas por Eventos (TE).
Como ejemplo están, entre otros: Numerus Model Builder (antes Nova) [16],
AnyLogic [9] [17] y ExtendSim [3]. De hecho, prácticamente los mismos
procesos pueden modelarse por Simulación Dinámica y por Modelación
Basada en Agentes.
Comparación entre Modelos de Dinámica de Sistema (DS) y Modelos
Basados en Agentes (BA): Las diferencias principales entre los Modelos DS y
los Modelos BA, según la literatura consultada [12], se resumen más abajo
(Tabla 3). En la literatura [18] se plantea que es posible obtener modelos
equivalentes BA y en DS, es decir, implementar los mismos mecanismos, sin
embargo, la salida de simulación de ambos tipos de modelos puede diferir según
los atributos del sistema que se modele. En la mayoría de los casos, el uso de
modelos BA permite obtener una visión adicional del sistema.
En general se puede confirmar que
el Modelado BA es una adición útil al
conjunto de herramientas en diversos
campos que han estado utilizando
solamente herramientas de DS, ya que
el uso de los Agentes tiene
características adicionales que
permiten simulaciones con
características que están más cerca,
por ejemplo, de los fenómenos
biológicos [19].
Más abajo (Figuras 11 y 12) se
muestra cómo, a partir de un modelo
sencillo DS, se puede conceptualizar
el modelo BA, a partir del DS
existente. Después de una primera
aproximación, se pasa a mejorar el
modelo BA para capturar dinámicas
más sofisticadas [9] [17].
Se considera un modelo DS para la
cadena de existencias y flujos entre
ellos y las "reglas de decisión" que
controlan los flujos (Figura 11). El
punto de partida clave es desagregar

www.full-ebook.com
las existencias, es decir, considerar las existencias no como tanques con líquido,
sino como cajas que contienen elementos discretos, por ejemplo, bolas. Estas
bolas se convierten en agentes. Si se coloca dentro una sola bola y se observa lo
que está sucediendo, se descubre que solo tiene dos estados, Estado A y Estado
B, correspondientes al stock/caja en el que se encuentra actualmente, y si se
encuentra en el Estado A, eventualmente pasará al Estado B.
El momento en que esto ocurre (de manera intuitiva) depende de la velocidad
de flujo. El modelo AB que muestra el comportamiento correspondiente al
modelo SD consistirá en un número (Stock A + Stock B) de agentes,
ejecutándose en cada uno de ellos dicho diagrama de estado. La transición entre
los estados se puede implementar de varias maneras, dos de ellas se muestran en
la Figura 11, parte derecha: sincrónicas, cuando la decisión se toma en cada
intervalo de tiempo dt, y asincrónicas cuando el retraso de tiempo asociado con
la transición se calcula una vez que se ingresa al Estado A y puede volver a
calcularse más tarde, en dependencia de la tasa (rate).
Hay que tener en cuenta que en este último caso la noción de paso de tiempo
no está presente en absoluto en el modelo basado en agente. Los agentes
asíncronos pueden ser mucho más eficientes desde el punto de vista
computacional que los síncronos. En el desarrollo del ejemplo a continuación
(Figura 12), se utilizan agentes asíncronos, lo que se prefiere, siempre que sea
posible. El modelo DS genera la bien conocida forma S (Figura 12) y también lo
hace el modelo BA. Ahora bien, mientras el número de agentes sea bajo (e. g.
100 agentes), la naturaleza discreta del modelo BA (¡más cercana a la realidad y
más precisa!) se hace evidente, como se aprecia en la figura del medio, a la
derecha. Por otra parte, si se aumenta el número de agentes (e. g. 1,000), el
gráfico del modelo BA será prácticamente indistinguible del DS, como se
aprecia en la figura derecha inferior.
El procedimiento de re-conceptualización que se acaba de describir, solo tiene
sentido si desea desarrollar aún más el modelo BA, para agregar más detalles, e.
g. memoria individual (historial), comunicación del agente, etc. Si los artículos
que están almacenados en el modelo DS son naturalmente pasivos e
indistinguibles, probablemente no se beneficiarán en absoluto de convertirlos en
agentes.
Un ejemplo notable serán las existencias de dinero: normalmente no interesa
la historia individual del dólar y (al menos en el sentido de este documento), los
dólares no muestran ningún comportamiento activo.
En éstos el sistema cambia de estado a medida que ocurren los eventos y solo
cuando ocurren esos eventos; el simple paso del tiempo no tiene un efecto

www.full-ebook.com
 directo en el modelo. A diferencia de
un modelo continuo, el tiempo
simulado avanza de un evento al
siguiente y es poco probable que el
tiempo entre eventos sea igual. Como
ejemplo se tiene una fábrica que
ensambla piezas es un buen ejemplo
de un sistema de eventos discretos.
Las entidades individuales (partes) se
ensamblan en función de eventos
(recepción o anticipación de pedidos).
Utilizando la analogía de tuberías, para
Simulaciones de ED la tubería podría
estar vacía o tener una cantidad de
baldes de agua separados que la
atraviesen. En lugar de un flujo continuo, los baldes de agua saldrán de la tubería
a intervalos aleatorios
2.3.1 Modelos Discontinuos o discretos
La Simulación DE se caracteriza por el paso de bloques de tiempo en los
cuales no ocurre nada, puntuados por eventos que cambian el estado del sistema.
Los primeros intentos para simular sistemas de este tipo comenzaron a principios
de la década de 1960, con la introducción por IBA del GPSS (General Purpose
Simulation System), software destinado a gestionar los gastos generales
asociados con la ejecución de simulaciones en una computadora (por ejemplo,
mecanismos de temporización, representación de recursos, entidades, etc.).
Este nuevo lenguaje se utilizó por primera vez en IBM para analizar sistemas
complejos, pero rápidamente ganó amplia aceptación entre varias organizaciones
y el ejército. En 1962, Rand Corporation desarrolló el lenguaje de simulación
SIMSCRIPT, como una herramienta de modelado de inventario para la Fuerza
Aérea de los Estados Unidos. Durante este mismo período de tiempo, en
Noruega se lanzó el lenguaje SIMULA el cual, además de ser un lenguaje de
simulación, fue el primer lenguaje de programación orientado a objetos. Otro
desarrollo importante fue el lenguaje de simulación de propósito general GASP,
el cual finalmente se convirtió en la familia de idiomas SLAM [2].
A principios de la década de 1980, el advenimiento de la computadora
personal condujo a nuevos desarrollos en el mercado de la simulación. Dos
nuevos lenguajes de simulación importantes se lanzaron durante este tiempo:
SLAM en 1980 y SIMAN en 1983. SIMAN fue posteriormente la base de

www.full-ebook.com
desarrollo de Arena. En la década de 1990, el mercado de simulación estaba más
comercializado y segmentado [2] [20].
Hay bastantes paquetes de simulación basados en la vista del flujo de
entidades o eventos (también conocida como la vista orientada a proceso o
interacción de proceso). Los ejemplos incluyen Arena® [21], que es uno de los
más utilizados [20], ProModel® [22] y ExtendSim® [3]. La mayoría de esos
paquetes son bastante simples de aprender y usar, y generalmente las copias de
los estudiantes están disponibles sin cargo [23].
Un ejemplo que ilustra este tipo de simulación es el sistema de cola simple en
que los clientes de un banco arriban a una unidad. Los clientes llegan, esperan
por el servicio si la máquina se está usando, recibe el servicio y se marcha. Este
ejemplo se plantea en un diagrama de bloques (Figura 13, izquierda) [17]. Otro
ejemplo es el flujo de pasajeros en la sala de un Aeropuerto, utilizando la
capacidad para modelar agentes del software AnyLogic [17] [9]. Este ejemplo se
muestra en la salida gráfica del software (Figura 13, derecha) [9].
En este libro no se estudiará este tipo de modelos porque cae principalmente
en el campo de la Ingeniería Industrial. No obstante, en ocasiones es necesario
utilizar modelos de este tipo en otras ingenierías, por lo cual se debe tener una
información básica y utilizar la información disponible en las guías de usuario de
los softwares Arena® [21] [20] [23], AnyLogic [9] y ExtendSim [3], que son
los recomendados en este Libro para
este tipo de simulación.
De los tres, Arena es el más
completo, su versión demo tiene
muchas facilidades de uso y permite
resolver la totalidad de los problemas
planteados en el libro de Kelton y
Sadowki [20], que es el más utilizado
para la enseñanza de la Simulación
Discreta por Eventos, con el empleo de Arena. Para los que no quieren
profundizar en la Simulación por Eventos, se pueden utilizar las aplicaciones
más sencillas de AnyLogic y ExtendSim, aunque también con esos softwares se
han realizado aplicaciones profesionales complejas [24] [25] [26] [27].
2.3.2 Modelos Mixtos
En esta categoría consideraremos dos tipos de Modelos, los Modelos de
Eventos de Tasa Discreta, comparten algunos aspectos del Modelado de
Eventos Continuo y Discreto y la Modelación de Monte Carlo.
El Modelado de Tasas Discretas se basa en tasas de flujo que cambian

www.full-ebook.com
cuando ocurren eventos. En un sistema de velocidad discreta, las cantidades de
"flujo" (material, producto, datos, etc.) se encuentran en una o más partes del
modelo. Durante la ejecución de la simulación, el flujo se mueve de una
ubicación a otra a una cierta velocidad, llamada velocidad efectiva. El
movimiento entre bloques que retienen o en rutan el flujo sigue las rutas, las
reglas y las restricciones que se establecen en el modelo.
En algunas situaciones, la simulación de un sistema continuo, a partir de
modelado de velocidad discreta es un ajuste más natural en comparación con el
uso de modelado de eventos continuo o discreto. Los procesos que son
impulsados por eventos, en lugar de por tiempo, no se prestan a la simulación
continua, de ahí que sean la base de los sistemas discretos. Ahora bien, los
sistemas en los que no hay un elemento que pueda identificarse, o cuando hay
tantos elementos que la identificación no tiene sentido, se pueden representar de
forma más natural utilizando un enfoque basado en tasas en lugar de modelar
eventos discretos. Además, los modelos basados en tasas se ejecutan más rápido
que los modelos de eventos discretos y son aplicables al pensamiento en
términos de flujos, tanques, tasas, etc. [3].
Cualquier sistema o proceso que involucre una cantidad de algo que se
almacena en un lugar, luego se mueve a otro lugar a una tasa por unidad de
tiempo, puede simularse utilizando modelado de velocidad discreta. Al igual que
el Modelado de Eventos Continuo y Discreto, el Modelado Basado en Tasas
puede ayudar a perfeccionar procesos y productos. Por ejemplo: es útil para
planificar la capacidad de recursos al determinar la velocidad a la que se
procesan o venden los productos; es útil para probar varios programas para
maximizar la eficiencia del proceso: y puede usarse para analizar el efecto de los
procesos en el entorno interno y externo. El uso de las Tasas de Eventos
Discretos permita tratar las partes continuas de un modelo de forma más
eficiente que anteriormente. En los enfoques anteriores, la parte continua se
simulaba con una subrutina especial [20], lo que hacía más complejo el modelo.
En la forma actual, se hace más fácil la simulación de modelos combinados
discretos y continuos, ya que la parte continua se simula mediante las tasas. Esto
hace posible, además, que algunos procesos continuos se modelen mediante las
Tasas de Eventos.
Los bloques de la biblioteca de valores en modelos continuos y los bloques de
la biblioteca de elementos en modelos de eventos discretos actúan
individualmente e independientemente para calcular valores o mover elementos.
Pueden enviar mensajes y comunicarse entre ellos, pero no existe una conexión
global entre los bloques en esos tipos de modelos. En comparación, los bloques
de la biblioteca de tasas son dependientes unos de otros y tienen un efecto el uno

www.full-ebook.com
sobre el otro. Los modelos de tasa discreta se dividen en áreas donde los bloques
incluidos no son independientes, sino que son parte de un sistema global.
Los bloques dentro de cada área se comunican a través de un programa lineal
interno (LP) que proporciona la supervisión global para esa área. Cada bloque en
un área de Programación Lineal (LP) contribuye una parte de la ecuación LP
para el área; el resultado del cálculo LP es la tasa efectiva para esa parte del
modelo. Este sistema está optimizado de tal manera que, si un área en particular
no necesita volver a calcularse, no lo hará. Otra diferencia importante es cómo se
mueven los elementos en un modelo de evento discreto, en comparación con
cómo se mueve el flujo en un modelo de tasa discreta [3].
Los modelos de velocidad discreta involucran flujos, restricciones, tasas,
eventos, capacidad de almacenamiento y enrutamiento. Los bloques en la
Biblioteca de Tasas están optimizados para crear modelos de velocidad
discreta. Además, la Biblioteca de Frecuencia le permite simular una amplia
gama de sistemas de flujo conectando bloques entre sí e ingresando parámetros.
La complejidad de calcular la tasa de flujo efectiva y la generación de eventos
que dictan un nuevo cálculo de tasa se manejan dentro de los bloques, aliviando
la necesidad de hacer cualquier programación en el lenguaje de modelación.
Los bloques de la biblioteca de tasas están optimizados para modelar todo lo
que fluye a través de un sistema.
A continuación, se presentará, a manera de ejemplo, la construcción de un
modelo de simulación muy simple, que permite posteriormente añadir más
detalles, para llegar a una representación completa del sistema que se está
modelando. Se comienza por modelar una línea de producción básica de
yogurt, donde un tanque contiene el producto que se mueve a otro tanque a una
tasa constante (Figura 14, izquierda) y el resultado de la corrida del modelo se
muestra en la misma figura (Figura 14, derecha).
Al modelo se le añaden controles y se amplía con más equipos y finalmente
se llega al modelo de una fábrica de producción de yogurt. Este ejemplo está
tomado del ExtendSim, software que tiene muchas aplicaciones de este tipo de
modelo [26] [27].

www.full-ebook.com
 Más abajo se muestra el resultado de
modelar el proceso de producción
continua de yogurt, con más detalles e
incluyendo dos líneas de envasado
(Figura 15).
Simulación Monte Carlo: Esta
herramienta se puede aplicar a cualquier
evento discreto continuo o por tasas, por
lo cual no se considera un tipo de
modelo especial, sino una herramienta
de modelación.
El nombre Monte Carlo hace pensar
en juegos de azar, juegos en general y
casualidad y fue el nombre clave que
utilizó John Von Neumann para sus
experimentos, basados en números aleatorios, que desarrolló en Los Álamos
durante el desarrollo inicial de la bomba atómica (Proyecto Manhattan) [2]. El
nombre se hizo popular y ahora se utiliza para representar simulaciones que son
“un esquema que emplea números aleatorios, que se utiliza para resolver ciertos
problemas estocásticos o determinísticos donde el paso del tiempo no juega
ningún papel”. La Simulación Monte Carlo elimina la variable tiempo de los
modelos, a diferencia de la Simulación por Eventos se basa en el paso del
tiempo. Además, el uso de números aleatorios le da a la Simulación Monte
Carlo, características que la separan también de la Modelación Continua [3]
La Simulación de Monte Carlo emplea números aleatorios para variar los
parámetros de entrada para una serie de cálculos. Estos cálculos se realizan
muchas veces y los resultados de cada cálculo individual se registran como una
observación. Las observaciones individuales se resumen estadísticamente, dando
una indicación del resultado probable y el rango de posibles resultados. Esto no
solo dice qué podría pasar en una situación dada, sino también qué tan
probable es que ocurra. Esta Simulación es ampliamente utilizada para resolver
diversos problemas en los negocios, las ciencias y la industria [28] [29]. Este
enfoque puede aplicarse a cualquier modelo y usarse donde la incertidumbre sea
un factor
Para la Simulación Monte Carlo se han desarrollado principalmente
complementos para Excel, como Insight.xla, SimTools.xla, Cristal Ball y
@Risk, todos de pago. Un ejemplo de la aplicación @Risk en un estudio de
análisis de riesgo en Proyectos de Ingeniería Civil, se muestra en la referencia
[28]. También hay softwares que abarcan otras variantes de modelación y

www.full-ebook.com
además incluyen Monte Carlo, como es el caso de Simgua, Numerus MB (antes
Nova) y ExtendSim. También se pueden utilizar softwares de estadística
potentes como R [30] [31], con el cual se puede hacer aplicaciones completas de
los métodos Monte Carlo, incluyendo los métodos de Monte Carlo con
inferencia y las Cadenas de Markov con Monte Carlo (MCMC).
A continuación (Figura 16), se muestra un ejemplo del desarrollo de un
Modelo Monte Carlo, implementado con el software Numerous MBl, en el cual
se muestra la generación de una Curva de Distribución Gaussiana. Los detalles
del modelo están disponibles en la ayuda del software.

www.full-ebook.com
www.full-ebook.com
 Figuras
Figura 1. Relaciones entre variables de un modelo (izquierda) [5] y proceso de modelación (derecha)
[4].
Figura 2. Representación general del proceso de modelación y simulación.
Figura 3. Tanque de mezcla.
Figura 4. Representación esquemática de un sistema de un compartimento.
Figura 5. Posición de una roca arrojada de un edificio.
Figura 6. Representación de la caída de un Cuerpo de masa.
Figura 7. Tendencia de la simulación a ser más científica.
Figura 8. Paradigmas de simulación, según niveles de abstracción y de agregación.
Figura 9. Ejemplo de Sistema Dinámico: Diagrama en Simulink (MATLAB).
Figura 10. Modelo de Simulación Presa-Depredador.
Figura 11. Conceptualizando Sistema BA (derecha), a partir de modelo DS (izquierda).
Figura 12. Resultado de modelo simple de DS convertido en Modelo de Agente.
Figura 13. Diagrama de bloques SE (izquierda); Representación gráfica de una Terminal. con AnyLogic
(derecha).
Figura 14. Flujo de producción de yogurt con dos cadenas de envasado.
Figura 15. Línea básica de producción de yogurt.
Figura 16. Resultado de la Simulación Monte Carlo de una distribución Gaussiana.

www.full-ebook.com
Tablas
Tabla 1. Situaciones en que se necesita aplicar la simulación.
Tabla 2. Propiedades de los agentes.
Tabla 3. Diferencias principales entre Simulación Dinámica y Basada en Agentes.

www.full-ebook.com
 Referencias Bibliográficas

[1] H. Guerrero, Excel Data Analysis, Modeling, and Simulation. Berlin: Springer-Verlag, 2010.
[2] Roger McHaney, Understanding Computer Simulation. Roger McHaney & Ventus Publishing ApS, 2009.
[3] Bob Diamond, ExtendSim 9 User Guide. San Jose, CA: Imagine That Inc., 2013.
[4] T. G. Dobre y Sánchez Marcano, José G., Chemical Engineering. Modelling, Simulation and Similitude.
Weinheim: WILEY-VCH, 2007.
[5] D. R. Shier y K. T. Wallenius, Applied Mathematical Modeling: A Multidisciplinary Approach. Boca
Ratón: Chapman & Hall/CRC, 1999.
[6] John D. Sterman, «All models are wrong: reflections on becoming a systems scientist», Syst. Dyn. Rev.,
vol. 18, n.o 4, pp. 501-531, oct. 2002.
[7] Dennis G. Zill y Michael R. Cullen, Ecuaciones Diferenciales, Tercera., vol. 1. México, D. F.: MacGraw
Hill Book, 2008.
[8] B. McNeil y L. M. Harvey, Practical Fermentation Technology. England: John Wiley & Sons Ltd, 2008.
[9] Ilya Grigoryev, AnyLogic 7 in Three Days. A Quick Course in Simulation Modeling, 3.a ed. Ilya
Grigoryev, 2016.
[10] R. Kent Nagle, Edward B. Saff, y Arthur D. Snider, Fundamentals of Differential Equations, Octava.
Boston: Addison Wesley, 2012.
[11] Donella H. Meadows, Thinking in Systems. A Primer. London: Earthscan Dunstan House, 2008.
[12] Nadine Schieritz y Peter M. Milling, «Modeling the Forest or Modeling the Trees. A Comparison of
System Dynamics and Agent-Based Simulation», presentado en Proceedings of the XXI International
Conference of the System Dynamics society., Mannheim, Germany, 2003.
[13] Wayne W. Wakeland, Edward J. Gallaher, Louis M. Macovsky, y C. Athena Aktipis, «A Comparison
of System Dynamics and Agent-Based Simulation Applied to the Study of Cellular Receptor
Dynamics», presentado en 37th Hawaii International Conference on System Sciences, Hawaii, 2004.
[14] Sherif Hussein, Education Quality Control Based on System Dynamics and Evolutionary
Computation, in Modeling Simulation and Optimization - Focus on Applications. Croacia: INTECH,
2010.
[15] C. J. E. Castle y A. T. Crooks, «Principles and Concepts of Agent-Based Modelling for Developing
Geospatial Simulations», Cent. Adv. Spat. Anal. UCL, n.o Paper 110, p. 59, sep. 2006.
[16] Richard M. Salter, «Nova: A modern platform for system dynamics, spatial, and agent-based
modeling», Procedia Comput. Sci., vol. 18, pp. 1784–1793, 2013.
[17] Andrei Borshchev y Alexei Filippov, «From System Dynamics and Discrete Event to Practical Agent
Based Modeling: Reasons, Techniques, Tools.», en Proceeding of the Conference, Oxford, 2004, p. 23.
[18] Grazziela P Figueredo, Peer-Olaf Siebers, y Uwe Aickelin, «Investigating mathematical models of
immuno interactions with early-stage cancer under an agent-based modelling perspective», presentado
en 10th International Conference on Artificial Immune Systems (ICARIS), Cambridge, UK, 18-jul-
2011.
[19] Grazziela P. Figueredo, Peer-Olaf Siebers, Markus R. Owen, Jenna Reps, y Uwe Aickelin,
«Comparing Stochastic Differential Equations and Agent-Based Modelling and Simulation for Early-
Stage Cancer», PLoS ONE, vol. 9, n.o 4, p. 18, abr. 2014.
[20] W. David Kelton y Randall P Sadowski, Simulation with Arena, 5.a ed. Dehli: Mc Graw Hill India,
2010.

www.full-ebook.com
[21] Allen Bradley, Arena’s Basic Edition Users Guide, Versión 13.50. Milwaukee, Wisconsin: Software
Automation, 2010.
[22] Eduardo García Dunna, Heriberto García Reyes, y Leopoldo Eduardo Cárdenas Barrón, Simulación y
análisis de sistemas con ProModel, 1.a ed. Ciudad México: Pearson Education, 2006.
[23] Byoung Kyu Choi y Donghun Kang, Modeling and simulation of discrete-event systems. Hoboken,
New Jersey: John Wiley & Sons, Inc, 2013.
[24] Dmitry Ivanov, Operations and supply chain simulation with AnyLogic 7.2. Decision-oriented
introductory notes for master students. Berlin: Berlin School of Economics and Law (preprint), 2016.
[25] Imran Mahmood, Muhammad Haris, y Hessam Sarjoughian, «Analyzing Emergency Evacuation
Strategies for Mass Gatherings using Crowd Simulation and Analysis framework. Hajj Scenario»,
presentado en SIGSIM-PADS’17, Singapore, Singapore, 24-may-2017.
[26] Robin Clark, «Improving Performance in a Multi-Project Environment: A Systematic Approach to
Resource Loading», presentado en 2016 International Conference 2016 International TOCICO,
Leesburg, VA, 18-sep-2016.
[27] M. Straka, M. Malindzakova, P. Trebuna, A. Rosova, M. Pekarcikova, y M. Fill, «Application of
ExtendSim for Improvement of Production Logistics’ Efficiency», Int. J. Simul. Model., vol. 16, n.o 3,
pp. 422-434, 2017.
[28] Francisco Andrés Flores Araya, «Aplicación del método de Monte Carlo en la planificación de
proyectos de Ingeniería Civil», Memoria para optar al Título de Ingeniero Civil, UNIVERSIDAD DE
CHILE, Santiago, 2015.
[29] Jacobo Cal González, «Aplicación de Simulaciones Monte Carlo para el análisis de información CT y
su uso en PET y Dosimetría», Memoria del Trabajo para la obtención del Diploma de Estudios
Avanzados en Física Nuclear, Universidad Complutense de Madrid, Madrid, España, 2010.
[30] Maria L. Rizzo, Statistical Computing with R, 1.a ed. Chapman & Hall/CRC, 200d. C.
[31] J. Elías Rodríguez M., «Programación en R para Estadística Simulación», presentado en XXIII Foro
Nacional de Estadística, Veracruz, México, 11-sep-2008.

www.full-ebook.com