Está en la página 1de 71

SIMULACIÓN DE

SISTEMAS
Primera Presentación
En Resumen
Proceso
• Secuencia de actividades que tienen un inicio y un fin,
que se ejecutan para lograr un objetivo.

Regresar
Proceso Estocástico (P.E.)
• cuando, si uno repite las condiciones del experimento el
resultado es impredecible.
• Se usan para modelar el comportamiento de
experimentos aleatorios que varían en el tiempo o que
dependen de alguna otra variable determinista.
Ejemplo de P.E.
• Supongamos que estamos estudiando el número de
llamadas que se producen en una central telefónica. Para
un intervalo de tiempo determinado, por ejemplo una
hora, se puede definir la variable aleatoria (VA): “Número
de llamadas que se producen en una hora”.
Ampliación del ejemplo
• Si consideramos un intervalo mayor, por ejemplo dos
horas, es evidente que el número de llamadas
observadas tenderá a ser superior y, por tanto, la
distribución de probabilidad de esta nueva VA será
distinta a la anterior. Así para cada tiempo que fijemos
tendremos una VA, en principio distinta.
Una nota
• El número de llamadas que llegan a una central telefónica
es un proceso continuo en el tiempo pero discreto en el
espacio de estados. En la gráfica siguiente se ven 3
realizaciones.
Gráficamente

Regresar
Proceso Determinístico
• cuando, si uno repite las condiciones del experimento, el
resultado es el mismo.

Regresar
Técnicas Analíticas
• Cuando se tiene un modelo o formula que seguir para
resolver el problema.
• Ejemplo:
A = 0 ∫ 1 x2dx

Regresar
Técnicas Numéricas
• Cuando no se tiene una fórmula y se busca un método
que aproxime el resultado.
• Ejemplo:
A = 0 ∫ 1 e–x2dx

Regresar
Variables Estáticas
• El valor que adopten en determinado momento no
determina el próximo valor.
• Por ejemplo:
• El número de aciertos que se obtenga al jugar la tinka este
domingo, no determina el número de aciertos que se obtenga al
jugar la tinka el próximo domingo.

Regresar
Variables Dinámicas
• Del valor que tengan en determinado momento deriva en
próximo valor.
• Por ejemplo:
• Consideremos un proceso de producción: La cantidad que se deba
producir, de cierto producto, en un periodo; determina la cantidad
que se deba producir, del mismo producto, en el próximo periodo.

Regresar
Análisis Estocástico
• Toda la teoría de probabilidades, análisis de variables,
series de tiempo, etc.

Regresar
Optimización Clásica
• Determinación de máximos y mínimos, restringidos y no
restringidos.

Regresar
Método de Montecarlo
• Una forma de simulación, poco usada actualmente.

Regresar
Programación Matemática
• Todos los métodos de optimización que se desarrollan en
los cursos de operativa: Método Simplex, Programación
Dinámica, etc.

Regresar
Sistemas Dinámicos
• Existen materias especiales donde se desarrollan
sistemas dinámicos.

Regresar
Simulación
• Inicialmente era una técnica numérica que se usaba para
procesos estocásticos que tenían inmersos variables
dinámicas.
• Actualmente se usa en todo proceso estocástico (con
cualquier tipo de variable) y el los procesos
determinísticos con variables dinámicas.
Procedimiento para un experimento de
simulación
 Los procesos de modelar y simular involucra la
formulación y solución de un problema.
 El proceso de modelamiento es iterativo porque
el acto de modelar revela la información
importante fragmentaria.
 Esta información apoya las acciones que hacen
al modelo y sus medidas de salida más
relevantes y exactas.
 El proceso de modelamiento continúa hasta que
el detalle o la información adicional ya no es
necesaria para la resolución del problema.
Importante
• Durante el proceso iterativo, las relaciones entre el
sistema en estudio y el modelo son continuamente
definidas y redefinidas.
• A continuación se presentan los pasos sugeridos en la
ejecución los proyectos que utilizan el modelamiento y la
simulación.
Formular el problema

Especificar el modelo

Construir el modelo
Desarrollar el Recolectar Definir los
modelo de los datos controles del
simulación experimento

Simular el modelo
Ejecutar el Verificar el Validar el
modelo modelo modelo

Usar el modelo

Construcción del soporte a las decisiones


Aplicaciones de la Simulación
• la simulación se está utilizando para hacer estudios en
diversos campos del saber humano, tales como: sistemas
urbanos, sistemas económicos, sistemas de negocios,
sistemas de producción, sistemas biológicos, sistemas
sociales, sistemas de transporte, sistemas de salud y
muchos más.
Areas de aplicación (1)
• Sistemas de manufactura:
• Diseño y disposición de planta.
• Mejora continua.
• Administración de la capacidad.
• Evaluación ágil de la fabricación.
• Programación y control.
• Manejo de materiales
Areas de aplicación (2)
• Sistemas de Transporte:
• Funcionamiento de sistemas de ferrocarriles.
• Programación y ruteo de vehículos.
• Control de tráfico aéreo.
• Operaciones del terminal y deposito.
Areas de aplicación (3)
• Sistemas de computadoras y comunicaciones:
• Evaluación del funcionamiento.
• Generación y análisis del flujo de trabajo.
Areas de aplicación (4)
• Planificación y control de proyectos:
• Planificación del producto.
• Análisis de la comercialización.
• Planeamiento de la construcción de actividades.
Areas de aplicación (5)
• Planificación financiera:
• Toma de decisiones en la inversión de capitales.
• Análisis del flujo de liquidez.
• Proyecciones del balance.
Areas de aplicación (6)
• Estudios ambientales y ecológicos:
• Control de inundaciones.
• Control de la contaminación.
• Flujo y utilización de la energía.
• Administración de granjas.
• Control de pestes.
• Mantenimiento de reactores.
Areas de aplicación (7)
• Sistemas de cuidado de salud:
• Programación de sala de operaciones.
• Planeamiento del uso de los recursos.
• Evaluación de políticas de transplante de órganos.
Tipos de Simulación
Por el tipo de variables inmersas en el sistema:
Simulación Discreta:
Orientado a los Eventos
Orientado a las actividades
Orientado al proceso
Simulación Continua
Simulación Combinado Discreto - Continua
Relación entre eventos, actividades y
procesos
Proceso

Actividad

Evento Evento Evento


Llegada Inicio de Fin de
Servicio Servicio
Medidas de funcionamiento
• El funcionamiento de un sistema es medido por su
eficacia y eficiencia en el logro de los objetivos del
sistema.
• Los objetivos de diversos tipos de sistemas varían y las
medidas de funcionamiento a través de áreas de los usos
de la simulación no son iguales.
Ejemplo de medidas de funcionamiento
• En los sistemas de manufactura, las medidas de
funcionamiento de lo operativo, puede ser agrupadas en
cuatro categorías:
• Rendimiento del procesamiento.
• Capacidad para satisfacer plazos.
• Utilización de recursos.
• Inventario en proceso.
Un Problema para la
LLEGADA
Simulación
ESPERA

EXPON(5)

Tiempo de Simulación 480 minutos

LA
ENTREVISTA PARTIDA

DOS ENTREVISTADORES
UNFORM (10, 15)
Y Después que?
Medidas de Perfomance:
•Tiempo en sistema del entrevistado.
•Longitud de Cola
•Utilización de Trabajadores
•Tiempo de espera del entrevistado.
Respuestas

•Tiempo en sistema del entrevistado: 80.81 minutos


•Longitud de Cola: 16 personas
•Utilización de Trabajadores: 98.5% por empleado
•Tiempo de espera del entrevistado: 72.80 minutos
Para qué sirve?

•Aumentar el número de trabajadores.


•Poner sillas de espera o no.
•Disminuir el tiempo de entrevistas.
•Buscar la zona de espera.
Un problema manual (1)
• Una línea de producción, de artículos, está compuesta
por dos operaciones: A y B. La operación A siempre debe
de ejecutarse antes de la operación B.
Un problema manual (2)
OPERACIÓN A OPERACIÓN B

TRANSITO DE LA
MATERIA PRIMA OPERACIÓN “A” HACIA
LA OPERACION “B”
PRODUCTO
TERMINADO
Un problema manual (3)
• Los tiempos necesarios por cada una de las 10 unidades
a procesar son los siguientes:
Un problema manual (4)
UNIDAD EN LA OPERACIÓN A EN LA OPERACIÓN B

1
0.434076 0.135118
2
0.487454 0.070339
3
0.246718 1.427671
4
0.293926 0.959766
5
0.637568 0.070549
6
0.873288 1.551359
7
0.85628 0.315469
8
0.291235 0.176104
9
0.629321 0.099815
10
0.350719 1.029659
Un problema manual (5)
• Se requiere determinar:
• La producción promedio de la línea.
• El tiempo de espera de cada unidad por la operación B.
• El tiempo muerto de la operación B.
• Longitud promedio de la cola en B.
Un problema manual (6)
• Como condiciones iniciales:

• La operación A está constantemente alimentada.

• La operación B inicialmente está desocupada.


La Solución (1)
• La solución de este problema debe ser realizada por
ustedes.
• El tipo de simulación a usar es la orientada al proceso.
• De esta manera lo primero que se debe hacer es
descubrir la secuencia que cada unidad de materia prima
sigue dentro del sistema.
La Solución (2)
• Esta secuencia de acciones es:
• Momento en que se inicia la Operación A. (IA)
• Tiempo necesario para la ejecución de la Operación A. (TOA)
• Momento en que se termina la Operación A. (FA)
• Momento en que se inicia la Operación B. (IB)
• Tiempo necesario para la ejecución de la Operación B. (TOB)
• Momento en que se termina la Operación B. (FB)
La Solución (3)
• La tarea es determinar los momentos y/o tiempos de
ejecución de cada acción, para cada una de las unidades
de materia prima.
• Se recomienda ayudarse con la herramienta EXCEL,
para ello puedes hacer uso de una tabla como la
siguiente:
Unidad IA TEA FA IB TEB FB
1

10
La Solución (4)
• Recuerde que los TOA y los TOB, son datos.
• Usted debe llenar esta tabla y establecer una fórmula
para el calculo de cada uno de los parámetros indicados.
• Terminada la simulación debe determinar:
La Solución (5)
• El tiempo total de simulación: el tiempo necesario para
procesar las 10 unidades de materia prima.
• La producción promedio de la línea: esto significa el
número de unidades por unidad de tiempo procesadas en
la línea.
Comportamiento de la cola delante de la
OPB
5

3
U9 U10

2
U5 U6 U8 U9

1
U4 U5 U7 U8 U
9

1 2 3 4 5 6 7
U4 1.4 2.5

U5 2.0 3.5

U6 2.9 3.6

U7 3.8 5.1

U8 4.1 5.4

U9 4.7 5.6

U10 5.1 5.7


Trabajo de la OPB

1
U U U U U U10
1 2 U3 U4 5 U6 U7 8 9

1 2 3 4 5 6 7

0.43 0.92

0.56 0.99 5.76 6.79

1.16 2.59 3.55 5.49

3.62 5.17 5.66


Herramientas Básicas para la
Simulación

• 1. Generación de Números Aleatorios.


• 2. Generación de Muestras Aleatorias de Distribuciones
Estadísticas Conocidas
Generación de Números Aleatorios entre
0 y 1 (1)
Método Uno:

PROVISION EXTERNA DE UNA TABLA

Características:

Computacionalmente lento.
Mucho uso de memoria
Generación de Números Aleatorios entre
0 y 1 (2)
Método Dos:
GENERACIÓN EXTERNA MEDIANTE UN PROCESO
FISICO

Características

No es reproducible
No es controlable
Generación de Números Aleatorios entre
0 y 1 (3)
Método Tres:

GENERACION DE NUMEROS
PSEUDOALEATORIOS

Características:

Sucesión de valores producidos de manera


determinística
Tienen la apariencia de ser variables aleatorias
uniformes e independientes en (0,1)
El Método Tres (1)
• Se comienza con un valor inicial x0, llamado semilla, y
luego se calcula de manera recursiva los valores
sucesivos xn, n >= 1, hacinedo:

• xn = axn-1 mod m

• Donde a y m son enteros positivos dados.


El Método Tres (2)
• Xn puede tomar los valores: 0, 1, 2, …, m-1.
• La cantidad xn/m, llamado número pseudoaleatorio, se
considera como una aproximación de una variable
aleatoria uniforme en (0,1).
• Este método se llama el método congruencial
multiplicativo.
El Método Tres (3)
• Como cada uno de los números xn asume uno de
los valores 0, 1, 2 …, m-1, se tiene que después
de cierto número finito (a lo más m) de valores
generados, alguno debe repetirse, y, una vez que
esto ocurre toda la sucesión comienza a
repetirse .
• Las condiciones que deben cumplir a y m, son:

• Para cualquier semilla inicial, la sucesión resultante


tiene la apariencia de ser una sucesión de variables
aleatorias independientes y uniformes entre (0, 1).
El Método Tres (4)

• Para cualquier semilla inicial, el número de variables que se deben


generar antes de que comience la repetición es grande.
• Los valores se pueden calcular de manera eficiente en una
computadora.
El Método Tres (5)
• Así, m debe ser un número primo grande (m = 16807).

• Otra fórmula es:

xn = (axn-1 + c) mod m
El Método Tres (6)
• Ejemplos:
• x0 = 5 y xn = 3xn-1 mod 150
• x0 = 3 y xn = (5xn-1 + 7) mod 150
Generación de Muestras Aleatorias de
Distribuciones Estadísticas
Método de la transformación inversa:
f(x) = Función de densidad.
F(x) = Distribución aculumada (uniformemente distribuida
entre [0, 1]).
r = Número aleatorio entre [0, 1].
r = F(x)
x = H(r) , H es la inversa de F.
Distribución Uniforme (Rectangular)
• Uniforme entre (a, b) (UNFRM(a,b))
• Especifica que cada valor entre un valor mínimo y un
valor máximo tienen la misma probabilidad.
• Función de densidad: la probabilidad de un valor que está
dentro de en un intervalo es proporcional a la longitud del
intervalo
Distribución Uniforme (Rectangular)
Gráficamente

f(x)

1/(b-a)

a b
Distribución Uniforme (Rectangular)
f(x) = 1/(b - a); a <= x <= b

media: μ = (a + b)/2

Varianza: σ2 = (b - a)2 /12


Distribución Uniforme (Rectangular)
• Para calcular la Distribución Acumulada:

F(x) = a∫ x f(t)dt

• Asi para la uniforme obtenemos:

F(x) = (x - a)/(b-a)
Distribución Uniforme (Rectangular)
• Hallando la inversa:
r = F(x) = (x - a)/(b - a)

x = a + r(b-a) = H(r)
Distribución Uniforme (Rectangular)
• Asi si queremos un número que pertenece al intervalo (5,
11), se toma un número aleatorio entre (0, 1) y se usa la
formula:

• x = 5 + r*(6), si r = 0.2 entonces x = 6.2.


En forma general
• De esta manera se puede hallar números que estén
distribuidos en de diferentes maneras:
• Exponecial: EXPON(m)
• Normal: RNORM(m,de), etc.
Como obtener una distribución
• Se debe tener una colección de datos.
• Antiguamente se tenían que hacer cálculos y
comparaciones.
• En la actualidad se pude hacer uso de software: STATFIT.