Simulación de Sistemas

Proyectos de Simulación
 Objetivo de la Sesión

• Comprender que significa simular un

sistema
• Identificar ventajas y desventajas de la
simulación
• Etapas de un Proyecto de Simulación
• Tipos de Simulación
SIMULACIÓN DE SISTEMAS
Introducción
 SIMULACIÓN DE SISTEMAS
Introducción
Modelos de simulación: Modelos lógico-matemáticos
intratables con métodos analíticos o numéricos
convencionales

Posibles soluciones:
 
• no hay solución
• solución factible
• solución satisfactoria
• solución óptima
 DEFINICION DE SIMULACION
Varias definiciones

• Thomas H. Naylor, la define como “Simulación es una técnica

numérica para conducir experimentos en una computadora digital.
Estos experimentos comprenden ciertos tipos de relaciones
matemáticas y lógicas, las cuales son necesarias para describir el
comportamiento de sistemas complejos del mundo real a través de
largos períodos de tiempo”.
• Robert E. Shannon, otro estudioso del tema define simulación como:
“Simulación es el proceso de diseñar y desarrollar un modelo
computarizado de un sistema o proceso y conducir experimentos con
este modelo con el propósito de entender el comportamiento del
sistema o evaluar varias estrategias con las cuales se puede operar el
sistema”.
 ¿Cuándo Simular?

Como regla general, es apropiada cuando:

• Desarrollar un modelo matemático es muy difícil o quizás aún

imposible
• El sistema tiene una o más variables aleatorias
relacionadas
• La Dinámica del sistema es extremadamente compleja
• El objetivo es observar el comportamiento del sistema sobre un
período
• La habilidad de mostrar la animación es importante.
 Justificación Económica

Costo Costos de Operación

SIN Simulación

Costos de Operación
CON Simulación

Tiempo
 SIMULACIÓN
ventajas
• Los sistemas reales c/elementos estocásticos son de difícil
de modelar matemáticamente para su evaluación analítica.

• Puede ser usado repetidamente una vez que el modelo ha

sido construido
• Generalmente son más fáciles de aplicar que los métodos
analíticos
• Los modelos analíticos requieren de muchas suposiciones
para hacerlos manejables matemática , la Simulación. no
tiene tantas restricciones
 Diseño de un Simulador
Objetivos
Abstracción
Sistema Real Modelo de
Validación Sistema

Selección
Datos Reales Paradigma
Datos Simulados

Codificación
Programa Modelo
Simulación Computacional
Validación

Lenguaje de Simulación
 Problemas, Objetivos y Metas
Problema.
• Alguna amenaza, incremento de costos, información desconocida,
riesgos o contradicciones. Se plantea como un conjunto de síntomas,
aún no se conoce las causas.

Objetivo.
• Resolver el problema o cómo resolver el problema.
• El objetivo no es conocer las causas del problema.
• Se orienta a la solución del problema.

Meta
• Conjunto de actividades para lograr el objetivo planteado.
• Por lo general se puede medir.
 Ejercicio
Todos los días de la semana a las 4:00 PM la cola del banco Z se extiende
fuera de los ambientes de la agencia, eventualmente el administrador
observa esta situación y le asigna a usted la labor de identificar el
problema y resolverlo.
1. Identifique el problema.
2. Plantee objetivos.
3. Plantee metas.
4. Finalmente ¿Cuál es el problema?
5. ¿Es necesario conocer las causas del problema para saber cuál es el
problema?
6. ¿Y para resolverlo?
 Sistema
• Identificar el entorno de actividad.
• Identificar entidades (Pedidos, Piezas, Tipos de Pieza y Productos)
• Identificar atributos por entidad (Cantidad de Pedidos, tipos de pieza,
tipo de máquina)
• Identificar variables y parámetros de entrada.
• Identificar relaciones entre variables y parámetros.
• Identificar variables de estado

• Alcances y Limitaciones. Corresponde a los límites del estudio, límites

internos o externos.
 Ejemplo (1)
Consideremos el caso de una factoría
que produce y ensambla diferentes
piezas para fabricar un producto final.
En una primera aproximación a una
descripción del sistema podemos
considerar que sus dos componentes
principales son el departamento de
fabricación que fabrica las piezas y el
de ensamblaje que produce los
productos finales. Hay además un
departamento de compras mantiene el
suministro de materias primas y uno
de expedición distribuye los productos
acabados. El departamento de control
de producción recibe los pedidos y
asigna las órdenes de trabajo a los
otros departamentos.
 Ejemplo (2)
• El departamento de fabricación
consta de un taller en el que
hay diferentes conjuntos de
máquinas del mismo tipo, que
realizan distintas operaciones
sobre las piezas que se
fabrican, de manera que la
mismas materias primas
sometidas a diferentes procesos
pueden dar lugar a diferentes
productos.
• Lo que diferencia un producto
de otro es la secuencia de
operaciones.
Ejemplo (3)
 Conclusiones
• Simulación es una técnica numérica para
conducir experimentos en una computadora
para describir el comportamiento de sistemas
complejos del mundo real a través de largos
períodos de tiempo.
• La simulación se debe desarrollar mediante
un proyecto planificado.
• Existen tres tipos de simulación: Método
Montecarlo, simulación continua y simulación
orientado a eventos discretos.
 Simulación de una Ruleta

• Realicemos ahora la experiencia de hacer

girar una ruleta y apuntar el número del
sector que coincide con la flecha
 Números Aleatorios

• Elemento Central en la Simulación digital.

• Elemento esencial en muchas áreas del conocimiento
Ingeniería, Economía, Física, Estadística, etc.
• Definición intuitiva: Una sucesión de números
aleatorios puros, se caracteriza por que no existe
ninguna regla o plan que nos permita conocer sus
valores.
 Números Aleatorios

Tabla de Xi+1=(aXi+c) mod m

Manual o mecánico. Números aleatorios Computador
Generación de Números Aleatorios

• Juegan un rol preponderante en el proceso de

simulación.
• Para simular necesitamos de números aleatorios
como semillas para generar muestras de V.A.

• Los números aleatorios obtenidos a través de

algoritmos recursivos se llaman pseudoaleatorios.
 Serie de Números Aleatorios

• Son números que deben de cumplir los

requisitos de espacio equiprobable, es
decir, que todo elemento tenga la misma
probabilidad de ser elegido y que la
elección de uno no dependa de la elección
del otro.
Métodos de Generación de Números Aleatorios

1.- Método de los cuadrados medios

2.- Métodos de Congruencia Lineal

[Semilla - Algoritmo - Validación]

P1 : Obtener semilla (valores iniciales)
P2 : Aplicación de Algoritmos recursivos
P3 : Validación del conjunto de datos
generados Test de Aleatoriedad e
Uniformidad)
 Método de los Cuadrados medios

Consiste en que cada número de una sucesión es

producido tomando los dígitos medios de un número
obtenido mediante la elevación al cuadrado.
P1 : Obtener semilla (valores iniciales 445)
P2 : Aplicación de Algoritmos recursivos (elevar
al cuadrado)
P3 : Validación del conjunto de datos
generados
 Método de los Cuadrados medios

Ejemplo: Consideremos la semilla 445

X X2 N° Aleatorio
445 1| 9802 | 5 0,9802
9802 96| 0792 | 04 0,0792
792 6 | 2726 | 4 0,2726
2726 ............... ...............
 Análisis
• El problema con este método es que tiende a degenerar rápidamente.
Dependiendo del valor inicial el método puede degenerar rapidamente.
• Por ejemplo, supóngase que se quiere generar una serie de números pseudo-
aleatorios de cuatro dígitos y se tiene como i-ésimo termino generado es
3500, luego se tendrá:

n x x2 Nro. Aleatorio
i 3500 12250000 2500
i+1 2500 6250000 2500

• Se puede observar que hemos llegado a una condición degenerada. Por la

tanto, es necesario verificar siempre la serie de números y protegerse contra
este fenómeno
 Generadores de Congruencia Lineal
Este método produce una secuencia de números enteros, X1, X2, ...
entre cero y m-1 de acuerdo a la siguiente relación recursiva:
Xn+1 = (a Xn + c) mod m ; 0  Xn < m ∀n
Los parámetros del algoritmo se llaman
-a Constante multiplicativa
-c es el incremento
-m módulo
- Xo semilla (valor inicial)

Si se quiere obtener números Uniformes (0,1) se normaliza el

resultado Xn
Un 
m
 Generadores de Congruencia Lineal
Obs: 1.- Cuando c=0 el generador se denomina
Generador de congruencia Multiplicativa.
2.- Cuando c0 el generador se denomina
Generador de congruencia mixto.
3.- A pesar de la simplicidad una adecuada
elección de los parámetros de “a, c y m”, permite
obtener de manera eficiente una larga e impredecible
sucesión de números como para considerarse “aleatoria”.
Método de Congruencial Lineal (MCL)
En el MCL, si se repite un número ya se repite
toda la secuencia.

• Ventajas:

1. utiliza poca memoria y es muy rápido.

2. fácil de volver a generar la misma secuencia,
guardando un solo número, (se alcanza con partir
desde la misma semilla: X0).
 Ejemplo MCL
Parámetros
Caso a c m xo
1 6 0 13 1
2 7 0 13 10
3 5 0 13 5
4 7 0 11 5
5 6 0 11 3

Caso Salidas
1 6 10 8 9 2 12 7 3 5 4 11 1 6 10
2 5 9 11 12 6 3 8 4 2 1 7 10 5 9
3 12 8 1 5 12 8 1 5 12 8 1 5 12 8
4 2 3 10 4 6 9 8 1 7 5 2 3 10 4
5 7 9 10 5 8 4 2 1 6 3 7 9 10 4
 Métodos de Congruencia Lineal
Algunas observaciones de las salidas de los generadores
congruenciales:

1. Un generador congruencial tiene ciclos o periodos

2. La longitud del ciclo depende de la selección de los
parámetros (ver caso 1) y 3) )
3. Dentro de selecciones de parámetros que conducen a
la misma longitud, algunas salidas parecen más aleatorias
que otras.
Simulación de Sistemas

Generación de Variables Aleatorias

 Variables Continuas
En este caso la función de
distribución es continua. Vamos a
utilizar un número aleatorio u,
uniformemente distribuido en (0,1)
y vamos a suponer que es el valor
que toma la función de distribución
en un punto x. Tal punto va a ser el
valor de la variable que queremos
generar. Al ser la función de
distribución continua, vamos a
encontrar un valor de x para
cualquier u.
 Variables Continuas
Distribución uniforme (a,b)
 1  0, x  a
 ,a  x  b xa
f ( x )  b  a F( x )   ,a  x  b
 0 b  a
 1, x  b

Aplicando el método de la transformada inversa

x-a
X  FX1( U ) u X  U(b - a)  a
b-a
 Variables Continuas
Distribución exponencial ()
e  x , x  0  0, x  0
f(x)  F( x )    x
 0 1  e ,x  0

Aplicando el método de la transformada inversa

ln u
X  FX1( U ) u  1  e x - x  ln u X 
