Professional Documents
Culture Documents
INTRODUCCION ......................................................................................................................................... 1
SISTEMAS, MODELOS Y SIMULACION ........................................................................................................ 2
1.2.1
CLASIFICACION DE LOS MODELOS .......................................................................................... 5
1.3 APLICACIONES DE LA SIMULACION ........................................................................................................... 6
1.4 VENTAJAS Y DESVENTAJAS DE LA SIMULACION FRENTE A LA SOLUCION ANALITICA ............................... 7
1.4.1
MODELO ANALITICO ................................................................................................................... 7
1.4.2
MODELO DE SIMULACION.......................................................................................................... 8
1.5 CUANDO UTILIZAR SIMULACION? ............................................................................................................ 8
1.6 PASOS EN LA SIMULACION ........................................................................................................................ 9
1.6.1
FORMULACION DEL PROBLEMA ............................................................................................. 10
1.6.1.1 Identificacin del problema.......................................................................................................................10
1.6.1.2 Reconocer las variables del sistema..........................................................................................................11
1.6.1.3 Especificacin de las restricciones de las variables de decisin...............................................................11
1.6.1.4 Desarrollar una estructura preliminar del modelo que interrelacione las variables del sistema y las
medidas de ejecucin ................................................................................................................................................11
1.6.1.5 Desarrollo de un modelo apropiado..........................................................................................................12
1.6.2
1.6.3
1.6.3.1
1.6.3.2
1.6.4
1.6.5
1.6.5.1
1.6.5.2
1.6.6
1 INTRODUCCION A LA SIMULACION
Las primeras referencias sobre simulacin se encuentran hacia el ao 1940, cuando Von
Neumann y Ullman trabajaron sobre la simulacin del flujo de neutrones para la construccin
de la bomba atmica en el proyecto Montecarlo. Desde entonces se conocan las tcnicas de
simulacin como procesos Montecarlo, aunque en la actualidad se diferencian ambas cosas,
siendo los segundos un tipo particular de simulacin. Tambin se realiz un proceso de
simulacin para el proyecto APOLLO dentro del plan espacial de la N.A.S.A, acerca del
movimiento dentro de la atmsfera de la luna.
1.1 INTRODUCCION
Actualmente, la simulacin es una poderosa tcnica para la resolucin de problemas. Sus
orgenes estn en la teora de muestreo estadstico y anlisis de sistemas fsicos
probabilsticos complejos. El aspecto comn de ambos es el uso de nmeros y muestras
aleatorias para aproximar soluciones.
Una de las ms famosas aplicaciones de muestras aleatorias, ocurre durante la segunda guerra
mundial, cuando la simulacin se utiliz para estudiar el flujo de neutrones dentro del
desarrollo de la bomba atmica. Esta investigacin era secreta y le dieron un nombre en
cdigo: Monte Carlo. Este nombre se mantiene, y durante mucho tiempo se usaba para hacer
referencia a algunos esfuerzos en simulacin. Pero el trmino mtodos Monte Carlo, se refiere
actualmente a una rama de las matemticas experimentales que trata con experimentos de
nmeros aleatorios, mientras que el trmino simulacin, o simulacin de sistemas, cubre una
tcnica de anlisis ms prctico, y es lo que vamos a estudiar.
Vamos a ver tcnicas que utilizan los computadores para imitar, o simular, el comportamiento
de sistemas del mundo real. Para estudiar cientficamente estos sistemas, a menudo se han de
hacer una serie de suposiciones acerca de cmo trabaja ste. Estas suposiciones que
usualmente toman la forma de relaciones matemticas o lgicas, constituyen un modelo que
va a ser usado para intentar comprender el comportamiento del sistema correspondiente.
Si las relaciones que componen el modelo son suficientemente simples, es posible usar
mtodos matemticos (tales como lgebra, clculo o teora de la probabilidad) para obtener
una informacin exacta de las cuestiones de inters; a esto se le llama solucin analtica. Sin
embargo, la mayora de los sistemas del mundo real son demasiado complejos y normalmente
los modelos realistas de los mismos, no pueden evaluarse analticamente. Lo que se puede
hacer es estudiar dichos modelos mediante simulacin. En una simulacin se utiliza el
ordenador para experimentar con un modelo numricamente, de forma que con los resultados
obtenidos se haga una estimacin de las caractersticas del sistema.
Banco
Cliente
Saldo, Crdito, #Cuenta, etc.
Deposito, Retiro
Ejemplo:
Sistema:
Entidades:
Atributos:
Supermercado
Clientes, Carrito, Caja
Artculos a comprar, Disponibilidad del carrito, Cantidad de
artculos a comprar, Nmero de caja, etc.
Actividades: Entrada, Compra, Pagar / Cobrar, Devolver el carrito, Salida, etc.
Existen actividades que influyen dentro del sistema para lo cual hay que definir las fronteras
como tal. El medio ambiente es todo lo que pasa fuera del sistema. La frontera es aquella que
separa al medio ambiente del sistema.
Las actividades que ocurren en el medio ambiente se llaman Exgenas y las que se desarrollan
dentro del sistema se llaman Endgenas.
Ejemplos de actividades exgenas: tiempo de arribo de los clientes al banco, cantidad de
personas que llegan, etc.
Ejemplos de actividades endgenas: atencin en la ventanilla del banco.
Cuando una actividad se conoce de antemano se dice que es determinstica y cuando no se
conoce el tiempo o resultado de una actividad se dice que es estocstica.
Los sistemas se pueden clasificar en dos tipos, discretos y continuos. Un sistema discreto es
aquel en el que las variables de estado cambian instantneamente en puntos separados en el
tiempo.
Un sistema continuo es aquel en el que las variables de estado cambian continuamente con
respecto al tiempo. En la prctica muchos sistemas no son completamente discretos o
continuos, usualmente es posible clasificarlos en base al tipo de cambios que predominen en
el mismo.
En algunos momentos en la vida de un sistema es necesario estudiar el mismo para entender
las relaciones entre sus componentes o predecir su comportamiento bajo nuevas condiciones
que se consideran. Existen diferentes formas de estudiar un sistema (Figura 1.1):
Experimentar sobre el sistema actual frente a experimentar con un modelo del sistema.
Lo primero es preferible siempre y cuando se pueda alterar el sistema con las nuevas
condiciones y no sea muy costoso. Sin embargo es muy raro que esto se pueda llevar a
cabo, ya que normalmente estos experimentos suelen ser muy costosos o muy
destructivos para el sistema. Incluso puede ocurrir que el sistema no exista pero se
quiera estudiar posibles alternativas de construccin del mismo (sistemas de
fabricacin, armas nucleares, etc.). Por estas razones es necesario construir un modelo
que represente al sistema y estudiar ste para poder responder a las cuestiones
planteadas sobre el sistema.
Modelo fsico frente a modelo matemtico: Para muchos la palabra modelo, evoca
imgenes de miniaturas, cabinas separadas de los aviones para el entrenamiento de los
pilotos, etc. Estos son ejemplos de modelos fsicos (tambin conocidos como modelos
icnicos). Sin embargo la mayora de los modelos construidos para estudiar los
sistemas son matemticos, los cuales representan un sistema en trminos de relaciones
cuantitativas y lgicas que pueden ser cambiadas para ver cmo el modelo reacciona y
ver as como debera comportarse el sistema, si el modelo es vlido.
Gordon 1969
Shannon, 1975
3
Naylor y otros
2
Deben ser una buena aproximacin del sistema real, que controle el mayor nmero
posible de aspectos del mismo y que stos contribuyan de forma significativa al
sistema (hay relaciones en el sistema que no son significativas y pueden obviarse en el
modelo).
Modelacin: Necesarios para disear el modelo que permita dar respuestas vlidas del
sistema real que represente. El diseo es una fase muy importante, ya que los errores
proporcionarn modelos falsos.
Mtodos Heursticos: Para permitir llegar a una solucin buena del problema
planteado.
Los modelos pueden ser fsicos o matemticos. Los fsicos son aquellos que tienen un
comportamiento fsico, es decir, utilizando la fsica se representa un sistema. Los matemticos
son aquellos que utilizan mtodos de resolucin, variables, condiciones lgicas, con la
utilizacin de las matemticas obtenemos parmetros del modelo.
Nos vamos a centrar en los modelos matemticos y su estudio por medio de simulacin. Los
modelos se pueden clasificar en:
Prediccin: El modelo se puede usar para predecir el comportamiento del objeto real
bajo ciertos estmulos. Se puede hacer as una evaluacin de diferentes estrategias de
accin.
Anlisis medioambientales.
Aunque la simulacin est ampliamente utilizada tambin presenta una serie de problemas.
Por un lado, los modelos usados para estudiar sistemas de larga escala de tiempo suelen ser
muy complicados y adems necesitan utilizar muchos recursos de computacin, aunque en la
actualidad y gracias al desarrollo de paquetes software que ofrecen automticamente muchas
de las caractersticas necesarias para codificar los modelos y al abaratamiento del costo de
computacin, estos inconvenientes estn disminuyendo.
Ventajas:
Desventajas:
Las suposiciones hechas para describir el sistema puede ser poco realistas.
Las frmulas matemticas pueden ser muy complicadas impidiendo llegar a una
solucin.
Ventajas:
Pueden ser usados para experimentar con sistemas que todava no existan, o para
experimentar con sistemas existentes sin que stos se alteren. (Esto tambin los
pueden hacer los mtodos analticos siempre y cuando el sistema no sea muy
complejo).
Desventajas:
Cada cambio en las variables de entrada requiere una solucin separada o conjunto de
ejecuciones.
Existen el modelo y los mtodos, pero los procedimientos son tediosos, por lo que
resulta ms sencilla y menos costosa la simulacin.
Puede experimentarse sobre el sistema, pero motivos ticos lo impiden (Ej.: sistemas
biolgicos humanos).
Se quiere observar un sistema de evolucin muy lenta, reduciendo la escala del tiempo
(Ej.: anlisis de sistemas ecolgicos).
Se definen las cuestiones para las que se buscan las respuestas, las variables implicadas y las
medidas de ejecucin que se van a usar.
Esta fase es muy importante para poder alcanzar un modelo vlido, se puede dividir a su vez
en 5 fases, las que se describen a continuacin.
1.6.1.1 Identificacin del problema
Se hace una abstraccin del tipo de problema que se va a tratar. Se identifican los recursos a
utilizar, los requisitos que se van a exigir (relaciones a establecer).
10
Variables endgenas: Son variables internas y las variables de salida del modelo.
11
No es igual si lo que se desea hacer es un modelo para una previsin a largo plazo, en cuyo
caso la precisin puede ser menor, debido a que al transcurrir el tiempo las variables van a
cambiar e incluso podrn aparecer otras nuevas, que si se desea una previsin a corto plazo,
entonces se deber profundizar ms en el nivel de detalle.
1.6.2 COLECCIN DE DATOS Y ANALISIS
Aunque la recogida de datos se va a ver como el segundo paso, es bastante posible que se
hayan tenido que recoger datos para la formulacin del problema. Sin embargo, durante este
paso se recoge el mayor volumen de datos, se reduce y se analiza.
Los mtodos de recogida de datos son tan variados como los problemas a los que stos se
pueden aplicar. Si se clasifican por su sencillez, se puede ir desde las aproximaciones
manuales hasta las tcnicas ms sofisticadas de alta tecnologa. En la seleccin de un mtodo
se pueden tener en cuenta los siguientes factores:
12
Incluye la construccin y depuracin del modelo del sistema real, incluyendo la seleccin de
un lenguaje de programacin, codificacin del modelo. Esta etapa se va a dividir en dos
partes: Comprensin del sistema y Construccin del modelo.
1.6.3.1 Comprensin del sistema
Una de las tareas ms difciles en el anlisis de simulacin es adquirir el suficiente
conocimiento del sistema para poder desarrollar un modelo apropiado, es decir, conocer el
comportamiento del sistema. Dos tcnicas comnmente usadas son la aproximacin de flujo
fsico y la aproximacin de cambio de estado.
13
14
son las que indican los estados de los cajeros y empaquetadores, si estn ocupados o no.
Algunos eventos que cambian el estado del sistema, y por tanto las variables de estado, son
una llegada al sistema, la seleccin de una cola y el aadirse a ella, salida del sistema una vez
que ha pagado los productos.
Ejemplo: Suponemos una sola caja en el supermercado.
Variables de estado:
Sucesos:
Suceso 2: N N, MM-1
Suceso 3: NN-1, MM
Resulta til representar esto de forma grfica mediante el grafo de sucesos. Los eventos se
representan mediante nodos y la progresin de los eventos mediante flechas (Figura 1.4).
15
Incrementos por los eventos (N.E.T.A., Next Event Time Advance): Las
comprobaciones y modificaciones de las variables afectadas se realizan slo despus
de la ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la
ocurrencia de un evento a otro.
El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si se elige
el incremento por eventos, el reloj se inicializa a 0, y se incrementa al siguiente tiempo en que
vaya a ocurrir un suceso, en ese momento, en este momento de actualizacin del reloj se
modifican las variables que se vean afectadas por la ocurrencia del suceso. Si por el contrario
se elige un incremento de tiempo fijo, el reloj se inicia a 0 y se va actualizando cada vez que
pase el incremento de tiempo fijado. En esos instantes se observar el sistema para realizar los
cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o que por el
contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender
antes (por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir
errores de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que
sucede un suceso hasta que ste se computa (cuando el reloj se incrementa).
Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo
se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido
ningn suceso. Por el contrario si es demasiado grande se producirn muchos errores de
redondeo y la dinmica del modelo ser ineficiente.
16
La Verificacin del modelo consiste en ver cul es la consistencia interna del modelo.
La Validacin consiste en asegurar que existe la correspondencia entre el sistema real y el
modelo. Un buen mtodo para la validacin es hacer un test para ver cmo el modelo predice
el comportamiento del sistema ante determinadas entradas.
La verificacin y validacin del modelo se realiza en todas los niveles de modelacin: modelo
conceptual, modelo lgico y un modelo de ordenador. La verificacin se centra en la
consistencia interna del modelo, mientras que la validacin se interesa por la correspondencia
entre el modelo y la realidad.
17
Se dice que un modelo es vlido si sus medidas de salida tienen una correspondencia
apropiada con las mismas medidas en el sistema real. La comprobacin ltima para la validez
de un modelo es ver cmo el modelo puede predecir un comportamiento futuro del sistema
ante unas determinadas entradas.
1.6.5 EXPERIMENTACION Y ANALISIS DE LAS SALIDAS
Se han de disear los experimentos que se van a llevar a cabo sobre el modelo y luego
analizar las salidas obtenidas, de forma que podamos responder a las cuestiones que se
plantearon.
1.6.5.1 Experimentacin con el modelo
El propsito ltimo de la experimentacin con el modelo es obtener informacin acerca del
comportamiento del sistema para que esto nos ayude en la toma de decisiones. Cuando
consideramos la ejecucin de un sistema se puede desear conocer cmo se comporta dicho
sistema en sentido absoluto, o comparativamente, para poder contrastar varias
configuraciones alternativas del sistema. O se podran considerar dos medidas
simultneamente.
Es evidente que el nmero de exploraciones que se tendran que realizar es extremadamente
largo. Hasta para los diseos de experimentos ms modestos, la exploracin de todas las
posibles soluciones en la bsqueda de la mejor solucin, no es algo factible. Se necesita una
aproximacin estructurada ms directa para encontrar una solucin que merezca la pena.
Podemos considerar dos aproximaciones diferentes para abordar este problema: conjunto
predeterminado de experimentos y tcnicas de bsqueda de ptimos.
Conjunto de experimentos predeterminado: Esta aproximacin impone identificar factores
que podran afectar a la medida de salida y ejecutar los experimentos con los factores puestos
a determinados valores. Una vez realizados los experimentos se aplicaran unas tcnicas
estadsticas denominadas anlisis de la varianza (ANOVA), para decidir cul o cules de los
factores seleccionados tiene realmente algn impacto en la medida de salida. Las medidas de
salida se pueden adaptar de forma que las suposiciones estadsticas de esta tcnica se
satisfagan de forma razonable y puedan ser aplicadas en la experimentacin del modelo.
Un diseo experimental particularmente general es el diseo factorial. Se consideran dos o
ms factores pudiendo estar cada uno a dos o ms niveles.
El uso de un conjunto predeterminado de experimentos es efectivo para encontrar buenas
soluciones si se puede aproximar una regin de optimalidad con experimentos previos o con
la experiencia que se tenga sobre el problema. Sin embargo esta tcnica no puede conducir a
la mejor solucin global, ni siquiera puede garantizar un ptimo local.
Tcnicas de bsqueda de ptimos: Un conjunto de estas tcnicas se conoce como
Metodologa de Superficie de Respuesta (RSM). La superficie de respuesta es la funcin que
describe las relaciones de las medidas de ejecucin con los factores o variables de decisin.
Dos factores definen una superficie de 3 dimensiones, la cual puede ser vista como un terreno
18
19
En ambos casos, las condiciones iniciales (estado del sistema al empezar la ejecucin) pueden
influir en la estimacin de las medidas de comportamiento.
El tamao de la muestra es importante ya que la precisin de las estimaciones depende de la
varianza de la media de la muestra, y la varianza cambia de forma inversamente proporcional
al tamao de la muestra (si se cuadriplica el tamao de la muestra la desviacin estndar se
reduce a la mitad). La definicin de tamao de muestra para simulacin depende del tipo de
anlisis que se haya hecho. Para el anlisis de un sistema con final definido se podra
reproducir el periodo de inters, con las condiciones iniciales apropiadas, un determinado
nmero de veces hasta conseguir la precisin deseada de la estimacin. En cada ejecucin se
obtendr un elemento de la muestra. Con un anlisis en estado estacionario el tamao de la
muestra est estrechamente enlazado con el tamao de la ejecucin del modelo o cantidad de
tiempo de simulacin.
1.6.6 IMPLANTACION DE LOS RESULTADOS DE LA SIMULACION
20