ModeliZa

U N N O B A


D e p a r t a m e n t o d e
T e c n o l o g a
0 1 / 1 1 / 2 0 1 2
Alejandro Roberti
Edicin Preliminar

Pg.: 1 / 83

ModeliZa
Edicin Preliminar Noviembre 2012
Alejandro Roberti UNNOBA Depto. de Tecnologa
Contenido
Edicin Preliminar Noviembre 2012 ....................................................................................... 1
ModeliZa .................................................................................................................................. 3
Captulo 1. Sistemas .................................................................................................................. 5
CLASIFICACIN DE SISTEMAS: ............................................................................................... 8
Captulo 2 Teora General de Sistemas .................................................................................... 11
Caractersticas de los sistemas ............................................................................................ 12
Modelos generales de comportamiento de los sistemas...................................................... 13
Visin mecanicista ........................................................................................................... 14
Visin sistmica ............................................................................................................... 15
Ingeniera de sistemas ......................................................................................................... 18
Anlisis de sistemas ......................................................................................................... 18
Aplicaciones de la Teora General de Sistemas .................................................................... 24
Investigacin Operativa ................................................................................................... 24
Ciberntica ...................................................................................................................... 25
Teora de la Informacin ............................................................................................. 25
Segunda Parte......................................................................................................................... 28
Captulo 3 Introduccin a Simulacin ................................................................................... 28
Efecto Mariposa ............................................................................................................ 29
Diferencias entre mtodos numricos, mtodos analticos y simulacin .................. 31
Mtodo analtico ........................................................................................................... 31
Mtodo numrico .......................................................................................................... 32
Simulacin ..................................................................................................................... 32
Metodologa de la Simulacin ......................................................................................... 35
3.1 Generacin de Nmeros Aleatorios .................................................................. 36
Introduccin .................................................................................................................... 36
Aleatoriedad y simulacin ............................................................................................... 38
Generadores congruenciales ........................................................................................... 40
Pg.: 2 / 83

Generadores recursivos mltiples ................................................................................... 40
Generadores aleatorios en las PC ............................................................................... 41
3.2 Transformacin del nmero aleatorio en variable aleatoria ................................ 42
Captulo 4 Simulacin ........................................................................................................... 44
Modelos.............................................................................................................................. 45
Usos comunes de los modelos ......................................................................................... 46
Etapas de la simulacin ................................................................................................... 47
Representacin grfica de los modelos ......................................................................... 49
Simulacin de sucesos discretos ..................................................................................... 50
FORMULACION DEL MODELO .............................................................................................. 54
Criterios .......................................................................................................................... 54
Ejemplo de simulador de dos juegos. .................................................................................. 55
Juego de raspadita ....................................................................................................... 55
Juego de las tres diferencias ...................................................................................... 61
Relaciones funcionales ........................................................................................................ 65
Etapas ................................................................................................................................. 66
Captulo 5 - Mtodo de MONTECARLO ............................................................................. 69
La Tcnica ..................................................................................................................... 69
Pasos para aplicar la tcnica de Montecarlo ............................................................. 71
Base de mtodo: ............................................................................................................. 71
Reduccin de varianza ................................................................................................. 73
Captulo 6 Simulacin de Inventarios .................................................................................... 79
Modelo de Inventario probabilstico .................................................................................... 79
Captulo 7 Lenguajes de Simulacin ...................................................................................... 83



Pg.: 3 / 83

ModeliZa
MODELOS Y SIMULACIN (PROGRAMA PROVISORIO DE CONTINGENCIA 2012)
Carga horaria: 80 hs.
Carrera: Ingeniera Informtica
Informtica:
4to ao 1er cuatrimestre
Correlativas para cursar: Probabilidades y Estadsitcas cursada
Correlativas para aprobar: Probabilidades y Estadsitcas aprobada

INFORMTICA Y DINMICA DE LOS SISTEMAS (INDUSTRIAL)

Carrera: Ingeniera Industrial
Carga horaria: 96 hs
5to ao 2do cuatrimestre
Correlativas para cursar: Anlisis Matemtico Aplicado, Procesos y
Fabricacin, Fundamentos de informtica cursadas
Correlativas para aprobar: Anlisis Matemtico Aplicado, Procesos y
Fabricacin, Fundamentos de informtica aprobadas

Objetivos Generales (AMBAS CARRERAS)
Que el estudiante comprenda los procesos de abstraccin para modelar
procesos, distinga los modelos que son susceptibles de resolverse utilizando
computadoras y aprenda a resolver modelos bsicos mediante la simulacin
por computadora. Adquiera capacidades para analizar los resultados de la
simulacin y detectar causas de error

Contenidos mnimos (INFORMTICA)
Revisin de terminologa y conceptos de probabilidad. Introduccin a la
Simulacin. Simulacin de eventos discretos. Nmeros aleatorios. Simulacin
de muestras probabilsticas. Fenmenos de espera. Lenguajes de simulacin.
Anlisis de los resultados de la simulacin.

Contenidos mnimos (INDUSTRIAL / REFORMADOS)
Teora general de sistemas. Modelos y simulacin informtica del
comportamiento. Dinmica de sistemas. Variables aleatorias. Modelado
mediante dinmica de sistemas Aplicaciones a la ingeniera industrial. Modelos
de gestin, planificacin, programacin, control, distribucin, logstica.
Integracin productiva.
DESARROLLO DE PROGRAMA DE CONTINGENCIA PROVISORIO PARA AMBOS
1. TEORA GENERAL SISTEMAS
Componentes. Objetos y Relaciones. Lmites. Tipos de sistemas. Propsitos.
Globalismo. Fenmenos de entropa y homeostasis. Premisas de la teora
general de sistemas. Parmetros. Componentes sistmicos. Sistemas aplicados
a anlisis y descripcin. Sistemas que describen otros sistemas.
2. MODELOS
Definicin de Shannon. Nociones generales de teora de juegos. Modelos de
simulacin. Descripcin de simuladores mecnicos, fsicos, virtuales.
Reconceptualizacin de los sistemas en funcin de la estabilidad o
inestabilidad. Sistemas caticos. Teora del caos, introduccin. Condiciones
de inicio de los modelos. Sensibilidad.
Pg.: 4 / 83

3. MODELOS COMPUTACIONES DE SIMULACIN
Simulacin de eventos discretos. Nmeros aleatorios y pseudoaleatorios.
Modelizacin de simuladores simples. Uso de lenguajes de programacin de
aplicaciones generales. Planillas de clculo. WinQSB. LINGO. MathLab.
Programacin en lenguajes de alto nivel de casos demostrativos. Visual Basic.
4. MTODO DE MONTE CARLO
Conversin de distribuciones de probabilidad. Pruebas de validacin.
Parmetros.
5. MODELOS DE COLAS
Uso de software para convertir modelos matemticos en modelos de
simulacin. Simulacin de eventos discretos. Definicin de entidades y
procesos. Lneas de tiempo.
6. SIMULACION CON LENGUAJES DE PROGRAMACIN ESPECFICOS
Programas comerciales. WinQSB, ARENA, SLAM II, SIMAN. Aplicaciones.
Utilizacin.
7. SIMULADORES DE SOFTWARE LIBRE O PROPIETARIO APLICADOS A CASOS
CONCRETOS
Anlisis de software especfico de simulacin. Simuladores sociales.
Simuladores de procesos de ingeniera. Simuladores de comunicaciones en
red. Simuladores de control de procesos. Validacin de diseos por paquetes
de anlisis de elementos finitos.
8. APLICACIONES DE SIMULACIN A LA GESTIN
Administracin. Logstica. Control de gestin. Control de procesos. Prediccin
de comportamientos.
BIBLIOGRAFA
Hillier, Frederick S.; Liberman, Gerard. "Introduccin a la Investigacin de
operaciones". McGraw Hill. (2007)

Taha, Hamdy. "Investigacin de operaciones". Pearsons (2006).

Mathur; Kamlesh; Solow. "Investigacin de operaciones". Prentice Hall. (2005)

Roberti, Alejandro, Optimiza9. Ed. CD, 2010 Ed propia

EPPEN, G.D. Investigacin de operaciones en la ciencia de la
administracin. PRETICE-HALL, ISB: 970-17-0270-0 - (2000)

LINDO. Optimization Modeling with LINGO, LINDO Systems Inc. ISBN: 1-
893355-00-4 (2003)

LAW, A., KELTON, W. SIMULATION MODELING AND ANALISYS. ISBN 0-07-
059292-6 (2000).

PAZOS, J., SUREZ, A. Y DAZ, R. Teora de Colas y simulacin de Eventos
Discretos. PRETICE HALL, ISBN: 84-205-3675-X. (2003).

ROS, D., ROS, S., MARTN, J.. SIMULACIN Mtodos y aplicaciones. RA-MA,
ISBN:84-7897-258-7 (1997)


Pg.: 5 / 83

Captulo 1.
Sistemas
Para comenzar un abordaje a la Teora se debe comprender que se entiende
por Sistema.

Un sistema (del latn systema, proveniente del griego ) es un
conjunto de funciones, virtualmente referenciada sobre ejes, bien sean estos
reales o abstractos. Esto significa que dichas funciones, que pueden ser
varias, se analizan en cuanto al objetivo que persiguen o a la manera de
lograrlo.

Tambin suele definirse como un conjunto de elementos dinmicamente
relacionados formando una actividad para alcanzar un objetivo operando
sobre datos, energa y/o materia para proveer informacin.

En esta segunda definicin aparecen dos trminos que son importantes para el
desarrollo de los conceptos que siguen:
1. Elementos. Debe entenderse como objetos o entidades que tienen
caractersticas que los distinguen unos de otros, existen en un estado
determinado por ciertos parmetros especficos, reaccionan de manera
predeterminada ante ciertos estmulos y la reaccin puede ser estmulo
para otro objeto o para cambiar los parmetros que definen su propio
estado.

Un objeto es, entonces, aquello que puede ser observado, estudiado y
aprendido, en contraposicin a la representacin abstracta de ese
objeto que se crea en la mente a travs del proceso de generalizacin.
Los objetos presentan varias caractersticas importantes, como:
Identidad o propiedad que permite a un objeto diferenciarse de
otros
Comportamiento lo que est relacionado con su funcionalidad y
determina lo que puede realizar o lo que puede responder
ante estmulos enviados por otros objetos
Estado o conjunto de los valores de sus atributos o parmetros
que definen su estado en un instante de tiempo dado.

2. Objetivo. Es la funcin principal o razn de ser del sistema. Aunque
puede haber comportamientos de ciertos objetos componentes del
sistema que sean espurios (o que no se relacionen con el objetivo
comn) solamente sern evaluados aquellos que s lo estn.

Tan importante como la definicin de sistema es comprender que un sistema
cualquiera est inmerso en un entorno y cuenta con otros componentes que
tambin pueden ser sistemas. El entorno puede ser considerado un
Suprasistema y algunos objetos componentes tan complejos que pueden ser
considerados, en s mismos, sistemas y, por tanto, Subsistemas. Ambos,
suprasistemas y subsistemas, entonces, son trminos relativos a la posicin
que el analista le d al sistema bajo estudio.
Pg.: 6 / 83


















Los componentes de los sistemas, son, en trminos generales:
El ambiente: o entorno, que puede ser un conjunto de sistemas abarcativos (o
suprasistemas) o, en trminos de simplificacin analtica un conjunto de
entradas de masa, energa o informacin.

Las variables: son aquellos parmetros que pueden cambiar en funcin del
tiempo o por accin del propio sistema. Se distinguen tipos:
- Variables de decisin: o parmetros cuyos valores son buscados
- Variables de estado: o parmetros producidos por la funcionalidad del
sistema o para operar el sistema en determinado estado
ENTORNO SUPRASISTEMA AMBIENTE
SISTEMA
SUBSISTEMA SUBSISTEMA
Pg.: 7 / 83

- Variables de Control: aquellos parmetros que pueden ser fijados para
obtener determinadas respuestas
- Variables sin control: generalmente asociadas a aquellos factores que
no tienen posibilidad de ser fijados o no resulta prctico hacerlo. Se
asociacin a ruido o error.
- Variables internas: generalmente son producidas por los objetos
componentes como resultado de estmulos provocados por el entorno o
por otros objetos
- Variables de salida: parmetros que permiten definir el estado de un
sistema
El objetivo: como ya fue sealado, es la funcin principal o razn de ser del
sistema. Aunque puede haber comportamientos de ciertos objetos
componentes del sistema que sean espurios (o que no se relacionen con el
objetivo comn) solamente sern evaluados aquellos que s lo estn.

Las entidades u objetos: son los elementos celulares del sistema cuyos
parmetros estn orientados a la funcin

La estructura: es la manera en que se relacionan los objetos para producir la
funcin objetivo

El globalismo: cuando un cambio en un objeto puede producir cambios en los
otros. El efecto final es un ajuste a todo el sistema. Es una relacin
Causa/efecto que deriva en dos fenmenos: Entropa y homeostasis
- La entropa: o tendencia de los sistemas a desgastarse, a
desintegrarse, relajar los estndares y aumentar la aleatoriedad. La
entropa aumenta con el tiempo. Si aumenta la informacin, disminuye
la entropa, porque es la base de la configuracin y del orden.
Obviamente, mantener niveles de entropa o disminuirlos implica un
aporte al sistema de energa o de informacin.
- La Homeostasis: es la tendencia al equilibrio dinmico entre los
componentes del sistema. Los sistemas tienen una tendencia a
adaptarse con el fin de alcanzar un equilibrio interno frente a los
cambios del entorno.

La Teora General de Sistemas parte de tres premisas fundamentales:
Los sistemas existen dentro de sistemas: cada sistema existe
dentro de otro ms grande llamado suprasistema.
Los sistemas son abiertos: cada sistema que se examine, recibe y
descarga algo en los otros sistemas, generalmente en los
contiguos. Los sistemas abiertos se caracterizan por un proceso
de cambio infinito con su entorno, que son los otros sistemas.
Cuando el intercambio cesa, el sistema se desintegra, esto es,
pierde sus fuentes de energa.
Las funciones de un sistema dependen de su estructura: para los
sistemas biolgicos y mecnicos esta afirmacin es intuitiva. Los
tejidos musculares por ejemplo, se contraen porque estn
constituidos por una estructura celular que permite
contracciones.
Pg.: 8 / 83

PARAMETROS:
Entrada o insumo o impulso (input). Existen tres categoras de
entradas: las que interesan evaluar o modificar para ver su efecto
sobre la o las salidas, las que no son modificables pero son conocidas y
las que no son conocidas y no se conoce como se modifican (ruido)
Salida o producto o resultado (output). Son parmetros medibles u
observables, generalmente variables en funcin de los parmetros de
entrada y del tiempo.
Procesamiento o procesador o transformador (throughput). Aunque
generalmente es una caja negra, puede contener subsistemas
observables (objetos, entidades) con sus propios parmetros que
interconectan a los objetos. Habr un nivel menor que, finalmente,
ser una caja negra.
Retroaccin o retroalimentacin o retroinformacin (feedback).
Parmetros de salida que se utilizan como operadores para modificar
uno o ms parmetros de entrada
Ambiente: puede ser un recurso para el sistema, tambin puede ser
una amenaza. En el ambiente suelen estar factores necesarios como
informacin, materia, energa as como factores de desequilibrio o
perturbacin y el ruido o fuente de error.

En definitiva, un sistema quedar perfectamente definido si se conocen los
siguientes factores:
a. Los objetos
b. Las relaciones entre ellos
c. El comportamiento general
d. Los lmites

CLASIFICACIN DE SISTEMAS:
Con referencia a la relacin que el sistema tiene con su entorno (o ambiente),
se clasifican en tres tipos:

SISTEMAS AISLADOS: No pueden compartir materia, energa ni informacin
con el entorno
SISTEMAS CERRADOS: No puede compartir materia pero s energa o
informacin el medio
SISTEMAS ABIERTOS: Pueden compartir materia, energa e informacin con el
entorno

Con referencia a la funcionalidad, se pueden clasificar en nueve niveles
jerrquicos, segn Boulding
1
:
1. Estructura esttica, sin cambios en funcin del tiempo. Lo que se
podra llamar el nivel de los marcos. Esta es la geografa y la anatoma

1
Kenneth Ewart Boulding (n. en Inglaterra el 18 de enero de 1910 y m. el 18 de marzo de 1993.) Fue un
economista, presidente de la American Economic Association y de la American Association for the
Advancement of Sciences. En 1950 escribi un artculo que titul La Teora General de Sistemas y la
Estructura Cientfica. Este artculo se considera que revolucion el pensamiento cientfico y plante la
clasificacin para los sistemas.
Pg.: 9 / 83

del universo - los patrones de los electrones alrededor del ncleo, el
patrn de los tomos en una frmula molecular, la disposicin de los
tomos en un cristal, la anatoma del gen, la clula, la planta, el
animal, la asignacin de la tierra, el sistema solar, el universo
astronmico. La descripcin exacta de estos marcos es el principio del
conocimiento terico organizado en casi cualquier campo, ya que sin
precisin en la descripcin de relaciones estticas ninguna teora
precisa funcional o dinmica es posible. As, la revolucin copernicana
fue realmente el descubrimiento de un nuevo marco esttico del
sistema solar que permite una descripcin ms simple de su dinmica.

2. Sistemas simples con cierto dinamismo, compuesto por objetos con
comportamiento preestablecido inmutables a cambios externos. Este
podra llamarse el nivel de mecanismos de relojera. El sistema solar
es, por supuesto, el gran reloj del universo desde el punto de vista del
hombre, y las predicciones exactas de los astrnomos son un testimonio
de la excelencia del reloj que ellos estudian. Las mquinas simples
como la palanca y la polea, incluso mquinas ms complicadas como las
mquinas de vapor y dnamos recaen principalmente en esta categora.
La mayor parte de la estructura terica de la fsica, la qumica, e
incluso de la economa entra en esta categora.

3. Sistemas simples pero con mecanismos de autocontrol para mantener
el equilibrio y la armona con el ambiente. Es un nivel Ciberntico o de
equilibrio: podra ser el nivel del termostato. Este difiere del
sistema simple de equilibrio estable, principalmente en el hecho de
que la transmisin y la interpretacin de la informacin es una parte
esencial del sistema. Como resultado de esto, la posicin de equilibrio
no es slo determinada por las ecuaciones del sistema, sino que el
sistema se mover hacia el mantenimiento de cualquier equilibrio
dado, dentro de los lmites. As, el termostato mantendr cualquier
temperatura a la cual se puede establecer, la temperatura de
equilibrio del sistema no est determinado nicamente por sus
ecuaciones. El truco, por supuesto, es que la variable esencial del
sistema dinmico es la diferencia entre un estado "observado" o
"registrado" el valor de la variable de mantenimiento y su valor "ideal".
Si esta diferencia no es cero, el sistema se mueve con el fin de
disminuirla, por lo que el horno enva el calor cuando la temperatura
registrada es "demasiado fra" y se apaga cuando la temperatura
registrada es "demasiado caliente".

4. Sistemas capaces de autoestructurarse y controlarse para realizar
adaptaciones significativas para mantener el equilibrio y la armona. Es
un nivel de estructura de autoreproduccin o de clula: Sistemas
abiertos o estructuras auto-mantenidas. Este es el nivel en el que la
vida empieza a diferenciarse de la no vida.

5. Sistemas Genticos Sociales, pueden realizar agrupaciones simples
para alcanzar objetivos comunes. Tambin llamado nivel de las
plantas: Las caractersticas ms destacadas de estos sistemas
Pg.: 10 / 83

(estudiados por los botnicos) son una divisin del trabajo con partes
diferenciadas y mutuamente dependientes (races, hojas, semillas,
etc), y en segundo lugar, una diferenciacin clara entre el genotipo y el
fenotipo, asociada con el fenmeno de la finalidad o "huella" de
crecimiento.

6. Sistemas complejos con objetivos ms extendidos que la propia
estabilidad. Son capaces de movimientos y se caracterizan por absorber
gran cantidad de informacin del ambiente con el desarrollo de los
receptores de la informacin especializada (ojos, odos, etc.) Es el
Mundo animal: comportamiento teleolgico y conciencia de s mismo.

7. Sistemas capaces de procesar informacin compleja a alta velocidad.
Conciencia de si mismos o auto conciencia, que difiere de la conciencia
simple. (ser humano)

8. Sistemas sociales creados por el hombre. Interrelacin de sistemas.
El hombre aislado de sus semejantes, es prcticamente desconocido.
Tan esencial es la imagen simblica de la conducta humana que se
sospecha que un hombre verdaderamente aislado no sera "humano" en
el sentido generalmente aceptado, a pesar de que sera potencialmente
humanos. Sin embargo, es conveniente para algunos propsitos
distinguir el ser humano individual como un sistema de los sistemas
sociales que lo rodean, y en este sentido, las organizaciones sociales
puede decirse que constituyen otro nivel de organizacin. Organizacin
social, se podra definir como un conjunto de funciones ligadas con los
canales de comunicacin.

9. Sistemas trascendentales. Se ubican aquellos sistemas no entendidos
por el hombre pero que se sabe que existen.

Pg.: 11 / 83

Captulo 2
Teora General de Sistemas
La Teora General de Sistemas fue
enunciada por Ludwig von Bertalanffy
2
a partir de 1945 hasta 1968 con el
objeto de unir el metabolismo, crecimiento, morfognesis y fisiologa en una
sola teora dinmica aplicada a sistemas estticos abiertos. Al describir un
organismo como un sistema esttico abierto, enuncia que el mismo tiene
como meta lograr un estado de armona con el entorno, bajo la propuesta de
dos principios:

- Mantenimiento de los organismos en el no-equilibrio
- Organizacin jerrquica de la estructura sistmica

Bertalanffy basa su teora en un intento de unificacin de varias teoras y en
tratar de encontrar un punto de partida comn para las ciencias en todas sus
ramas, tanto naturales como sociales, teniendo en cuenta la Teora de
conjuntos
3
, las teora de redes de Anatol Rapoport
4
, la Teora de los
autmatas de Turing
5
y la Teora de juegos de von Neumann
6


2
Naci en 1901 en Austria y muri en 1972 en Estados Unidos. Fue bilogo y filsofo.
3
La teora de conjuntos es una rama de las matemticas que estudia las propiedades de colecciones
abstractas de objetos, consideradas como objetos en s mismas como una herramienta bsica en la
formulacin de algunas teoras matemticas y es lo suficientemente rica como para construir el resto de
objetos y estructuras de inters en matemticas: nmeros, funciones, figuras geomtricas, etc. En la
actualidad se acepta que el conjunto de axiomas de la teora de Zermelo-Fraenkel es suficiente para
desarrollar toda la matemtica.
El desarrollo histrico de la teora de conjuntos se atribuye a Georg Cantor, que comenz a investigar en
la segunda mitad del siglo XIX, precedido por algunas ideas de Bernhard Bolzano e influenciado por
Richard Dedekind. El descubrimiento de las paradojas de la teora cantoriana de conjuntos propici los
trabajos de Bertrand Russell, Ernst Zermelo, Abraham Fraenkel y otros a principios del siglo XX.

4
En el lenguaje cotidiano se ha utilizado libremente la idea de "red social" durante ms de un siglo para
denotar conjuntos complejos de relaciones entre miembros de los sistemas sociales en todas las
dimensiones, desde el mbito interpersonal hasta el internacional. En 1954, el antroplogo de la Escuela
de Manchester J. A. Barnes comenz a utilizar sistemticamente el trmino para mostrar patrones de
lazos, abarcando los conceptos tradicionalmente utilizados por los cientficos sociales: grupos
delimitados (p.e., tribus, familias) y categoras sociales (p.e., gnero, etnia). Acadmicos como Anatol
Rapoport expandieron el uso del anlisis de redes sociales sistemtico. Rapoport propuso un algoritmo
(toma y daca) escrito en Basic para desarrollar la mejor estrategia conocida del Dilema del Prisionero,
a fines de los 1980.
5
Una mquina de Turing es un dispositivo que manipula smbolos sobre una tira de cinta de acuerdo a
una tabla de reglas. A pesar de su simplicidad, puede ser adaptada para simular la lgica de cualquier
Pg.: 12 / 83

La TGS parte de las premisas de que todo sistema existe dentro de otro
sistema, de que los sistemas son abiertos y de la estructura interna de ellos
explica la funcionalidad del mismo.

De esta manera hay una suerte de filosofa en la TGS con bases
- Ontolgicas
7
(en cuanto la definicin de un sistema propiamente dicho
y de su ubicacin,
Epistemolgicas
8
: que busca diferenciar entre TGS y el empirismo,
entendido como modelado causa-efecto (modelo fsico) sobre la base
que en realidad no siempre esas relaciones son lineales.
Filosofa de valores: que busca establecer la relacin entre seres
humanos y sistemas que lo rodean.

Caractersticas de los sistemas
La TGS establece una serie de caractersticas que permiten describir mejor a
cualquier sistema. Por supuesto no existe una nica manera de establecer
esas caractersticas, aunque una lista como la que se propone a continuacin
es un buen ejemplo y suficientemente completa:
1. Interrelacin e interdependencia: Las entidades u objetos deben
tener una vinvulacin y en un anlisis no deben ser incluidos aquellos
objetos que no la tengan.

algoritmo de computador y de las funciones de un CPU. Fue descrita por Alan Turing en 1936 quien la
llam una "mquina automtica". No est diseada como una tecnologa de computacin prctica, sino
como un dispositivo hipottico que representa una mquina de computacin. Turing dio una definicin
sucinta del experimento en 1948, refirindose a su publicacin de 1936, escribi que la mquina
consista en:
...una ilimitada capacidad de memoria obtenida en la forma de una cinta infinita marcada con
cuadrados, en cada uno de los cuales podra imprimirse un smbolo. En cualquier momento hay un
smbolo en la mquina; llamado el smbolo ledo. La mquina puede alterar el smbolo ledo y su
comportamiento est en parte determinado por ese smbolo, pero los smbolos en otros lugares de la
cinta no afectan el comportamiento de la mquina. Sin embargo, la cinta se puede movers hacia
adelante y hacia atrs a travs de la mquina, siendo esto una de las operaciones elementales de la
mquina. Por lo tanto cualquier smbolo en la cinta puede tener finalmente una oportunidad (Turing
1948, p. 61)

6
John von Neumann (28 de diciembre de 1903 - 8 de febrero de 1957) fue un matemtico hngaro-
estadounidense que realiz contribuciones fundamentales en fsica cuntica, anlisis funcional, teora de
conjuntos, ciencias de la computacin, economa, anlisis numrico, ciberntica, hidrodinmica,
estadstica y muchos otros campos. Est considerado como uno de los ms importantes matemticos de
la historia moderna
7
El trmino ontologa en informtica hace referencia a la formulacin de un exhaustivo y riguroso
esquema conceptual dentro de uno o varios dominios dados a fin de facilitar la comunicacin y el
intercambio de informacin entre diferentes sistemas y entidades. Aunque toma su nombre por
analoga, sta es la diferencia con el punto de vista filosfico de la palabra ontologa. La ontologa
(ciencia, estudio, teora del ser) es una parte de la metafsica que estudia lo que hay. (Existen entidades
mentales, como ideas y pensamientos?, p.ej.) Adems, estudia la manera en que se relacionan las
entidades que existen.
8
Epistemologoga o estudio del conocimiento abarca el estudios de las circunstancias histricas, sociales
y psicolgicas que llevan al conocimiento y los criterios con los que se valora y justifica.
Pg.: 13 / 83

2. Totalidad: No debe estudiarse un componente o entidad sin considerar
el sistema en su totalidad. No se puede abordar un sistema solamente
abordando sus partes por separado.

3. Objetivos: Toda aplicacin de la TGS debe encaminarse a objetivos
claramente definidos del sistema

4. Entradas (insumos) y Salidas (productos): Los sistemas abiertos
requieren entradas desde el medio para su existencia: las entradas
pueden ser materia, energa o informacin. Las salidas comunican o no
con el medio de la misma manera aunque generalmente con
transformaciones.

5. Transformacin: es lo que define la caracterstica de la salida. La
entrada produce la salida al ser operada por el proceso:
entrada (+) proceso salida

6. Entropa: Componente importante. Es la tendencia a la
desorganizacin en funcin del tiempo. El desorden puede conducir a
su desaparicin. Para describir la entropa de un sistema hace falta
conocer la manera que tiene ese sistema de relacionarse con los dems
sistemas del entorno

7. Jerarqua: Generalmente los sistemas son complejos con mltiples
subsistemas. Entre todos ellos existen relaciones ms o menos
complejas y un sistema de jerarquas cuyo fin es regular el sistema y
obtener sus funciones.

8. Regulacin: Es una consecuencia de lo anterior: si hay jerarquas debe
haber una manera de manejar las interacciones con el fin de que las
metas y objetivos se cumplan satisfactoriamente.

9. Diferenciacin: En todos los sistemas debe existir una clara
diferenciacin entre los distintos subsistemas, funcional o estructural,
para lograr los objetivos ms eficientemente, mejor adaptacin al
medio y mejor aprovechamiento de los insumos que el medio
proporciona

10. Equifinalidad: Es la capacidad de los sistemas de lograr sus objetivos a
partir de diferentes estados iniciales y por procesos diferentes. Es una
diferenciacin muy importante respecto al empirismo, que plantea que
toda causa tiene su efecto y el camino o proceso es siempre el mismo.

Modelos generales de comportamiento de los sistemas
A lo largo de la historia de la humanidad hubo varias maneras de describir las
organizaciones y los fenmenos naturales. Sin embargo las ms trascendentes
son la visin mecanicista y la visin sistmica.
Pg.: 14 / 83

Visin mecanicista
Basado en enfoques filosficos inspirados a partir de trabajos de Galileo,
Huygens, y Boyle, entre otros, Descartes
9
, enuncia el mtodo cartesiano.

La ontologa cartesiana mecanicista se basa en
dos tesis
El mundo y todo lo que contiene es una
mquina o se comporta como una
Todo lo real es fsico

La gnoseologa cartesiana mecanicista sostena la
reduccin de los fenmenos a sus partes fsicas y
sus interacciones mecnicas.

La visin mecanicista parte de considerar que los
sistemas son
- Cerrados: el campo de experimentacin
se remite al objeto en estudio sin tener en cuenta su entorno. Las
relaciones sujeto objeto siempre se producen a distancia y por
fuerzas determinadas.
- Estticos: el mtodo es solo cuantitativo y no cualitativo, por lo tanto
encierra una visin esttica del mundo y sus objetos. Se describe el
estado estacionario.

Adems a estos sistemas se
les aplica el Mtodo
cuantitativo: La separacin
sujeto objeto permite crear
relaciones matemticas que
describen no solamente esa
separacin o distancia sino
tambin la o las posibles
interacciones entre ambos.
Por fin, siempre se
encontrar una explicacin
matemtica de las relaciones
analizadas.

El mtodo cartesiano fue puesto en prctica por Sir Isaac Newton (1642
1727), ya que todos sus trabajos sobre fuerza gravitatoria, naturaleza de la
luz, clculo, etc. se basaron en el mtodo cartesiano: proponiendo hiptesis y
demostrando teoras usando razonamiento y experimentacin.

9
Ren Descartes, tambin llamado Renatus Cartesius, nacido en Francia el 31 de marzo de 1596 y
fallecido en Estocolmo el 11 de febrero de 1650, fue un filsofo, matemtico y fsico, considerado como
el padre de la geometra analtica y de la filosofa moderna, as como uno de los nombres ms
destacados de la revolucin cientfica. Cartesius, era la forma latinizada en la cual escriba su nombre,
del que deriva la palabra cartesiano, formul el clebre principio cogito ergo sum ("pienso, luego
existo"), elemento esencial del racionalismo occidental.
Pg.: 15 / 83

Con su ley de gravitacin, Newton fue el primer cientfico que enunci una
teora del universo basado en la matemtica y no solo en la observacin o
experimentacin.

John Locke (1632 1704), pensador ingls considerado el padre del empirismo
y del liberalismo moderno, tom los mtodos e ideas de Newton y los aplic a
las organizaciones humanas. Locke pensaba que la filosofa tena que
participar en estos importantes avances, eliminando, por ejemplo, todas las
invenciones y los conceptos intiles acumulados durante los siglos anteriores.
Segn l, las analogas y las relaciones entre los contenidos del conocimiento,
son los elementos que permiten la elaboracin de instrumentos crticos
capaces de eliminar los conocimientos errneos. Debido a su caracterstico
empirismo analtico, se opuso a las concepciones puramente mecanicistas y
sistemticas cartesianas.

En el primer libro del Ensayo, Locke insista en la necesidad de prescindir de
consideraciones a priori y, en oposicin a Ren Descartes, afirmaba que no
existen conocimientos innatos y que slo debe ser tenida en cuenta la
experiencia.

En el segundo libro propuso que la sensacin (o ideas de la sensacin, las
impresiones hechas en nuestros sentidos por los objetos exteriores) y la
reflexin (o ideas de la reflexin, reflexin del espritu sobre sus propias
operaciones a partir de ideas de sensacin), se fundamentan en la
experiencia y en las ideas simples creadas por medio de la percepcin
inmediata derivada de las excitaciones que provienen de los objetos.
Concluy en que El ser humano es autnomo y alejado del entorno
Las sociedades humanas eran resultado del comportamiento de cada
individuo, sin tener en cuenta el todo. Cada ser humano es un mundo y la
nica finalidad es la eficiencia.

Visin sistmica
La visin sistmica se basa en la construccin de sistemas abiertos, de
carcter cclico con un pensamiento integrador, dinmico y cualitativo, en
oposicin casi diametral con la concepcin mecanicista.

Los Sistemas abiertos reconocen la importante influencia del entorno sobre el
sistema, al punto que en ocasiones no pude existir el sistema sin el entorno, o
al menos es imposible que se desempee sin l.

El Carcter cclico est en la relacin de los componente u objetos del
sistema entre s, de manera tal que un cambio en uno de ellos se propaga a
los dems y determina cambios en la totalidad del sistema.

El Pensamiento integrador permite concebir cada sistema en relacin con el
entorno y con los dems sistemas.

Pg.: 16 / 83

El Carcter dinmico y cualitativo se fundamenta en que la dinmica de
funcionamiento provoca cambios en el comportamiento de los componentes y
del mismo sistema y/o del entorno.

Los conceptos bsicos de la Visin sistmica son tres: La visin de la realidad,
Las leyes del pensamiento y La dinmica de sistemas.

En esos conceptos bsicos, adems, se distinguen ciertos principios o
modalidades que los definen con ms precisin:
1. Visin de la Realidad tiene los siguientes elementos:
Eventos: cualquier accin del entorno sobre el sistema
Patrn de conducta: que se reduce a una explicacin simple del
observador sobre las reacciones que provocan los eventos
Estructura: define los patrones de conducta de un sistema
2. Leyes del pensamiento son una conjunto simple de normas bsicas,
tales como:
1. La estructura define el comportamiento
2. Pensar en todo el sistema pero actuar en sus componentes
3. Una intervencin siempre empeorar en vez de mejorar
4. Los problemas de hoy fueron las soluciones de ayer
3. Dinmica de sistemas: La base conceptual para entender de que
manera la estructura es la responsable del comportamiento del
sistema.

Herramientas de la Visin Sistmica
Las dos herramientas fundamentales de la visin de sistemas son sendos
diagramas que permites conceptualizar sistemas complejos. Esto no significa
que no existan otras, simplemente se muestran a manera de ejemplo y
recalcando que existen varias maneras de abordar un caso e, inclusive,
software para ayudarse.
Diagrama de Influencias
Consiste en ejecutar una serie de pasos metodolgicos a fin de entender un
caso:
1. Seleccionar el tema
2. Fijar lmites temporales (particularmente importante si luego se
proyecta simular)
3. Identificar el comportamiento de las variables en funcin del tiempo
4. Establecer lmites
5. Establecer nivel de detalle (o categora de los subsistemas)
Diagrama de Forrester
Forrester es un Ingeniero en Sistemas nacido en 1918 y cre sus diagramas
partiendo del supuesto de que el usuario ha hecho un diagrama de influencias,
a partir del cual clasifica las variables (o nodos) en variables de nivel,
variables de flujo o en variables auxiliares.
Pg.: 17 / 83




Pg.: 18 / 83

Ingeniera de sistemas
Se entiende por Ingeniera de Sistemas a un conjunto de tcnicas
interdisciplinarias que se encuentran encaminadas a la creacin de sistemas o
al mejoramiento de los existentes.

La herramienta conceptual bsica para desarrollar cualquier tarea en este
campo es el Anlisis de Sistemas.

Anlisis de sistemas
Las caractersticas fundamentales del Anlisis de sistemas son:
Enfoque sistmico: punto de partida fundamental, ya que consiste en
considerar cualquier tipo de organizacin a examinar como un sistema
complejo

Enfoque dinmico: en el mismo sentido que el punto anterior, se parte
de la base que las organizaciones no son estticas o se desarrollan en
estado estacionario.

Mltiples niveles: Para estudiar un sistema de estas caractersticas y
llegar a comprenderlo es necesario analizar todos sus niveles

Multidisciplinario: se parte de la premisa que en un ambiente de
avance veloz de las tecnologas los sistemas tienden a ser
progresivamente ms complejos y, por tanto, para su estudio, resulta
imprescindible el abordaje multidisciplinario en cuanto aporta visiones
desde otras ramas del conocimiento

Descriptivo: se persigue la capacidad de realizar una descripcin
completa no solo de todo el sistema sino tambin de sus componentes

Adaptativo: deriva de considerar como premisa que los sistemas son
abiertos. Al estudiar las organizaciones como sistemas abiertos se hace
necesaria la posibilidad de adaptarlos para lograr un acople con el
entorno y sus variaciones.

Las etapas del proceso de anlisis son tres: Definicin, Modelizacin y
Evaluacin. Estas etapas se realizan mediante una serie de pasos, tales como
(cfr. Optimiza, construccin de modelos para programacin lineal):
Identificacin de objetivos y limitaciones
Interpretacin del funcionamiento
Posibles acciones de mejora
Construccin de modelo
Deteccin de acciones apropiadas
Acciones

Las tcnicas que utiliza el Anlisis de sistema son varias, entre ellas:
Anlisis estructural: que se basa en el conocimiento perfecto de todos
los componentes del sistema para diagnosticarlo
Pg.: 19 / 83

Estudio de viabilidad: herramienta que permite al analista disponer de
elementos para determinar de que forma las soluciones propuestas
pueden afectar al sistema

Simulacin en computadora: modelos de sistemas programados en
software para predecir comportamientos

Tormenta de ideas: Grupo de personas trabajando sobre el problema
que proponen, discuten y evalan alternativas de solucin

rbol de relevancia: anlisis sobre las relaciones entre componentes
del sistema, realizado con teora de grafos y seleccionando los niveles
de influencia sobre el resultado final

Mtodo Delphi: Desarrollado por la organizacin RAND en los aos
1950, se basa en consultas a expertos por etapas iterativas a fin de
lograr consensos sobre las soluciones emergentes

En definitiva, el anlisis de sistemas debe estar caracterizado por:
Una correcta definicin del sistema
Visin integral del sistema
Esfuerzo multidisciplinario
Encaminado a todo el ciclo de vida del sistema

El anlisis de sistemas se relaciona ntimamente con varios campos. Algunos
ellos son:
Sistemas de Informacin (SI):
Se trata de un conjunto de tcnicas y procesos apropiados que interactan
entre s con el fin de apoyar las actividades de una organizacin. No siempre
un SI debe estar automatizado, en caso que lo estuviera sera un sistema
informtico.

Un sistema de informacin realiza cuatro actividades bsicas: entrada,
almacenamiento, procesamiento y salida de informacin.
Investigacin Operativa (IO)
Es el conjunto de tcnica que permite la optimizacin de un proceso
arbitrario bajo mltiples restricciones
Ingeniera de Sistemas Cognitivos
Rama que trata los entes cognitivos, sean humanos o no, como un tipo de
sistemas capaces de tratar informacin y de utilizar recursos cognitivos como
la percepcin, la memoria o el procesamiento de informacin. Utiliza tanto
psicologa cognitiva como ingeniera de sistemas.
Organizaciones
Cuando se trata de aplicar la Ingeniera de sistemas o el anlisis de sistemas a
sistemas de organizacin humana tales como instituciones, empresas,
negocios, control social, etc. Resulta til describir la organizacin sistmica
Pg.: 20 / 83

de tal organismo. La organizacin institucional puede describirse en la teora
de sistemas, (o con un enfoque sistmico).

As, puede reconocerse que una organizacin dada, tomada como un sistema,
tiene subsistemas importantes. Los subsistemas ms relevantes son:
Subsistema psicosocial, que comprende las interacciones entre
los individuos o grupos o sectores que conforman la organizacin.
Existe interaccin intrnseca (entre sectores) y extrnseca
(sectores con el entorno)

Subsistema tcnico: es el conjunto de conocimientos y
herramientas operativas que hacen que la organizacin funcione,
cumpla con sus objetivos, entregue sus productos. Tambin
conocida como know how o sistema operativo.

Subsistema Administrativo: es la relacin con el ambiente,
establece objetivos, planes de integracin, estrategia,
operacin, diseo de estructura y mecanismos de control.
Incluye la posibilidad de tomar decisiones sobre la funcionalidad
de los otros subsistemas y sobre s mismo (por ejemplo, se
decide un cambio drstivo en tecnologa. Ello afectar el
subsistema tcnico pero tambin al psicosocial (educacin para
actualizacin tcnica, nuevo personal, etc.) y probablemente
produzca tambin, cambios en los circuitos administrativos
ventas, publicidad, proveedores, etc.- en este subsistema

Por otra parte, el anlisis de los sistemas de este tipo propende a lograr una
evolucin favorable y adaptativa a lo largo del tiempo, la cual puede
planificarse en base a dos teoras
Calidad Total
Quinta disciplina

Calidad total
Concepto formulado por William Deming (1903 1993) se basa en el concepto
de El ciclo PHVA, (planear, hacer, verificar, actuar) se denomina "circulo
Deming" en su honor, aunque se fue realmente propuesto por Shewhart.

Deming fue contratado por el gobierno Japons
en 1947 para cambiar la economa y la base
empresarial de un pas desvastado por la guerra.
Los estadounidenses, ante el empuje de la
industria japonesa de pos guerra, recuperan
estos conceptos que les haban pasado
desapercibidos en la figura del propio Deming y
su ms aventajado condiscpulo, Malcolm
Baldrige.

Pg.: 21 / 83

El concepto de calidad total est fundado sobre una actitud comercial y
empresarial que comprende a todos los niveles de la organizacin, no solo a
los jerrquicos y que se pueden resumir en 14 puntos:

1. Crear constancia en la mejora de productos y servicios, para ser
competitivo y mantenerse en el negocio, y generar puestos de trabajo.

2. Adoptar una nueva filosofa de cooperacin ensendola a los
empleados, clientes y proveedores.

3. Desistir de la dependencia en la inspeccin en masa para lograr
calidad. En su lugar, mejorar el proceso y calidad en el producto desde
el comienzo.

4. Terminar con la prctica de comprar a los ms bajos precios. En lugar
de esto, minimizar el costo total en el largo plazo. Buscar un solo
proveedor para cada tem, basndose en una relacin de largo plazo de
lealtad y confianza.

5. Mejorar constantemente los sistemas de produccin, servicio y
planeamiento de cualquier actividad. Esto va a mejorar la calidad y la
productividad, bajando los costos constantemente.

6. Establecer entrenamiento dentro del trabajo (capacitacin).

7. Establecer lderes, reconociendo sus diferentes habilidades,
capacidades y aspiraciones. El objetivo de la supervisin debera ser
ayudar a la gente, mquinas y dispositivos a realizar su trabajo.

8. Eliminar el miedo y construir confianza, de esta manera todos podrn
trabajar ms eficientemente.

9. Borrar las barreras entre los departamentos. Abolir la competencia y
construir un sistema de cooperacin basado en el mutuo beneficio que
abarque toda la organizacin.

10. Eliminar eslganes, exhortaciones y metas pidiendo cero defectos o
nuevos niveles de productividad. Esto solo crea rivalidad, la principal
causa de la baja calidad y la baja productividad reside en el sistema y
no en el poder de la fuerza de trabajo.

11. Eliminar cuotas numricas y la gestin por objetivos.

12. Remover barreras para apreciar la mano de obra y los elementos que
privan a la gente de la alegra en su trabajo. Esto incluye eliminar las
evaluaciones anuales o el sistema de mritos que da rangos a la gente y
crean competencia y conflictos.

13. Instituir un programa vigoroso de educacin y auto mejora.

Pg.: 22 / 83

14. Poner a todos a trabajar para llevar a cabo la transformacin. La
transformacin es trabajo de todos.

En paralelo, Dening enuncia las siete enfermedades mortales de una
organizacin:
1.- Falta de constancia en los propsitos
2.- nfasis en las ganancias a corto plazo y los dividendos inmediatos
3.- Evaluacin por rendimiento, clasificacin de mritos o revisin anual de
resultados
4.- Movilidad de los ejecutivos
5.- Gerencia de la compaa basndose solamente en las cifras visibles
6.- Costos mdicos excesivos.
7.- Costo excesivo de garantas
Quinta Disciplina
El concepto fue creado por Peter Senge, nacido en 1947 y que se gradu en
ingeniera en la Universidad de Stanford. Hizo un Master en Social Systems
Modeling en el MIT. Actualmente es el director del Centro para el Aprendizaje
Organizacional del mismo MIT. En los aos 1990 public su libro The Fifth
Discipline donde desarrolla la nocin de organizacin como un sistema (desde
el punto de vista de la Teora General de Sistemas), en el cual expone un
cambio de mentalidad profesional.

Se basa en el concepto de organizaciones que deben
aprender continuamente para lograr mejores
resultados. Ese proceso de aprendizaje se basa en
cinco disciplinas, entendiendo como disciplina una
actitud de comportamiento no como una rama de
conocimiento.

Como los empleados deben tener libertad para
aprender, mejorar y proponer mejoras, se parte del
concepto de que la organizacin es un sistema abierto
que tiene o sus componentes tienen las siguientes
capacidades:
1. Se puede aprender tanto de hechos internos como externos
2. Se deben buscar y evaluar nuevas prcticas en todas partes
3. Se debe poner el aprendizaje como centro de las reuniones a travs de
lderes
4. Se debe enfrentar a los crticos y escucharlos atentamente para
aprender de ellos
5. Se debe propiciar la creacin de relaciones estratgicas con clientes,
proveedores y competidores para aumentar la capacidad de
aprendizaje
6. Es necesario y conveniente establecer comunicacin de ida y vuelta
entre jefes y empleados
7. Hay que escuchar las opiniones de clientes y accionistas
8.
Los cinco modos de comportamiento, las cinco disciplinas, se pueden
sintetizar de la siguiente manera:
Pg.: 23 / 83

1. Continuamente la persona debe profundizar y desarrollar la visin
personal, canalizando la energa en tener ms paciencia, en ver la
realidad de manera objetiva, disponer de tiempo para reflexionar sobre
su entorno.
2. La persona debe aprender a identificar y desarrollar los modelos
mentales de manera tal que pueda comprender como se entiende el
mundo y se ejecutan las acciones
3. Cada persona debe impulsar la visin compartida como fuente de
inspiracin y productividad en la que creen todos los empleados y los
motiva para participar y no como una obligacin a cumplir
4. Se debe fomentar el trabajo en equipo para que todos sus miembros
asuman lo que los dems estn pensando a fin de generar un autntico
pensamiento en equipo
5. Se debe generar el pensamiento sistmico. Esta forma de ver la
organizacin es la Quinta disciplina y la que integra los resultados de
las otras 4

La importancia de toda la dinmica est centrada en el concepto de feed-
back.

Pg.: 24 / 83

Aplicaciones de la Teora General de Sistemas

Las aplicaciones ms conocidas e importantes de la Teora General de
Sistemas son: Investigacin Operativa, Ciberntica y Teora de la
Comunicacin.
Investigacin Operativa
Se trata de un conjunto de tcnicas orientadas a la tarea de recopilacin y
anlisis de informacin sobre operaciones generales para optimizar y
planificar en el corto plazo.

Comenz su desarrollo a fines de la dcada de 1930 en el Reino Unido y en
algunas empresas de USA. En 1941 se creo la seccin de Investigacin
Operativa de la RAF (Royal Air Force, Fuerza Area Real) y luego en el
comando de defensa naval, ambas instituciones de Gran Bretaa creadas
frente a la posibilidad de una guerra contra varios pases de Europa. Esa
posibilidad se concret en 1939 cuando Alemania invadi Polonia y,
posteriormente, generaliz su avance hacia el oeste europeo. Gran Bretaa se
vi amenazada de invasin martima, sufriendo rpidamente ataques
frecuentes por va area y bloqueo de sus suministros enviados desde Amrica
por parte de una flota de submarinos alemanes.

Estos mtodos se usaron en el sistema de alertas tempranas para los ataques
areos enemigos y en la metodologa de ataques a los submarinos alemanes
que bloqueaban los suministros a partior de 1939 en ambos casos. Estas
acciones dieron comienzo a lo que luego se denomin Segunda Guerra
Mundial.

Con estas tcnicas se planific el mantenimiento de aviones, la seleccin de
tipos de aviones adecuados a cada misin y, con buen xito, destruccin de
submarinos alemanes optimizando el empleo de nuevas tecnologas de
deteccin y utilizacin del armamento disponible.

Hubo dos xitos fundamentales en el comienzo de la guerra: La defensa de
Londres en la Batalla de Inglaterra fue el campo de experimentacin. Menos
popular pero ms efectivo fue el xito en la batalla del Atlntico contra las
bandas de lobos o submarinos alemanes dedicados a destruir convoyes de
aprovisionamiento.

Para atacar un submarino
se necesitaban unas 34.000
horas hombre de esfuerzo y
se tena una probabilidad
del 2 al 3% de destruirlo,
con lo cual, en promedio,
una destruccin insuma
alrededor de 1.500.000
horas hombre.

Pg.: 25 / 83

Se estudi el problema en base a 6 variables de decisin:
1. Profundidad (o tiempo) de explosin de las cargas
2. Radio de accin de las cargas
3. Orientacin de las cargas respecto al submarino
4. Separacin entre las 6 cargas lanzadas
5. Miras
6. Errores de puntera al disparar

Los resultados fueron demostrativos del xito de la tcnica: la cantidad de
submarinos destruidos hasta 1941 fue
1939: 9 unidades
1940: 24 unidades
1941: 35 unidades
Al comenzar a aplicarse la tcnica de investigacin de operaciones, a fines de
1941, los resultados fueron:
1942: 87 unidades
1943: 237 unidades
1944: 242 unidades
1945: 151 unidades (fin de la guerra en mayo)
TOTAL: 785 submarinos perdidos
Supervivientes: 108 unidades (12,0%)

Ciberntica
Basado en un trmino introducido por Norbert Wiener (Ciberntica o el
control y comunicacin en animales y mquinas, 1948) que significa
Hombre que conduce, es la ciencia del control y comunicacin en los
animales y mquinas.

Se parte de la concepcin de que los sistemas complejos afectan y luego se
adaptan a su ambiente externo. Esta relacin, en trminos tcnicos, se centra
en funciones de control y comunicacin: ambos fenmenos son
simultneamente externos e internos del/al sistema. Esta capacidad es
natural en los organismos vivos y se ha imitado en mquinas y organizaciones.
Especial atencin se presta a la retroalimentacin y sus conceptos derivados.
Se basa en describir sistemas con lmites subjetivos donde el observador
forma parte del mismo.

A partir de la ciberntica se desarrollaron campos de investigacin tales como
- Binica, o reemplazo de partes animales por artefactos o mecanismos
Robtica, artefactos con sensores capaces de receptar informacin de
entrada y enviarla a un procesador para realizar determinadas acciones
Inteligencia Artificial, ciencia cuyo objetivo es ayudar a las mquinas a
encontrar soluciones a problemas complejos imitando maneras
humanas.

Teora de la Informacin
O Teora Matemtica de la Comunicacin (Mathematical Theory of
Communication) es una propuesta terica presentada por Claude E. Shannon y
Warren Weaver en 1948. Est relacionada con las leyes matemticas que rigen
Pg.: 26 / 83

la transmisin y el procesamiento de la informacin y se ocupa de la medicin
de la informacin y de la representacin de la misma as como tambin de la
capacidad de los sistemas de comunicacin para transmitir y procesar
informacin. Es una rama de la matemtica y de las ciencias de la
computacin que estudia la informacin y todo lo relacionado con ella:
canales, compresin de datos, criptografa y temas relacionados.
Componentes de un sistema de informacin:

FUENTE
Componente humano o mecnico que determina el tipo y complejidad del
mensaje a transmitir
TRANSMISOR
Componente encargado de transformar el mensaje original en seales
apropiadas para su transmisin
CANAL
Medio que se encarga de transportar las seales en el espacio. Funcin de
Transporte
RECEPTOR
Medio tcnico encargado de traducir la seal recibida al formato y lenguaje
del mensaje original enviado por la fuente
DESTINATARIO
Componente al cual fue emitido el mensaje por la fuente
RUIDO
Elementos que se agregan aleatoriamente a la seal y que puede influir en la
correcta interpretacin del mensaje.
Niveles de la Teora de la Comunicacin
Weaver define tres niveles de problemas: el nivel tcnico, el nivel semntico
y el nivel pragmtico.

Nivel Tcnico
Se refiere a los problemas relacionados con la fidelidad en que los mensajes
pueden ser transportados desde la fuente al destino. La falta de fidelidad
Pg.: 27 / 83

puede ocasionar distorsiones, cortes o fragmentacin, elementos espurios
(ruido)

Nivel Semntico
Se refiere a los problemas relacionados con el significado y/o la
interpretacin de los mensajes. Se busca que la codificacin (lenguaje) sea un
acuerdo entre emisor y receptor.

Nivel Pragmtico
Se refiere a los problemas relacionados con el comportamiento que el
receptor adquiere a partir del significado del mensaje. Es la reaccin ante el
contenido del mensaje tomado como estmulo.





Pg.: 28 / 83

Segunda Parte
Captulo 3 Introduccin a Simulacin
La definicin de R.E. Shannon
10
es: "La simulacin es el proceso de disear un
modelo de un sistema real y llevar a trmino experiencias con l, con la
finalidad de comprender el comportamiento del sistema o evaluar nuevas
estrategias -dentro de los limites impuestos por un cierto criterio o un
conjunto de ellos - para el funcionamiento del sistema".

Existen varias aplicaciones derivadas de esta definicin: los juegos, por
ejemplo, permiten simular estrategias con diversos grados de complejidad.
Por ejemplo, los deportes extremos o juegos de supervivencia, los juegos de
guerra en los colegios militares, o la teora de juegos aplicada en decisiones
discutida en otro captulo.

Tambin es aplicable el concepto a equipos que permiten analizar
comportamientos en situaciones de alto riesgo sin poner en peligro la vida o
la propiedad: los simuladores (entrenadores) de vuelo, de conduccin de
equipamiento, de entrenamiento, etc.

Por ltimo se pueden describir los simuladores de realidades mucho ms
complejas, como los simuladores de desarrollos sociales (un ejemplo
comercial y muy conocido es el software Sim-City, que se vende como un
juego para PC pero que es capaz de simular un desarrollo social cambiante
ante hechos o decisiones determinadas.

La posibilidad de realizar este tipo de modelos ha dado origen a varios
desarrollos conceptuales y a profundizaciones de la teora de sistemas los
clasifica en tres grupos:
- Sistemas estables: aquellos que tienden, en el tiempo a una posicin
puntual o espacial (rbita): reconocen un atractor
- Sistemas inestables: aquellos que no reconocen o escapan de los
atractores
- Sistemas caticos: manifiesta los dos comportamientos: es atraido por
un atractor y hay elementos que lo alejan de l.

Una de las mayores caractersticas de un sistema inestable es que tiene una
gran independencia de las condiciones iniciales. De un sistema del que se
conocen sus ecuaciones caractersticas, y con unas condiciones iniciales fijas,
se puede conocer exactamente su evolucin en el tiempo. Pero en el caso de
los sistemas caticos, una mnima diferencia en esas condiciones hace que el
sistema evolucione de manera totalmente distinta. Ejemplos de tales
sistemas incluyen la atmsfera terrestre, el Sistema Solar, las placas
tectnicas, los fluidos en rgimen turbulento y los crecimientos de poblacin.

10
Claude Elwood Shannon (1916 - 2001), ingeniero electrnico y matemtico estadounidense, se
conoce como el padre de la teora de la informacin. El nmero de Shanonn (10
120
) indica el nmero
posible de posiciones lagales en una partida de ajedrez. Como medida de comparacin se supone que el
nmero de tomos en el universo es del orden de 10
79
Pg.: 29 / 83


En 1963, Lorenz, describi un modelo meteorolgico basado en tres
ecuaciones diferenciales bien definidas. Supuso que, conociendo las
condiciones iniciales se podra conocer la prediccin del tiempo en el futuro.
Sin embargo, al ser ste un sistema catico, y no poder conocer nunca con
exactitud los parmetros que fijan las condiciones iniciales (en cualquier
sistema de medicin, por definicin, siempre se comete un error, por
pequeo que ste sea) hace que aunque se conozca el modelo, ste se aleja
de la realidad pasado un cierto tiempo. Por otra parte, el modelo atmosfrico
es terico y puede no ser perfecto, y el determinismo, en el que se basa, es
tambin terico.

Estas consideraciones muy simples llevaran a suponer que cuando se habla de
Teora del Caos se habla de una teora y a presumir que Caos es ausencia de
orden: No necesariamente es una teora sino que puede entenderse como un
campo de investigacin, que abarca diferentes lneas de pensamiento.

Caos est entendido como cierto tipo de orden de caractersticas
impredecibles, pero descriptibles en forma concreta y precisa. Es decir: un
tipo de orden de movimiento impredecible.

La idea de la que parte la Teora del Caos es simple: en determinados
sistemas naturales, pequeos cambios en las condiciones iniciales conducen a
enormes discrepancias en los resultados




Simulador militar de conduccin.


Efecto Mariposa

Es un concepto que hace referencia a la sensibilidad de un sistema a las
condiciones iniciales. Su nombre proviene de un antiguo proverbio chino: "el
Pg.: 30 / 83

aleteo de las alas de una mariposa se puede sentir al otro lado del mundo".

La idea es que, dadas unas condiciones iniciales de un determinado sistema
natural, la ms mnima variacin en ellas puede provocar que el sistema
evolucione en formas totalmente diferentes.

Consecuencia de este efecto es el abandono de la idea determinista de una
naturaleza mecnica. La naturaleza no se asemeja a modelos previsibles y
determinados, sino que existe un orden aparentemente aleatorio en los
acontecimientos, que incapacita al hombre y su saber cientfico a predecir y
controlar la realidad.

En 1952 Ray Bradbury
11
escribi un cuento titulado El ruido de un trueno (A
sound of Thunder). En l, unos cazadores viajan en el tiempo, en la
prehistoria y sin darse cuenta, matan a una mariposa. En consecuencia y
debido a ello, cuando vuelven al presente se dan cuenta que el mundo en que
se encuentran es diferente al que haban dejado cuando partieron. Esa
muerte no histrica habra provocado un efecto en cadena de dimensiones
inmensurables a lo largo de los milenios.

Cuando Lorenz presenta su trabajo en la Academia de Ciencias de Nueva
Cork, tratando de predecir el clima a travs de modelos matemticos que
relacionaban variables, lograba predecir la meteorologa del da siguiente. Al
revisar los datos se dio cuenta que, haciendo pequesimos cambios en ellos,
se lograban resultados absolutamente diferentes



Es comn que un ingeniero est frente a un sistema cuya funcionalidad deba
conocer a fondo a fin de mejorar su rendimiento, repararlo, replicarlo, etc.

Muchas veces es posible experimentar con los sistemas mismos, pero tambin
es muy frecuente que la observacin directa, la recopilacin de datos
estadsticos y la introduccin de variantes en los parmetros de
funcionamiento no sean posibles de hacer y, por tanto, no sea posible buscar
mejoras o cambios. Lo que ocurre muchas veces es que la experimentacin
con el sistema real puede plantear problemas ticos o econmicos. En esos
casos, puede procederse a construir una versin simplificada, un prototipo
del sistema.

Por ejemplo, en una fbrica de carroceras de mnibus se desea lanzar un
nuevo modelo apto para viajes de larga distancia con doble piso. Antes del
diseo de la lnea de montaje y previo al diseo completo de la misma, es
conveniente probar partes del montaje y versiones simplificadas que orienten
sobre la factibilidad del proyecto o las direcciones a seguir en su desarrollo.

Sin embargo, muchas veces no es necesario, o no es posible, o no es
econmico, construir un prototipo (en este caso, por ejemplo, habra que
disponer de un bastidor comercial que es costoso), pero si es posible construir

11
Ray Bradbury (1920 2012) es conocido como autor de ciencia ficcin, aunque a pesar de ttulos tales como
Crnicas Marcianas l mismo declar que no era escritor de ciencia ficcin sino de fantasa y que su nica novela
de ciencia ficcin es Fahrenheit 451
Pg.: 31 / 83

un modelo lgico-matemtico que inscriba mediante ecuaciones y relaciones
el comportamiento bsico de la lnea de produccin, de los componentes y
los requerimientos, tomados como sistema.

El estudio, anlisis, validacin y verificacin del modelo puede hacerse en
muchos casos por mtodos analticos, por ejemplo, mediante la resolucin de
un sistema de ecuaciones diferenciales que describa la evolucin de una
poblacin; o por mtodos numricos, por ejemplo, utilizando un algoritmo de
programacin no lineal para resolver un problema de optimizacin relativo al
diseo de la trayectoria de un proyectil.

Cuando se estudian modelos ms realistas o detallados, es posible llegar a
situaciones en las que no se puede resolver analtica o numricamente el
problema. Entonces es posible utilizar la Simulacin. Esencialmente, la
Simulacin consistir en construir un programa de computadora que describa
el comportamiento del sistema de inters, o refleje el modelo que lo
representa, y proceder a experimentar con el programa para llegar a
conclusiones que apoyen la toma de decisiones.

Diferencias entre mtodos numricos, mtodos analticos y simulacin
Sea el siguiente caso para ilustrar y poder comparar los distintos mtodos de
tratamiento de modelos. Considrese un ejemplo simplificado de un proceso,
compuesto por un sistema de entrada-salida (E/S) y un procesamiento o caja
negra (Procesador). El sistema falla cuando lo hace alguno de los dos
componentes.

Expresado matemticamente, si X
1
representa el tiempo hasta que falla el
sector de E/S, si X
2
el tiempo hasta que falla el procesador y si T es el tiempo
hasta que falla todo el sistema, se tiene
T =min(X
1
, X
2
).

Habitualmente, habr incertidumbre sobre los tiempos anteriores, por lo que
consideramos que X
1
, X
2
y T son variables aleatorias. Supngase que se busca
calcular el tiempo esperado E(T) hasta que se produce una falla, tal vez como
parte de un estudio destinado a mejorar este sistema. Para simplificar,
supngase que X
1
es exponencial de parmetro
i
, para i = 1,2, y que ambas
variables aleatorias son independientes. En este caso, se tiene que
() (

Mtodo analtico
Aplicando Clculo de Probabilidades, teniendo en cuenta la independencia y
la distribucin utilizada,
( ) (

)
(

) (

)


Obsrvese que T tiene distribucin exponencial de parmetro
1
+
2

Entonces
Pg.: 32 / 83

()

En esta aproximacin resulta esencial emplear las hiptesis de independencia
(P()) y de distribucin exponencial.

Por ello, el razonamiento empleado es sensible a cualquiera de esas dos
hiptesis, el clculo exacto puede resultar mucho ms complicado e, incluso,
imposible de obtener analticamente.

Mtodo numrico
Otra alternativa es apelar a algn mtodo de integracin numrica. Por
ejemplo reparametrizar el problema, de manera tal que la regin de
integracin sea acotada.

Por ejemplo si se hace el cambio de variable

((

))

Queda
() (
((

))

((

))

Aplicando cualquier mtodo disponible se puede obtener un valor que
representar el tiempo esperado de falla del sistema.

Cul es la diferencia? En el primer caso si
1
= 1 y
2
= 2, E(T)= 1/3. En este
caso, se obtendr un valor cercano a 0,32

Simulacin

La aproximacin basada en simulacin consistira en construir un algoritmo
con los siguientes pasos:

1. Tiempo para la falla, Tpf = 0
2. Ingrese el numero de iteraciones (n)
3. I = 1
4. J = 1
5. Generar un nmero aleatorio U(J) entre 0 y 1
6. Calcular X(J) = -ln(1 U(J))/(J)
7. J = J + 1
8. Si J < 2 ir a 5
9. Tpf = Tpf + minimo (X(1),X(2))
10. I = I + 1
11. Si I < n hacer i = i +1 e ir a 4
12. E(Tpf) = Tpf / n

Este algoritmo genera dos valores aleatorios para la variable X, en un vector
(X1, X2) mediante un mtodo que se discutir ms adelante, operacin que se
Pg.: 33 / 83

repite n veces, y luego extrae el promedio de los tiempos esperados en cada
vez.

Entre los casos de simulacin puede darse la situacin de aquellos en que los
cambios de estado del sistema ocurren discretamente.

Por ejemplo, sea un modelo de colas M/M/1 donde el nmero de clientes
promedio en el sistema es
/( )

Si se considera que en un instante dado existe la probabilidad p de que llegue
un cliente y que, simultneamente, si el servidor estaba ocupado hay una
probabilidad q de que un cliente salga del sistema. La expresin anterior,
llevada a trminos nmero esperado promedio de clientes en el sistema
siempre que q > p ser:

L = p(1 p) / (q p)

Por ejemplo, si la probabilidad de que en un momento dado de tiempo llegue
un cliente es de p = 0,4 y que un cliente salga es q = 0,6, entonces:

L = 0,4 x 0,6 / 0,2 = 1,2

Para hacer una simulacin del caso, se pueden establecer los siguientes
parmetros:
a. Usar una tabla de nmeros aleatorios, se propone la de la figura
siguiente.
b. Establecer que se seleccionarn, al azar, 50 valores para las llegadas y
otro conjunto del mismo tamao para las salidas
c. En el primer conjunto, llegadas, establecer un valor Xi = 1 (se produjo
una llegada) si el nmero aleatorio i de la serie es < 40. Si es mayor o
igual a ese valor, entonces Xi = 0 (no se produjo una llegada)
d. En el segundo conjunto, salidas, establecer un valor Yi = 1 (se produjo
una salida) si el nmero aleatorio i de la serie es < 70. Si es mayor o
igual a ese valor, entonces Yi = 0 (no se produjo una salida)

Tabla de 100 nmeros aleatorios generada con Excel. Valores entre 0 y 100.
Los cinco primeros renglones se asignan a entradas y los cinco ltimos
corresponden a las salidas:

25 52 20 19 13 98 60 59 100 59
64 55 37 97 13 28 5 96 19 62
98 41 22 95 30 99 39 69 50 91
31 85 58 34 64 84 68 48 0 99
23 51 65 40 24 69 48 0 17 55
97 11 13 83 66 22 19 20 41 93
5 72 27 26 43 94 55 82 96 82
77 57 70 97 39 42 19 38 89 13
Pg.: 34 / 83

45 99 73 43 72 13 20 51 81 5
69 16 100 18 62 51 72 66 33 67

El algoritmo propuesto debera tener esta estructura:
1. Ingresar un tiempo total de simulacin T
2. Tiempo de simulacin TDS = 0
3. TDS = TDS + 1
4. Si TDS < T ir a 5. Caso contrario ir a 9
5. Si Xi = 1 (llega un cliente) y si el servidor est ocupado incrementar la
cola
6. Si Yi = 1 (se completo el servicio) decrementar la cola en uno o poner
bandera de servidor libre
7. Guardar datos
8. Ir a 3
9. Presentar contabilidad






Como ejemplo se muestran los primeros 5 eventos:




Pg.: 35 / 83

(i)
Evento
N
Aleat(i)
entrada
Xi Aleat(i)
salida
Yi L
1 25 1 97 0 1
2 52 0 11 1 0
3 20 1 83 0 1
4 19 1 53 1 1
5 13 1 66 1 1

As se construye una tabla con los 50 eventos. Se suma la columna L (Clientes
en el sistema) y se divide por 50, lo que dar el nmero promedio de clientes
en el sistema
Metodologa de la Simulacin
Si bien puede haber diferentes maneras de disear y operar un sistema de
simulacin, varios autores proponen diferentes esquemas de pasos a observar.
Uno de ellos es el Schmeisser (1990) simplificado en Ros Insua y otros
(Simulacin, Mtodos y Aplicaciones, 2009):








Paso 1
A partir de un generador de nmeros aleatorios se obtienen
"observaciones" o datos
Paso 2
Esas observaciones se transforman en entradas aptas para el modelo
Paso 3
Operar el modelo de manera tal que transforme las entradas en salidas
Paso 4
Realizar la "contabilidad" de las salidas y utilizar estadsticas para describir
el compartimiento del sistema y tomar decisiones
Pg.: 36 / 83

3.1 Generacin de Nmeros Aleatorios
Introduccin
Requisitos para una verdadera aleatoriedad
Los estudios de generacin de nmeros aleatorios se basan en el desarrollo de
la criptografa, ms como necesidad diplomtica y militar que cientfica. Uno
de los mtodos ms seguros y analizados desde el origen de la criptografa
actual (principios del siglo XX) fue y es la libreta de un solo uso, analizada
por varios matemticos en dos aspectos:
- El primero es la seguridad terica del sistema de libreta de uso nico
demostrado por Shannon. Est demostrado matemticamente y sujeto
a la disponibilidad prctica de los nmeros aleatorios (Seguridad de
Shanonn)
- El segundo es la seguridad ofrecida por los cifrados de punta (por
ejemplo, el AES) diseados con los principios aprendidos durante la
larga historia de la rotura de cdigos y sujetos al testeo intensivo en un
proceso de estandarizacin, sea pblico o de un servicio de seguridad
de primera clase (seguridad emprica). No est demostrada pero recibe
la confianza de la mayora de los gobiernos para proteger sus secretos
ms vitales.
Mtodos que pueden ofrecer seguridad emprica pero no tienen seguridad de Shannon
Si la clave la genera un programa determinstico, entonces no es aleatoria ni
se puede afirmar que el sistema de cifrado ofrezca la seguridad terica de la
libreta de un solo uso. Se llama cifrado de flujo. Generalmente estos utilizan
una clave pequea que se usa como semilla para un flujo pseudoaleatorio
largo, que luego se combina con el mensaje empleando algn mecanismo
como los de la libreta de un solo uso (por ejemplo, XOR). Los cifrados en flujo
pueden ser seguros en la prctica, pero no pueden ser absolutamente seguros
en el mismo sentido demostrable de la libreta de un solo uso.

Los cifrados usados por el ejrcito alemn en la Segunda Guerra Mundial
resultaron ser cifrados en flujo inseguros, no tiles libretas de un solo uso
automatizadas como pretendan sus diseadores.

Sin embargo, si se utiliza un buen generador de nmeros pseudoaleatorios
criptogrficamente seguro y moderno, puede formar la base de un cifrado en
flujo empricamente seguro. Hay muchos diseos bien probados en el dominio
pblico, que varan desde la simplicidad del RC4 al uso de un cifrado en
bloque como el AES. Parecera que hay pocos motivos para inventar nuevos
cifrados en flujo, pero se piensa desde hace tiempo que la NSA y otras
agencias emplean un esfuerzo considerable en los cifrados en flujo.
Mtodos que no ofrecen seguridad emprica ni seguridad de Shannon
La similitud entre los cifrados en flujo y las libretas de un solo uso lleva a
menudo a que los criptogrficamente incautos inventen cifrados en flujo
inseguros bajo la creencia falsa de haber desarrollado una versin prctica de
la libreta de un solo uso. Una versin especialmente insegura son los
generadores de nmeros aleatorios que se distribuyen en muchos (quizs la
mayora) de las bibliotecas accesorias de los lenguajes de programacin o en
Pg.: 37 / 83

forma de llamadas al sistema operativo. Normalmente producen secuencias
que pasan alguna (o muchas) pruebas estadsticas, pero sin embargo son
rompibles por tcnicas criptoanalticas. Durante un tiempo, el ANSI C estndar
restringa la salida de la rutina de nmeros aleatorios del lenguaje C a un
entero de precisin simple, 16 bits para la mayora de las implementaciones,
dando 32768 valores distintos antes de repetirse. Esto es completamente
inseguro y fcilmente rompible por fuerza bruta (una computadora con un
reloj de 1 GHz que tarde 10.000 ciclos de reloj en comprobar un offset del
ciclo RNG un nmero ridculamente grande tardara menos de un tercio de
segundo en comprobar todos los offsets posibles.

Los generadores de nmeros aleatorios estndar no sirven para propsitos
criptogrficos, concretamente para la libreta de un solo uso. En particular, el
relativamente reciente algoritmo tornado de Mersenne, admirado
ampliamente, aunque es lo bastante aleatorio para la mayora de los usos
de simulacin o investigacin, mejor que la mayora de los generadores de su
mismo tipo, y tambin bastante rpido, no debe utilizarse para generar claves
de libreta de un solo uso. El algoritmo es determinista y no fue diseado para
la seguridad criptogrfica.

Adems, los valores conocidos pblicamente como los dgitos finales de los
tiempos de las carreras, los precios de cierre de valores de bolsa, por muy
poco conocidos que sean, las temperaturas o presiones atmosfricas diarias,
etc., aunque aparentemente aleatorios, son predecibles despus de que se
produzca el hecho. De hecho, tampoco pueden usarse secuencias
verdaderamente aleatorias que hayan sido publicadas, ya que si se identifican
son predecibles. Un ejemplo es la publicacin de una tabla de un milln de
nmeros aleatorios por la Rand Corp en 1950; ha pasado todos las pruebas
estadsticos de aleatoriedad hasta ahora, y se cree que es verdaderamente
aleatoria. Pero, al haberse publicado, es completamente predecible. Tambin
lo son los dgitos de pi, e y otros nmeros irracionales o trascendentales;
puede que las secuencias sean aleatorias (una cuestin abierta, en realidad),
pero son completamente predecibles.
Aleatoriedad con seguridad de Shannon
Para conseguir la seguridad de Shannon se necesita una fuente de datos
aleatorios perfectamente impredecibles. Una base terica para la existencia
fsica de la impredecibilidad es la mecnica cuntica. Sus afirmaciones de
impredecibilidad estn sujetas a la comprobacin experimental. Otra base es
la teora de los sistemas dinmicos inestables y la teora del caos. Estas
teoras sugieren que incluso en el mundo determinista de la mecnica
newtoniana, los sistemas reales evolucionan de maneras que no se pueden
predecir en la prctica porque hara falta conocer las condiciones iniciales con
una precisin que crece exponencialmente con el tiempo.

Si los datos buscados deben mostrar una aleatoriedad perfecta. En la prctica,
la mayora de las fuentes muestran alguna imperfeccin o desviacin. La
calidad de la aleatoriedad se mide por entropa. Un bit perfectamente
aleatorio tiene una entropa uno. Una idea procedente de Von Neumann es
utilizar un algoritmo para combinar varios bits aleatoriamente imperfectos,
Pg.: 38 / 83

con una entropa menor que uno, para producir un bit con entropa igual a
uno. Este proceso se llama destilacin de entropa o blanqueamiento de Von
Neumann, y permite generar en la prctica datos aleatorios adecuados para su
uso en una secuencia aleatoria. El blanqueamiento de Von Neumann consiste
en lo siguiente:

Bits de entrada Salida
00 Sin salida
01 Devolver bit 1
10 Devolver bit 0
11 Sin salida
En Linux (y otros sistemas derivados de Unix), el generador de nmeros
aleatorios del kernel (/dev/random) utiliza el ruido ambiental para generar
datos aleatorios y es mejor que muchos diseos basados en llamadas al
sistema. Intenta estimar la cantidad de entropa que recoge y se bloquea si el
fondo de entropa se agota. Pretende ser, y se piensa que realmente es,
mejor que muchos generadores parecidos, y si es as, est muy cerca de ser
satisfactoriamente aleatorio. Pero este proceso es lento en sistemas que
tienen pocas fuentes de ruido utilizables. Sin embargo, puede alimentarse con
entropa adicional leyendo de un dispositivo generador de ruido.

Linux tambin proporciona /dev/urandom, que emplea un algoritmo
determinista para generar los datos cuando no hay ruido ambiental disponible.
Existen diseos mejorados, como el algoritmo de Yarrow.

Aleatoriedad y simulacin
Existe una amplia variedad de generadores de nmeros aleatorios y pseudo
aleatorios, al punto que es un campo de investigacin donde se emplean
recursos importantes, ya que la calidad de estos generadores aumenta a
medida que los requerimientos de mtodos de encriptacin, juegos y
simuladores tambin aumentan.

A priori parece irrelevante para discutir simulacin conocer sobre la
generacin de nmeros aleatorios, sin embargo, un conocimiento bsico de
esta problemtica a fin de conocer las limitaciones y posibilidades, incluido
los riesgos, en el momento de usarlos en un sistema de simulacin.

Los generadores de nmeros aleatorios pueden ser fsicos o algortmicos.

Los generadores fsicos incluyen una variedad de mtodos: desde ruletas o
lanzadores de monedas, hasta decodificadores de ruido electrnico blanco.
Los inconvenientes de estos mtodos derivan, precisamente de su aleatoridad:
es imposible o al menos muy difcil la repeticin de secuencias, al menos que
las series se almacenen y guarden, lo que lleva a uso importante de recursos.

Por qu la reproductividad? Supngase que se hace una experiencia con un
simulador y que, al final, se sospecha que existira una falla en el programa
fcilmente reparable. Lo mejor para comprobar la sospecha es hacer el
Pg.: 39 / 83

cambio necesario y reproducir el experimento para ver si hay cambios. Si no
se puede disponer de la serie de nmeros aleatorios que origin la experiencia
no se podr determinar si la variacin del resultado es por la variacin en la
serie o por el cambio realizado.

A partir de los aos 1950, con las primeras computadoras, comenzaron a
desarrollarse los generadores algortmicos, que son generadores de nmeros
aparentemente aleatorios o pseudo aleatorios. La propuesta de Von Neumann
consiste en producir una serie de nmeros a partir de una funcin y de un
nmero inicial llamado semilla de manera tal que, una vez establecida esa
semilla, la sucesin de nmeros obtenida es idntica en cada generacin.
Estos conceptos bsicos llevan a la necesidad de definir claramente el
concepto de nmero aleatorio.

Segn la obra citada de Ros Insa y otros se pueden encontrar cuatro
definiciones bsicas:
1. La de Kolmogorov (1987), Una sucesin de nmeros es aleatoria si no
puede producirse eficientemente mediante un programa ms corto que
la propia serie. El anlisis de esta definicin puede llevar a un criterio
similar al de Turing para reconocer inteligencia artificial
12

2. Una sucesin de nmeros es aleatoria si nadie que utilice recursos
computacionales razonables en tiempos razonables puede distinguir
entre la serie y una sucesin verdaderamente aleatoria de una forma
mejor que tirando una moneda pa distinguir cual es cual. Esta
definicin conduce a la de LEcuyer (1990), generadores PT-perfectos,
de uso en criptografa.
3. De la paradoja de imprevisibilidad: Si una funcin determinstica es
impredecible, es difcil probar cosas sobre ella, en particular que es
impredecible.

Ms all de estas disquisiciones acadmicas, donde la ltima definicin es
particularmente poco aplicable en la prctica, se tomar como base que un
generador de nmeros aleatorios puede ser definido como un conjunto finito
de estados u observaciones u
i

Donde, en particular hay un estado inicial o semilla y una funcin de
transicin que permite obtener un conjunto tambin finito de smbolos de
salida.


12
Turing plante si las mquinas, que l haba diseado tericamente, se poda afirmar que pensaban. An ms,
expuso un criterio bien sencillo y prctico para dilucidarlo, el llamado test de Turing. En esencia consiste en poner
una persona y un ordenador en dos habitaciones aisladas con los que es posible comunicarse mediante un teletipo. Si,
planteando algunas preguntas y cuestiones, no somos capaces de distinguir en qu habitacin est el ordenador y en
cul la persona, es que el ordenador es capaz de realizar operaciones inteligentes iguales a las humanas. Su opinin
personal era que las mquinas superaran el test y, por tanto, deberan ser consideradas inteligentes. Para Turing,
como buen lgico, pensar consiste en realizar operaciones lgicas manejando smbolos de manera adecuada. Es
indiferente de que esa tarea la realicen unas neuronas encerradas en una caja craneana de hueso, o se haga por
otros dispositivos dispuestos dentro de una caja de metal o de plstico. Por eso, concluye tranquilamente: "Creo que
al final de este siglo -el XX- nuestras ideas y opiniones habrn evolucionado lo suficiente como para poder hablar sin
rubor de mquinas pensantes".

Pg.: 40 / 83

La distribucin de salida debe ser uniforme, acotada entre dos extremos,
generalmente 0 y 1 y cada valor obtenido se espera que se comporte como
una variable aleatoria independiente e idnticamente distribuida.

En Kahaner se definen cuatro caractersticas sobre las que se debera valorar
cualquier generador de nmeros aleatorios:
- Calidad. Se deben satisfacer los tests estadsticos adecuados. Antes de
la repeticin de la secuencia debiera haber un periodo lo
suficientemente largo.
- Eficiencia. El generador debiera ser rpido. Debe requerir la menor
cantidad de almacenamiento posible.
- Repetibilidad. El mtodo debe depender de una semilla, para permitir
que un experimento se pueda repetir.
- Transportabilidad. Si un mtodo dado se implementa sobre un sistema
diferente debe producir los mismos resultados.
Generadores congruenciales
Son los generadores pseudo aleatorios clsicos, (Lehmer, 1951) donde cada
miembro de la serie se calcula segn:

) mod

Donde a es el multiplicador, b es el trmino adictivo de manera tal que tanto
a como b sean menores que m, que se busca que sea un nmero primo y a
una raz. El trmino inicial, x
0
es la semilla.
En general, estos generadores:
1. Tienen ciclos
2. La longitud del ciclo depende de los parmetros a, b y m
3. Dentro de la seleccin de parmetros que conducen a longitudes de
ciclo iguales, algunas series parecen ms aleatorias que otras

Estas consideraciones llevan a definir un generador tipo basado en la
disponibilidad de arquitecturas de 32 bits, lo que lleva a definir un mnimo
estndar: perodo mximo, salida que parezca aleatoria e implementable con
facilidad en 32 bits. Esto condujo a m = 2
31
1 con un multiplicador a = 7
5
=
16807 que permite un perodo mximo al ser 7 una raz primitiva de m.
Generadores recursivos mltiples
Los generadores congruenciales son lineales, pero pueden generalizarse desde

) mod
A

) mod

Para k >= 1 y m primo. Esta funcin se asocia a un polinomio caracterstico de
orden k.

Obsrvese que si se elije m = 2 se encuentra un generador aleatorio de bits
fcilmente realizable con hardware. Se buscaron valores de los parmetros
Pg.: 41 / 83

necesarios para obtener ciclos mximos. Por ejemplo k = 521 produce un ciclo
de 2
521
1.

Los generadores de este tipo son varios:
- El girador de Mersenne
- El Taustworthe
- Los llamados propios

Para mejorar la generacin de nmeros, particularmente aumentar el
perodo, se realizan generadores hbridos, combinaciones de ambos tipos. En
encuentran dos operaciones de combinacin: bajadura y combinacin.

La bajadura consiste en generar bloques fijos de nmeros aleatorios de
determinada longitud a cada uno de los cuales se le aplica una permutacin,
en algunos casos sacando las posiciones a permutar en forma aleatoria.
La composicin, introducida en 1988 por LEcuyer, consiste en un algoritmo
con combinacin de los dos mtodos. Esto dio lugar a uno de los generadores
ms usados (MRG32k3a) que combina dos generadores mltiples de orden 3,
con un perodo 2
191

Es importante sealar que si el perodo aumenta los requerimientos de
memoria operativa necesarios son mayores.

Generadores aleatorios en las PC
Casi todas las aplicaciones de software aplicado a simulacin, estadstica,
matemtica o simplemente programacin disponen de algn tipo de generador
de nmeros aleatorios, los que, a su vez, son catalogados como poco
confiables por los matemticos tericos, aunque razonablemente buenos en
trminos prcticos.

Se mencionan algunos ejemplos, debindose tener en cuenta que se han
desarrollado mejoras aprovechando las arquitecturas de 64 bits:

El lenguaje de simulacin SIMSCRIPT implementa su generador con m = 2
31
1
y a = 630360016

El programa de simulacin ARENA, de uso en esta asignatura, utiliza el
algoritmo MRG32k3a, junto con otros programas especficos.

En programas estndar de aplicacin general, hojas de clculo, lenguajes de
programacin, paquetes estadsticos, sistemas operativos, etc., se utilizan
generadores muy poco potentes (aunque, se insiste, no por ello menos tiles a
efectos de uso habitual).

Ejemplos:
- La biblioteca UNIX usa: m = 2
48
, a = 25214903917 y b = 11, cuya salida es

- Java, clase java.util.Random: usa el generador anterior pero la salida es
Pg.: 42 / 83

- Visual Basic: m = 2
24
, a = 1140671485, b = 12820163 y la salida es igual a la
de Unix, pero diviendo por 2
24
.

- Excel hasta 97, inclusive, m = 1; a = 9821; b = 0,211327, siendo la salida
directa (el divisor es 1)

- Excel desde 2033: usa el generador de Wichman & Hill que usa tres
generadores:

Y salida

]

3.2 Transformacin del nmero aleatorio en variable aleatoria
Si bien es cierto que algunos pocos paquetes ofrecen variables aleatorias con
diversas distribuciones, se debe partir de la base que como se muestra en el
captulo correspondiente de Optimiza lo que se obtiene al correr un
generador aleatorio convencional es una serie con distribucin uniforme
independiente, la cual probablemente deba ser transformada en una serie con
una determinada distribucin, por ejemplo, normal, beta, exponencial.

NOTA DEL AUTOR: En este punto se recomienda enfticamente la lectura del
Captulo 17 de Optimiza9
La notacin a usar es la siguiente, llamando X a la variable aleatoria continua,
la funcin de densidad es f(x) y la funcin de distribucin F(x)=P(x<=x).
Se describen los siguientes mtodos:
1. Mtodo de inversin
2. Mtodo de rechazo
3. Mtodo del cociente de Uniformes
4. Mtodo de composicin

Mtodo de inversin

La condicin bsica para aplicar este mtodo hace falta conocer la funcin
explcita a la cual convertir, de manera tal que F
X
(x)=F(x)=F
-1
(U)
Pg.: 43 / 83


Otros mtodos
Son aplicables cuando la solucin por el mtodo anterior requiere de
herramientas muy complejas o, directamente, no puede aplicarse. Requiere
definir herramientas tales como funciones de densidad e iteraciones.

Pg.: 44 / 83

Captulo 4 Simulacin
Los conceptos Sistema, Modelo y Simulacin estn ntimamente
vinculados desde la perspectiva de la temtica de la simulacin.

El concepto se origina en los trabajos de Student para determinar la
distribucin de la variable t y reafirmada por Von Neumann con la aplicacin
del Mtodo de Montecarlo al estudio de distribucin de neutrones en el
desarrollo de las bombas atmicas que se emplearon en la Segunda Guerra
Mundial.

En trminos reales, la simulacin no requiere de una computadora, aunque en
la prctica estos conceptos, sobre todo despus de la dcada de 1960, estn
ntimamente relacionados.

La relacin conceptual seala ms arriba se basa en los siguientes hechos:
para comprender un sistema real es til construir un sistema conceptual
llamado modelo, a partir del cual se pueden realizar experiencias acotadas o
aisladas, mediante la simulacin y con una computadora, por ejemplo, como
herramienta a fin de entender el comportamiento en condiciones especficas.

Como ya fue dicho, los sistemas pueden ser estudiados por experimentacin
directa, construyendo un prototipo, a escala o natural, o mediante el diseo
de un sistema de relaciones lgicas o matemticas que lo describa (modelo).

Es importante saber que los modelos y la simulacin no brindar soluciones
en el sentido definitivo del trmino, sino que dar elementos vlidos para la
toma de decisiones o para el conocimiento mejor del sistema objeto.

De todas maneras es usual el trmino solucin: habr soluciones:
infactibles (ver Programacin Lineal en Optimiza9), factibles, ptimas y
satisfactorias, que son aquellas que sin ser ptimas estn razonablemente
cerca de ella.
Sistema Real
Modelizado
Modelo
Simulacin
Computadora
Pg.: 45 / 83

Modelos
Porqu construir un modelo para un sistema real dado? Puede estudiarse el
sistema real para comprenderlo y/o manejarlo, experimentando con l?

En 1945 Rosenblueth y Wiener sealaron la importancia de un modelo:
Ninguna parte sustancial del universo es lo suficientemente simple como
para que pueda ser comprendida y controlada sin abstraccin, la que
consiste en remplazar la parte del universo bajo consideracin por un
modelo de estructura similar pero ms simple. Los modelos constituyen un
elemento central del proceso cientfico

Efectivamente, estudiar directamente la realidad puede ser muy caro, o
requerir mucho tiempo; puede ser imposible, porque hay casos en que el
sistema no existe (es hipottico) o, si existe, pero en realidad es imposible
prcticamente experimentar con l o no se puede cambiar arbitrariamente
ciertas actividades o propiedades sin causar graves trastornos irreversibles en
el sistema dado.

De all es que surge la necesidad de tener un modelo del sistema, como la
representacin de un sistema que se obtiene por simplificacin y abstraccin
de la realidad.

Se pueden encontrar distintos significados del trmino modelo. En Optimiza9,
captulo 2, se sealan algunas. Otra manera de clasificarlos es en modelos
fsicos, mentales y simblicos.
- Fsicos: Se asemejan al sistema en estudio. Son representaciones de
sistemas fsicos y se describen por variables medibles.
o Modelos a escala (aviones, autos, reactores, edificios, planta
piloto, etc.)
o De imitacin
o De analoga
o Prototipos
- Mentales: son modelos heursticos o intuitivos sin existencia ms que
en la mente del modelizador. En general es privativo del ser humano,
ya que, entra en esta categora el modelo de mundo que cada ser
humano tiene en funcin de su experiencia. Estos modelos suelen
derivar en modelos simblicos para sortear la difusividad y dificultad de
comunicacin.
- Simblicos: son los que realizan operaciones mtemticas o lgicas.
Son ms baratos y fciles de construir que los fsicos. Se dividen en dos
grupos:
o Matemticos
o No Matemticos
Verbales
Grficos
Esquemticos


Pg.: 46 / 83

Los modelos matemticos de simulacin (generalizados como Simuladores)
suelen ser tipificados por las condiciones de prueba, las que, suelen ser
denominadas como Qu pasara si..

Estos modelos se caracterizan por poseer parmetros de entrada y de salida, y
lo correcto es que se desarrolle, (se corra en la jerga) y no que se
resuelvan, por lo tanto se obtendr una respuesta y no una solucin ptima.

Lo ms importantes es que permiten analizar el comportamiento del sistema
bajo las condiciones especificadas por el usuario.

No existe un modelo nico para un sistema, ya que cada modelo estar
determinado por los objetivos que se planteen cuando se desarrolle o
construya. Unos tendrn mayor validez que otros. No es posible definir "el"
modelo de un sistema.

Si bien un modelo puede estar construido para correrse con la ayuda de una
computadora, o presentarse y correrse de algn otro modo, solamente se
trabajar sobre los primeros para obtener herramientas slidas que ayuden a
representar la realidad y a simular el paso del tiempo y el azar.

Usos comunes de los modelos
1. Una ayuda a la abstraccin del sistema.
2. Una ayuda a la comunicacin.
3. Sirve para entrenamiento e instruccin.
4. Una herramienta de prediccin.
5. Una ayuda a la experimentacin.

1. Como elemento de ayuda para la comprensin abstracta del sistema. El
modelo construido, o a construir, fuerza a organizar, evaluar y examinar la
validez de los conceptos o concepciones que el observador tiene del
mismo.
2. Como ayuda a la comunicacin. El modelo sirve para expresar de la mejor
manera y transmitir conceptos. El arquitecto concibe una obra, construye
el modelo Plano de la obra y es la mejor manera de transmitirlo al
constructor. ("Una imagen es mejor que mil palabras".)
3. Como herramienta educativa (entrenar o ensear). Las personas necesitan
practicar. El modelo le muestra eventualidades antes que le ocurran en la
prctica. Modelos de naves espaciales, de conduccin de vehculos, de
juegos y de negocios, de crecimiento, etc.
4. Como herramienta de prediccin. El ms importante uso prctico e
histrico es y ha sido predecir el comportamiento caracterstico de la
entidad modelada. Prueba de diseo para aviones, barcos, autos, misiles,
etc.
5. Como ayuda a la experimentacin. Los modelos permiten experimentos
controlados en sistemas, lo que de otra manera podra ser impracticable,
peligroso o de costos prohibitivos.

Un modelo sirve a uno de los dos principales propsitos siguientes:
Descriptivo: para explicar y/o entender el sistema.
Pg.: 47 / 83

Prescriptivo: predecir y/o duplicar el comportamiento caracterstico del
sistema.

Etapas de la simulacin
Como en la construccin de modelos, el proceso de simulacin tiene etapas
definidas y similares, que son:

1. Identificacin del problema.
Es la etapa ms importante, ya que puede resolverse un problema
equivocado, y obtener un modelo que no represente el sistema a estudiar. "La
formulacin apropiada del problema fue ms esencial que su solucin" (Albert
Einstein). Para encontrar una solucin aceptable o solucin ptima, primero
se debe saber cual es el problema.

Debe tener como meta clarificar los objetivos que se tiene para el simulador.
No puede haber un modelo sin objetivos. Se debe establecer lo que se
pretende que el modelo responda, los alcances del estudio, que aspectos se
van a analizar.

Como construir un simulador implica costos y beneficios, se debe buscar
compensarlos logrando, en lo posible, el mximo beneficio derivado del
empleo del simulador.

Se debe determinar el nivel de agregacin y de detalle en la informacin que
entregar el simulador. Tiene que ver con el nivel de decisin que pretende
apoyar el modelo. Un nivel de agregacin alto en la informacin de salida del
simulador, indica que el simulador apoyar decisiones de nivel superior,
estratgicas o tcticas. Un nivel de agregacin bajo es indicativo de que el
simulador apoyar decisiones de nivel operativo.

Se debe tener en cuenta las restricciones de tiempo y de presupuesto que se
tendr para el diseo y construccin del modelo de simulacin. Tambin para
el diseo de experimentos y las corridas del simulador en su etapa de
explotacin.

2. Establecer los lmites del sistema

Es necesario definir el sistema y su entorno. En el sistema estarn los entes y
el objeto de la simulacin. En el entorno estarn las cajas negras. En el resto
del universo estarn los sistemas a los que no se les reconoce influencia sobre
el sistema en estudio; se debe precisar su lmite.

En esta etapa el sistema en consideracin deber dividirse en elementos
componentes o subsistemas, cuyo comportamiento sea importante predecir.
Debern describirse las actividades o procesos que caracterizan la evolucin
del sistema, estas actividades podrn ser endgenas y exgenas.

El siguiente diagrama muestra grficamente el proceso de construccin de un
modelo:
Pg.: 48 / 83



- Identificacin del problema. Clarificar los objetivos que se pretende,
determinar el nivel de decisin a apoyar y precisar las restricciones de
tiempo que se tiene.
- Definicin del Sistema. Determinar los lmites, restricciones y medidas o
indicadores de la efectividad (logro del objetivo) a ser usadas en la
definicin del sistema a ser estudiado.
- Formulacin del modelo. Reduccin o abstraccin del sistema real a un
diagrama de flujo lgico, con su adecuada documentacin.
- Preparacin de datos. Identificacin de los datos que necesita el modelo
que se formul, y su reduccin a una forma apropiada para el ingreso al
modelo.
- Construccin del modelo. Descripcin del modelo en un lenguaje del
computador a ser usado. Es hacer el programa computacional y probarlo.
1
Identificacin del problema
Delimitacin del sistema
2
Formulacin del modelo
Recopilacin de datos
Construccin del modelo
3
Validacin Buena: ir a 4
Validacin mala: ir a 2
4
Diseo de experimentos
Ejecucin de experiencias
5
Inferencia aceptable: ir a 6
Inferencia inaceptable: ir a 2
6
Producir documentacin
Aplicacin
Pg.: 49 / 83

- Validacin. Es aumentar a un nivel aceptable la confiabilidad de una
inferencia efectuada desde el modelo sobre el sistema real. Que esta
inferencia sea correcta.
- Diseo de experimentos. Diseo de un experimento que produzca la
informacin deseada. Disear el cmo se realizar, y cmo se correr los
experimentos planificados. Tiene una etapa de planificacin estratgica y
tctica.
- Ejecucin de experimentos (Experimentacin) Ejecucin de la simulacin
para generar los datos deseados y realizar un anlisis de sensibilidad.
- Interpretacin. Es efectuar las inferencias sobre el sistema en estudio a
partir de los datos generados por la simulacin.
- Documentacin. Es documentar el modelo y su uso con un manual,
tambin el proyecto de actividades futuras que est planificado.

Representacin grfica de los modelos
Hay varias formas de representar mediante diagramas los modelos, aunque la
ms utilizada son los diagramas de influencia. Por ejemplo, un diagrama de
influencia para un sistema que comparte un procesador es el siguiente:





Este diagrama representa cuatro componentes: Un procesador central (CPU) y
tres terminales (USUARIO1, USUARIO2 y USUARIO3) cada componente tiene sus
variables (Discretas representadas por O y contnuas representadas por ) y
parmetros.

CPU contiene la variable SERVICIO cuyos valores son 1, 2 o 3, mientras que los
componentes USUARIOx tienen las variables COMPLETx que puede valer 0 a 1
segn complete la fraccin de su tarea. Adems, un parmetro GRADOx que
indica la tasa de cumplimiento de USUARIOx.

Este tipo de diagrama evolucion a los diagramas de Forrester, ya
mencionados en la primera parte y a otros como los de bucles causales.

USUARIO1
GRADO1
COMPLET1
USUARIO2
GRADO2
COMPLET2
USUARIO3
GRADO3
COMPLET3
CPU
SERVICIO
Pg.: 50 / 83

Simulacin de sucesos discretos
Los sistemas continuos generalmente se representan en forma de ecuaciones
diferenciales. Los modelos discretos son aquellos que cambian en instantes
determinados. El caso general es el modelo de colas donde se busca estimar
medidas representativas de largo de la cola o tiempo medio de espera.

Estos casos se caracterizan por que hay momentos en que se producen
cambios en el sistema: sucesos en el sistema. Estos sucesos ocurren en
instantes determinados hace que se simulen sucesos discretos.

En la simulacin de sucesos discretos, SSD, se encuentran diferentes tipos de
variables:
1. Variables de tiempo, la ms importante es la que se refiere al tiempo T
de simulacin
2. Variables de contabilidad del nmero de veces que se producen los
sucesos
3. Variables de estado que describen el sistema en cada uno de los
instantes, con lo cual se conoce el estado en cada instante t y permiten
predecir el futuro.

Reloj
Se llama mecanismo de reloj o reloj de simulacin que es lo que define la
evolucin del simulador instante a instante.

Segn el mecanismo de reloj que se emplee se encuentran dos estrategias de
simulacin:
- Simulacin sincrnica, tambin llamada orientada a intervalos que es
aquella en que el reloj avanza en intervalos prefijados t hasta cumplir
alguna condicin prestablecida. El tema en este tipo de simulacin es la
habilidad de elegir t , ya que si es muy grande (en trminos relativos)
pueden saltearse momentos de ocurrencia de sucesos (por ejemplo, un t
muy grande englobara dos sucesos que ocurren en distintos instantes
como que ocurren en un nico instante, el final del intervalo t) Un t
muy chico, en contrapartida, dara muchos intervalos de tiempo sin que
ocurran sucesos dando lugar a ineficiente uso del simulador.
- Simulacin asincrnica: es la que mayormente se utiliza, est orientada a
sucesos: el reloj avanza hasta el momento en que ocurre un nuevo suceso
y es entonces cuando se actualiza el estado del sistema y se actualiza la
contabilidad. El procedimiento continua hasta cumplir alguna condicin
preestablecida. Requiere llevar un registro de sucesos y los instantes en
que se producen
Pg.: 51 / 83


Diferencia entre simulacin sincrnica (izquierda) y asincrnica (derecha)
Caso
Se tiene un modelo de colas M/M/1. Supngase que se admite ingreso de
clientes al sistema hasta el momento T, en el cual se cierra el ingreso pero se
sigue atendiendo a los que hay en el sistema hasta que no quede ninguno.

Se pide evaluar
- El tiempo que pasan los clientes en el sistema y en la cola
- El tiempo que transcurre entre T y el instante en que se termina de
atender al ltimo cliente.

Primero se establecen claramente cuales son los sucesos que pueden darse en
tiempos simulados TSuc:
1) Llegada de un cliente al sistema (modifica el estado del sistema:
aumenta el nmero de clientes en el mismo). Este acontecimiento
sucede en un tiempo te
2) salida de un cliente del sistema (Se termina de atender un cliente),
(modifica el estado del sistema: decrementa el nmero de clientes en
el mismo). Este acontecimiento sucede en un tiempo ts

Adems deben definirse las siguientes variables:

t tiempo transcurrido desde que comenz la simulacin
Pg.: 52 / 83

L nmero de clientes en el sistema en cualquier instante t. Es una variable
de estado. El nmero de clientes en la cola Lq ser L 1, excepto que
el sistema est en condicin L = 0 (sin clientes)
Ne y Ns nmero de clientes que entran (llegan) o salen del sistema,
respectivamente, hasta el instante t. Son contadores.
e(i) y s(i) instante en que llega (e) o sale (s) el cliente i-simo
SERV(i) tiempo de servicio aplicado al cliente i simo

Finalmente se considerarn variables de salida:
W tiempo medio que pasan los clientes en el sistema
Wq tiempo medio que pasan los clientes en la cola
Tp tiempo transcurrido desde T hasta que el ltimo cliente abandona el
sistema

Comienza el diseo del simulador inicializando las variables y asegurando que
no hay sucesos pendientes, asignando M en las variables de sucesos Te y Ts

t = TSuc = Ne = Ns = L = 0
te = ts = M
e(i) = s(i) = SERV(i) = 0 para todo i

Luego se debe generar el instante en que se produce el primer suceso.

Hay dos rutinas que describen ms abajo:
LLEGADA() Y SALIDA() donde () indica que debe proveerse una variable en
valor para ejecutar la rutina

Posteriormente se buscar que suceso ocurre primero, se tratar,
contabilizar y se continuar hasta que no queden sucesos pendientes.

El algoritmo general ser, adems de la inicializacin de arriba el que sigue:

1.- Generar el numero aleatorio X
2. - Si X > T entonces Tp = W = Wq = 0 y FIN
Si no:
3. - LLEGADA (X) Llamada a rutina pasando la variable X
4. - Bucle (que se mantiene mientras TSuc.te <> M TSuc.ts <> M)
4.1. - Si te < ts entonces
Tsuc = te ;
te = M ,
LLEGADA (TSuc)
4.2. Si ts < te
TSuc = ts
ts = M
SALIDA (TSuc)
5. Tp = max {0, t T}
6. Acumulo1 = acumulo2 = 0
7. Ind = 0
8. Bucle que se mantiene mientras Ind < Ne
8.1. Acumulo1 = acumulo1 + s(Ind) e(Ind)
Pg.: 53 / 83

8.2. Acumulo2 = acumulo2 + s(Ind) e(Ind) SERV(Ind)
8.3. Ind = Ind + 1
9. W = acumulo1/Ne
10. Wq = acumulo2/Ne
FIN

SUBRUTINAS
RUTINA DE LLEGADA:
Se corre con TSuc como variable pasada
t = TSuc
L = L + 1
Ne = Ne +1
e(Ne) = t
Se genera un numero aleatorio X
Si t + X < T entonces te = t + X
Si L = 1 entonces se genera un numero aleatorio Y
ts = t + Y
SERV(Ns + 1) = Y
RUTINA DE SALIDA
Se corre con TSuc como variable pasada
t = TSuc
L = L - 1
Ns = Ns +1
s(Ne) = t
Si L > 0
Se genera un numero aleatorio Y
ts = Y + t
SERV(Ns) = Y

El siguiente paso es replicar un nmero de corridas suficientes como para
poder extraer conclusiones vlidas.
Pg.: 54 / 83

FORMULACION DEL MODELO

Consiste en determinar la estructura del sistema en trmino de un modelo
lgico, o fsico, que represente las caractersticas buscadas para el sistema en
estudio.
Criterios
- El simulador estar al servicio de los objetivos del estudio en que se
inserta. Por eso el modelo de un sistema real dado no es nico, pues puede
haber varias investigaciones sobre varios aspectos

- Se debern construir modelos para los procesos simples: La relacin entre
stos darn el modelo que se busca para el sistema. Es el concepto de
diseo modular con pocas variables de entrada y pocas de respuesta.

- Se denomina modelo monoltico a aquel con un solo gran bloque
- No permite una validacin eficiente del Simulador porque no se pueden
aislar errores.
- No se puede modificar sin alterar todo el modelo, mientras que en el
diseo modular se asla el mdulo con error.

- Un modelo no debe simplificar mucho el sistema que se desea simular,
pero tampoco hacer muy cara o lenta su construccin.

- En la formulacin del modelo hay que darle un estado inicial al sistema. No
debe estar formado por muchas variables ya que crecer el costo y tiempo
para cargarlo.

- Se deben tomar decisiones: el orden de la secuencia de cambio de los
atributos del sistema y la unidad de tiempo del reloj del modelo.

- Se debe decidir tambin si el tiempo simulado se incrementar de manera
fija, un minuto, un da, un mes, o un ao, o bien en incrementos de
tiempo variable. Por ejemplo que el tiempo avance segn la ocurrencia de
un evento.

- Las variables
Representan elementos, componentes o subsistemas del sistema en
consideracin.

Se reconocen las variables de entrada y las de proceso que determinan el
estado del sistema durante la simulacin.

Cualquiera de ellas puede ser estocstica o de comportamiento probabilstico
(rara vez incertidumbre) o determinsticas.

Cualquiera de estas, tambin, puede ser exgena o endgena, segn
representen componentes externos al sistema o internos a l,
respectivamente.
Pg.: 55 / 83

Por ltimo, y fuera de la clasificacin anterior se encuentran las variables de
estado que caracterizan la condicin en que se encuentra el modelo del
sistema en un punto del tiempo simulado.
- Las variables deben ser tales que sea sencilla la carga de sus valores y con
datos en cantidad adecuada y costo adecuado a las restricciones que se
tenga.

- Las variables de entrada deben permitir un rango amplio de control sobre
el sistema, para predecir las respuestas del modelo ante variacin de datos
e inferir lo mas ampliamente sobre el sistema real.

- Las variables de entrada deben ser capaces de responder a mltiples
alternativas que determine el usuario.

- Las variables de entrada deben ser lo menos posibles, pero en cantidad
suficiente para permitir todas las variables de salida.

- El modelo no debe dar respuestas absurdas en el rango que el analista
determin. No debe dar respuestas que van contra lo que es observable en
el sistema real, o contra lo ya universalmente aceptado como verdadero
en el sistema.
Ejemplo de simulador de dos juegos.
Se plantean dos juegos, uno con solucin analtica obvia, (Juego de la
raspadita) y otro sin esa posibilidad.

Juego de raspadita
Lotera del Oeste disea un juego consistente en una raspadita, con tarjetas
con tres filas, en cada una hay dos casillas, una con un valor oculto de $ 1 y la
otra con uno de $ 5. El jugador debe raspar solamente una de cada rengln. Si
obtiene los tres renglones con nmeros iguales se gana la cantidad indicada.
Cul es la mnima cantidad que se debe cobrar por tarjeta para obtener una
ganancia esperada?

Como el problema es simple es posible aplicar la teora de probabilidades y
construir el modelo que permita obtener la respuesta: la cantidad a cobrar
debe ser al menos igual a las ganancias esperadas por los apostadores, que es
lo que la Lotera debe pagarles. La ganancia esperada se calcula como la
esperanza matemtica:

Ganancia esperada = $ 1 x (probabilidad de ganar $ 1) + $ 5 x (probabilidad de
ganar $ 5)

La probabilidad que tiene un apostador de ganar $1 (o $5) es la probabilidad
de que la casilla raspada en las tres filas tenga 1 (o 5):

P($1) = P(fila1,$1) x P(f2,$1) x P(f3,$1) = x x = 1/8 ,
P($5) = P(fila1,$5) x P(f2,$5) x P(f3,$5) = x x = 1/8 ,
por tanto
Pg.: 56 / 83

Ganancia esperada = $ 1 x (1/8) + $ 5 x (1/8) = $ 0,75

Como se puede ver, cobrando ese importe es posible equilibrar los gastos.
Es un modelo aceptable. Otro modelo aceptable es aplicando el mismo
concepto disponer de un dado y pretender averiguar si, al arrojarlo, va a
salir un as. Se puede afirmar que tirndolo repetidas veces, en uno de cada
seis tiros se obtendr el as. Eso es formalmente correcto, pero, en la
realidad, tirando realmente un dado, el as va a salir en el primer tiro y en el
sptimo? Va ha haber un as en seis tiros? Si se hace la prueba a veces en el
primer tiro sale y otras veces se tiran diez o doce veces el dado y no sale
ninguno, o salen cinco veces. Estos resultados que parecen errticos, sin
embargo, no lo son, ya que tirando muchas ms veces se obtendr una
proporcin de salidas que, efectivamente, tiende a ser de 1 en 6.

Sera interesante saber, por un lado lo que el modelo predice: un as cada seis
tiros, basado en que, en muchos tiros se va a dar esa proporcin, por otro
lado, frente a un tirador determinado, en un nmero acotado de tiros,
Cuntos ases van a salir?

En el caso de la raspadita se puede intentar conocer que va ocurrir simulando
que ya se emitieron los cartones y se los entreg, en carcter de prueba, a
una cierta cantidad de apostadores. Esta sera una simulacin fsica, realizada
imprimiendo, por ejemplo 200 tarjetas, dndoselas a determinadas personas
para que raspen y tabular los resultados. Usando las ganancias obtenidas se
puede calcular un promedio y una desviacin. Se obtiene una estimacin de
ganancia y se pueden usar esos datos para tomar decisiones. Porqu se
querra hacer esto? El modelo probabilstica no incluye cosas vagas e
imposibles de definir como la buena (mala) suerte del jugador la
corazonada una buena (mala) racha y otras cosas por el estilo que tratan
de explicar los desvos puntuales y en nmeros acotados de ensayos que se
apartan del modelo. Sin embargo este es un procedimiento engorroso.
Otra manera es mediante simulacin analgica: por ejemplo lanzando al aire
monedas (p = ) : tres lanzamientos cara son $1, tres cruz son $5, los dems
son $ 0. Este enfoque u otro similar, evita imprimir tarjetas.

La simulacin por computadora es ideal para estos problemas, ya que se
pueden arrojar las monedas, tabular los resultados y calcular lo necesario
mediante una sola operacin simple.

Todos los lenguajes de programacin son capaces de generar nmeros
aleatorios con distribucin uniforme. Se muestra a continuacin un pequeo
programa en Basic capaz de hacerlo:

RANDOMIZE
FOR i=1 TO 200
a = RND
b = RND
c = RND
IF a > .499 THEN a = 1 ELSE a = 5
IF b > .499 THEN b = 1 ELSE b = 5
Pg.: 57 / 83

IF c > .499 THEN c = 1 ELSE c = 5
IF a = b AND b = c THEN
gano = gano + a
aciertos = aciertos + 1
END IF
NEXT i

PRINT Aciertos : ; aciertos
PRINT % de ac. : ; aciertos * 100/200
PRINT
PRINT Ganancias : ; gano
PRINT Promedio : ; gano / 200

La siguiente es una salida obtenida con una semilla de 2
Aciertos : 53
% de ac. : 26.5

Ganancias : 153
Promedio : 0.765

La ventaja de este programa es que se puede simular para, por ejemplo,
11200 intentos. Los resultados con la misma semilla son:

Aciertos : 2744
% de ac. : 24.5

Ganancias : 8140
Promedio : 0.7268

O una de 100000 tarjetas, igual semilla:

Aciertos : 24938
% de ac. : 24.93

Ganancias : 74390
Promedio : 0.744

Por ltimo podremos intentar correr una simulacin de 1000000 apuestas:

Aciertos : 249759
% de ac. : 24.976

Ganancias : 746287
Promedio : 0.7463

Como se puede observar, un simple programa permite hacer cualquier tipo de
ensayo y, an disponer de distintos resultados. Se puede, adems, concluir
que a medida que avanza el nmero de apostadores hay una tendencia a un
Pg.: 58 / 83

25% de aciertos y a un promedio de ganancia por tarjera de 0,75, que son los
valores que se obtendran por aplicacin lisa y llana del modelo estadstico.
Simulando la raspadita en Planilla de Clculo
Como se seala en los captulos de Programacin lineal, hay innumerables
maneras de plantear este problema en planilla de clculo. Con fines
demostrativos se propone una para que el lector ensaye optimizarla:

1. Se establece que a partir de un regln cualquiera (en este ejemplo del
rengln 7) simula una tarjeta de juego. As el 7 ser la primera tarjeta,
el 8 la segunda y el 107 la centsima.

2. La columna A, representa el resultado, para cada rengln, de la
primera raspada, la B la de la segunda y la C la de la tercera, pero en
formato de nmero aleatorio.

3. Las columnas D, E y F adoptan valores de 1 y de 5 en funcin de los
resultados de las A, B y C respectivamente.

4. La columna G le da un valor al juego (0, si no hay coincidencias, 1, si
las coincidencias son de unos y 5 si las coincidencias son de cincos):

CELDA FORMULA COMENTARIOS
A7 =ALEATORIO() Calcula un n aleatorio entre 0 y 1
B7 =ALEATORIO() dem
C7 =ALEATORIO() dem
D7 =SI(A7<0,5;1;5) Si el n en A7 es menor que 0,5 escribe
1,
si es mayor escribe 5
E7 =SI(B7<0,5;1;5) dem para B7
F7 =SI(C7<0,5;1;5) dem para C7
G7 =SI(Y(D7=E7;E7=F7);SI(D7=1;1;5);0) Si los tres son iguales y si
valen 1 escribe 1,
valen 5, escribe 5
si son distintos escribe 0
I2 =CONTAR(A7:A1000) num. de ensayos, hasta un mximo de
1000-7
I3 =CONTAR.SI(G7:G1000;"<>0") Cuenta solo las ganadoras (distinto de
cero)
I4 =SUMA(G7:G1000) Clculo del importe total ganado por los
apostadores
I5 =PROMEDIO(G7:G1000) Clculo del premio medio de todas las
tarjetas

Usando las funciones de arrastre esta planilla se escribe en pocos segundos, ya
que solo se escribe la fila 7 en todas las columnas A, B, C. D, E, F y G, y luego
se arrastra hasta el rengln deseado a fin de tener el nmero de renglones
equivalentes a la cantidad de tarjetas que se simulan.

En las celdas I2, I3, I4 e I5 se presentan los resultados de la contabilidad del
modelo. En el caso ejemplificado se estableci que se habilitarn los
renglones que van del 7 al 1000 (993 tarjetas como mximo, aunque puede
simularse desde una a ese valor cualquier cantidad). Obviamente este valor
Pg.: 59 / 83

de 1000 fue puesto por razones de buena visibilidad en la tabla anterior y
podra ser cualquier otro hasta el lmite fsico de la hoja de clculo.

Una vez desarrollada esta planilla se debera obtener un resultado como el
que se muestra en la figura. Tngase en cuenta que la funcin ALEATORIO() es
voltil, esto quiere decir que se recalcula cada vez que el programa tiene que
revisar la hoja activa a efectos de recalcular todas las celdas, lo que se
desencadena con cualquier evento como, por ejemplo, cambiar un valor en
una celda cualquiera, est o no relacionada con otras.



Uso de macros en Hoja de Clculo
Tambin es posible escribir una macro en Visual Basic para Office o el
lenguaje de macros de OpenOffice o LibreOffice.

A continuacin se transcribe el cdigo desarrollado para el problema de la
raspadita. Se debe notar que hay varias posibilidades de lograr lo mismo
cambiando el desarrollo del programa. Este es uno de esos mtodos. Pruebe
otros.

Sub Raspadita2()
' Raspadita2 Macro
' Macro grabada el 17/06/2005 por Alejandro Roberti
' Acceso directo: CTRL+w
'
1er. Paso, se limpian todos los contenidos de la hoja de trabajo:
Sheets("Hoja1").Select
Cells.Select
Selection.ClearContents

2do: Se escribe el ttulo de la hoja en la celda A1
Range("A1").Select
Selection.Font.Bold = True
Pg.: 60 / 83

ActiveCell.FormulaR1C1 = "PROBLEMA DE LA RASPADITA EN HOJA DE
CLCULO"

3ro. Un cuadro de dilogo le pregunta al operador cuantas tarjetas se
simularan.
la cantidad se guarda en la variable numtarj. Si no se ingresa nada o se
cancela
termina el programa
numtarj = InputBox("Ingresar el numero de tarjetas a simular", "ModeliZa ",
100)
If numtarj = "" Then End

4to. Comienza un ciclo que se repite tantas veces como tarjetas se simulen.
En este ciclo se trabaja igual que en el ejemplo visto en qBasic
For i = 1 To numtarj
a = Rnd
b = Rnd
c = Rnd
If a <= 0.5 Then a = 1 Else a = 5
If b <= 0.5 Then b = 1 Else b = 5
If c <= 0.5 Then c = 1 Else c = 5
If a = b And a = c Then
gano = gano + 1
sumagana = sumagana + a
If a = 1 Then gana1 = gana1 + 1 Else gana5 = gana5 + 1
End If
Next i

5to. Terminadas de jugar las numtarj tarjetas se procede a imprimir en la
hoja los
resultados obtenidos
Range("C3").Value = " Tarjetas jugadas"
Range("C4").Value = " Tarjetas ganadoras (" + Format(gano * 100 / numtarj)
+ " %)"
Range("C5").Value = " Tarjetas ganadoras de $1 (" + Format(gana1 * 100 /
numtarj) + " %)"
Range("C6").Value = " Tarjetas ganadoras de $5 (" + Format(gana5 * 100 /
numtarj) + " %)"
Range("C7").Value = " Importe total ganado"
Range("C8").Value = " Promedio Ganado"
Range("B3").Value = numtarj
Range("B4").Value = gano
Range("B5").Value = gana1
Range("B6").Value = gana5
Range("B7").Value = Format(sumagana) + " $"
Range("B8").Value = Format(sumagana / numtarj) + " $/Trj"
End Sub
Pg.: 61 / 83



Esta pantalla es el resultado de una corrida de la macro cuyo cdigo figura ms arriba.

Juego de las tres diferencias
Se considera el juego de lanzar una moneda repetidas veces hasta que la
diferencia entre el nmero de caras y nmero de secas que hayan salido sea
tres.

Se paga $1 cada vez que lanza la moneda, y se reciben $8 al final de cada
juego, cuando logra la diferencia de 3. No se puede abandonar el juego
cuando ya comenz.

Por ello, se gana dinero si el nmero necesario de lanzamientos es menor que
8, pero se pierde si se tiene que lanzar la moneda ms de 8 veces.

Cmo se podra decidir si conviene o no participar en el juego?
Alternativas:
1. Una resolucin analtica, que no es obvia.
2. Una resolucin emprica, no segura. Pasar un tiempo relativamente
largo lanzando la moneda y anotando los resultados y computar
ganancias o prdidas.
3. Una simulacin en computadora.

Para optar por 3, se usar la generacin de dgitos aleatorios para obtener el
resultado de juegos y entender el funcionamiento de este sistema.

Como se utilizar un generador comn de distribucin uniforme entre 0 y 1, se
establece al igual que en el juego anterior que si los nmeros obtenidos
estn comprendidos entre 0 y 0,49 equivaldr a decir que es cara (C) y que
de 0,5 a 1 corresponden a seca (S) (o cruz).

El siguiente cdigo esta escrito para VB para aplicaciones:

Sub _tres()
'
' sub_tres Macro
' Acceso directo: CTRL+q
'
Pg.: 62 / 83


Primera parte: iniciacin de variables y limpieza de hoja de clculo

Dim juegostotales, serie, numeroanterior, cara As String
Dim evento, repetido, a, juegos As Long
Dim cuentacara, cuentaseca, diferencia As Long
Range("A1:G10000").Clear
Range("A1").Activate
ActiveCell.Value = "LAS 3 MONEDAS - PULSE CTRL q"
ActiveCell.Font.Bold = True
ActiveCell.Font.Color = vbRed
Range("A2").Activate
Range("A3").Value = "Juego#"
Range("B3").Value = "Tiros"
Range("C3").Value = "Serie obtenida"
Range("E1").Value = "JUEGOS"
Range("E2").Value = "RESULTADO MEDIO"

Segunda parte: ingreso de cantidad de intentos a simular y activacin del
generador de nmeros aleatorios

juegostotales = InputBox("Cantidad de juegos a simular", "ModeliZa", 10)
Randomize
If juegostotales = 0 Then End

For juegos = 1 To juegostotales
evento = 0
serie = ""
numeroanterior = ""
repetido = 0
cuentacara = 0
cuentaseca = 0
diferencia = 0
game:
a = Rnd
If a < 0.5 Then cara = "C" Else cara = "S"
evento = evento + 1
serie = serie & cara
If cara = "C" Then
cuentacara = cuentacara + 1
Else
cuentaseca = cuentaseca + 1
End If
diferencia = Abs(cuentacara - cuentaseca)
If diferencia < 3 Then GoTo game

Range("B" + Format(juegos + 3)).Value = evento
evento = 0
Range("A" + Format(juegos + 3)).Value = juegos
Range("C" + Format(juegos + 3)).Value = serie
Pg.: 63 / 83

serie = ""
Next juegos
contabilidad:
Range("E1").Value = "JUEGOS"
Range("G1").Value = juegos - 1
Range("E2").Value = "RESULTADO MEDIO"
Range("G2").Value = "=SUM(B4:B" + Format(juegos + 3) + ")/G1"

End Sub

Se muestran ejemplos de tres pantallas obtenidas con 1 simulacin, con 10
simulaciones, con 100 simulaciones y con 1000 simulaciones:



Pg.: 64 / 83




Como puede observarse, con una sola corrida se obtuvo una ganancia de 3 ya
que se invirtieron 5 y se recibi un premio de 8, sin embargo en sucesivas
jugadas, en promedio, no hay ganancia.

Obviamente estas salidas mostradas son puro azar, jugar una sola vez podra
haber dado tambin una inversin de 25 (ver primer juego de la figura que
representa 10 juegos) con una prdida neta de 17.

Estos promedios de lanzamientos por jugada, son estimaciones de la media
poblacional verdadera de la distribucin de probabilidad terica.

Uno de los errores ms comunes en el uso de la simulacin es que las
conclusiones se basan en muestras muy pequeas, porque se hizo un anlisis
estadstico inadecuado, o porque se carece de ese anlisis por completo.

En el caso de los 10 juegos (promedio 8), figura segunda, la desviacin
estndar hallada fue 7,26

En este caso el desvo medio de la muestra es:

|

Pg.: 65 / 83

Por ello, aun cuando se suponga que la distribucin de probabilidad del
nmero de lanzamientos requeridos en una jugada es una distribucin normal
(que es una suposicin, ya que la distribucin real es sesgada), cualquier
intervalo de confianza razonable para la media verdadera de esta distribucin
va ms all del 8.

As, antes de concluir, se requiere un tamao de muestra ms grande.
Recuerde que en la distribucin normal, el rea que se tiene abarcada, la
probabilidad de ocurrencia, tomando 1, 2 o 3 sigmas en torno al promedio es:

1 sigma 68,34%
2 sigma 95,44%
3 sigma 99, %

1 sigma significa que hay un 68,3% de probabilidades de que un valor de la
variable tomado al azar est en el intervalo (promedio - 1 sigma , promedio +
1 sigma).

En este caso, ocurre que la media verdadera de la variable "Nmero de
lanzamientos que se requieren en una jugada", es 9
13
. As, se perdera $1 cada
vez que se participa en el juego.
Relaciones funcionales
Describen el comportamiento de las variables consideradas durante el tiempo
de simulacin.

Pueden ser Determinsticas o Estocsticas. Si hay una la variable aleatoria
probabilstica, entonces la relacin funcional es tambin probabilstica. Se
establecer probabilidades para las variables, segn decisin, por intervalos
de largo fijo o variable, o se usa una funcin de distribucin de probabilidades
conocida, y luego se aplica la relacin funcional. Puede ocurrir tambin que
todas las variables sean determinsticas y se considera un margen aleatorio
para el resultado de la relacin funcional, en ese caso tiene la forma:

var = f(var1, var2, ....) + k*aleatorio

mientras que en las dems es:
var = f(var1, var2, ....)

Las relaciones funcionales pueden ser:
- Estticas o de transformacin, donde se puede analizar el valor que asume
una variable pero no la manera en que cambia en el tiempo.

13
Este valor es conocido por otros medios. Sin embargo, al disponer de un simulador tan simple y tan
poderoso que permite realizar un enorme numero de tiradas cuyo nico lmite es el tamao de la hoja
porque se ha decidido mostrar cada jugada, de lo contrario el lmite sera mayor el lector puede hacer
ensayos modificando muy poco el cdigo y verificar que a un nmero grande de ensayos el promedio
tiende a 9. El autor obtuvo en tres simulaciones sucesivas de 60000 tiradas con promedios de 8,9954
9,006 9,054, respectivamente.
Pg.: 66 / 83

- Dinmicas o de transicin, donde se puede analizar el proceso del sistema
y el comportamiento de las variables en el tiempo.

Las relaciones funcionales estticas generan el valor de la variable
dependiente en forma determinista o estocstica. Generan el valor de la
variable dependiente en funcin del tiempo simulado.

Las relaciones funcionales dinmicas son aquellas que describen el
comportamiento de la variable dependiente en todo el tiempo simulado.
Etapas
En resumen, las etapas de simulacin son:
1. Identificacin del problema.
2. La definicin del sistema, en que se establecen las variables
3. Formulacin del modelo, en que se establece la o las funciones.

Los modelos de simulacin consisten de alguna combinacin de los siguientes
elementos:
- Componentes u objetos. Partes que en conjunto son el sistema. Tambin
se entienden como los elementos o los subsistemas

- Variables. Son representaciones de objetos, componentes, subsistemas u
otros elementos del sistema real en estudio.
- Si son exgenas representan entradas al sistema, entrada al modelo o
ruido.
- Si son endgenas representan los objetos del sistema. Son producidas
dentro del sistema o modelo. Son variables de estado. Si se consideran
para describir estados finales, son variables de salida
- Puede denominarse variables independientes a las variables exgenas y
variables dependientes a las variables endgenas.

- Parmetros. Valores que describen el estado de objetos determinados

- Relaciones funcionales. Presenta variables y parmetros en su
comportamiento dentro de un objeto componente, o entre objetos
componentes del sistema.
- Relaciones funcionales determinsticas: Son identidades o definiciones
que relacionan ciertas variables o parmetros, donde una salida del
proceso es nica para una entrada dada.
- Relacin funcional Estocstica: Si la salida es incierta para una entrada
dada fijado.
- Ambos tipos de relaciones funcionales usualmente toman la forma de
una ecuacin matemtica relacionando las variables endgenas o de
estado con las variables exgenas. Frecuentemente esas relaciones
pueden inferidas luego de efectuarse un anlisis matemtico y/o
estadstico.

Pg.: 67 / 83

- Restricciones: Son limitaciones en el valor de las variables o en la manera
como los recursos pueden ser ubicados o distribuidos. Pueden ser definidas
por el diseador o impuestas por el sistema natural.

- Funcin. Es una afirmacin explcita de los objetivos o metas que se quiere
para el simulador del sistema y cmo ellos sern evaluados.

- Criterio. Es la manera en que medirn los logros del o de los objetivos. No
debe ser ambigua.

Respecto al criterio y a los objetivos: debe tenerse presente que existen para
el sistema en estudios y para el propio simulador del sistema. Por ello hay que
tener mucha claridad en las medidas de desempeo que se definen ya que
dicha medida tiene una alta influencia en el diseo y manipulacin del modelo
y una afirmacin errnea del criterio de desempeo conduce a conclusiones
equivocadas.

El funcional y su criterio (funcin medida del desempeo) se considera
habitualmente como parte del modelo, y la manipulacin del modelo se hace
para optimizar o satisfacer el criterio establecido.

Se deben equilibrar las medidas de desempeo exigidas al simulador con las
simplificaciones que se hicieron del sistema real para arribar a la formulacin
del modelo que se tiene. No exigir ms de lo que se dise; y exigir lo que el
usuario del simulador define como mnimo.

Por todo ello, hacer un modelo es un arte que consiste en la capacidad y
habilidad de analizar un problema, aislarlo en sus hechos esenciales,
seleccionar y modificar supuestos bsicos que caracterizan el sistema, y as
elaborar y enriquecer el modelo hasta una razonable aproximacin a los
resultados.

Se puede usar como gua este procedimiento:
1. Desglosar el sistema - problema en sistemas - problemas simples.
2. Establecer los lmites del sistema real y del sistema modelo
3. Definir las variables que son relevantes y su tipo (determinsticas,
estocsticas, de estado, etc.)
4. Establecer claramente los objetivos del estudio y del simulador.
5. Definir las restricciones del sistema real y del modelo
6. Buscar analogas con el sistema en estudio.
7. Considerar instancias o ejemplos numricos, mecnicos, etc. del
problema.
8. Establecer un glosario (nombre de las variables, de los parmetros, etc.)
9. Secuenciar los mdulos.

La bondad del modelo se mide en trminos del mayor a menor realismo que
entregue respecto del sistema real, es decir, modelar no es resolver, como en
los problemas matemticos habituales.

Pg.: 68 / 83

Hay que tener presente que no se resuelve el problema tal como lo encontr o
como esta en la realidad, lo que se hace es utilizar el modelo construido para
el problema.

Cualquier buen modelo de simulacin:
1.Debe ser fcil de entender por el usuario.
2.Debe tener metas y propsitos claros y declarados.
3.Debe ser seguro y confiable, no debe dar salidas absurdas.
4.Debe ser robusto, es decir que debe funcionar sin sorpresas.
5.Fcil de usar, controlar y manipular, debe ser fcil comunicarse con l.
6.Debe ofrecer salidas que cubran todos los aspectos importantes.
7.Debe ser adaptativo, permitiendo modificar el modelo frente a cambios
de paradigmas.
8.Debe ser evolutivo, partiendo de una forma simple pueda llegar a ser
ms complejo en la interaccin con el usuario.


Pg.: 69 / 83

Captulo 5 - Mtodo de MONTECARLO
Esta tcnica permite generar observaciones para una variable de
comportamiento estocstico. Es un procedimiento bsico en la simulacin de
sistemas que contienen elementos aleatorios.

Se origina en 1940 a partir de trabajos realizados Von Neuman aplicados en la
solucin de problemas de difusin nuclear. La tcnica matemtica era
conocida ya desde muchos aos antes, y fue revivida por estos trabajos
secretos y adquiri ese nombre y rpidamente se aplic en otros campos,
como la simulacin.

El uso de la tcnica de Monte-Carlo es til en simulacin probabilstica.
Aunque tambin lo es en ciertos modelos completamente deterministas que
no pueden ser resueltos analticamente. Por ejemplo: calcular una integral
doble sin primitiva en una regin del plano, puede hacerse con la generacin
de nmeros al azar en una zona que contiene a la regin de integracin.

La Tcnica
Las variables estocsticas tendrn una funcin de distribucin de probabilidad
asociada, que puede estar basada en:
- Datos empricos derivados del pasado.
- Experimentos recientes.
- Una distribucin terica conocida, que es apropiada.

Dicha funcin de distribucin de probabilidades puede ser continua o discreta.

En general se busca asociar una cierta distribucin de probabilidad a una
variable estocstica antes que transformarla en una constante.

Si no se sabe qu funcin de distribucin de probabilidad tiene una
determinada variable continua estocstica, se debe asumir que tiene una
distribucin uniforme en su rango acotado de valores posibles. En cuyo caso la
probabilidad es igual para todos los puntos; f(x)=k; por lo que la funcin de
probabilidad acumulada es F(x),

( )

()

CASO 1
Se tiene la variable aleatoria: " nmero de accidentes que requieren atencin
en un da", en un cierto predio, lugar y fecha, con las siguientes
probabilidades de ocurrencia obtenidas de informacin histrica.


N de accidentes Probabilidad P acumulada Intervalo asociado
0 0,35 0,35 | 0 , 0,35 )
1 0,40 0,75 |0,35 , 0,75)
Pg.: 70 / 83

2 0,15 0,90 |0,75 , 0,90)
3 0,05 0,95 |0,90 , 0,95)
4 0,02 0,97 |0,95 , 0,97)
5 o ms 0,03 1,00 |0,97 , 1 )

Se quiere generar nmero de accidentes que se producirn en un da y que
requieren atencin, durante los 7 das de una semana.

De una tabla de nmeros aleatorios uniformemente distribuidos entre 0 y 1, se
obtienen los siguientes nmeros U(0,1):
0,36 0,83 0,42 0,32 0,49 0,93 0,16

Resultado:
El 1er da se produce: 1 accidente
El 2 da se producen: 2 accidente
El 3er da se produce: 1 accidente
El 4 da se produce: 0 accidente
El 5 da se produce: 1 accidente
El 6 da se producen: 3 accidente
El 7 da se produce: 0 accidente

Con esta informacin se podr continuar con un simulador, o sacar
conclusiones respecto del comportamiento de la variable en estudio.
CASO 2
Generar llegadas de clientes a un video club durante una hora, que solicitan
atencin, sabiendo que en 5 minutos la probabilidad de nmero de clientes
es:

N de
clientes
Probabilidad Prob, Acumulada Intervalo de probab,
asignado
0 0,25 0,25 | 0 , 0,25 )
1 0,40 0,65 | 0,25 , 0,65 )
2 0,20 0,85 |0,65 , 0,85 )
3 0,15 1,00 |0,85 , 1 )

Nmeros al azar uniformemente distribuidos en |0 , 1) a usar:
1) 0,492 2)0,871 3)0,753 4)0,122 5)0,333 6)0,677
7)0,469 8)0,010 9)0,905 10)0,507 11)0,646 12)0,745

Resultado: El nmero de clientes que llegan cada cinco minutos, durante una
hora es:

1, 3, 2, 0, 1, 2, 1, 0, 3, 1, 1, 2.

Pg.: 71 / 83

Pasos para aplicar la tcnica de Montecarlo
1.Obtener y graficar la curva de frecuencias acumuladas con los valores de la
variable en el eje X, y la probabilidad acumulada en el eje Y. Los valores
estn de 0 a 1.

2.Obtener o elegir un nmero decimal U entre 0 y 1 uniformemente
distribuido con tantos decimales como se desee, por medio de un
generador de nmeros aleatorios.

3.Obtener la imagen X de ese nmero al azar U por medio de la funcin de
frecuencia acumulada. Es decir, obtener X tal que
P | X s x | = U


4.Ese valor X obtenido es el valor muestreado.

5.Repetir los pasos 2 y 3 hasta generar el nmero de observaciones que se
desee.
Base de mtodo:
El mtodo de muestreo de Montecarlo se basa en los siguientes supuestos:
1) "La probabilidad de que un nmero uniformemente distribuido entre 0 y 1
caiga en el intervalo |r
a
, r
b
) es: r
b
- r
a

".

Pg.: 72 / 83

)

(

As, con nmeros uniformes en | 0 , 1) se pueden generar valores de la
variable X conociendo su funcin de probabilidad acumulada, obtenida a
partir de su funcin de densidad de probabilidad.

Por ejemplo, si se conoce la funcin (Ver Optimiza9, modelos de colas y
fenmenos de espera)
f (x) = e
-x

Su funcin de probabilidad acumulada F(x) es:
()

cuando x +, la probabilidad acumulada tiende a 1 (ver figura anterior)
En este caso tambin se puede obtener una expresin de trminos de U para
el valor de X muestreado.
U = 1 - e
-x

e
-x
= 1 U

( )

que da el evento X para un r = U dado.

En el caso de distribucin normal
Pg.: 73 / 83


() (

)

()

()

() ()

Para distribucin de Poisson.
( )

La probabilidad de que se presenten exactamente x eventos en un intervalo
de tiempo dado en que es el promedio de xitos que se presentan en ese
tiempo.



Si se tiene una funcin continua sin inversa para la funcin de probabilidad
acumulada, o de muy difcil expresin algebraica y/o manejo, se podr usar
tablas que contengan los valores de F o bien, se recurre a discretizar esa
funcin; como ocurre con la funcin de probabilidad acumulada de la curva
normal.

Reduccin de varianza
Las tcnicas de reduccin de varianza se utilizan para aumentar la precisin
de las estimaciones muestrales a fin de hacer ms precisa la estimacin de los
parmetros poblacionales. Por ejemplo, una variable tiene como funcin de
densidad de probabilidad de f(x) = e
-x
, de donde su funcin de probabilidad
acumulada F(x) es:
Pg.: 74 / 83

()

Su media es 1, y se supondremos no conocerla para estimar su valor.

La tcnica de Montecarlo como se vio hasta ahora, se usa en simulacin
directa. Se generan observaciones aleatorias a partir de la distribucin usada
y luego el promedio de esta muestra para estimar la media.

Al aplicar Montecarlo se obtiene: U = 1 - e
-x


X = -Ln ( 1 - U ) = -Ln (1 - U
i
)

Que, con la tcnica de Montecarlo simple se obtiene un valor alejado de la
media poblacional.

Al aplicar la tcnica de uso de nmeros aleatorios complementarios en que se
genera un nmero aleatorio, y se considera su nmero complementario, en
otra secuencia.

i Nmero
aleatorio
Observacin
Obtenida
x
i
= -Ln(1-
i
)
Nmero aleatorio
complementario
i

Observacin aleatoria
x
i
=-Ln(1-
i
)
1
2
3
4
5
0.495
0.335
0.791
0.469
0.279
0.684
0.408
1.568
0.633
0.328
0.505
0.665
0.209
0.531
0.721
0.702
1.092
0.234
0.756
1.275
6
7
8
9
10
0.698
0.013
0.761
0.290
0.693
1.199
0.014
1.433
0.343
1.183
0.302
0.987
0.239
0.710
0.307
0.359
4.305
0.272
1.236
0.366
= 7.793
x = 0.793
= 10.597
x = 1.060

( )

Dado un nmero aleatorio u de una funcin de probabilidad dada, se llama
nmero aleatorio complementario de u a un nmero u
c
tal que el
promedio de los 2 sea el promedio de distribucin de la variable.

Por ejemplo, si se obtiene el nmero aleatorio uniformemente distribuido
entre |0,1), u = 0,78 entonces el nmero aleatorio complementario de u es
u
c=
0,22 porque el promedio de ellos es 0,5 que es el promedio de los
nmeros de 0 a 1, uniformemente distribuidos.

Pg.: 75 / 83

Si es una distribucin normal, se obtendra u = 0,78 (nmero aleatorio
normalmente distribuido con promedio 0 y desviacin o), entonces el nmero
aleatorio complementario de u es u
c
= -0,78 porque el promedio de ellos es 0.

Si u = 3,78 que se obtuvo de una funcin de distribucin normalmente
distribuida con promedio 5 y desviacin o, entonces la altura aleatoria
complementaria es u
c
= 6,22 porque el promedio de u y u
c
es 5.

Una tercera alternativa es usar un muestreo estratificado. Se divide la
distribucin de probabilidades acumulada F(x) en partes, y cada una de ellas
se muestra por separado, con lo que se obtiene un muestreo
desproporcionado, pero ms denso en los estratos crticos. Se debe
determinar tamao de la muestra en cada estrato, deducir el nmero
aleatorio del intervalo del estrato y determinar una ponderacin de la
muestra.

Ejemplo 1
Sea el caso de transformar una variable continua en discreta. Una variable
poblacional se distribuye normalmente con = 180 y o = 5. Se necesita
generar 10 medidas para 10 individuos, y se har discreta en 5 intervalos.

Resultado Intervalo discreto Probabilidad Prob Acumulada Intervalo asignado
2 individuo individuo (- , 170) 0,0228 0,0228 = P (x s 2) | 0 , 0,0228)
0 individuo individuo | 170 ,
175)
0,1359 0,1587 = P (x s -1) |0,0228 , 0,1587)
1 individuo individuo | 175 ,
180)
0,3413 0,5000 = P | x s 0) |0,1587 , 0,5000)
5 individuo individuo | 180 ,
185)
0,3413 0,8413 = P | x s 1) |0,5000 , 0,8413)
2 individuo individuo | 185 ,
)
0,1587 1,0000 = P (x | |0,8413 , 1)

Si se generan 10 nmeros uniformes entre 0 y 1 se tiene:

U(0,1)= 0,871 0,57 0,75 0,47 0,019 0,67 0,016 0,64 0,81 0,923
Individuo 1 2 3 4 5 6 7 8 9 10

1 individuo mide sobre 1,85 m
2 individuo mide entre 1,80 y 1,85 m
3 individuo mide entre 1,80 y 1,85 m
4 individuo mide entre 1,75 y 1,80 m
5 individuo mide bajo 1,70 m
6 individuo mide entre 1,80 y 1,85 m
7 individuo mide bajo 1,70 m
8 individuo mide entre 1,80 y 1,85 m
9 individuo mide entre 1,80 y 1,85 m
10 individuo mide sobre 1,85 m


Pg.: 76 / 83

Ejemplo 2
En un caso de colas, por ejemplo, se sabe que las llegadas tienen una tasa
promedio de 10 diarios y con distribucin Poisson,

llegadas: Probabilidad Acumulada Intervalo asociado
0 0,00004 |0 , 0,00004)
1 0,001 |0,00004 , 0,001)
2 0,003 |0,001 , 0,003)
3 0,010 |0,003 , 0,010)
4 0,029 |0,010 , 0,029)
5 0,067 |0,029 , 0,067)
6 0,130 |0,067 , 0,130)
7 0,220 |0,130 , 0,220)
8 0,333 |0,220 , 0,333)
9 0,458 |0,333 , 0,458)
10 0,583 |0,458 , 0,583)
11 0,697 |0,583 , 0,697)
12 0,792 |0,697 , 0,792)
13 0,864 |0,792 , 0,864)
14 0,917 |0,864 , 0,917)
15 0,951 |0,917 , 0,951)
16 0,973 |0,951 , 0,973)
17 0,986 |0,973 , 0,986)
18 0,993 |0,986 , 0,993)
19 0,999 |0,993 , 0,999)
20 1,000 |0,999 , 1,000)
.....

Se busca generar llegadas diarias durante una semana.
Se generan los siguientes nmeros:
0,945 0,485 0,552
0,208 0,709 0,081 0,748

En los siete das se tienen las siguientes llegadas diarias:
15 10 10 7 12 6 12

Con un promedio = 72/7 = 10,28
Ejemplo 3
Se tienen tres variables aleatorias continuas:
- x
1
con distribucin normal de media = 1,75 y = 0.5
- x
2
con distribucin uniforme entre 10 y 50
- x
3
llevada a discreta en 4 valores, segn:

x
3
P | x
3
= x
i
| P | x
3
s x
i
|
10 0.15 0.15
20 0.35 0.50
Pg.: 77 / 83

30 0.45 0.95
40 0.05 1.00

Adems se tiene la funcin
x
4
= x
1
+ x
2
2
+ x
1
* x
3


Se busca usar el mtodo de Montecarlo para generar 6 observaciones para x
4
.
Para la variable x1:
Se usarn los valores correspondientes a un generador aleatorio = 0 y = 1
siguientes:
-1,02 1,82 -0,42 -0,38 -0,51 0,03

que se convierten a la distribucin especificada ( = 1,75 y = 0.5)

1,75 + 0,5 * (-1,02) = 1,24
1,75 + 0,5 * (1,82) = 2,66
1,75 + 0,5 * (-0,42) = 1,54
1,75 + 0,5 * (-0,38) = 1,56
1,75 + 0,5 * (-0,51) = 1,50
1,75 + 0,5 * (0,03) = 1,77

Tambin es posible convertir esta distribucin a discretos en 5 intervalos

(-, 1,65) 0,0228 A partir de los nmeros con
distribucin uniforme: 0,021 - 0,431
- 0,535 - 0,127 - 0,87 - 0,663
Se eligen los valores de x
1
:
1,600 - 1,725 - 1,775 - 1,675 1,85 -
1,775
| 1,65 , 1,70) 0,1587
| 1,70 , 1,75) 0,5000
| 1,75 , 1,80 ) 0,8413
| 1,80, +) 1,0000
Probabilidad
Acumulada obtenida de
tabla
Para la variable X2
Con los nmeros de distribucin uniforme entre 0 y 1:
0,59 - 0,63 - 0,77 - 0,82 - 0,81 - 0,36

se obtiene:

10 + 40 * 0,59 = 33,6
10 + 40 * 0,63 = 35,2
10 + 40 * 0,77 = 40,8
10 + 40 * 0,82 = 42,8
10 + 40 * 0,81 = 12,4
10 + 40 * 0,36 = 24,4
Para la variable x3
Generando los nmeros de distribucin uniforme entre 0 y 1:
0,81 - 0,58 - 0,74 - 0,28 - 0,12 - 0,22

Pg.: 78 / 83

Se obtienen: 30 - 30 - 30 - 20 - 10 - 20
Para calcular x4
Se remplaza la funcin en cada valor de x obtenido
1,24 + 33,6
2
+ 1,24 * 30 = 1167,4
2,66 + 35,2
2
+ 2,66 * 30 = 1321,5
1,54 + 40,8
2
+ 1,54 * 30 = 1712,4
1,56 + 42,8
2
+ 1,56 * 20 = 1864,6
1,50 + 42,4
2
+ 1,50 * 10 = 1814,3
1,77 + 24,4
2
+ 1,77 * 20 = 632,5

Pg.: 79 / 83

Captulo 6 Simulacin de Inventarios
Los modelos determinsticos bsicos y probabilsticos derivados vistos en Optimiza9 para el
manejo de inventarios se pueden aplicar a sistemas de muy baja complejidad y sirven para fijar
una poltica de inventarios.
Si bien esa metodologa puede ser aplicada exitosamente en empresas o instituciones de
ciertas caractersticas, es cierto que no cubren todos los aspectos que en organizaciones mas
complejas se dan. Cuando se menciona la complejidad no se refiere al tamao de la empresa,
sino al funcionamiento: variables tales como disponibilidad de medios de pago, oportunidad
crtica para hacer pedidos, cambio brusco de la rutina de demanada, etc. no se pueden incluir
en un modelo de los vistos.
Por ello se puede desarrollar un modelo de comportamiento del sistema al margen de las
soluciones analticas de la teora de inventarios.
Modelo de Inventario probabilstico
Se considera un almacn de determinado producto con un precio de venta al pblico r por
unidad. La llegada de clientes al almacn es un proceso de Poisson cuyo parmetro es y la
cantidad demandada por cada cliente es G. La poltica des encargado del almacn es mantener
un inventario basado en un criterio de reposicin cuando el nivel es bajo, lo que se hace segn
una revisin peridica, segn este esquema:
- llamando x al nivel del inventario en cualquier instante. Es una variable
de estado del sistema.
- Llamando p al nivel de inventario mnimo
- Llamando P al nivel de inventario optimo mximo
- El costo unitario es c(y) sobre el producto solicitado y depende de una
funcin de costo sobre las unidades pedidas y. Es una variable de
estado del sistema. Si vale cero es que no hay pedidos pendientes
- L es el tiempo que demora el pedido en llegar al almacn, se abona al
final de L
- h es el costo de almacn
- En caso que un cliente llege al almacn y ha un pedido mayor a las
unidades que quedan en el depsito, se les venden las que quedan y se
pierde la venta del remanente
- Cuando el sistema se simula se llama t al tiempo transcurrido en la
simulacin
En resumen, las variables de simulacin sern:
var_nivel() para guardar los instantes en los que el nivel de inventario pasa a ser cero y que se
usar despus para saber cuanto tiempo el almacn estuvo vaco
tc instante de llegada de cliente
tp instante de llegada de pedidos al proveedor
- SUCESOS
o TSuc.tc llegada de un nuevo cliente al sistema
o TSuc.tp llegada de un pedido
- CONTADORES:
o C costo total por pedidos hasta el tiempo t
o H costo total por almacn hasta el tiempo t
Pg.: 80 / 83

o R beneficios por ventas hasta el tiempo t
o Nc+ nmero de clientes servidos satisfactoriamente hasta el tiempo t
o Nc- nmero de clientes a los que no se ha podido satisfacer completamente
hasta el instante t
o t0 tiempo en el que inventario est en cero

- VARIABLES DE SALIDA:
o beneficio beneficio esperado
o %cliente_satisf clientes (%) cuya demanda se satisfizo completamente
o %invent_0 tiempo (%) en que el inventario estuvo en cero
CRITERIO DE FUNCIONAMIENTO:
- Si x < p Y no hay pedidos pendientes:
Pedir y = P x unidades




ALGORITMO
El primer suceso que ocurre es la llegada de un cliente al sistema suponiendo que el nivel del
inventario inicial es mayor que el mnimo (ver figura): P0 > p. Para lograr esto se llama a la
rutina Llegada_cliente.
Luego se entra en un bucle donde se van llamando a las rutinas que provocan los sucesos en el
orden en que ocurren. Se finaliza calculando los indicadores del sistema utilizando los
contadores

1. - Preparacin de variables
x = P0
y = Nc- = Nc+ = C = R = H = 0
TSuc.tc = TSuc.tp = M
t = tsuc = t0 = var_nivel(0) = 0
2. Generacin del nmero aleatorio Z Exp()
Si Z > T
Pg.: 81 / 83

Beneficio = %client_satisf = %invent_0 = 0
FIN
Caso contrario: Llegada_cliente(Z)
3. Sucesos siguientes
MIENTRAS SEA: [Tsuc.tp <> M] O [TScuc.tc <> M]
SI TSuc.tc < TSuc.tp
tsuc = TSuc.tc
TSuc.tc = M
Llegada_cliente(tsuc)
SI TSuc.tp < TSuc.tc
tsuc = TSuc.tp
TSuc.tp = M
Llegada_pedido(tsuc)
4. Clculo de las medias de comportamiento del sistema
beneficio = R C H
%invent_0 = t0 / t
%client_satisf = NC+ / (Nc+ + Nc-)
FIN

SUBRUTINAS
En Llegada_cliente() lo primero que debe realizarse es actualizar los costos de almacen hasta
ese momento dependiendo del nivel de inventario x desde el suceso anterior (guardado en t)
hasta este instante.
Luego se actualiza el tiempo de simulacin, se genera la demanda del cliente que acaba de
llegar y se comprueba si se puede satisfacer.
Si el inventario alcanza, se realiza la venta completa, actualizando la variable, disminuyendo el
nivel de inventario en la cantidad demandada y se contabiliza como cliente satifecho.
En el caso que no alcance el inventario, se vende el resto del depsito, se pone el inventario en
0, se cuenta como cliente insatisfecho y se guarda en var_nivel0 el instante para poder contar
el tiempo en que el inventario estuvo en cero.
Finalmente, se haya satisfecho totalmente o no el pedido, quedan dos pasos: uno, se verifica
si el nivel del inventario en ese momento en ms chico que p. Si es as y adems no hay
pedidos pendientes se solicita la cantidad P x y se guarda en la lista de sucesos el instante en
que llegar el nuevo pedido (tiempo actual ms L). Segundo, generar el tiempo que transcurre
hasta la llegada del nuevo cliente y verificar si este acontecimiento cae o no dentro del plazo
mximo de simulacin T.

Llegada_clientes()
H = H + (tsuc t) * h * x
t = tsuc

Generar demanda G
SI demanda <= x
R = R + demanda * r
x = x demanda
Nc+ = Nc+ + 1
SI NO
R = R + (x*r)
x = 0
Nc- = Nc- + 1
Pg.: 82 / 83

var_nivel0 = t

SI x <= p AND y = 0
y = P x
TSuc.tp = t + L

Generar Y Exp()
SI t + Y < T
TSuc.tc = t + Y
VOLVER

La segunda subrutina, Llegada_pedido() se refiere a la llegada de un pedido al sistema en el
momento contado desde el tiempo en que fue pedido ms el tiempo gua. Se deben actualizar
los costos de almacen hasta ese momento, actualizar el tiempo, actualizar el pago al
proveedor, dependendiendo del nmero de unidades que llegaron y, se aumenta el nivel del
inventario, se pone en cero las pendientes de entrega y se calcula el tiempo en que el nivel de
inventario fue cero si estaba en ese valor restando el tiempo actual y el guardado en
var_nivel0
Llegada_pedido()
H = H + (tsuc t) * h * x
t = tsuc
C = C + c(y)
x = x + y
y = 0

SI var_nivel0 < t
t0 = t0 + (t var_nivel0)
var_nivel0 = M

VOLVER



Pg.: 83 / 83

Captulo 7 Lenguajes de Simulacin
A pesar de que para construir simuladores se puede utilizar cualquier lenguaje de
programacin con razonable capacidad matemtica, se han desarrollado software especfico
para simulacin de sistemas discretos.
Si son lenguajes especficos, son comparables a C+, Pascal, etc. pero tienen capacidades y
herramientas especiales que facilitan la tarea de simular.
Algunas herramientas son:
- Mecanismo de reloj
- Mtodos para secuencias los sucesos que ocurren
- Generador de nmeros y variables aleatorias
- Recoleccin y anlisis estadstico del uso de recursos y entidades
- Herramientas para validar el modelo
La desventaja de estos paquetes suelen ser: precio, velocidad baja de ejecucin, poca
disponibilidad para diferentes SO.
Se clasifican en funcin de que estrategia utilizan para el reloj del sistema:
1.- Por programacin de sucesos. El programador detalla las acciones asociadas a la ocurrencia
de cada suceso. El lenguaje automatiza el proceso de muestreo a partir de las distribuciones,
cronologa, recuperacin de sucesos y recopilacin estadstica. (GASP, SLAM, SIMAN)
2.- Orientados a procesos. Usan bloques que se pueden unir y forman una red que describe el
flujo de movimiento u operaciones.. Se basan en un enfoque de caja negra sobre procesos de
entrada y salida. Son ms fciles de usar y simples, aunque menos flexibles. (GPSS, SIMULA,
SIMNET II)
3.- Combinados. MODSIM, SIMSCRIPT II.5
4.- Simuladores, o paquetes de sencillo manejo aplicado a situaciones especficas: LANNET II.5
desarrollado para redes locales a partir de SIMSCRIPT; SIMFACTORY y AUTO MOD para
sistemas de fabricacin.
Se han desarrollado simuladores de propsito general. Dos de ellos, muy utilizados, permiten
incluir componentes discretos y continuos simultneamente:
EXTENDED SUITE y ARENA (http://www.arenasimulation.com) que permiten describir
grficamente el modelo y facilitan la implementacin mediante la importacin de libreras y
bloques, conectado para ver el flujo de entidades y uso de caja de dilogo.
(fin provisorio, se est trabajando en completar este captulo. 1 de octubre 2012, Alejandro)