Introducci N A La Simulacion

Universidad Catlica de Valparaso Facultad de Ingeniera Escuela de Ingeniera de Transporte
1. Introduccin a la simulacin.

El verbo simular cada vez toma mayor auge en diversas disciplinas cientficas,
para describir el viejo arte de la construccin de modelos. Aun cuando esta
palabra se aplica a diversas formas de construccin de modelos, tales como:
Los de la escultura y pintura del Renacimiento; Los modelos a escala de
aviones; Los modelos en computadora de los procesos cognoscitivos, e
incluso en las ciencias fsicas y en las del comportamiento.

Su empleo moderno se remonta hacia fines de 1940, cuando Von Neumann y
Ulam acuaron el trmino anlisis de Monte Carlo para aplicarlo a una
tcnica matemtica que usaban entonces en la resolucin de ciertos problemas
de proteccin nuclear que eran, o demasiado costosos para resolverse
experimentalmente o de enorme complejidad para un tratamiento analtico.

El anlisis de Monte Carlo involucraba la solucin de un problema
matemtico no probabilstico, mediante la simulacin de un proceso
estocstico cuyos momentos o distribuciones de probabilidad satisfacen las
relaciones matemticas del problema no probabilstico.

Con la llegada de computadoras de gran velocidad, la simulacin tom otro
significado an, al surgir la posibilidad de experimentar con modelos
matemticos (que describen algn sistema de inters) en la computadora. Por
vez primera, los socilogos al igual que los fsicos encontraron que podran
realizar experimentos controlados de laboratorio.

Al simular en computadoras, surgieron innumerables aplicaciones y con ello,
un nmero mayor de problemas tericos y prcticos.

Desgraciadamente, no existe acuerdo respecto a una definicin precisa de la
palabra simulacin, la propuesta por C. West Churchman
1
es estrictamente
formal:
Introduccin a Simulacin Juan Snchez R.

1
X simula a Y s y solo s:
a) X e Y son sistemas formales.
b) Y se considera como sistema real
c) X se toma como una aproximacin del sistema
real
d) Las reglas de validez en x no estn exentas de
error.

La definicin de Shubik
2
es la definicin tpica entre las ms populares:

Simulacin de un sistema (o un organismo) es la operacin de un modelo
(simulador), el cual es una representacin del sistema. Este modelo puede
sujetarse a manipulaciones que seran imposibles de realizar, demasiado
costosas o imprcticas.
La operacin de un modelo puede estudiarse y con ello, inferirse las
propiedades concernientes al comportamiento del sistema o subsistema real.

En tanto, Roger Schroeder planteaba: La simulacin es una tcnica que
puede utilizarse para resolver una amplia gama de modelos. Su aplicacin
es tan amplia que se ha dicho: Cuando todo falle, utilice simulacin.
La simulacin es, esencialmente, una tcnica que ensea a construir el modelo
de una situacin real aunada a la realizacin de experimentos con el modelo.

Definicin bastante amplia, que puede comprender situaciones aparentemente
no relacionadas entre s, como los simuladores de vuelo, juegos militares,
juegos de gerencia, modelos fsicos de ros, modelos economtricos, etc.,
desde la perspectiva de la ingeniera, nos interesa una definicin ms
restringida, solamente a experimentos con modelos lgicos o matemticos,
pero adems, no nos interesan aquellos experimentos como los de
microeconoma, que ocurren bajo condiciones dadas de equilibrio esttico y
producen soluciones completamente determinsticas. Por el contrario
estamos interesados en experimentos que ocurren en perodos extensos de

2
tiempo, bajo condiciones estocsticas o dinmicas y cuyas soluciones por
mtodos estrictamente analticos, no son necesariamente del todo
determinsticas.

En consecuencia, bajo estas restricciones, la definicin que plantea Thomas
Naylor
3
es bastante adecuada:
Simulacin, es una tcnica numrica para conducir experimentos en una
computadora digital, las cuales requieren ciertos tipos de modelos lgicos y
matemticos, que describen el comportamiento de un negocio o un sistema
econmico (o algn componente de ellos) en perodos extensos de tiempo
real
.
Dos variantes importantes son:
a) Los juegos operacionales, referidos a simulaciones que se
caracterizan por alguna forma de inters en conflicto entre los
jugadores o los seres humanos que toman decisiones dentro
del marco de referencia del medio ambiente simulado. Todos
ellos actan dentro del medio ambiente simulado y el
experimentado; al observarlo, tiene la capacidad de probar
hiptesis relativas al comportamiento de los individuos o
inclusive, al del sistema completo de decisiones. Las dos
formas ms ampliamente empleadas son los juegos militares y
los juegos de gerencia.
Los juegos militares corresponden a un instrumento para
entrenar dirigentes militares, que permiten probar los efectos
de las estrategias alternativas bajo condiciones simuladas de
guerra.
Los juegos de gerencia
4
corresponden a un tipo de
instrumento educativo para el entrenamiento de
directores de empresas, ya sea en ejercicio presente o futuro.


3
b) El anlisis de Monte Carlo es una tcnica de simulacin para
problemas que tienen una base estocstica o probabilstica.
Existen dos tipos de problemas que dan pie al empleo de esta
tcnica:
Aquellos problemas que implican algn tipo de proceso
estocstico, como la demanda del consumidor y la prioridad en
la produccin e inversin total para la economa, son ejemplos
de variables econmicas que se pueden considerar estocsticas
por naturaleza. Se han desarrollado mtodos de Monte Carlo
para simular la mayora de las distribuciones de probabilidad
ms conocidas, o cualquier distribucin emprica.
Ciertos problemas matemticos completamente
determinsticos, que no pueden resolverse fcilmente (s es que
admiten solucin) por mtodos estrictamente determinsticos.
Sin embargo, cabe la posibilidad de obtener soluciones
aproximadas a estos problemas, simulando un proceso
estocstico, cuyos momentos, funciones de densidad o de
distribucin acumuladas, satisfagan las relaciones funcionales
o los requisitos relativos a la solucin del problema
determinstico. Las soluciones a ecuaciones de diferencias de
orden superior (mayores que dos) y los problemas de
integracin mltiple, pueden obtenerse a menudo mediante este
mtodo de anlisis numrico, ms rpidamente que con
cualquier otro.

1.1 Fundamentos racionales de la simulacin.

El fundamento racional para utilizar la simulacin en cualquier disciplina es la
constante bsqueda del hombre por adquirir conocimientos relativos a la
prediccin del futuro. Tal bsqueda es tan antigua como la historia de la
humanidad; antes del siglo XVII, esa indagacin estaba casi limitada a

4
mtodos puramente deductivos de los filsofos como Platn, Aristteles,
Euclides y otros Hans Reichenbach, en una apreciacin crtica de la
metodologa de estos filsofos, denomin filosofa especulativa a la bsqueda
del conocimiento predictivo.

La filosofa especulativa pretendi dar un conocimiento de los
principios ms generales que gobiernan el universo. Es as como
fue encauzada a la construccin de sistemas filosficos con captulos
que hoy debemos considerar como simples intentos a una fsica
comprensiva, en la cual la funcin de la explicacin cientfica se
alcanzaba por simples analogas con las experiencias de la vida
cotidiana. Se pretendi dar una explicacin del mtodo de
conocimiento, mediante un uso similar de analogas; las preguntas de la
teora del conocimiento se contestaban en trminos de un lenguaje
iconogrfico, en lugar de un anlisis lgico
5
.

Sin embargo en 1620 Sir Francis Bacon se convirti en el primero de los
filsofos que reconocan las limitaciones de la filosofa especulativa como
una metodologa para predecir el futuro; en su libro N No ov vu um m O Or rg ga an nu um m plante
sus discrepancias.
Bacon se dio cuenta que la razn en s no tiene ninguna capacidad de
pronstico, sino solamente cuando va sumada a la observacin. Los mtodos
predictivos de la razn estn contenidos en las operaciones lgicas mediante
las cuales construimos un orden en el material observado y derivamos
conclusiones. Alcanzamos predicciones a travs del instrumento de la
derivacin lgica. Adems reconoci que s la derivacin lgica sirve a los
propsitos predictivos, no puede ser restringida a la lgica deductiva; debe
incluir los mtodos de la lgica inductiva.

Ciertamente Bacon fue el padre de la filosofa cientfica actual o el mtodo
cientfico, como se denomina frecuentemente, consiste en cuatro pasos bien
conocidos:

5
1. Observacin de un sistema fsico.

2. Formulacin de una hiptesis (en nuestro caso un
modelo matemtico) que intente explicar las
observaciones realizadas al sistema.

3. Predecir el comportamiento del sistema con base
en la hiptesis formulada mediante el uso de la
deduccin lgica o matemtica, esto es, por la
obtencin de soluciones del modelo o modelos
matemticos.

4. Realizacin de experimentos para probar la validez
de las hiptesis o del modelo matemtico.

La importancia de los modelos y su construccin como parte integrante de la
investigacin cientfica, ha sido expuesta de forma muy sucinta por
Rosenblueth y Wiener: Ninguna parte del universo es tan simple como para
comprenderse s abstraccin.

La abstraccin consiste en reemplazar la parte del universo bajo anlisis, por
un modelo de estructura similar, pero ms sencillo. Los modelos constituyen
entonces una necesidad central del procedimiento cientfico.

Se puede definir un Modelo como una abstraccin de algn sistema real, que
tiene la posibilidad de empelarse para propsitos de prediccin y control.
El objeto del mtodo cientfico es permitir al analista la determinacin de uno
o ms cambios en los aspectos del sistema modelado que afectan otros
aspectos del sistema o incluso la totalidad del sistema.

Por qu reiterar los rasgos ms importantes del mtodo cientfico?, La razn
es que en ocasiones no resulta recomendable seguir los cuatro pasos

6
anteriormente descritos en un problema o sistema particular, en estos casos
alguna forma de simulacin puede considerarse, como substituto satisfactorio
a los pasos.

En ocasiones, puede ser imposible o extremadamente costoso observar ciertos
procesos en el mundo real. Por ejemplo previo a lo primeros vuelos
tripulados realizados por los Estados Unidos o la Unin Sovitica, la NASA
no tena informacin de los efectos que tales vuelos tendran sobre los seres
humanos, pues nadie lo haba experimentado antes.
Era claro que una alternativa para obtener dicha informacin inicial acerca de
los vuelos espaciales en los seres humanos, era la realizacin de un gran
nmero de vuelos experimentales usando pilotos de prueba. Este mtodo
fue rechazado debido al alto valor que se da a la vida humana. Sin embargo,
la NASA implant con xito un mtodo: la simulacin en computadora de los
vuelos y sus efectos en los pilotos de prueba. Es as como cada vuelo
orbital logrado por la NASA ha sido precedido por una experimentacin
durante meses y aos, con vuelos simulados.


7
Otros ejemplos de procesos en los que puede ser imposible o muy oneroso
obtener los datos, pueden ser: el reporte de ventas de una empresa para el ao
siguiente; el producto geogrfico bruto de un pas en los prximos cinco
aos; los efectos de una campaa publicitaria en las ventas totales de una
empresa. En todos estos casos la simulacin puede ser empleada como medio
efectivo para generar datos numricos que describen procesos que de otra
manera implicara un elevado costo en proporcionar a informacin.

En segundo lugar, el sistema observado puede ser tan complejo que sea
imposible describirlo en trminos de un sistema de ecuaciones matemticas,
del cual se puedan tener soluciones analticas para ser usadas con propsitos
predictivos. An cuando un modelo matemtico logre formularse para
describir algn sistema de inters, es posible no obtener una solucin del
modelo por medio de tcnicas analticas directas. La mayora de los sistemas
econmicos se encuentran en est categora.
Tambin, puede ser costoso u imposible realizar experimentos de validacin
en determinados modelos matemticos.
Se ha constatado que la simulacin constituye un instrumento extremadamente
efectivo para trabajar con problemas de este tipo. Otro tipo de problemas que
presentan dificultades semejantes son los fenmenos de espera en gran escala,
aquellos que implican canales mltiples, sean ellos en serie y/o en paralelo.

Razones par considerar la simulacin:

Una de las principales razones para escoger la simulacin
computacional es la dificultad para vencer los obstculos de
implantar el mtodo cientfico.

La simulacin hace posible estudiar y experimentar complejas
interacciones que ocurren al interior de un sistema dado, ya sea una
empresa, industria o subsistema de cualquiera de ellos.


8
La informacin detallada del sistema que se est simulando conduce
a un mejor entendimiento del mismo y proporciona sugerencias para
mejorarlo.

Mediante su empleo se adquiere experiencia que puede ser ms
valiosa que la simulacin en s misma.

Puede emplearse para verificar soluciones analticas.

Ella convierte a especialistas en profesionales generalistas.
Motivado por el enfoque sistmico..

Mediante la simulacin se puede estudiar los efectos de determinados cambios
informativos, de organizacin, y ambientales, en la operacin de un sistema, al
hacer alteraciones en su modelo y observar los efectos de estos en el
comportamiento del sistema.

La observacin detallada del sistema que se est simulando, conduce a un
mejor entendimiento del mismo y proporciona sugestiones para mejorarlo, que
de otra manera no podran obtenerse.
La simulacin puede servir como prueba de pre servicio para ensayar nuevas
polticas y reglas de decisin en la operacin de un sistema.

1.2 Elementos de los modelos matemticos de sistemas econmicos.

a) Los componentes: Los que tienen tendencia a variar ampliamente.

b) Parmetros.

c) Relaciones funcionales. Ellas describen las interacciones de las
variables:


9
1.2.1 Las identidades: toman la forma de definiciones o declaraciones
tautolgicas, relativas al comportamiento del sistema. Ejemplo
definicin de utilidad, definicin de activo, pasivo, capital.

1.2.2 Caractersticas de operacin: es una hiptesis, generalmente una
ecuacin matemtica, que relaciona las variables endgenas y
de estado del sistema, con sus las variables exgenas. Ejemplo:
funciones de consumo o inversin en una economa.

1.2.3 Las variables: Empleadas para relacionar un componente con
otro y se clasifican en:

1.2.4 Variables exgenas: son independientes, denominadas de
entrada del modelo y se supone que han sido predeterminadas y
proporcionadas independiente del sistema a modelar. Puede
considerarse que estas variables actan sobre el sistema, pero no
reciben accin alguna de parte de l. Tambin se denominan
factores, pueden emplearse de dos formas diferentes en los
experimentos de ecisiones:

Tratadas como parmetros dados(determinados
ya sea por el medio ambiente o por los que toman
las ecisiones, las cuales deben estimarse y
almacenarse en la computadora como datos de
entrada.

Generarlas internamente en la computadora si
corresponden a variables estocsticas.

1.2.5 Variables endgenas: Son las dependientes o de salida del
sistema y son generadas por la interaccin de las variables
exgenas con las de estado, de acuerdo con las caractersticas de
operacin del ltimo.

10
1.2.6 Variables de estado: Describen el estado de un sistema o de uno
de sus componentes, ya sea al comienzo, al final o durante un
periodo de tiempo. Estas variables interaccionan con las
exgenas y las endgenas del sistema, de acuerdo a las
relaciones funcionales dispuestas. El valor que tome durante un
periodo particular de tiempo, puede depender no solo de una o
ms variables exgenas en determinado periodo precedente, sino
adems del valor de ciertas variables endgenas de periodos
anteriores.

En consecuencia, un experimento de simulacin en computadora consiste en
una serie de corridas en el equipo, en las cuales probamos empricamente
empelando datos de simulacin, los efectos de los factores sobre los valores
de nuestras variables endgenas.
Una caracterstica de operacin es una hiptesis, generalmente una ecuacin
matemtica que relaciona las variables endgenas y el estado de un sistema,
con sus variables exgenas.
Las caractersticas de operacin aplicadas a procesos estocsticos toman la
forma de funciones de densidad de probabilidad. Al contrario de los
componentes y variables que observaramos directamente en un sistema real,
los parmetros de las caractersticas de operacin las derivamos solamente
sobre la base de inferencias estadsticas.

Ejemplo N1 Modelo simple de un fenmeno de espera con un solo canal y
con mltiples estaciones para una empresa.

11
Los componentes de este modelo se ilustran en la figura siguiente, consisten
de rdenes que llegan a la empresa y procesos a travs de los cuales una orden
pasar antes de completarse
6
.

Proceso_1 Proceso_2
Pedidos de
fbrica
Proceso_n

El propsito del modelo es relacionar el tiempo total que requiere una orden
para pasar a travs de n procesos, con la forma en que llegan las rdenes y el
tiempo que consume cada uno de tales procesos.

El proceso contiene las siguientes variables, parmetros, caractersticas de
operacin e identidades.

a) Variables Exgenas:

AT
i
= es el intervalo de tiempo entre llegada de la i- sima orden y la (i 1) -
sima orden, en donde i = 1, 2, 3, ......,n.

ST
i j
= el tiempo de procesamiento para la i- sima orden en el j- simo
proceso, en donde i = 1, 2, 3, ......,n, y j = 1, 2, 3, ......,m.

b) Variable de Estado:

WT
i j
= el tiempo que la i- sima orden espera para entrar al j- simo
proceso, en donde i = 1, 2, 3, ......,n, y j = 1, 2, 3, ......,m.

IDT
i j
= el tiempo que el proceso j- simo permanece ocioso mientras espera la
llegada de la i- sima orden,, en donde i = 1, 2, 3, ......,n, y j = 1, 2, 3, ......,m.


12
T
i j
= el tiempo total que la i- sima orden esta en el j- simo proceso, en
donde i = 1, 2, 3, ......,n, y j = 1, 2, 3, ......,m.

c) Variable Endgena

T
i
= el tiempo total que la i- sima orden est en el sistema, es decir el
tiempo requerido para pasar a travs de los n procesos.

d) Parmetros

E (AT) = el intervalo de tiempo esperando entre las rdenes.

Var (AT) = la varianza del intervalo de tiempo entre las rdenes.

E (ST
j
) = el tiempo esperado para el j- simo proceso, con j = 1, 2, 3, ......,m

e) Caractersticas de operacin.

F (AT) = la funcin de densidad de probabilidad para el intervalo de tiempo
entre las rdenes

F (ST
j
) = la funcin de densidad de probabilidad, para el tiempo de
procesamiento del j- simo proceso, con j = 1, 2, 3, ......,m

f) Identidades.

Cuando la primera orden llega a la empresa, es decir, cuando i = 1, se supone
que las siguientes ecuaciones describen el sistema de procesos mltiples:

AT
1
= 0

WT
11
= WT
12
= WT
13
= ., WT
1n
= 0

13
n-1
IDT
11
= 0, IDT
12
= ST
11
, , . IDT
1n
= ST
i j

J=1

T
11
=

ST
11
,

T
12
=ST
12
,

T
12
=ST
12
,
.
T
1n
=ST
1n

Para las rdenes subsiguientes, esto es, cuando i = 1, 2, 3, .....,n, estas
ecuaciones se modifican adecuadamente, las ecuaciones de tiempo se
convierten en:

T
i 1
= WT
i 1
+ ST
i 1 I = 2, 3,.., n

T
i 2
= WT
i 2
+ ST
i 2 I = 2, 3,.., n
:
:
T
i n
= WT
i n
+ ST
i n I = 2, 3,..,, n

Que el tiempo de espera o el tiempo ocioso ocurra en un instante particular,
depender del signo de las siguientes diferencias, donde i =2, 3, ...., m
DIF
1
= T
i -1 ,1
- A T
i

DIF
2
= (T
i -1 ,1
+ T
i -1 ,2
) - (A T
i
+ WT
i 1
+ ST
i 1
)
:
DIF
n
= (T
i -1 ,1
+ T
i -1 ,2
+ T
i -1 ,n
.) - (A T
i
+ WT
i 1
+ ST
i 1
+.+ WT
i, n-
1
+ ST
i, n -1
)

Si DIF es positivo para el j-simo proceso, entonces el tiempo ocioso ser nulo
y el tiempo de espera puede calcularse con:
WT
i j
= DIF
j
i =2, 3, ...., m; j =1, 3, ...., n
Si DIF es negativo para un proceso en particular, entonces el tiempo de espera
ser nulo y el tiempo ocioso equivale a:

14
IDT
i j
= -DIF
j
i =2, 3, ...., m; j =1, 3, ...., n

Si DIF es igual a cero para un proceso en particular, entonces el tiempo de
espera y el tiempo ocioso sern nulos para ese proceso.

Este modelo tiene varias aplicaciones posibles; por ejemplo, para
probar la posibilidad econmica de diseos de los procesos
alternativos en la empresa.

Suponga que al comprar un equipo nuevo, ls empresa reducir un
50% el tiempo esperado de procesamiento, para un determinado
proceso..

En este caso, el modelo servira para estimar el aumento esperado
en el nmero de rdenes que es posible procesar completamente
durante un perodo particular de planeacin, de modo de
determinar si en la empresa esta justificada la compra del equipo
nuevo.

Un segundo ejemplo que ilustra ciertos elementos bsicos de los
modelos matemticos, es el modelo de un multiplicador- acelerador
macrodinmico simple, ideado por Paul A. Samuelson. Cuyos
componentes comprenden los sectores de hacienda, los negocios y
gubernamental de una economa.

El propsito es relacionar el consumo total (domstico), la inversin
total(en negocios), y el gasto gubernamental para la economa, con el
ingreso nacional durante un perodo particular de tiempo T.
El modelo contiene las siguientes variables, parmetros, caractersticas
de operacin e identidades:

15
a) Variables exgenas:
U
t
= valor de una variable estocstica con una
distribucin de probabilidad conocida, esperanza
matemtica igual a cero y una desviacin estndar dada.
V
t
= valor de una variable estocstica con una
distribucin de probabilidad conocida, esperanza
matemtica igual a cero y una desviacin estndar dada.
G
t
= gastos gubernamentales en el perodo T.

b) Variables endgenas:
C
t
= consumo durante el perodo T.
I
t
= inversin durante el perodo T.
Y
t
= ingreso nacional durante el perodo T.

c) Parmetros:
c = tendencia al consumo marginal.
b = coeficiente de aceleracin

d) Caractersticas de operacin:
Ct = c Y
t -1
+ U
t

I
t
= b (Y
t -1
- Y
t-2
) + V
t

e) Identidad:
Y
t
= C
t
+ I
t
+ G
t

1.3 Clasificacin de los modelos para simulacin.

Para clasificar los modelos de simulacin se han sugerido un cierto
nmero de sistemas taxonmicos diferentes. Por ejemplo [Mass]
propuso la posibilidad de clasificarlos de acorde a su grado de
abstraccin. Siendo posible determinar cinco grados de abstraccin con
base a los siguientes criterios:

16
Nmero de elementos reproducidos.
Grado de esencia de los elementos.
Exactitud de la reproduccin.
Capacidad de reproduccin.

1. 4 Grados de abstraccin:

El proceso, actividad o situacin sobre la cual se basa el
modelo.
Una repeticin del proceso o situacin inicial; por ejemplo los
ciclos controlados de la industria.
Un modelo controlado: como los de laboratorio, capaz de
repetirse.
Una extraccin completamente sinttica de los elementos
esenciales de la situacin general, como modelos en
computadoras, de situaciones industriales o militares.
Un modelo analtico cerrado, que en general, solo es
nominalmente estocstico.

1.4.1 Modelos determinsticos:
En ellos, tanto las variables exgenas as como tambin las endgenas
no varian al azar, sino que suponen relaciones exactas para las
caractersticas de operacin en vez de funciones de probabilidad.

1.4.2 Modelos estocsticos:
En ellos, por lo menos una de las caractersticas de operacin est dada
por una funcin de probabilidad. Son de mayor complejidad que los
Modelos determinsticos. Adems tambin interesan desde la
perspectiva de generar datos al azar, los que se emplean en las etapas de
observacin o prueba de la investigacin cientfica.


17
1.4.3 Modelos estticos:
Aquellos que no consideran explcitamente la variable tiempo. En
investigacin de operaciones, salvo rara excepciones la mayora delos
trabajos se han concentrado en estos modelos.

1.4.4 Modelos dinmicos:
Corresponden a los que tratan de las interacciones que varan con el
tiempo.
[Samuelson] ha propuesto la siguiente clasificacin de los sistemas:

Esttico y estacionario.
Esttico e histrico.
Dinmico y causal.
Dinmico e histrico.
Estocstico y no histrico.
Estocstico e histrico.

1.5 Campo de accin de las aplicaciones de la simulacin.

Se ha empleado para analizar dos diferentes tipos de problemas:
1.5.1 Problemas tericos en reas de ciencias bsicas, como ser:
Matemticas. Fsica, Qumica:
a) Estimacin del rea encerrada por una curva,
incluyendo la evaluacin de integrales mltiples.
b) Solucin de ecuaciones diferenciales parciales.
c) Estudio del movimiento de partculas en un plano.
d) Estudio de la difusin de partculas.
e) Solucin de ecuaciones lineales simultneas.

1.5.2 Problemas prcticos en diversos aspectos del mundo
real.

18
f) Simulacin de procesos empresariales. Ejemplo:
diseo de procesos qumicos, control de
inventarios, diseo de sistemas de distribucin,
programacin de mantenimiento, diseo de
sistemas de espera, programacin del trabajo en el
taller, diseo de sistemas de comunicacin.
g) Simulacin de problemas comerciales y
econmicos, por ejemplo: operacin de la
compaa, conducta de los clientes, evaluacin de
gastos de capital propuestos, determinacin de
precios, procesos del mercado, estudio de
economas nacionales en problemas de recesin e
inflacin, planes, planes de desarrollo y polticas
de balance de pagos en economas
subdesarrolladas, prediccin econmica.
h) Problemas conductuales y sociales, por ejemplo,
dinmicos de poblacin, conducta individual y de
grupo.
i) Simulacin de sistemas biomdicos, por ejemplo,
equilibrio de lquidos, distribucin de electrlitos
en el cuerpo humano, representacin del cerebro a
travs de modelos, proliferacin de clulas
sanguneas.
j) Simulacin de estrategias y tcticas de guerra..
El mtodo de Monte Carlo es una tcnica que se emplea para resolver
los problemas tericos citados anteriormente, y est basado en la idea
general de utilizar el muestreo para estimar un resultado deseado..
El proceso de muestreo requiere que se describa el problema en estudio
mediante una distribucin de probabilidad adecuada, de la cual se toman
muestras.
Posiblemente, sea difcil establecer un punto de unin por ejemplo entre
evaluar una integral y una distribucin de probabilidad, esto debido a la

19
determinacin de una integral es un problema determinstico. Sin
embargo, se debe tener presente que el muestreo de Monte Carlo estima
y no determina exactamente el valor de la integral.
La marejada de adelantos en la aplicacin del mtodo de Monte Carlo
para solucionar problemas tericos se desplom entre finales de los 50 y
principio de los 60. En su lugar se puso de inters en el anlisis de
problemas prcticos complejos.

Varias de las ideas que fueron desarrolladas junto con el mtodo de
Monte Carlo se emplean directamente en la aplicacin de la simulacin.
Entre estas ideas se cuentan el uso de nmeros aleatorios para obtener
muestras de una distribucin de probabilidad, as como tambin tcnicas
para reducir el tamao de la muestra que se requiere para determinar el
resultado deseado en forma confiable.
El actual xito de la simulacin en el modelado de sistema complejos se
apoya por completo en los impresionantes adelantos alcanzados tanto
por las computadoras, como as tambin por los software desarrollados.

1.6 Tipos de Simulacin.

Los modelos de simulacin se elaboran para el anlisis del
comportamiento de sistemas como funcin del tiempo. De acuerdo a
esto, los tipos de simulacin pueden ser:
Simulacin discreta: donde el sistema a simular se observa
nicamente en puntos seleccionados en el tiempo. Su nombre se
origin debido a que las estadsticas se obtiene saltando de un punto
(discreto) a otro en la escala de tiempo. Por ejemplo, un sistema de
cola en el cual a los clientes se les ofrece un servicio o se agregan a

20
una cola en espera del servicio, y luego e ser atendidos abandonan la
instalacin.

Simulacin contina: El sistema se monitorea en todos y cada uno
de los puntos en el tiempo. Por ejemplo, el flujo de un lquido en
una tubera o del crecimiento de la poblacin mundial.

En ambos tipos de simulacin, el objetivo final es recolectar estadsticas
pertinentes que puedan ser empleadas para describir el comportamiento
de los sistemas simulados.
En los sistemas discretos, las estadsticas como la longitud de la fila, o el
intervalo de tiempo de espera pueden cambiar solamente cuando llega
un nuevo cliente al sistema, o bien cuando un cliente completa su
servicio y sale de la instalacin.

En los sistemas continuos, las estadsticas se pueden obtener solo a
travs del monitoreo de la situacin en forma continua. Por ejemplo, al
estudiar la dinmica de la poblacin mundial, algunas de las variables
que nos interesaran monitorear como funcin del tiempo son:
1. Cambio en la poblacin.
2. Cambios en los recursos naturales.
3. Cambios en el estndar de vida.

1
Churchman West, An Analysis of the Concept of Simulation, 1963

2
Fundamental Concepts in the design of Experiments, 1964

3
Naylor T., Tcnicas de Simulacin en computadoras, 1996

4
Fractional Factorial Designs For Factor at Two Levels, 1975

5
Cox D. Planning of Experiments, 1959

6
Thomas Naylor, Joseph Balinfly, Donald Burdick, Kong Chu.

21

Introducci N A La Simulacion

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Introducci N A La Simulacion

Загружено:

Авторское право:

Доступные форматы

Universidad Catlica de Valparaso Facultad de Ingeniera Escuela de Ingeniera de Transporte

Вам также может понравиться