You are on page 1of 153

UNIVERSIDAD AGRARIA DEL ECUADOR

CIUDAD UNIVERSITARIA MILAGRO CUM


INGENIERA EN COMPUTACIN E INFORMTICA

SIMULACIN

INGENIERA EN COMPUTACIN E INFORMTICA

DOCENTE:
ING. SIMN DVILA

CURSO:
3 CURSO 5 SEMESTRE A

AO LECTIVO:
2017 2018 (I Ciclo)
ndice
INTRODUCCIN DEL CONTENIDO ............................................... Error! Bookmark not defined.
OBJETIVO GENERAL .................................................................................................................... 6
RESUMEN DEL CONTENIDO ........................................................................................................ 8
SEMANA 1 ..................................................................................................................................... 9
1.1. INTRODUCCIN A LA SIMULACIN ................................................................................ 9
CONCEPTOS BSICOS DE SIMULACIN................................................................................ 10
BIBLIOGRAFA............................................................................................................................ 14
ANEXOS....................................................................................................................................... 15
1.2. CLASIFICACIN DE LOS DISTINTOS TIPOS DE SISTEMAS .......................................... 15
Modelos y su clasificacin ...................................................................................................... 16
TIPOS DE SISTEMAS............................................................................................................... 19
BIBLIOGRAFA............................................................................................................................ 22
ANEXOS....................................................................................................................................... 23
1.3. VENTAJAS Y DESVENTAJAS PARA ELABORAR MODELOS........................................... 24
VENTAJAS ............................................................................................................................... 24
DESVENTAJAS ........................................................................................................................ 25
EJEMPLOS DE VENTAJAS DE SIMULACIN .......................................................................... 26
BIBLIOGRAFA............................................................................................................................ 27
ANEXOS....................................................................................................................................... 28
SEMANA 2 ................................................................................................................................... 30
2.4. IMPORTANCIA DE LOS DATOS QUE SE INGRESAN EN UNA SIMULACIN ................ 30
BIBLIOGRAFA............................................................................................................................ 33
ANEXOS....................................................................................................................................... 34
2.5. HERRAMIENTAS ESTADSTICAS VARIABLE UNIFORME PARA TRABAJAR SOBRE
DATOS DE UNA SIMULACIN.................................................................................................... 35
BIBLIOGRAFA............................................................................................................................ 38
ANEXOS....................................................................................................................................... 39
2.6. DISTINTOS TIPOS DE SIMULACIN ............................................................................. 40
Modelos y su clasificacin ...................................................................................................... 42
TIPOS DE SISTEMAS............................................................................................................... 44
BIBLIOGRAFA............................................................................................................................ 48
ANEXOS....................................................................................................................................... 49
SEMANA 3 ................................................................................................................................... 51
3.7. APLICACIN DE LA VARIABLE UNIFORME .................................................................. 51
BIBLIOGRAFA............................................................................................................................ 53
ANEXOS....................................................................................................................................... 54
3.8. HERRAMIENTAS ESTADSTICAS VARIABLES ALEATORIAS DISCRETAS PARA
TRABAJAR SOBRE DATOS DE UNA SIMULACIN .................................................................... 55
BIBLIOGRAFA............................................................................................................................ 57
ANEXOS....................................................................................................................................... 58
3.9. APLICACIN DE LA VARIABLE DISCRETA ................................................................... 59
BIBLIOGRAFA............................................................................................................................ 61
ANEXOS....................................................................................................................................... 62
SEMANA 4 ................................................................................................................................... 64
4.10. HERRAMIENTAS ESTADSTICAS DE VARIABLE ALEATORIA BINOMIAL PARA
TRABAJAR SOBRE DATOS DE UNA SIMULACIN .................................................................... 64
BIBLIOGRAFA............................................................................................................................ 65
ANEXOS ...................................................................................................................................... 66
4.11. APLICACIN DE LA VARIABLE BINOMIAL ............................................................... 67
BIBLIOGRAFA............................................................................................................................ 69
ANEXOS....................................................................................................................................... 70
4.12. HERRAMIENTAS ESTADSTICAS VARIABLE ALEATORIA GEOMTRICA PARA
TRABAJAR SOBRE DATOS DE UNA SIMULACIN .................................................................... 71
BIBLIOGRAFA............................................................................................................................ 73
ANEXOS....................................................................................................................................... 74
SEMANA 5 ................................................................................................................................... 76
5.13. APLICACIN DE LA VARIABLE ALEATORIA GEOMTRICA.................................... 76
BIBLIOGRAFA............................................................................................................................ 79
ANEXOS....................................................................................................................................... 80
5.14. HERRAMIENTAS ESTADSTICAS DE LA VARIABLE ALEATORIA POISSON PARA
TRABAJAR SOBRE DATOS DE UNA SIMULACIN .................................................................... 81
BIBLIOGRAFA............................................................................................................................ 83
ANEXOS....................................................................................................................................... 84
5.15. APLICACIN DE LA VARIABLE ALEATORIA POISSON ............................................ 85
BIBLIOGRAFA............................................................................................................................ 87
ANEXOS....................................................................................................................................... 88
SEMANA 6 ................................................................................................................................... 90
6.16. COMPARAR LAS DISTINTAS DISTRIBUCIONES DE PROBABILIDAD ...................... 90
BIBLIOGRAFA............................................................................................................................ 97
ANEXOS....................................................................................................................................... 98
6.17. METODOLOGAS PARA ELABORAR MODELOS PARA SIMULAR ............................. 99
BIBLIOGRAFA.......................................................................................................................... 104
ANEXOS..................................................................................................................................... 105
6.18. IMPORTANCIA DE LOS DATOS QUE SE INGRESAN EN UNA SIMULACIN
DISCRETA ................................................................................................................................. 106
BIBLIOGRAFA.......................................................................................................................... 110
ANEXOS..................................................................................................................................... 111
SEMANA 7 ................................................................................................................................. 113
7.19. MOSTRAR CMO SE TRABAJA CON LOS DATOS ARROJADOS POR UNA
SIMULACIN DE COLAS ........................................................................................................... 113
BIBLIOGRAFA.......................................................................................................................... 116
ANEXOS..................................................................................................................................... 117
7.20. DIFERENTES MEDIDAS DE DESEMPEO DE UN SISTEMA DE COLA ................... 118
BIBLIOGRAFA.......................................................................................................................... 121
ANEXOS..................................................................................................................................... 122
7.21. MODELOS PARA SIMULACIN DE COLAS PARA RESOLVER PROBLEMAS REALES
123
BIBLIOGRAFA.......................................................................................................................... 127
ANEXOS..................................................................................................................................... 128
SEMANA 8 ................................................................................................................................. 130
8.22. MODELOS PARA SIMULACIN DE COLAS PARA RESOLVER PROBLEMAS REALES CON
2 SERVIDORES.......................................................................................................................... 130
BIBLIOGRAFA.......................................................................................................................... 135
ANEXOS..................................................................................................................................... 136
8.23. MODELOS PARA SIMULACIN DE COLAS PARA RESOLVER PROBLEMAS REALES CON
3 SERVIDORES.......................................................................................................................... 137
BIBLIOGRAFA.......................................................................................................................... 139
ANEXOS..................................................................................................................................... 140
8.24. COMPARAR LOS DISTINTOS TIPOS DE SERVIDORES ................................................... 141
BIBLIOGRAFA.......................................................................................................................... 145
ANEXOS..................................................................................................................................... 146
PRLOGO
Con el llegado de las computadoras, una de las ms importantes herramientas
de analizar el diseo y operacin de sistemas o procesos complejos de la
simulacin.

Aunque la construccin de modelos arranca desde el renacimiento, el uso


moderno de la palabra simulacin.

La tcnica de simulacin de sistemas es una herramienta de anlisis, cuyo uso


se ha extendido a diversas reas (Administracin, Economa, Ingeniera, etc.)
en forma muy reciente. Su inicio se ubica en la dcada de los 40's cuando Von
Newman y Ulam la utilizaron para analizar y resolver problemas complejos en el
campo de la fsica, en los que la solucin analtica no siempre es factible o
bien, es demasiado costosa para hacerlo en forma experimental.
Segn Thomas H. Naylor; simulacin es una tcnica numrica para conducir
experimentos en una computadora digital. Estos experimentos comprenden
ciertos tipos de relaciones matemticas y lgicas, las cuales son necesarias
para describir el comportamiento y la estructura de sistemas complejos del
mundo real a travs de lagos periodos de tiempo.

Segn H. Maisel y G. Gnugnoli; simulacin es una tcnica numrica para


realizar experimentos en una computadora digital. Estos experimentos
involucran ciertos tipos de modelos matemticos y lgicos que describen el
comportamiento de sistemas de negocios, econmicos, sociales, biolgicos,
fsicos o qumicos, a travs de largos periodos de tiempo.
Segn Robert E. Shannon; simulacin es el proceso de disear y desarrollar un
modelo computarizado de un sistema o proceso y conducir experimentos con
este modelo con el propsito de entender el comportamiento del sistema o
evaluar varias estrategias con las cuales puede operar el sistema.
OBJETIVOS
Comprender la metodologa general para la simulacin de un sistema.
Comprender las coincidencias y diferencias entre mtodos analticos y de
simulacin.
Estudiar diferentes clases de modelos de simulacin.
Determinar las caractersticas deseables en los modelos de simulacin.
Adquirir nociones bsicas sobre probabilidades.
Aprender a simular el comportamiento de variables exgenas al sistema.
Aplicar la metodologa de simulacin para obtener decisiones ptimas.

MISIN
La Universidad Agraria del Ecuador est conformada por un gran equipo de
trabajo que ao con ao traemos a la sociedad temas relacionados con
simulacin. Nuestra misin es impartir conocimientos relacionados con la
simulacin y conceptos relacionados.

VISIN
Interpretar los conceptos de simulacin y realizar prcticas para que los
estudiantes puedan fortalecer sus conocimientos sobre simulacin de sistemas.
RESUMEN DEL CONTENIDO
SISTEMA DE SISTEMA DE
UNIDAD TEMA SISTEMA DE CONOCIMIENTOS
HABILIDADES VALORES
Definicin de Simulacin
Tipos de Simulacin Entender los principios Honestidad:
bsicos de la Simulacin.
Ventajas y desventajas de la Sentido de
Introduccin a Identificar bajo qu
1 la Simulacin Simulacin
circunstancias se aplica una
pertenencia.
Ejemplos tpicos de aplicacin Simulacin conociendo sus Sentido del
de la Simulacin ventajas y desventajas deber
Sistemas y Modelos
Identificar las Distribuciones
Variable Uniforme y nmeros aleatorios que Dignidad:
Generacin Variable Aleatoria Discreta van a ser de importancia Compromiso
2 de Variables Variable Aleatoria Binomial para el comportamiento de con la sociedad.
Aleatorias Variable Aleatoria Geomtrica Simulacin. Solidaridad.
Variable Aleatoria Poisson Generar Variables Nacionalidad.
Aleatorias Discretas

Mtodo de Simulacin por


medio de Eventos Discretos
Aplicaciones de la Simulacin Reconocer los estados
Discreta de aleatoriedad
Responsabilida
Mtodos Caracterstica de los Sistemas presentes en la
d:
de de Cola Simulacin.
Respeto al medio
3 Simulacin Medidas de desempeo de las Elaborar un Modelo
ambiente.
Colas Simple a partir de la
Respeto a los
Aplicacin a la Teora de observacin y
instrumentos.
Inventario descripcin de la
Sistema de Inventario (M, N) realidad
Sistema de Reparacin de
Mquinas

Metodologa de la construccin
de Modelos de Simulacin de Creatividad y
Sistemas Discretos
Lenguajes Reconocer parmetros y Originalidad:
de Caractersticas generales de los
variables en un modelo. Observar
Lenguajes de Simulacin de
Simulacin Determinar los hechos, planear
Sistemas Discretos: la "Visin del
4 de parmetros y variables los sistemas,
Mundo" de un lenguaje de
Sistemas Simulacin del modelo a partir de clasificarlos,
Discretos Anlisis algortmico de las mediciones del objeto relacionarlos y
estrategias de Simulacin de bajo estudio. preparar
Sistemas Discretos exposiciones.
Un ejemplo de Lenguaje: GPSS

Identificar el avance
Generadores de simuladores, tecnolgico de la Sensibilidad:
Tendencias
entornos de simulacin y Simulacin. Comprender Amor a la
actuales de animacin grfica
5 la relacin de la profesin.
la
Simulacin visual interactiva Simulacin con la Compromiso
Simulacin
Simulacin e inteligencia artificial aparicin de otras social
ciencias.
SEMANA 1
1.1. INTRODUCCIN A LA SIMULACIN

La tcnica de simulacin de sistemas es una herramienta de anlisis, cuyo uso


se ha extendido a diversas reas (Administracin, Economa, Ingeniera, etc.)
en forma muy reciente. Su inicio se ubica en la dcada de los 40's cuando Von
Newman y Ulam la utilizaron para analizar y resolver problemas complejos en el
campo de la fsica, en los que la solucin analtica no siempre es factible o
bien, es demasiado costosa para hacerlo en forma experimental.
Segn Thomas H. Naylor; simulacin es una tcnica numrica para conducir
experimentos en una computadora digital. Estos experimentos comprenden
ciertos tipos de relaciones matemticas y lgicas, las cuales son necesarias
para describir el comportamiento y la estructura de sistemas complejos del
mundo real a travs de lagos periodos de tiempo.
Segn H. Maisel y G. Gnugnoli; simulacin es una tcnica numrica para
realizar experimentos en una computadora digital. Estos experimentos
involucran ciertos tipos de modelos matemticos y lgicos que describen el
comportamiento de sistemas de negocios, econmicos, sociales, biolgicos,
fsicos o qumicos, a travs de largos periodos de tiempo.
Segn Robert E. Shannon; simulacin es el proceso de disear y desarrollar un
modelo computarizado de un sistema o proceso y conducir experimentos con
este modelo con el propsito de entender el comportamiento del sistema o
evaluar varias estrategias con las cuales puede operar el sistema.
CONCEPTOS BSICOS DE SIMULACIN
Concepto de Simulacin: Es una tcnica que permite recrear situaciones o
establecer la factibilidad de un experimento. A partir de la simulacin, se logra
visualizar a un sistema fsico, haciendo una conexin entre lo abstracto y la
realidad. Las simulaciones generan un ambiente de aprendizaje interactivo, lo
que permite a los estudiantes explorar la dinmica de un proceso.
A travs del relativamente poco tiempo de existencia de esta tcnica, han
surgido muchas definiciones en las que se involucran varios elementos y
conceptos que son fundamentales, tal Vez lo nico en que se presentan
divergencias, es el enfoque que se da a cada una de ellas.
Una de las ms significativas ha sido entre otras, la que expres C. West
Churchman.
X simula a Y, si y solo si:

a) X y Y son sistemas formales,


b) Y se considera como el sistema real,
c) X se toma como una aproximacin del sistema real,
d) Las reglas de validez en X no estn exentas de error.

Al analizar con un poco de detenimiento esta definicin, es claro que implica


inicialmente la conceptualizacin formal de la realidad como un sistema y la
utilizacin de esta para conformar otro sistema anlogo producto de esta
abstraccin, y que adems debe contener como principales caractersticas,
un menor grado de complejidad, y asimismo, conservar los elementos
esenciales de la estructura y funcin que se aprecia en la realidad.
Por otra parte, es muy notoria la ausencia del concepto tiempo, que para los
objetivos que se persiguen, es altamente significativo, y cuya importancia si es
ponderada por otros autores que han expresado una definicin.
La simulacin es una tcnica muy poderosa y ampliamente usada en las
ciencias para analizar y estudiar sistemas complejos. En Investigaciones se
formularon modelos que se resolvan en forma analtica. En casi todos estos
modelos la meta era determinar soluciones ptimas. Sin embargo, debido a la
complejidad, las relaciones estocsticas, etc., no todos los problemas del
mundo real se pueden representar adecuadamente en forma de modelo.
Simular, es reproducir artificialmente un fenmeno o las relaciones entrada-
salida de un sistema. Se puede definir a la simulacin como la tcnica que
imita el funcionamiento de un sistema del mundo real cuando evoluciona en
el tiempo. Esto se hace por lo general al crear un modelo de simulacin.
Shannon define la simulacin como el proceso de disear un modelo de un
sistema real y realizar experimentos con l para entender el comportamiento
del sistema o evaluar varias estrategias (dentro de los lmites impuestos por un
criterio o por un conjunto de criterios) para la operacin del sistema.
Un modelo de simulacin comnmente toma la forma de un conjunto de
hiptesis acerca del funcionamiento del sistema, expresado con relaciones
matemticas o lgicas entre los objetos de inters del sistema. el proceso de
simulacin incluye la ejecucin del modelo a travs del tiempo, en general en
una computadora, para generar nuestras representativas de las mediciones
del desempeo o funcionamiento.
Al respecto, una de las ms conocidas es la que se atribuye a NayloL Balintfy,
Burdick y Kong Chu; "Simulacin, es una tcnica numrica para conducir
experimentos en una computadora digital, los 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 periodos
extensos de tiempo real".
La definicin anterior, involucra algunas ideas adicionales a la expresada por
Churchman, dndole un sentido ms prctica e incluyendo el factor tiempo
que no haba sido considerado explcitamente. Como anteriormente se
apunt, existe una gran cantidad de definiciones, pero todas ellas mantienen
el concepto fundamental y excluyen o incluyen otros en funcin del enfoque
particular o los objetivos que se persiguen.
a) La simulacin implica un procesa de abstraccin para que, de la realidad
compleja se deduzca un sistema el cual pueda ser operativo al conformar un
modelo de este
b) El modelo de acuerdo al contexto del problema puede ser 5 fsico,
iconogrfico, analgico, verbal; etc.
c) Es comprensible que de acuerdo a las caractersticas propias del problema, se
pueden presentar diferentes categoras o tipos de modelos, las cuales no son
mutuamente excluyentes.
d) Los objetivos de la simulacin pueden restringirse a uno sola o a varios y su
diseo debe ser acorde a stos.
e) La simulacin implica adems, un proceso de implementacin y operacin en
computadora a bien manual (con fines didcticos). Para esto se han diseado
varios lenguajes que simplifican enormemente esta tarea.
f) La simulacin no es sinnimo de optimizacin, esto quiere decir que no se
obtendrn este tipo de soluciones necesariamente y que de hecho en la
mayora de los casos, solo debe esperarse la obtencin de criterios que
permitan tomar decisiones dentro de un lmite aceptable de riesgo.

Una simulacin es una imitacin de la operacin de un proceso del mundo


real sobre determinado tiempo
El comportamiento de un sistema durante determinado tiempo puede ser
estudiado por medio de un modelo de simulacin. Este modelo usualmente
toma su forma a partir de un conjunto de postulados sobre la operacin del
sistema real.
Una indicacin de la realidad que se implique la realidad, esta implica
trampa, engao; la maga est en que se parezca tanto a la realidad
En la naturaleza la simulacin es como una tcnica de engao para
sobrevivir. Ejemplo el camalen el cual es un animal conocido por su
capacidad de cambiar de color dependiendo en el lugar en que se
encuentre.
La simulacin es una estrategia Es una imitacin de un sistema real sin ser
real, se tiene en cuenta el enfoque del sistema que implica que si hay una
realidad hay un cambio de variables.
Concepto de Sistema: Hasta ahora, se ha mencionado insistentemente La
palabra "sistema", sin hacer una distincin clara de que se entiende por
sistema. En forma muy elemental un sistema puede describirse como un
conjunto de elementos interrelacionados de algn modo, a fin de lograr un
objetivo comn. Este concepto es ms que nada, el producto de una filosofa
para enfocar situaciones complejas.
El ejemplo ms descriptivo del concepto de sistema, es desde luego el cuerpo
humano, as pues se pueden considerar como sus componentes: corazn,
cerebro, pulmones, etc., cada uno de ellos tiene un atributo que le hace
indispensable para los dems componentes del cuerpo, asimismo ninguno de
ellos puede subsistir sin interrelaciones con los otros, la conjuncin de stos y el
perfecto balance de sus funciones hace posible la existencia del todo. Por otra
parte, es claro que el ser humano como tal, no puede ser un ente aislado de
su medio ambiente en el cual acta y a su vez es afectado por su entorno.
Simular, es reproducir artificialmente un fenmeno o las relaciones entrada-
salida de un sistema. Esto ocurre siempre cuando la operacin de un sistema o
la experimentacin en l son imposibles, costosas, peligrosas o poco prcticas,
como en el entrenamiento de personal de operacin, pilotos de aviones, etc.
ALGUNOS USOS DE LA SIMULACIN
Las reas de aplicacin de la simulacin son muy amplias, numerosas y
diversas, basta mencionar slo algunas de ellas: Anlisis del impacto ambiental
causado por diversas fuentes Anlisis y diseo de sistemas de manufactura
Anlisis y diseo de sistemas de comunicaciones. Evaluacin del diseo de
organismos prestadores de servicios pblicos (por ejemplo: hospitales, oficinas
de correos, telgrafos, casas de cambio, etc.). Anlisis de sistemas de
transporte terrestre, martimo o por aire. Anlisis de grandes equipos de
cmputo. Anlisis de un departamento dentro de una fbrica. Adiestramiento
de operadores (centrales carboelctricas, termoelctricas, nucleoelctricas,
aviones, etc.).Anlisis de sistemas de acondicionamiento de aire. Planeacin
para la produccin de bienes. Anlisis financiero de sistemas econmicos.
Evaluacin de sistemas tcticos o de defensa militar. La simulacin se utiliza en
la etapa de diseo para auxiliar en el logro o mejoramiento de un proceso o
diseo o bien a un sistema ya existente para explorar algunas modificaciones.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.

http://simulacionkarla.blogspot.com/p/blog-page.html
ANEXOS

1.2. CLASIFICACIN DE LOS DISTINTOS TIPOS DE


SISTEMAS
Si se desea realizar la simulacin de un sistema, es fundamental contar con
una herramienta que permita analizar, sistematizar y extraer de la realidad la
porcin de esta que se va a estudiar, pero de una manera ordenada y as en
una fase posterior confirmarla con un modelo matemtico a travs del cual se
implementar el proceso de simulacin.
Modelos y su clasificacin
Para la solucin de los problemas ms simples y an los ms complejos es
necesario centrarse en solo una porcin y/o en algunas caractersticas
esenciales y no en todos Los detalles que se presentan en la realidad. Esta
aproximacin o abstraccin se llama generalmente modelo.

Los modelos no representan ni deben representar todos Los aspectos de la


realidad, es decir, un modelo debe ser una versin simplificada de la realidad,
pero que a su vez contenga todos Los elementos y caractersticas que
permitan conocer, analizar, experimentar y concluir acerca de esta. Un
aspecto interesante es el hecho de que mientras ms informacin se incluya
en el modelo ms veraces sern los resultados obtenidos, sin embargo, en la
mayora de los casos esta ventaja se ve disminuida ante los niveles de
complejidad que adquiere el modelo que

Lo hace imprctico, as es esencial que:

* Un modelo sea lo ms simple posible, sin que pierda un nivel aceptable de


confiabilidad y de poder explicativo.

* Un modelo no debe ser tan complejo que requiera grandes volmenes de


informacin, cuya consecucin sea costosa y que, por otra parte, esa misma
complejidad sea un obstculo para obtener una solucin.

En otras palabras, un modelo debe ser tan simple que sea ventajoso trabajar
con l y no directamente sobre el mundo real, y que por otra parte las
conclusiones que se puedan extraer de su operacin sean tan confiables
como las derivadas de una experimentacin directa.

Ahora bien, La clasificacin de los modelos puede realizarse respecto a ciertas


caractersticas implcitas de ellos, as se considera que de acuerdo a:

Su funcin pueden dividirse en:

a) Descriptivos:

Son aquellos que solo proporcionan informacin acerca del estado de las
cosas, es decir, slo son una imagen.

b) Predictivos:

Estos estn diseados para poder explicar y prever el comportamiento de las


variables, en funcin a variaciones de las condiciones iniciales.

c) Normativos:

Slo proporcionan informacin acerca de la "accin" recomendable ante una


situacin dada.

Atendiendo a su estructura pueden ser:

a) Icnicos:

Los modelos conservan algunas de las caractersticas fsicas de lo que


representan.
b) Analgicos:

En estos, los elementos y/o procesos de un sistema son sustituidos por los
elementos y/o procesos de otro sistema.

c) Simblicos:

Se basan en el lenguaje simblico (smbolos), para describir una caracterstica


inherente a un sistema.

Respecto al tiempo estos son:

a) Estticos:

Los modelos estticos no estn capacitados para explicar cambios ocurridos a


travs del tiempo.

b) Dinmicos:

Estos estn en posibilidad de explicar el comportamiento de las variables a


travs del tiempo.

En funcin a la incertidumbre:

a) Deterministas:

Este tipo de modelos, generan informacin de salida en forma nica, en


respuesta de una serie especfica de Valores de entrada.

b) Probabilsticos:

Los modelos probabilsticos comprenden distribuciones de probabilidad como


informacin de entrada y proporcionan como producto una gama de valores
con una probabilidad asociada a cada una. Este modelo ayuda a tomar
decisiones bajo riesgo.

Finalmente, debe mencionarse que un modelo dado puede participar de una


o varias categoras, as podemos pensar en modelos cuyas caractersticas
sean: simblico, dinmico y probabilstico, o bien: icnico, esttico y
determinista.
METODOLOGA DE LA SIMULACIN.

Una Vez definido el concepto de simulacin, sistema y modelo, brevemente se


describirn las fases de la simulacin. Esencialmente la metodologa incluye las
siguientes etapas:

1. Definicin y formulacin del problema

Parece razonable que al igual que otras formas de investigacin, la etapa


inicial sea la definicin y formulacin del problema y/o la definicin exacta de
los objetivos del experimento. En forma general se debe especificar la
informacin que se pretende obtener, las hiptesis que se van a probar o los
efectos con los cuales se va a experimentar.

La determinacin especfica de estos aspectos permitir no perder de vista el


objeto de la investigacin y establecer los alcances de esta.

2. Conceptualizacin del sistema

Una vez definida y aclarada la problemtica, debe considerarse como una


segunda etapa un proceso de abstraccin de la realidad para conceptualizar
la porcin de sta, como un sistema. Esto permitir comprender cabalmente
los procesos y/o mecanismos bsicos de funcionamiento.

3. Formulacin de un modelo matemtico

Ya definidos los objetivos experimentales y teniendo el conocimiento del


sistema, la siguiente etapa es la formulacin de un modelo matemtico, que
relacione las variables endgenas del sistema con las exgenas. Se supone
que las variables exgenas se determinan mediante las fuerzas externas al
sistema y pueden ser del tipo aleatorio o expresarse en forma de tendencias
de tiempo.

4. Estimacin de parmetros

Posterior a la formulacin del modelo matemtico que describe al sistema, es


necesario estimar los valores de los parmetros de dicho modelo y comprobar
la importancia estadstica de tas estimaciones. Para ello se tomar como base
las observaciones extradas de la realidad.

5. Evaluacin del modelo

Se hace necesario realizar una evaluacin del modelo, es decir, ponerlo a


prueba. Lo anterior es fundamental considerando que poco o nada se ganar
utilizando un modelo inadecuado para la simulacin del sistema.

Un nivel de referencia para esta evaluacin es realizar un clculo manual y


comparar los resultados con los valores tericos de las variables endgenas del
modelo, con los valores histricos o reales de dichas variables. Si el modelo no
pasa satisfactoriamente esta evaluacin, lo ms conveniente es retomar el
proceso desde su primera etapa.
6. Formulacin del programa de computadora

La formulacin de un programa de computadora para experimentos de


simulacin, requiere esencialmente de 3 aspectos:

l) EL programa de computadora

2) Informacin de entrada y condiciones iniciales

3) La generacin de datos.

7. Anlisis de datos

Una vez obtenidos los datos de La simulacin, estos se deben analizar por
alguno de los dos mtodos siguientes:

Anlisis de la Varianza y el Anlisis de regresin.

TIPOS DE SISTEMAS
Modelos de simulacin esttica vs. Dinmica
Un modelo de simulacin esttica, se entiende como la representacin de un
sistema para un instante (en el tiempo) en particular o bien para representar
un sistema en el que el tiempo no es importante, por ejemplo la simulacin
Montecarlo; en cambio un modelo de simulacin dinmica representa a un
sistema en el que el tiempo es una variable de inters, como por ejemplo en el
sistema de transporte de materiales dentro de una fbrica, una torre de
enfriamiento de una central termoelctrica, etc...
Esttico
Son aquellos que no toman en cuenta, explcitamente, a la variable tiempo.
Ejemplo: costo para cantidad de camas reservadas (en un hospital)
Dinmico
Los modelos dinmicos son una representacin de la conducta dinmica de
un sistema, mientras un modelo esttico involucra la aplicacin de una sola
ecuacin, los modelos dinmicos, por otro lado, son reiterativos. Los modelos
dinmicos constantemente aplican sus ecuaciones considerando cambios de
tiempo.
Modelos de simulacin determinista vs estocstica
Si un modelo de simulacin no considera ninguna variable importante,
comportndose de acuerdo con una ley probabilstica, se le llama un modelo
de simulacin determinista. En estos modelos la salida queda determinada una
vez que se especifican los datos y relaciones de entrada al modelo, tomando
una cierta cantidad de tiempo de cmputo para su evaluacin. Sin embargo,
muchos sistemas se modelan tomando en cuenta algn componente
aleatorio de entrada, lo que da la caracterstica de modelo estocstico de
simulacin. Un ejemplo sera un sistema de inventarios de una fbrica, o bien el
sistema de lneas de espera de una fbrica, etc. Estos modelos producen una
salida que es en s misma de carcter aleatorio y sta debe ser tratada
nicamente para estimar las caractersticas reales del modelo, esta es una de
las principales desventajas de este tipo de simulacin.
Determinstico
En stos ni las variables exgenas, ni las endgenas, se obtienen por medio del
azar, debido a que se suponen relaciones exactas para las caractersticas de
operacin. Son variables con valores preestablecidos.
Es aquel en el cual se establecen las condiciones para que al ejecutar el
experimento se determine el resultado.
Estocstico
Los valores de sta o estas variables, se obtienen al azar.
Es aquel en el cual informacin pasada, no permite la formulacin de una
regla para determinar el resultado preciso de un experimento.
Modelos de simulacin continuos vs discretos
Los modelos de simulacin discretos y continuos, se definen de manera
anloga a los sistemas discretos y continuos respectivamente. Pero debe
entenderse que un modelo discreto de simulacin no siempre se usa para
modelar un sistema discreto. La decisin de utilizar un modelo discreto o
continuo para simular un sistema en particular, depende de los objetivos
especficos de estudio. Por ejemplo: un modelo de flujo de trfico en una
supercarretera, puede ser discreto si las caractersticas y movimientos de los
vehculos en forma individual es importante. En cambio si los vehculos pueden
considerarse como un agregado en el flujo de trfico entonces se puede usar
un modelo basado en ecuaciones diferenciales presentes en un modelo
continuo. Otro ejemplo: Un fabricante de comida para perros, requiere el
auxilio de una compaa consultora con el objeto de construir un modelo de
simulacin para su lnea de fabricacin, la cual produce medio milln de latas
al da a una velocidad casi constante. Debido a que cada una de las latas se
represent como una entidad separada en el modelo, ste resulto ser
demasiado detallado y por ende caro para correrlo, hacindolo poco til.
Unos meses ms tard, se hizo una reformulacin del modelo, tratando al
proceso como un flujo continuo. Este nuevo modelo produjo resultados
precisos y se ejecut en una fraccin del tiempo necesario por el modelo
original.
Discreto
El estado de los cambios en los modelos slo se da cuando esos eventos
ocurren.
La llegada de rdenes, o las partes que estn siendo ensambladas, as como
los clientes que llaman.
Una fbrica que ensambla partes es un buen ejemplo de un sistema de evento
discreto.
Las entidades individuales (partes) son ensambladas basadas en eventos
(recibo o anticipacin de rdenes).
Continuo
En modelos continuos, el cambio de valores se basa directamente en los
cambios de tiempo.
La simulacin continua es anloga a un depsito en donde el fluido que
atraviesa una caera es constante. El volumen puede aumentar o puede
disminuir, pero el flujo es continuo.
Fsico
Llamados as, debido a que se semejan al sistema en estudio.
Durante muchos aos, los ingenieros han usado modelos de tamao natural y
han reducido y puesto a escala a los mismos para probarlos. (NASA, lneas
areas comerciales).
Anlogos
Los modelos anlogos poseen algunas propiedades similares a los objetos
representados pero sin ser una rplica morfolgica de los mismos.
Un ejemplo de un modelo anlogo es un mapa impreso que se construye
mediante un conjunto de convenciones cartogrficas que conducen a un
resultado final claramente distinto del objeto representado.
Mediante esta transformacin se persigue hacer legibles propiedades tales
como altitud, distancia, localizacin fsica de objetos geogrficos, sus
relaciones importancia.
Simblicos
Los modelos simblicos se construyen mediante reglas notablemente ms
abstractas ya que esta denominacin suele aplicarse a los casos en los que el
objeto real se representa mediante una codificacin matemtica.
Un ejemplo de modelo simblico es la representacin de un edificio mediante
la identificacin y codificacin en una estructura geomtrica de sus elementos
bsicos.
El modelo as construido permite la aplicacin de algoritmos para, por
ejemplo, la estimacin de esfuerzos a los que est sometido.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.

http://simulacionkarla.blogspot.com/p/blog-page.html
ANEXOS
1.3. VENTAJAS Y DESVENTAJAS PARA ELABORAR
MODELOS
La tcnica de simulacin de sistemas se ha extendido rpidamente en los
ltimos aos a las diferentes reas. Sin embargo, debe aclararse que aunque
existen varias razones para su utilizacin, esta no siempre es la mejor
alternativa. El investigador, debe en principio de acuerdo a sus objetivos,
ponderar la conveniencia y/o desventajas de echar mano de esta
herramienta. Si el contexto del problema es el adecuado para la aplicacin
de tcnicas distintas, deben estas considerarse como prioritarias. Diversos
autores han analizado las posibles ventajas de su utilizacin, algunas de las
razones que ms se han mencionado son:

VENTAJAS
a) La simulacin permite estudiar y/o experimentar con sistemas, cuyo grado
de complejidad es muy variado.

b) Es posible y/o deseable utilizar la simulacin para comprobar o verificar las


soluciones analticas.

c) En instituciones de enseanza, la simulacin es un valioso auxiliar


pedaggico que permite que los estudiantes ejerciten y desarrollen
habilidades bsicas de anlisis y toma de decisiones.

d) La simulacin permite visualizar en los sistemas, los efectos inducidos por


alteraciones estructurales y/o funcionales, sin afectar al sistema real.

e) La aplicacin de esta tcnica y el anlisis cuidadoso de los resultados,


permite normar criterios para la toma de decisiones, as como, instrumentar
acciones especficas permitiendo evaluarlas en periodos cortos o largos de
tiempo.

f) La simulacin es un auxiliar muy valioso para el proceso de planeacin de cu


La simulacin proporciona un mtodo ms simple de solucin cuando los
procedimientos matemticos son complejos y difciles.

g) La simulacin proporciona un control total sobre el tiempo, debido a que


un fenmeno se puede acelerar.

h) Una vez construido el modelo se puede modificar de una manera rpida


con el fin de analizar diferentes polticas o escenario. Permite anlisis de
sensibilidad.

i) Generalmente es ms barato mejorar el sistema va simulacin que hacerlo


en el sistema real.
j) Es mucho ms sencillo visualizar y comprender los mtodos de simulacin
que los mtodos puramente analticos. Da un entendimiento profundo del
sistema.

k) Con los modelos de simulacin es posible analizar sistemas de mayor


complejidad o con mayor detalle (con los mtodos analticos se pueden hacer
ms suposiciones).

l) En algunos casos, la simulacin es el nico medio para lograr una solucin.

DESVENTAJAS
Por otra parte, tambin pueden mencionarse algunas desventajas de la
simulacin:

a) Generalmente, para su uso se requieren ms recursos econmicos y tiempo.

b) No existe una certeza absoluta sobre los resultados obtenidos.

c) El desconocimiento de la tcnica, hace difcil que se acepten los resultados


y conclusiones por los niveles directivos de las organizaciones.

d) Es necesario dar un "mantenimiento" continuo al modelo, para que no se


vuelva obsoleto ante un medio ambiente muy dinmico o poco estable.

e) Una deficiente aplicacin de la tcnica puede ser ms perjudicial que


benfica.

f) La simulacin es imprecisa, y no se puede medir el grado de su imprecisin.

g) Los modelos de simulacin en una computadora son costosos y requieren


mucho tiempo para desarrollarse y validarse.

h) Se requiere gran cantidad de corridas computacionales para encontrar


soluciones ptimas, lo cual representa altos costos.

i) Es difcil aceptar los modelos de simulacin y difcil de vender.

j) Los modelos de simulacin no dan soluciones ptimas.

k) La solucin de un modelo de simulacin puede dar al anlisis un falso


sentido de seguridad.

l) Requiere "largos" periodos de desarrollo.

m) Cada modelo de simulacin es nico.


EJEMPLOS DE VENTAJAS DE SIMULACIN

La enseanza de medicina con simulacin, una


tcnica que emerge en Rep. Dominicana

Primer beb simulador en Espaa


BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.

http://simulacionkarla.blogspot.com/p/blog-page.html

https://simulaciondeprocesosempresariales9.wordpress.com/2011/02/21/
conceptos-basicos-de-simulacion/
ANEXOS
SEMANA 2
2.4. IMPORTANCIA DE LOS DATOS QUE SE INGRESAN
EN UNA SIMULACIN

Los elementos que forman parte del sistema vienen condicionados por el
objetivo del estudio que se pretende realizar, ya que un sistema definido para
un estudio determinado puede ser una parte de un sistema ms amplio
definido para otro estudio particular. Por ejemplo, si se quiere determinar cul
es el nmero ms adecuado de operarios y mquinas en la seccin de
mecanizado de una empresa que tiene una determinada cartera de pedidos,
estos elementos sern los que formen parte del sistema a analizar, mientras
que, si lo que se desea es estudiar la capacidad productiva de la empresa, los
elementos mencionados anteriormente slo sern una parte del sistema.

Al realizar un estudio de simulacin es necesario definir el sistema (es decir, el


conjunto de elementos que se van a incluir en el modelo y, por exclusin, lo
que queda fuera del modelo) y los objetivos que se pretenden conseguir con
el estudio.
Estas tareas son especialmente importantes por las siguientes razones:
En primer lugar, para que el nivel de detalle del modelo sea el adecuado.
No conviene que el detalle sea tan pobre que no se pongan de manifiesto
los fenmenos relevantes del sistema, pero tampoco es interesante que el
nivel de detalle sea mayor del necesario. En el primer caso, aunque el
desarrollo pueda ser no muy costoso, los resultados sern poco fiables y el
modelo intil. En el segundo, el nivel de detalle puede no aportar
informacin adicional interesante, implicar casi con toda seguridad un
tiempo total de desarrollo mayor y, finalmente, se traducir en un modelo
informtico ms lento.
En segundo lugar, la definicin clara de los objetivos y la definicin precisa
del problema facilita la generacin de alternativas potencialmente ms
interesantes y evita el estudio de alternativas menos atractivas.
Finalmente, permite establecer las variables de salida adecuadas, para
evaluar de forma correcta la eficacia y la eficiencia del sistema en
diferentes circunstancias, adems de facilitar que su estudio en trminos
estadsticos sea el adecuado.
Variables de entrada de datos
Las variables de entrada de datos son aquellas que corresponden a
fenmenos del sistema real sobre las que no se tiene ningn control. Por
ejemplo, el nmero de clientes que llegan a una gasolinera, el producto que
demandan, el volumen de demanda de un producto, etc.
Parmetros de diseo
Los parmetros de diseo representan aquellas caractersticas del sistema
sobre las que se tiene control y que determinan la configuracin del sistema.
Pueden ser parmetros de diseo, el nmero de surtidores que se dedica a
cada producto en una gasolinera, el nmero de operarios que se destina a
cierto conjunto de operaciones, la mquina que se emplea para realizar una
determinada operacin.
Variables de salida
Finalmente, a partir de las variables de entrada y de los parmetros de diseo
del modelo y de las relaciones que se establecen entre diferentes elementos
del modelo, se obtienen valores para las variables de salida, que son aquellas
que, generalmente, permiten caracterizar el sistema para una determinada
configuracin y que estn estrechamente ligadas a los objetivos del estudio.
Por ejemplo, el tiempo total de espera en una oficina de atencin puede ser
una variable de salida. Igualmente, la produccin diaria de una planta puede
ser una variable de salida.
Recogida, anlisis y generacin de datos de entrada
Para simular el comportamiento de un determinado sistema se necesita
alimentar el modelo con diferentes valores de las variables de entrada (por
ejemplo, los tiempos de llegada entre clientes a un banco, el nmero de
piezas de cada pedido que llega a una planta de produccin, etc.)
En ocasiones, no se dispone de datos histricos de las variables de entrada
(porque no se han recopilado, porque no ha existido la oportunidad de
recogerlos, etc.) Por supuesto, los resultados sern tanto ms fiables cuanto
ms acertada sea la eleccin.
Si, en cambio, se dispone de datos histricos, existen tres alternativas:
Alimentar el modelo con los datos histricos tal y como se han recogido.
Esta alternativa es interesante desde el punto de vista de la validacin del
modelo, es decir, para confirmar que el modelo representa de forma
adecuada el sistema estudiado. Efectivamente, si se dispone de un conjunto
de valores para las variables de entrada del modelo y de los correspondientes
valores de salida que ofreci el sistema real para dichos valores, es posible
comprobar si para dichos valores, el modelo arroja valores parecidos a los
reales para las variables de salida.
Construir una funcin de distribucin emprica y generar valores de
acuerdo con dicha distribucin. Esta alternativa consiste en dividir el rango
de valores en un conjunto de intervalos o de valores discretos y asignar una
probabilidad a cada intervalo o cada valor proporcional a la frecuencia
relativa de los valores histricos.
Realizar un ajuste de los datos histricos a una funcin de distribucin
terica, y generar valores de acuerdo con dicha distribucin.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=11322649
&ppg=3

Urqua Moraleda Alfonso, Martn Villalba Carla. (Enero, 2016). Mtodos


de simulacin y modelado, La Habana, Cuba: UNED - Universidad
Nacional de Educacin a Distancia
ANEXOS
2.5. HERRAMIENTAS ESTADSTICAS VARIABLE
UNIFORME PARA TRABAJAR SOBRE DATOS DE
UNA SIMULACIN
Los fenmenos que son tpicamente objeto de estudio mediante simulacin
son de carcter estocstico, por lo que la simulacin est muy ligada a la
estadstica. SI se desea realizar la simulacin de un sistema, es fundamental
contar con una herramienta que permita analizar, sistematizar y extraer de la
realidad la porcin de esta que se va a estudiar, pero de una manera
ordenada y as en una fase posterior confirmarla con un modelo matemtico
a travs del cual se implementar el proceso de simulacin. En particular, y
como se indica en la Figura 1, a lo largo del desarrollo de un estudio de
simulacin, la estadstica aparece de la siguiente manera.

Figura 1. La simulacin y la estadstica

En primer lugar, se deben tratar de forma adecuada los datos histricos


correspondientes a las variables de entrada para poder caracterizar de
forma adecuada su comportamiento.
Una vez hecho lo anterior, es necesario generar valores de las variables de
entrada conforme a la caracterizacin del comportamiento anterior.
Se debe estudiar de forma adecuada el valor de las variables de salida
para no extraer conclusiones errneas o no representativas del
comportamiento del sistema.
Se debe poder comparar de forma fiable que los resultados que ofrece el
modelo son parecidos a los que ofrece la realidad, para garantizar que el
modelo representa de forma adecuada la realidad.
Es necesario disponer de una metodologa que permita estudiar
configuraciones alternativas del sistema.
En general, tambin puede ser interesante analizar los factores que
condicionan el comportamiento de un sistema (diseo de experimentos,
superficies de respuesta).
Se ofrecen algunas nociones y tcnicas bsicas de estadstica necesarias
para la realizacin de un estudio de simulacin de forma correcta.

Variables aleatorias
Una de las caractersticas ms notables de la simulacin es la existencia de
fenmenos no deterministas que se deben representar mediante variables
aleatorias.

De una variable determinista se sabe con certeza el valor que toma. Por el
contrario, de una variable aleatoria no se sabe con certeza el valor que toma,
pero se conoce que puede tomar valores dentro de un determinado rango,
de tal manera que existe una determinada probabilidad de que la variable
tome un determinado valor dentro de dicho rango o se conoce la
probabilidad de que dicha variable tome un valor determinado o uno menor
que dicho valor.

Variables aleatorias ms comnmente utilizadas

A continuacin, presentamos las distribuciones de probabilidad ms


comnmente empleadas en la simulacin. Para cada una de ellas, en primer
lugar, se indican algunas de las posibles aplicaciones de las distribuciones, y se
definen las funciones de densidad y de distribucin. Despus, se describen los
parmetros de cada distribucin, incluyendo sus posibles valores, y el rango al
que las variables aleatorias asociadas pueden pertenecer y, finalmente, se
incluyen las expresiones de la media (valor esperado) y de la varianza.
Distribuciones continuas ms frecuentemente utilizadas

Uniforme
Exponencial
Gamma
Weibull
Normal
Normal-logartmica
Beta
Triangular

Uniforme, U (a, b)

Esta distribucin es generalmente u utilizada como una primera aproximacin


a una variable que vara aparentemente de forma uniforme entre dos valores,
a y b. La variable U (0,1) es la base para la generacin de variables aleatorias.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=11322649
&ppg=3

Urqua Moraleda Alfonso, Martn Villalba Carla. (Enero, 2016). Mtodos


de simulacin y modelado, La Habana, Cuba: UNED - Universidad
Nacional de Educacin a Distancia
ANEXOS
2.6. DISTINTOS TIPOS DE SIMULACIN
Evidentemente, las caractersticas del sistema real que se desea estudiar van a
condicionar el tipo de simulacin que se va a desarrollar. Por lo tanto,
conviene hacer una clasificacin de los sistemas de acuerdo con los aspectos
que van a condicionar su anlisis posterior. As, es til realizar una clasificacin
de los sistemas atendiendo a tres aspectos fundamentales:

Sistemas estticos y sistemas dinmicos


Un sistema se considera esttico cuando sus variables de estado no
cambian a lo largo del tiempo, es decir, cuando el tiempo no juega ningn
papel en sus propiedades. Por el contrario, en un sistema dinmico los
valores que toman todas o algunas de sus variables de accin evolucionan
a lo largo del tiempo.
Sistemas deterministas y sistemas estocsticos
Si un sistema no tiene ningn componente de carcter estocstico (es
decir, aleatorio) se considera determinista. En este caso, el
comportamiento del sistema est determinado una vez que se hayan
definido las condiciones iniciales y las relaciones que existen entre sus
componentes. Por el contrario, un sistema no determinista o estocstico
tiene algn elemento que se comporta de forma aleatoria, de forma que
no est predeterminado comportamiento en funcin de las condiciones
iniciales y de las relaciones entre sus componentes. En este caso, el sistema
slo se podr estudiar en trminos probabilistas, consiguiendo, en el mejor
de los casos, conocer sus respuestas posibles con sus probabilidades
asociadas.
Sistemas continuos y sistemas discretos
En un sistema continuo las variables de estado cambian de forma continua
a lo largo del tiempo, mientras que en uno discreto cambian
instantneamente de valor en ciertos instantes de tiempo. En un sistema de
una cierta complejidad puede ocurrir que existan simultneamente
variables de estado continuas y discretas. En este caso, dependiendo de la
predominancia de una y otras y del objetivo del estudio que se pretende
realizar, se considerar el sistema como perteneciente a uno de los dos
tipos.
Tipos de modelos
Para estudiar un sistema, la forma ms inmediata sera experimentar sobre
l. Sin embargo, esto puede ser desaconsejable, e incluso imposible, por
diversos motivos:
Puede ocurrir que el sistema no exista y lo que se pretenda sea su
diseo.
Puede ser imposible experimentar con el sistema real porque no se
dispone de ningn control sobre dicho sistema; por ejemplo, si se desea
estudiar un sistema financiero, burstil,...
Puede ser econmicamente inviable la experimentacin sobre el
sistema real.
La experimentacin sobre el sistema real puede conllevar unos plazos
de tiempo muy dilatados. Es el caso, por ejemplo, de ciertos sistemas
sociales o biolgicos.

En cualquiera de los casos anteriores se hace necesaria la construccin de


un modelo del sistema que refleje con la fidelidad adecuada las
caractersticas destacadas del sistema a analizar y la experimentacin
sobre dicho modelo. Si se realiza correctamente la construccin del
modelo y el diseo de los experimentos, los resultados obtenidos permitirn
inferir cul sera el comportamiento del sistema a analizar en determinadas
condiciones.

La Figura 1 muestra un esquema que muestra las diferentes formas de


simulacin que se pueden utilizar para analizar un sistema.
Modelos y su clasificacin
Para la solucin de los problemas ms simples y an los ms complejos es
necesario centrarse en solo una porcin y/o en algunas caractersticas
esenciales y no en todos Los detalles que se presentan en la realidad. Esta
aproximacin o abstraccin se llama generalmente modelo.

Los modelos no representan ni deben representar todos Los aspectos de la


realidad, es decir, un modelo debe ser una versin simplificada de la realidad,
pero que a su vez contenga todos Los elementos y caractersticas que
permitan conocer, analizar, experimentar y concluir acerca de esta. Un
aspecto interesante es el hecho de que mientras ms informacin se incluya
en el modelo ms veraces sern los resultados obtenidos, sin embargo, en la
mayora de los casos esta ventaja se ve disminuida ante los niveles de
complejidad que adquiere el modelo que

Lo hace imprctico, as es esencial que:

* Un modelo sea lo ms simple posible, sin que pierda un nivel aceptable de


confiabilidad y de poder explicativo.

* Un modelo no debe ser tan complejo que requiera grandes volmenes de


informacin, cuya consecucin sea costosa y que, por otra parte, esa misma
complejidad sea un obstculo para obtener una solucin.

En otras palabras, un modelo debe ser tan simple que sea ventajoso trabajar
con l y no directamente sobre el mundo real, y que por otra parte las
conclusiones que se puedan extraer de su operacin sean tan confiables
como las derivadas de una experimentacin directa.

Ahora bien, La clasificacin de los modelos puede realizarse respecto a ciertas


caractersticas implcitas de ellos, as se considera que de acuerdo a:

Su funcin pueden dividirse en:

a) Descriptivos:

Son aquellos que solo proporcionan informacin acerca del estado de las
cosas, es decir, slo son una imagen.
b) Predictivos:

Estos estn diseados para poder explicar y prever el comportamiento de las


variables, en funcin a variaciones de las condiciones iniciales.

c) Normativos:

Slo proporcionan informacin acerca de la "accin" recomendable ante una


situacin dada.

Atendiendo a su estructura pueden ser:

a) Icnicos:

Los modelos conservan algunas de las caractersticas fsicas de lo que


representan.

b) Analgicos:

En estos, los elementos y/o procesos de un sistema son sustituidos por los
elementos y/o procesos de otro sistema.

c) Simblicos:

Se basan en el lenguaje simblico (smbolos), para describir una caracterstica


inherente a un sistema.

Respecto al tiempo estos son:

a) Estticos:

Los modelos estticos no estn capacitados para explicar cambios ocurridos a


travs del tiempo.

b) Dinmicos:

Estos estn en posibilidad de explicar el comportamiento de las variables a


travs del tiempo.

En funcin a la incertidumbre:

a) Deterministas:

Este tipo de modelos, generan informacin de salida en forma nica, en


respuesta de una serie especfica de Valores de entrada.

b) Probabilsticos:

Los modelos probabilsticos comprenden distribuciones de probabilidad como


informacin de entrada y proporcionan como producto una gama de valores
con una probabilidad asociada a cada una. Este modelo ayuda a tomar
decisiones bajo riesgo.

Finalmente, debe mencionarse que un modelo dado puede participar de una


o varias categoras, as podemos pensar en modelos cuyas caractersticas
sean: simblico, dinmico y probabilstico, o bien: icnico, esttico y
determinista.

TIPOS DE SISTEMAS
Modelos de simulacin esttica vs. Dinmica

Un modelo de simulacin esttica, se entiende como la representacin de un


sistema para un instante (en el tiempo) en particular o bien para representar
un sistema en el que el tiempo no es importante, por ejemplo la simulacin
Montecarlo; en cambio un modelo de simulacin dinmica representa a un
sistema en el que el tiempo es una variable de inters, como por ejemplo en el
sistema de transporte de materiales dentro de una fbrica, una torre de
enfriamiento de una central termoelctrica, etc...

Esttico

Son aquellos que no toman en cuenta, explcitamente, a la variable tiempo.

Ejemplo: costo para cantidad de camas reservadas (en un hospital)

Dinmico

Los modelos dinmicos son una representacin de la conducta dinmica de


un sistema, mientras un modelo esttico involucra la aplicacin de una sola
ecuacin, los modelos dinmicos, por otro lado, son reiterativos. Los modelos
dinmicos constantemente aplican sus ecuaciones considerando cambios de
tiempo.

Modelos de simulacin determinista vs estocstica

Si un modelo de simulacin no considera ninguna variable importante,


comportndose de acuerdo con una ley probabilstica, se le llama un modelo
de simulacin determinista. En estos modelos la salida queda determinada una
vez que se especifican los datos y relaciones de entrada al modelo, tomando
una cierta cantidad de tiempo de cmputo para su evaluacin. Sin embargo,
muchos sistemas se modelan tomando en cuenta algn componente
aleatorio de entrada, lo que da la caracterstica de modelo estocstico de
simulacin. Un ejemplo sera un sistema de inventarios de una fbrica, o bien el
sistema de lneas de espera de una fbrica, etc. Estos modelos producen una
salida que es en s misma de carcter aleatorio y sta debe ser tratada
nicamente para estimar las caractersticas reales del modelo, esta es una de
las principales desventajas de este tipo de simulacin.

Determinstico

En stos ni las variables exgenas, ni las endgenas, se obtienen por medio del
azar, debido a que se suponen relaciones exactas para las caractersticas de
operacin. Son variables con valores preestablecidos.

Es aquel en el cual se establecen las condiciones para que al ejecutar el


experimento se determine el resultado.

Estocstico

Los valores de sta o estas variables, se obtienen al azar.

Es aquel en el cual informacin pasada, no permite la formulacin de una


regla para determinar el resultado preciso de un experimento.

Modelos de simulacin continuos vs discretos

Los modelos de simulacin discretos y continuos, se definen de manera


anloga a los sistemas discretos y continuos respectivamente. Pero debe
entenderse que un modelo discreto de simulacin no siempre se usa para
modelar un sistema discreto. La decisin de utilizar un modelo discreto o
continuo para simular un sistema en particular, depende de los objetivos
especficos de estudio. Por ejemplo: un modelo de flujo de trfico en una
supercarretera, puede ser discreto si las caractersticas y movimientos de los
vehculos en forma individual es importante. En cambio si los vehculos pueden
considerarse como un agregado en el flujo de trfico entonces se puede usar
un modelo basado en ecuaciones diferenciales presentes en un modelo
continuo. Otro ejemplo: Un fabricante de comida para perros, requiere el
auxilio de una compaa consultora con el objeto de construir un modelo de
simulacin para su lnea de fabricacin, la cual produce medio milln de latas
al da a una velocidad casi constante. Debido a que cada una de las latas se
represent como una entidad separada en el modelo, ste resulto ser
demasiado detallado y por ende caro para correrlo, hacindolo poco til.
Unos meses ms tard, se hizo una reformulacin del modelo, tratando al
proceso como un flujo continuo. Este nuevo modelo produjo resultados
precisos y se ejecut en una fraccin del tiempo necesario por el modelo
original.

Discreto

El estado de los cambios en los modelos slo se da cuando esos eventos


ocurren.

La llegada de rdenes, o las partes que estn siendo ensambladas, as como


los clientes que llaman.

Una fbrica que ensambla partes es un buen ejemplo de un sistema de evento


discreto.

Las entidades individuales (partes) son ensambladas basadas en eventos


(recibo o anticipacin de rdenes).

Continuo

En modelos continuos, el cambio de valores se basa directamente en los


cambios de tiempo.

La simulacin continua es anloga a un depsito en donde el fluido que


atraviesa una caera es constante. El volumen puede aumentar o puede
disminuir, pero el flujo es continuo.

Fsico

Llamados as, debido a que se semejan al sistema en estudio. Durante muchos


aos, los ingenieros han usado modelos de tamao natural y han reducido y
puesto a escala a los mismos para probarlos. (NASA, lneas areas
comerciales).

Anlogos

Los modelos anlogos poseen algunas propiedades similares a los objetos


representados pero sin ser una rplica morfolgica de los mismos.

Un ejemplo de un modelo anlogo es un mapa impreso que se construye


mediante un conjunto de convenciones cartogrficas que conducen a un
resultado final claramente distinto del objeto representado.

Mediante esta transformacin se persigue hacer legibles propiedades tales


como altitud, distancia, localizacin fsica de objetos geogrficos, sus
relaciones importancia.
Simblicos

Los modelos simblicos se construyen mediante reglas notablemente ms


abstractas ya que esta denominacin suele aplicarse a los casos en los que el
objeto real se representa mediante una codificacin matemtica.

Un ejemplo de modelo simblico es la representacin de un edificio mediante


la identificacin y codificacin en una estructura geomtrica de sus elementos
bsicos.

El modelo as construido permite la aplicacin de algoritmos para, por


ejemplo, la estimacin de esfuerzos a los que est sometido.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
SEMANA 3

3.7. APLICACIN DE LA VARIABLE UNIFORME

En ciertos casos es til simular el muestreo de una variable aleatoria con una
distribucin dada. El muestreo de Montecarlo es un procedimiento general
para obtener muestras aleatorias de cualquier tipo de variable (discreta o
continua) si su funcin de distribucin es conocida o se puede calcular. De
hecho, todas las muestras artificiales de Statmedia han sido generadas a
travs del mtodo de Montecarlo.
Supongamos que queremos generar una muestra procedente de una variable
aleatoria X con funcin de distribucin F(x). El proceso comprende los
siguientes pasos:
1. Obtener un valor aleatorio y entre cero y uno. Es decir, obtener una
muestra de una distribucin Uniforme entre cero y uno. La mayora de
lenguajes de programacin incorporan un generador de este tipo.
2. Considerar el valor obtenido como el valor de la funcin de distribucin
a generar: y = F(x).
3. El valor x = F 1 (y) (la inversa de la funcin de distribucin en el punto y)
es un valor procedente de la distribucin de la que desebamos
generar la muestra.
4. Si queremos obtener una muestra con n individuos debemos repetir los
pasos anteriores n veces.
Generacin de una muestra uniforme procedente de una distribucin Binomial
Supongamos que queremos simular el experimento de contar el nmero de
caras obtenidas en 5 lanzamientos de una moneda trucada con probabilidad
de cara igual a 0,75. Es decir, queremos obtener una muestra de una
distribucin Binomial con n = 5 y p = 0,75.
Estas tareas son especialmente importantes por las siguientes razones:
En primer lugar, para que el nivel de detalle del modelo sea el adecuado.
No conviene que el detalle sea tan pobre que no se pongan de manifiesto
los fenmenos relevantes del sistema, pero tampoco es interesante que el
nivel de detalle sea mayor del necesario. En el primer caso, aunque el
desarrollo pueda ser no muy costoso, los resultados sern poco fiables y el
modelo intil. En el segundo, el nivel de detalle puede no aportar
informacin adicional interesante, implicar casi con toda seguridad un
tiempo total de desarrollo mayor y, finalmente, se traducir en un modelo
informtico ms lento.
En segundo lugar, la definicin clara de los objetivos y la definicin precisa
del problema facilita la generacin de alternativas potencialmente ms
interesantes y evita el estudio de alternativas menos atractivas.
Finalmente, permite establecer las variables de salida adecuadas, para
evaluar de forma correcta la eficacia y la eficiencia del sistema en
diferentes circunstancias, adems de facilitar que su estudio en trminos
estadsticos sea el adecuado.
NMEROS ALEATORIOS ENTEROS. Es una observacin aleatoria de una
distribucin uniforme sincretizada en el intervalo n, n+1 Por lo general,
n =0 1 donde estos son valores convenientes para la mayora de las
aplicaciones
NMEROS ALEATORIOS UNIFORMES. Es una observacin aleatoria a partir de
una distribucin uniforme (continua) en un intervalo [a, b]
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=11322649
&ppg=3

Urqua Moraleda Alfonso, Martn Villalba Carla. (Enero, 2016). Mtodos


de simulacin y modelado, La Habana, Cuba: UNED - Universidad
Nacional de Educacin a Distancia
ANEXOS
3.8. HERRAMIENTAS ESTADSTICAS VARIABLES
ALEATORIAS DISCRETAS PARA TRABAJAR
SOBRE DATOS DE UNA SIMULACIN
Si se desea realizar la simulacin de un sistema, es fundamental contar con
una herramienta que permita analizar, sistematizar y extraer de la realidad la
porcin de esta que se va a estudiar, pero de una manera ordenada y as en
una fase posterior confirmarla con un modelo matemtico a travs del cual se
implementar el proceso de simulacin. En particular, y como se indica en la
Figura 1, a lo largo del desarrollo de un estudio de simulacin, la estadstica
aparece de la siguiente manera.

Figura 1. Proceso de simulacin

En los sistemas discretos pueden aparecer fenmenos aleatorios que slo se


pueden representar en trminos probabilistas. En este caso, la formulacin
matemtica del modelo contiene relaciones en las que aparecen
funciones de distribucin o de densidad de probabilidad, que dificultan o
impiden su resolucin analtica.
Como ya se ha indicado, la catalogacin de un sistema como continuo o
discreto depende del objetivo del estudio y de las variables de estado
predominantes. Esto quiere decir que un mismo sistema puede tener ciertas
variables de estado continuas y otras discretas. Por lo tanto, no es
infrecuente encontrar modelos en los que coexisten ecuaciones
diferenciales complejas con variables aleatorias, lo que, evidentemente,
complica an ms la resolucin analtica.
Es necesario disponer de una metodologa que permita estudiar
configuraciones alternativas del sistema.
En general, tambin puede ser interesante analizar los factores que
condicionan el comportamiento de un sistema (diseo de experimentos,
superficies de respuesta).
Se ofrecen algunas nociones y tcnicas bsicas de estadstica necesarias
para la realizacin de un estudio de simulacin de forma correcta.

Variables aleatorias
Los ordenadores pueden simular probabilidades y variables aleatorias
numricamente.

Aplicaciones:

Aproximar cantidades que resultan difciles de calcular matemticamente.


Simular sistemas fsicos o biolgicos complejos.
Implementar algoritmos complejos para procesar imgenes, reconocer
sonidos, etc.
Encriptar datos o generar claves.
Generar opciones aleatorias en juegos de ordenador, etc. Una de las
caractersticas ms notables de la simulacin es la existencia de
fenmenos no deterministas que se deben representar mediante variables
aleatorias.

De una variable determinista se sabe con certeza el valor que toma. Por el
contrario, de una variable aleatoria no se sabe con certeza el valor que toma,
pero se conoce que puede tomar valores dentro de un determinado rango,
de tal manera que existe una determinada probabilidad de que la variable
tome un determinado valor dentro de dicho rango o se conoce la
probabilidad de que dicha variable tome un valor determinado o uno menor
que dicho valor.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=11322649
&ppg=3

Urqua Moraleda Alfonso, Martn Villalba Carla. (Enero, 2016). Mtodos


de simulacin y modelado, La Habana, Cuba: UNED - Universidad
Nacional de Educacin a Distancia
ANEXOS
3.9. APLICACIN DE LA VARIABLE DISCRETA
Campos de aplicacin

Como la simulacin de modelos de sistemas reales exige la resolucin


numrica de los sistemas de ecuaciones planteados y, como consecuencia, la
realizacin de un nmero muy elevado de clculos, la simulacin requiere
necesariamente el empleo de ordenadores. El aumento de la capacidad de
los ordenadores que se ha producido en los ltimos aos, as como el
desarrollo de distintos paquetes de software diseados especficamente para
la simulacin, cada vez ms potentes y de utilizacin ms sencilla, han hecho
que la simulacin se haya generalizado para el estudio de sistemas de muy
distinta naturaleza. Sin hacer una recopilacin exhaustiva, se puede destacar
la utilizacin cada vez ms extendida de la simulacin

Variables aleatorias discretas


Una de las caractersticas ms notables de la simulacin es la existencia de
fenmenos no deterministas que se deben representar mediante variables
aleatorias.

De una variable determinista se sabe con certeza el valor que toma. Por el
contrario, de una variable aleatoria no se sabe con certeza el valor que toma,
pero se conoce que puede tomar valores dentro de un determinado rango,
de tal manera que existe una determinada probabilidad de que la variable
tome un determinado valor dentro de dicho rango o se conoce la
probabilidad de que dicha variable tome un valor determinado o uno menor
que dicho valor.

Modelos de simulacin continuos vs discretos

Los modelos de simulacin discretos y continuos, se definen de manera


anloga a los sistemas discretos y continuos respectivamente. Pero debe
entenderse que un modelo discreto de simulacin no siempre se usa para
modelar un sistema discreto. La decisin de utilizar un modelo discreto o
continuo para simular un sistema en particular, depende de los objetivos
especficos de estudio. Por ejemplo: un modelo de flujo de trfico en una
supercarretera, puede ser discreto si las caractersticas y movimientos de los
vehculos en forma individual es importante. En cambio si los vehculos pueden
considerarse como un agregado en el flujo de trfico entonces se puede usar
un modelo basado en ecuaciones diferenciales presentes en un modelo
continuo. Otro ejemplo: Un fabricante de comida para perros, requiere el
auxilio de una compaa consultora con el objeto de construir un modelo de
simulacin para su lnea de fabricacin, la cual produce medio milln de latas
al da a una velocidad casi constante. Debido a que cada una de las latas se
represent como una entidad separada en el modelo, ste resulto ser
demasiado detallado y por ende caro para correrlo, hacindolo poco til.
Unos meses ms tard, se hizo una reformulacin del modelo, tratando al
proceso como un flujo continuo. Este nuevo modelo produjo resultados
precisos y se ejecut en una fraccin del tiempo necesario por el modelo
original.

Discreto

El estado de los cambios en los modelos slo se da cuando esos eventos


ocurren.
La llegada de rdenes, o las partes que estn siendo ensambladas, as como
los clientes que llaman.
Una fbrica que ensambla partes es un buen ejemplo de un sistema de evento
discreto.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
SEMANA 4

4.10. HERRAMIENTAS ESTADSTICAS DE VARIABLE


ALEATORIA BINOMIAL PARA TRABAJAR SOBRE
DATOS DE UNA SIMULACIN

Las variables aleatorias son aquellas que tiene un comportamiento


probabilstico en la realidad. Por ejemplo, el nmero de clientes que llegan
cada hora a un banco depende del momento del da, del da de la semana y
de otros factores.
La generacin de variables aleatorias o estocsticas significa la obtencin de
variables que siguen una distribucin de probabilidad determinada. Requiere
de dos etapas:

Generar con R y con las


Generar nmeros distribuciones de
aleatorios distribuidos probabilidad las variables
uniformemente (R) aleatorias o estocsticas.

La generacin de estadsticas simuladas, o sea de los valores de las variables


aleatorias, tienen una naturaleza enteramente numrica y debe soportarse por
nmeros aleatorios, generados por algn mtodo.
Existen varios mtodos para generar variables aleatorias siendo los ms
importantes: transformada inversa, convolucin y aceptacin-rechazo.
Mediante estos mtodos es posible generar variables aleatorias discretas
(binomial, poisson, etc.) y continuas (uniforme, exponencial, normal, etc.).
Es una distribucin de probabilidad discreta que mide el nmero de xitos en
una secuencia de n ensayos de Bernoulli independientes entre s, con una
probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento
de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos
resultados. A uno de estos se denomina xito y tiene una probabilidad de
ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p.
En la distribucin binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado
nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en
una distribucin de Bernoulli.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=11322649
&ppg=3

Urqua Moraleda Alfonso, Martn Villalba Carla. (Enero, 2016). Mtodos


de simulacin y modelado, La Habana, Cuba: UNED - Universidad
Nacional de Educacin a Distancia
ANEXOS
4.11. APLICACIN DE LA VARIABLE BINOMIAL
En estadstica, la distribucin binomial es una distribucin de probabilidad
discreta que mide el nmero de xitos en una secuencia de n ensayos
independientes de Bernoulli, con una probabilidad fija p de ocurrencia del
xito entre los ensayos.

Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son
posibles dos resultados. A uno de estos se denomina xito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 -
p.

En la distribucin binomial el anterior experimento se repite n veces, de forma


independiente, y se trata de calcular la probabilidad de un determinado
nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una
distribucin de Bernoulli.

Para representar que una variable aleatoria X sigue una distribucin binomial
de parmetros n y p, se escribe:

~ (, )

La distribucin Binomial es la base del test binomial de significacin estadstica.

Ejemplos.

Las siguientes situaciones son ejemplos de experimentos que pueden


modelizarse por esta distribucin:

- Se lanza un dado diez veces y se cuenta el nmero de treses obtenidos: X ~ B


(10, 1/6)

Experimento Binomial

Existen muchas situaciones en las que se presenta una experiencia binomial.


Este tipo de experiencias se caracteriza por estar formada por un nmero
predeterminado n de experimentos iguales. Cada uno de los experimentos es
independiente de los restantes (la probabilidad del resultado de un
experimento no depende del resultado del resto). El resultado de cada
experimento ha de admitir slo dos categoras (a las que se denomina xito y
fracaso). Las probabilidades de ambas posibilidades han de ser constantes en
todos los experimentos (se denotan como p y q o p y 1-p).

Se designa por X a la variable que mide el nmero de xitos que se han


producido en los n experimentos.

Cuando se dan estas circunstancias, se dice que la variable X sigue una


distribucin de probabilidad binomial, y se nota B(n, p).

Figura 1. Distribucin Binomial


BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=11322649
&ppg=3

Urqua Moraleda Alfonso, Martn Villalba Carla. (Enero, 2016). Mtodos


de simulacin y modelado, La Habana, Cuba: UNED - Universidad
Nacional de Educacin a Distancia
ANEXOS
4.12. HERRAMIENTAS ESTADSTICAS VARIABLE
ALEATORIA GEOMTRICA PARA TRABAJAR
SOBRE DATOS DE UNA SIMULACIN
En teora de probabilidad y estadstica, la distribucin geomtrica es
cualquiera de las dos distribuciones de probabilidad discretas siguientes:

La distribucin de probabilidad del nmero X del ensayo de Bernoulli


necesaria para obtener un xito, contenido en el conjunto {1, 2, 3,...} o
La distribucin de probabilidad del nmero Y = X 1 de fallos antes del
primer xito, contenido en el conjunto {0, 1, 2, 3,...}.

Cul de stas es la que uno llama "la" distribucin geomtrica, es una cuestin
de convencin y conveniencia.

Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad de


que n ensayos sean necesarios para obtener un xito es:

( = ) = (1 )1

Para n = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya n fallos


antes del primer xito es:

( = ) = (1 )

Para n = 0,1, 2, 3,....

En ambos casos, la secuencia de probabilidades es una secuencia


geomtrica.

Ejemplo:

Por ejemplo, supongamos que un dado ordinario es lanzado repetidamente


hasta que aparece "1" por primera vez. La distribucin de probabilidad del
nmero de veces que el dado es lanzado se encuentra en el conjunto infinito
{1, 2, 3,...} y es una distribucin geomtrica con p=1/6.

El valor esperado de una variable aleatoria X distribuida geomtricamente es


1/'p y su varianza es (1 p)/p2.
De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,...} con un
valor esperado dado , la distribucin geomtrica X con parmetro p = 1/ es
la de mayor entropa

La distribucin geomtrica del nmero y de fallos antes del primer xito es


infinitamente divisible, esto es, para cualquier entero positivo n, existen

variables aleatorias independientes 1 distribuidas idnticamente la suma

de las cuales tiene la misma distribucin que tiene Y. Estas no sern


geomtricamente distribuidas a

menos que n = 1.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
SEMANA 5
5.13. APLICACIN DE LA VARIABLE ALEATORIA
GEOMTRICA
En teora de probabilidad y estadstica, la distribucin geomtrica es
cualquiera de las dos distribuciones de probabilidad discretas siguientes:

La distribucin de probabilidad del nmero X del ensayo de Bernoulli


necesaria para obtener un xito, contenido en el conjunto {1, 2, 3,...} o
La distribucin de probabilidad del nmero Y = X 1 de fallos antes del
primer xito, contenido en el conjunto {0, 1, 2, 3,...}.

Cul de stas es la que uno llama "la" distribucin geomtrica, es una cuestin
de convencin y conveniencia.

Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad de


que n ensayos sean necesarios para obtener un xito es:

( = ) = (1 )1

Para n = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya n fallos


antes del primer xito es:

( = ) = (1 )

Para n = 0,1, 2, 3,....

En ambos casos, la secuencia de probabilidades es una secuencia


geomtrica.

Esta distribucin toma en cuenta el nmero de veces que debe repetirse el


experimento hasta que ocurra xito por primera vez, en cuyo caso, termina de
realizarse el experimento. Aqu slo ocurre xito una sola vez. No interesa
cuntos veces se deba repetir el ensayo.

Diremos que una variable aleatoria X tiene distribucin Geomtrica si X


representa El nmero de veces que debe repetirse un experimento hasta que
ocurra xito por primera vez. En este caso denotaremos por X a G (p), donde
p, la probabilidad de xito, constituye el parmetro de la distribucin cuya
funcin viene dada por: () = ( = ) = ( ) , = , ,
Observaciones

El experimento termina cuando ocurre xito por primera vez


El valor esperado de X, E(X) = 1/p
La varianza de X, V(X) = q/p

Ejemplo:

Por ejemplo, supongamos que un dado ordinario es lanzado repetidamente


hasta que aparece "1" por primera vez. La distribucin de probabilidad del
nmero de veces que el dado es lanzado se encuentra en el conjunto infinito
{1, 2, 3,...} y es una distribucin geomtrica con p=1/6.

El valor esperado de una variable aleatoria X distribuida geomtricamente es


1/'p y su varianza es (1 )/2 .


() = , () =

Equivalentemente, el valor esperado de una variable aleatoria distribuida


geomtricamente Y es (1 )/, y su varianza es (1 )/2 .


() = , () =

La funcin generatriz de probabilidad de x y la de y son, respectivamente,


() = () = , || < ( )
( ) ( )

Como su continua anloga (la distribucin exponencial), la distribucin


geomtrica es sin memoria.

Esto significa que si intentamos repetir el experimento hasta el primer xito,


entonces, dado que el primer xito todava no ha ocurrido, la distribucin de
probabilidad condicional del nmero de ensayos adicionales no depende de
cuantos fallos se hayan observado. El dado o la moneda que uno lanza no
tienen "memoria" de estos fallos. La distribucin geomtrica es de hecho la
nica distribucin discreta sin memoria.
De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,...} con un
valor esperado dado , la distribucin geomtrica X con parmetro p = 1/ es
la de mayor entropa

La distribucin geomtrica del nmero y de fallos antes del primer xito es


infinitamente divisible, esto es, para cualquier entero positivo n, existen

variables aleatorias independientes 1 distribuidas idnticamente la suma

de las cuales tiene la misma distribucin que tiene Y. Estas no sern


geomtricamente distribuidas a menos que n = 1.

EJEMPLO 1

Si la probabilidad de que un tirador experto d en el blanco es del 95%.

Cul es la probabilidad de que falle por primera vez en su dcimo quinto


disparo?

Pregunta: Cul es la probabilidad de que falle por primera vez en su dcimo


quinto disparo?

Datos: Solucin:
x = 15 (, ) = ( )
p = 0,05 ( = 15) = 0.05(1 0.05) 151
q = 0,95 ( = 15) = 0.05(0.95) 14
( = 15) = 0.0244

Respuesta:
La probabilidad de que falle por primera vez en su dcimo quinto disparo es
de 2.44%.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
5.14. HERRAMIENTAS ESTADSTICAS DE LA VARIABLE
ALEATORIA POISSON PARA TRABAJAR SOBRE
DATOS DE UNA SIMULACIN

En teora de probabilidad y estadstica, la distribucin de Poisson es una


distribucin de probabilidad discreta. Expresa la probabilidad de un
nmero k de eventos ocurriendo en un tiempo fijo si estos eventos ocurren
con una tasa media conocida, y son independientes del tiempo desde el
ltimo evento.

La distribucin fue descubierta por Simen-Denis Poisson (17811840) que


public, junto con su teora de probabilidad, en 1838 en su trabajo Re
cherches sur la probabilit des jugements en matires criminelles et matire
civile ("Investigacin sobre la probabilidad de los juicios en materias
criminales y civiles"). El trabajo estaba enfocado en ciertas variables
aleatorias N que cuentan, entre otras cosas, un nmero de ocurrencias
discretas (muchas veces llamadas "arribos") que tienen lugar durante un
intervalo de tiempo de duracin determinada. Si el nmero esperado de
ocurrencias en este intervalo es , entonces la probabilidad de que haya
exactamente k ocurrencias (siendo k un entero no negativo, k = 0, 1, 2,...) es
igual a:


(; ) =
!
Dnde:

e: Es la base del logaritmo natural (e = 2.71828...),


k!: Es el factorial de k,
k: Es el nmero de ocurrencias de un evento,
: Es un nmero real positivo, equivalente al nmero esperado de
ocurrencias durante un intervalo dado.
Propiedades

El valor esperado de una variable aleatoria con distribucin de Poisson es


igual a y tambin lo es su varianza. Los momentos ms altos de la
distribucin de Poisson son polinomios de Touchard en cuyos coeficientes
tienen un sentido combinatorio. De hecho, cuando el valor esperado de la
distribucin de Poisson es 1, entonces la frmula de Dobinski dice que el
ensimo momento iguala al nmero de particiones de tamao n.

La moda de una variable aleatoria de distribucin de Poisson con un no


entero es igual a (o suelo de ), el cual es el nmero entero ms grande
menor o igual a . Esto tambin es expresado como la funcin parte entera
de . Cuando es un entero positivo, las modas son y 1.

Todas las acumulaciones de la distribucin de Poisson son iguales al valor


esperado . El ensimo momento factorial de la distribucin de Poisson es n.
La distribuciones de Poisson son funciones probabilsticas infinitamente
divisibles.
Si ~( ) sigue una distribucin de Poisson con parmetro y Xi son
independientes entonces =
=1 ~(=1 ) tambin sigue una
distribucin de Poisson cuyo parmetro es la suma de los parmetros del
componente.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=11322649
&ppg=3

Urqua Moraleda Alfonso, Martn Villalba Carla. (Enero, 2016). Mtodos


de simulacin y modelado, La Habana, Cuba: UNED - Universidad
Nacional de Educacin a Distancia
ANEXOS
5.15. APLICACIN DE LA VARIABLE ALEATORIA
POISSON

En teora de probabilidad y estadstica, la distribucin de Poisson es una


distribucin de probabilidad discreta. Expresa la probabilidad de un
nmero k de eventos ocurriendo en un tiempo fijo si estos eventos ocurren
con una tasa media conocida, y son independientes del tiempo desde el
ltimo evento.

Por ejemplo, si los eventos ocurren de media cada 4 minutos, y se est


interesado en el nmero de eventos ocurriendo en un intervalo de 10
minutos, se usara como modelo una distribucin de Poisson con = 2.5.

Por ejemplo, si 2% de los libros encuadernados en cierto taller tiene


encuadernacin defectuosa, obtener la probabilidad de que 5 de 400
libros encuadernados en este taller tengan encuadernaciones
defectuosas.

= , = (. ) =


(; ) = = .
!

Su media y su varianza son:

Como una funcin de k, sta es la funcin probabilidad de masa. La


distribucin de Poisson puede ser vista como un caso limitante de la
distribucin binomial, es decir, que una distribucin binomial en la que

y se puede aproximar por una distribucin de Poisson de valor

La distribucin de Poisson es tambin llamada Poissoniana, anlogamente


al trmino Gaussiana para una distribucin de Gauss o distribucin normal.

Procesos de Poisson

La distribucin de Poisson, se aplica a varios fenmenos discretos de la


naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces
durante un periodo definido de tiempo o en una rea determinada)
cuando la probabilidad de ocurrencia del fenmeno es constante en el
tiempo o el espacio.
Ejemplos de estos eventos que pueden ser modelados por la distribucin
de Poisson incluyen:

El nmero de autos que pasan a travs de un cierto punto en una ruta


(suficientemente
distantes de los semforos) durante un periodo definido de tiempo).
El nmero de errores de ortografa que uno comete al escribir una nica
pgina.
El nmero de llamadas telefnicas en una central telefnica por minuto.
El nmero de servidores web accedidos por minuto.
El nmero de animales muertos encontrados por unidad de longitud de
ruta.
El nmero de mutaciones de determinada cadena de ADN despus de
cierta cantidad de radiacin.
El nmero de ncleos atmicos inestables que decayeron en un
determinado periodo de tiempo en una porcin de sustancia radiactiva.
La radiactividad de la sustancia se debilitar
con el tiempo, por lo tanto el tiempo total del intervalo usado en el
modelo debe ser significativamente menor que la vida media de la
sustancia.
El nmero de estrellas en un determinado volumen de espacio.
La distribucin de receptores visuales en la retina del ojo humano.
La inventiva de un inventor a travs de su carrera.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=11322649
&ppg=3

Urqua Moraleda Alfonso, Martn Villalba Carla. (Enero, 2016). Mtodos


de simulacin y modelado, La Habana, Cuba: UNED - Universidad
Nacional de Educacin a Distancia
ANEXOS
SEMANA 6

6.16. COMPARAR LAS DISTINTAS DISTRIBUCIONES


DE PROBABILIDAD

1.- VARIABLES ALEATORIAS DISCRETAS


En ocasiones, algunas variables aleatorias siguen distribuciones de
probabilidad muy concretas, como por ejemplo el estudio a un
colectivo numeroso de individuos que se modelizan por la distribucin
Normal.

Algunas de las distribuciones o modelos de probabilidad ms


importantes y que despus nos resultarn muy tiles para el tema de la
Estimacin. Como hemos visto, las variables pueden ser discretas o
continuas; por ello, tambin las distribuciones podrn ir asociadas a
variables aleatorias discretas o continas.

1.1.- Distribucin uniforme discreta


Sea X una variable aleatoria discreta que toma valores 1 . . . . . tales la
1
probabilidad de tomar cada uno de los valores es ( = ) =

Cuando esto ocurre se dice que X se distribuye como una variable
aleatoria Uniforme discreta. Esta es la distribucin discreta ms sencilla,
la cual asigna la misma probabilidad a cada una de las soluciones.

1.2.- Distribucin de Bernouilli


Considerado un experimento aleatorio en el cual solo hay dos posibles
resultados incompatibles a los que se les puede denominar xito o
fracaso, entonces se dice que X es una variable aleatoria discreta que
se distribuye como parmetro p donde p es la probabilidad de
obtener xito., y se expresa X B( p)

Por tanto, se puede decir que:

X=1 ---- P[xito] = p P [X = 1] = p;

X=0 ---- P[fracaso] = 1-p P [X = 0] = 1 p.

En esta distribucin 1-p se suele denotar como q, y tanto la esperanza


como la varianza vienen dadas por las siguientes expresiones:

E[x] = 1p + 0q = p;

V[x] = p p = p (1-p) = p q.
Ejemplo: El 10% de los trabajadores del pas est desempleado, Cul es
la probabilidad de seleccionar un individuo al azar y est
desempleado?

X = 1 Desempleado p = 0,1

X = 0 Empleado q = 1-p = 1-0,1 = 0,9

p(x=1)=0,1

1.3.- Distribucin Binomial


Es una extensin de la distribucin de Bernouilli. Supongamos que se
repite un experimento n veces de forma idntica e independiente. Los
resultados de cada realizacin del experimento se clasifican en dos
categoras (como en el caso de Bernouilli), una ser la probabilidad de
xito p, y otra q=1-p, la de fracaso.

As, por tanto, sea X una variable aleatoria discreta, se dice que se
distribuye como una distribucin binomial de parmetros (n,p). Siempre
se debe de verificar que n>1 y que p tome valores entre 0 y 1.

La funcin de probabilidad viene dada por la expresin:

A continuacin podemos ver varios ejemplos de variables que se

distribuyen con una Binomial: nmero de caras al lanzar 20 veces una


moneda, nmero de aprobados si
se presentan 80 alumnos a un examen, nmero de familias con un solo
hijo en una poblacin de 120 familias, nmero de reacciones negativas
ante un frmaco administrado a 40 pacientes, nmero de accidentes
de trfico si han circulado 1200 automviles o nmero de semillas que
germinan de las 20 semillas que se han plantado en suelos de idntica
composicin.

Propiedades de la distribucin Binomial:

1. La distribucin Binomial se puede obtener como suma de n variables


aleatorias independientes Bernouilli con el mismo parmetro p.
2. Si tenemos dos variables aleatorias que se distribuyen segn una
Binomial con el mismo parmetro p, es decir, con la misma
probabilidad de xito, X B(n, p) e Y B (m, p) , entonces siempre se
verifica X + Y B(n + m, p) .

1.4.- Distribucin de Poisson


Esta es una distribucin discreta de gran utilidad sobre todo en procesos
biolgicos, donde X suele representar el nmero de eventos
independientes que ocurren a velocidad constante en un intervalo de
tiempo o en un espacio.

As, por tanto, sea X una variable aleatoria discreta, se dice que se
distribuye como una distribucin de Poisson,

X P (),

Con > 0, si su funcin o distribucin de probabilidad viene dada por:

En esta distribucin representa el nmero promedio de ocurrencias en


un intervalo de tiempo o en un espacio. Por lo tanto, para esta
distribucin se verifica que su esperanza y su varianza son:
E[x] = ,
V [x] = .
Y su funcin de distribucin:
Seguidamente se pueden ver varios ejemplos de variables que se
distribuyen con una Poisson: Nmero de clientes que llegan a un banco
durante una hora o una maana, nmero de defectos en un trozo de
material, etc. Sin embargo, de llegar muchos clientes en una
determinada franja horaria y pocos en otra, o no estar los defectos
igualmente distribuidos en el material, la distribucin de Poisson no sera
apropiada.

Ejemplo: Una central telefnica recibe una media de 480 llamadas por
hora. Si el nmero de llamadas se distribuye segn una Poisson y la
central tiene una capacidad para atender a lo sumo 12 llamadas por
minuto, cul es la probabilidad de que en un minuto determinado no
sea posible dar lnea a todos los clientes?

Si definimos X = N de llamadas por minuto entonces X P (8).

P (X > 12) = 1 P (X 12) = 1 0,9362 = 0,0638.

2.- VARIABLES ALEATORIAS CONTINUAS


2.1.- Distribucin Uniforme Continua
Es la ms sencilla de las distribuciones continuas. Surge cuando
consideramos una variable aleatoria que toma valores en un intervalo
finito de manera equiprobable. Esta se define como una variable
aleatoria continua, X, se dice que se distribuye como una distribucin
uniforme de parmetros a, b, tales que < a < b< +

X U (a, b);

Siempre se verifica que su funcin de densidad viene dada por la


expresin:

Lo ms significativo que vamos a destacar de esta distribucin es que su


esperanza viene dada por la expresin:
Y su varianza por

La funcin de distribucin dada una variable aleatoria uniforme es

2.2.- Distribucin Normal


Es una de las distribuciones ms importantes. Es el modelo de
distribucin ms utilizado en la prctica, ya que multitud de fenmenos
se comportan segn una distribucin normal.

Esta distribucin de caracteriza porque los valores se distribuyen


formando una campana de Gauss, en torno a un valor central que
coincide con el valor medio de la distribucin:

Las ventajas tericas de este modelo hacen que su uso se generalice en


las aplicaciones reales.

Sea X una variable aleatoria continua, se dice que se distribuye como


una normal
X N (, ); R >0
DISTRIBUCIONES DE PROBABILIDAD

Introduccin
Las variables aleatorias son los instrumentos matemticos destinados a
representar los resultados de un determinado experimento aleatorio.
Para ello se requiere asignar a cada elemento del espacio de las
muestras un nmero. El resultado de dicha asignacin es una funcin
matemtica llamada variable aleatoria. As, si el experimento es lanzar
una moneda y observar si sale cara o cruz, podemos asignar un 1 a la
cara y un 0 a la cruz y tendremos una variable aleatoria.
Evidentemente esta asignacin es en s misma aleatoria, podramos
asignar cualesquiera otros dos nmeros distintos. En muchos
experimentos cientficos la variable aleatoria asociada surge de manera
natural. Por ejemplo si el experimento consiste en contar el nmero de
bacterias en un cierto cultivo de hora en hora, la variable tomar como
valores el nmero de cada recuento. Si se trata de medir la temperatura
en una cierta estancia, la variable tomar los valores de dichas lecturas
de temperatura.
Las variables aleatorias se dividen en discretas, si toman valores discretos
de un cierto conjunto, y continas, si toman valores en un rango
continuo. Como cada suceso tiene asignado un cierto valor de la
variable aleatoria, es equivalente hablar de probabilidades para los
sucesos y para los valores que toma la variable aleatoria.
Esta asignacin de probabilidades se realiza mediante una funcin
llamada de densidad de probabilidad. Definida para variables discretas
como:
() = ( = )

Tambin se definen las funciones de distribucin, que proporcionan los


valores acumulados de la probabilidad. Para variables discretas
tenemos:

Y para variables continuas:

Donde f(t) es la funcin de densidad continua, que permite calcular


probabilidades en intervalos:
Distribuciones discretas
Matlab proporciona las funciones necesarias para trabajar con las
distribuciones discretas ms comunes: binomial, geomtrica,
hypergeomtrica, binomial negativa y de Poisson.
Las distintas funciones de densidad de probabilidad de las distribuciones
discretas son las siguientes:
Binomial
Geomtrica
Hipergeomtrica
Binomial negativa
Poisson

Distribuciones continuas
Las variables aleatorias continuas son las que pueden tomar cualquier
valor de entre el infinito nmero de valores de un intervalo. Por este
motivo resulta imposible asignar probabilidad a cada uno de los valores
particulares de forma que la suma sea 1, ya que se tienen infinitos
sumandos, y se ha de recurrir al concepto de integral.
Una variable aleatoria continua, existe una funcin f(t) llamada funcin
de densidad de probabilidad, de manera que la probabilidad de
obtener valores en un intervalo viene dada por:
De entre las distribuciones continuas, la distribucin normal es, con
mucho, la ms importante de todas y, adems, la mayor parte de las
distribuciones continuas se deducen de combinaciones normales.
Matlab dispone las funciones de densidad de las distribuciones
continuas ms usuales: Normal, Exponencial, chi-cuadrado, T de Student
y F de Snedecor.

Normal
Chi-cuadrado
T de Student
F de Snedecor
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
6.17. METODOLOGAS PARA ELABORAR MODELOS
PARA SIMULAR
Definicin del sistema:
Es necesario hacer primeramente un anlisis preliminar de ste, con el fin de
determinar la interaccin con otros sistemas,
Las restricciones del sistema, las medidas de efectividad que se van a utilizar
para definir y estudiar el sistema y los resultados que se esperan obtener del
estudio.
Formulacin del modelo :
En la formulacin del modelo es necesario definir todas las variables que
forman parte de l, Sus relaciones lgicas y los diagramas de flujo que
describan completamente el modelo. Consiste en estudiar el contexto del
problema, identificar los objetivos del proyecto, especificar los ndices de
medicin de la efectividad del sistema, especificar los objetivos especficos del
modelamiento y definir el sistema que se va a modelar. Esta actividad requiere
de la conversacin con los mandantes y con las personas que participan de
las actividades que se estn analizando mediante el modelo. Al trmino de
esta etapa se entrega el Informe de Avance N1.
Coleccin de datos :
Es importante que se definan con claridad y exactitud los datos que el modelo
va a requerir para producir los resultados deseados.
Implementacin de modelo en la computadora:
El siguiente paso es decidir si se utiliza algn lenguaje como el fortran, algol,
lisp, etc., o se utiliza algn paquete como Vensim, Stella y iThink, GPSS, simula,
simscript, Rockwell Arena.
Validacin :
Las formas ms comunes de validar son:
1. Opinin de expertos sobre resultados de la simulacin.
2. Exactitud de prediccin de datos histricos. 3. La exactitud en la prediccin
del futuro.
3. Comprobacin de falla del modelo de simulacin a utilizar datos que hacen
fallar al sistema.
4. Aceptacin y confianza en el modelo de la persona que har uso de los
resultados.
Experimentacin :
Consiste en generar los datos deseados y en realizar un anlisis de sensibilidad
de los ndices requeridos.
Interpretacin :
Se interpretan los resultados que arroja la simulacin y con base a esto se toma
una decisin. Es obvio que los resultados que se obtienen de un estudio de
simulacin ayudan a soportar decisiones del tipo semi-estructurado.
Documentacin :
Dos tipos de documentacin. La primera se refiere a la documentacin del
tipo tcnico y la segunda se refiere al manual del usuario, con el cual se
facilita la interaccin y el uso del modelo desarrollado.
Otras Metodologas
La presente metodologa representa las etapas y actividades que se realizarn
para lograr los objetivos planteados en un proyecto de simulacin. Las etapas,
si bien se presentan como secuenciales, stas son totalmente recprocas, ya
que durante la construccin del modelo se van realizando ajustes debido a
que surgen aspectos del modelo que son difciles de predecir al inicio del
proyecto.
Las etapas se pueden separar en la Formulacin, Conceptualizacin,
Construccin, Simulacin y Uso del Modelo. A continuacin se describe cada
una de estas etapas.
Etapa 1: Formulacin Del Problema.
Consiste en estudiar el contexto del problema, identificar los objetivos del
proyecto, especificar los ndices de medicin de la efectividad del sistema,
especificar los objetivos especficos del modelamiento y definir el sistema que
se va a modelar. Esta actividad requiere de la conversacin con los
mandantes y con las personas que participan de las actividades que se estn
analizando mediante el modelo. Al trmino de esta etapa se entrega el
Informe de Avance N1.
Etapa 2: Conceptualizacin Del Modelo.
En esta etapa se representa el sistema en estudio mediante relaciones lgica-
matemticas, se establecen las simplificaciones que puedan hacerse, segn
los objetivos del modelo, como tambin se definen los componentes que
constituirn el modelo, individualizando las interacciones que existen entre
ellos. Tambin se identifican los datos requeridos por el modelo.
Etapa 3: Construccin Del Modelo
Esta etapa corresponde a la generacin del programa computacional que
representar el sistema, de acuerdo a como se ha concebido el modelo en la
etapa anterior. Esta etapa consiste de tres actividades: el desarrollo del
modelo, la recoleccin de datos y la definicin de las experimentaciones que
se desean realizar. En la primera actividad se construye el modelo en lenguaje
AweSim, el que contiene los elementos estructurales propios del lenguaje y los
procesos que existen en el sistema. La actividad de experimentacin describe
las variables que se van a modificar en cada corrida de simulacin y as
analizar cada una de estas situaciones. Se usa el trmino de escenario para
referirse a una combinacin particular de datos en una simulacin.
3.1 Desarrollo del Modelo.
Esta actividad consiste en convertir el modelo en el lenguaje AweSim. Se
incorporan todos los componentes del modelo que se hayan identificado para
la obtencin de los informes que contienen indicadores de medicin de la
eficiencia del sistema, tales como tiempo total en el sistema de los pasajeros.
En esta actividad se considera remodelar tantas veces como sea necesario
hasta que el simulador represente al sistema con el nivel de detalle deseado.
Es una actividad interactiva ya que un modelo de simulacin no se puede
definir una sola vez y desarrollarlo de acuerdo a las definiciones iniciales, ya
que durante el modelamiento surgen detalles o simplificaciones que no
pueden ser previstas al inicio del proyecto. Por ello, el desarrollo del modelo se
est continuamente revisando, redefiniendo, actualizando, modificando y
reestableciendo sus alcances. Durante esta actividad, se consideran las
siguientes acciones:
1. Desarrollar esquemas del sistema que representan el desarrollo de las
actividades del sistema.
2. Subdividir el modelo en unidades lgicas relativamente pequeas.
3. Diferenciar el movimiento fsico y el flujo de informacin en el modelo
4. Desarrollar y mantener la documentacin del modelo.
5. Dejar espacios para incorporar mayores detalles si es necesario.
3.2 Recoleccin de datos.
En esta etapa se recogen los datos en terreno de todas aquellas variables que
definen las condiciones de entrada del modelo. Es decir, se debe disponer de
los datos que describen el sistema, que representen su comportamiento y su
eficiencia actual, como tambin recoger los datos que describan las
alternativas que se van a evaluar. Los datos que describen el sistema son
aquellos que estn vinculados con la estructura del sistema, con los
componentes individuales del sistema, con la interaccin entre ellos, y con las
operaciones que se realizan en el sistema. Con esta informacin se genera la
descripcin de los estados del sistema. La cantidad de veces en que se
realizar el muestreo depende de cada sistema a estudiar, dependiendo de la
variabilidad de la informacin recolectada. Normalmente se definen tres
periodos de muestreo. El primero de ellos se concentrar en el muestreo de las
variables exgenas al sistema, es decir, las variables externas al sistema. El
segundo periodo de muestreo se concentra en la toma de datos endgenos
del sistema, es decir, de las operaciones propias del sistema en estudio, los que
se usarn en la comparacin con los resultados que entrega el modelo. Esta
comparacin es el proceso de verificacin que se describe ms adelante. El
tercer periodo se ocupa para recoger alguna informacin que sea necesaria
para complementar la informacin anterior, o bien para ratificar las
mediciones anteriores.
3.3 Definicin del Control del Experimentos
Para trabajar con los resultados de una simulacin, es preciso definir el nivel de
confianza con que se va a trabajar y cul ser el intervalo de confianza con
que se analizarn los resultados del modelo. Ya que una corrida de simulacin
es un experimento que calcula y registra el estado del modelo, desde su
estado inicial hasta su estado final, ser necesario disponer de la siguiente
informacin:
El tiempo de inicio y de trmino de la simulacin,
La cantidad de corridas y
Los controles deseados.
Los informes y las frecuencias de ellos.
El estado de las variables que representan el comportamiento del sistema y
la forma de representarlos.
Los procedimientos de estimaciones estadsticas, incluyendo los periodos
de estabilizacin del sistema, los intervalos de confianza y tolerancias
permitidas. Se considera tambin las tcnicas de reduccin de varianza.
Tambin se define las bases de datos y los medios donde se almacenarn los
resultados de la simulacin.
3.4 Interacciones en la construccin.
Las tres actividades mencionadas anteriormente, desarrollo, recoleccin y
experimentacin se desarrollan simultneamente. Siempre se parte con un
modelo simple del sistema, el cual se va ampliando al incluir nuevas
situaciones de detalle que fueron definidas inicialmente, pero que se
incorporan gradualmente al modelo para obtener as una interpretacin
cabal del comportamiento del sistema. En caso de que se necesite incorporar
nuevos aspectos en el modelo, estas modificaciones pueden requerir de
nuevos datos, o bien si los datos recolectados no puedan ser obtenidos como
se deben ingresar al modelo, se deber redefinir el modelo. Con la creacin
de nuevas variables de evaluacin del modelo, es posible revisar la
conceptualizacin que se hizo del modelo, llegando a un modelo mejorado
en forma iterativa y cclica. Es decir, esta etapa es una evolucin del modelo,
desde su diseo inicial hasta como ha de quedar para los intereses del
objetivo del proyecto.
Al trmino de esta etapa se entrega el Informe de avance N 2.
Etapa 4: Simulacin Del Modelo
Esta etapa est muy relacionada con la etapa anterior, Construccin del
Modelo, ya que se requiere que el modelo se haya completado para poder
obtener indicadores que orienten a comprensin del funcionamiento del
sistema en estudio. A la luz de los resultados que se obtienen, es necesario una
verificacin del clculo de los indicadores, comprobar la validez que tienen
estos resultados obtenidos con el modelo, para luego probar distintas
alternativas de funcionamiento. Estas tres acciones se describen a
continuacin.
4.1 Verificacin.
En esta etapa se comprueba que la corrida de simulacin se ejecuta de
acuerdo a lo especificado en el programa, que cada elemento del modelo
representa adecuadamente al sistema y que la relacin entre ellos est de
acuerdo a lo especificado.
4.2 Validacin
Se comprueba que la simulacin del modelo es una representacin razonable
del sistema. Se Compararn las operaciones del sistema con las operaciones
del modelo. Se revisa cada uno de los componentes y sus interrelaciones.
4.3 Simular Interacciones del Modelo
Despus de cada corrida del modelo, se comprobar la consistencia de los
resultados e identificar cualquier resultado incongruente con el
comportamiento del sistema. Al corregir estas inconsistencias, es posible una
modificacin en el modelo o una nueva poblacin de datos de entrada. De
esta etapa ya es posible elaborar interpretaciones de los resultados con
bastante detalle, sobre todo en sus magnitudes, de modo que refleje el
comportamiento real del sistema.
Al trmino de esta etapa se entrega el Informe de avance N 3.
Etapa 5: Uso Del Modelo
Esta etapa es de uso intensivo en mtodos estadsticos para probar las
hiptesis que se plantean para resolver el problema formulado, ingresando al
simulador la configuracin del sistema con las que se desea evaluar su
funcionamiento hipottico.
5.1 Anlisis
En esta etapa se infieren las conclusiones y se evala el funcionamiento de
todas las alternativas hipotticas del sistema que se estima que puedan
resolver el problema planteado.
5.2 Documentacin.
Es la confeccin de los informes que contienen los anlisis de las distintas
alternativas estudiadas, como tambin la confeccin de los manuales de
operacin del modelo de simulacin. Es decir, el manual de usuario y la
documentacin tcnica del programa computacional.
Al trmino de esta etapa se entrega el Informe de avance N 4 y final.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
6.18. IMPORTANCIA DE LOS DATOS QUE SE
INGRESAN EN UNA SIMULACIN DISCRETA

SIMULACIN DE PROCESOS
Simulacin es la imitacin de la operacin de un proceso del mundo
real o de un sistema en el tiempo1 o definido de otra forma, la
simulacin es una tcnica, donde un modelo, tal como una hoja de
clculo, es iterado con diferentes valores de entrada, con la intencin
de conseguir una completa representacin de todos los escenarios
que podran ocurrir en una situacin incierta.

La simulacin de procesos ya sea a travs de simuladores comerciales


(Aspen Plus, Hysys, Chemcad, PRO/II, etc.) o la programacin en Excel,
MatLab, Visual Basic o cualquier otro lenguaje de programacin, es una
herramienta que proporciona innumerables facilidades a la industria
qumica, petrolera, energtica y dems, contribuyendo a convertir los
objetivos de una compaa en realidad, esto ya que una planta
virtual construida con simuladores es segn Broussard2, la mejor forma
de ahorrar dinero y tiempo, y de proteger el medio ambiente y las
vidas humanas de quienes trabajan en las plantas, esto se consigue
puesto que es posible plantear escenarios what if y de este modo
evitar problemas y consecuencias desastrosas.

Ante el gran uso de simuladores de procesos dentro de la industria a


nivel mundial y con el fin de que los estudiantes de ingeniera adquieran
competencias en el manejo de simuladores, y por tanto tengan un
mejor desempeo en su vida profesional, el uso de simuladores se ha
venido introduciendo desde la dcada pasada dentro de los cursos de
pregrado de las facultades de Ingeniera.

Sistemas, modelos y simulacin

Un sistema se puede definir como un conjunto de elementos unidos por


relaciones de interaccin o interdependencia. En el mbito de los
sistemas productivos estos elementos normalmente tienen un objetivo
comn.

Los elementos que forman parte del sistema vienen condicionados por
el objetivo del estudio que se pretende realizar, ya que un sistema
definido para un estudio determinado puede ser una parte de un
sistema ms amplio.

Sistemas continuos y sistemas discretos. En un sistema continuo las


variables de estado cambian de forma continua a lo largo del tiempo,
mientras que en uno discreto cambian instantneamente de valor en
ciertos instantes de tiempo. En un sistema de una cierta complejidad
puede ocurrir que existan simultneamente variables de estado
continuas y discretas. En este caso, dependiendo de la predominancia
de una y otras y del objetivo del estudio que se pretende realizar, se
considerar el sistema como perteneciente a uno de los dos tipos.

Simulacin de sistemas discretos


Es evidente que los sistemas productivos evolucionan a lo largo del
tiempo y, por lo tanto, debe tenerse en cuenta su naturaleza dinmica.
Por otra parte, aunque determinados sistemas productivos pueden ser
considerados como continuos (por ejemplo, reactores qumicos), la
mayora de los sistemas productivos tienen caractersticas de sistemas
discretos, ya que los cambios de estado (recepcin de materias primas,
inicio y finalizacin de la fabricacin de lotes, entradas y salidas del
almacn,...) se producen en instantes de tiempo determinados y
separados entre s. Por este motivo, esta documentacin se centra en la
simulacin de sistemas dinmicos y discretos.

Aunque, como ya se ha indicado, la simulacin de sistemas dinmicos


en tiempo discreto se ha utilizado en una gran cantidad de
aplicaciones, la mayora de los modelos tienen unos componentes en
comn, que son los siguientes:

Estado del sistema: Conjunto de variables de estado necesarias para


describir el sistema en un instante determinado de tiempo.
Reloj: variable que recoge el valor actual del tiempo simulado.
Lista de sucesos: lista que recoge el siguiente instante en que va a
ocurrir cada tipo de suceso.
Estadsticas: variables utilizadas para almacenar informacin estadstica
sobre el funcionamiento del modelo.
Rutina de inicializacin: subprograma para inicializar el modelo de
simulacin en el instante cero.
Rutina de tiempo: subprograma que determina el siguiente suceso de la
lista de sucesos y avanza el reloj al instante en que este suceso se
produce.
Rutina de sucesos: subprograma que actualiza el estado del sistema
cuando ocurre un tipo particular de suceso (existe una rutina de sucesos
para cada tipo de sucesos).
Librera de rutinas: conjunto de programas utilizados para generar
observaciones aleatorias de las distribuciones de probabilidad
correspondientes a los sucesos aleatorios del modelo.
Generador de informes: subprograma que, a partir de las estadsticas,
calcula las estimaciones de las medidas de funcionamiento del modelo
y produce un informe cuando ha terminado la simulacin.
Programa principal: subprograma que llama a la rutina de tiempo para
determinar la ocurrencia del prximo suceso y transfiere el control a la
rutina de sucesos correspondiente para actualizar adecuadamente el
estado del sistema. Tambin chequea la terminacin del experimento y
llama al generador de informes cuando el experimento ha terminado.

En ocasiones, algunas variables aleatorias siguen distribuciones de


probabilidad muy concretas, como por ejemplo el estudio a un
colectivo numeroso de individuos que se modelizan por la distribucin
Normal.

La simulacin por eventos discretos es una tcnica informtica de


modelado dinmico de sistemas. Frente a su homloga, la simulacin
de tiempo continuo, esta se caracteriza por un control en la variable del
tiempo que permite avanzar a ste a intervalos variables, en funcin de
la planificacin de ocurrencia de tales eventos a un tiempo futuro. Un
requisito para aplicar esta tcnica es que las variables que definen el
sistema no cambien su comportamiento durante el intervalo simulado.

Descripcin

Estos sistemas se caracterizan por mantener un estado interno global del


sistema, que puede no obstante estar fsica o lgicamente distribuido, y
que cambia parcialmente debido a la ocurrencia de un evento.

El estado del sistema solo cambia mediante la ejecucin de eventos,


que se almacenan en un contenedor, y uno o varios procesos
dedicados a su ejecucin avanzan el tiempo de simulacin a medida
que se van ejecutando y eliminando los eventos pendientes para el
valor de tiempo actual.
La ejecucin de un evento puede desencadenar la generacin de
nuevos eventos futuros. Cada uno est marcado por su tiempo, por lo
que el orden de generacin puede no coincidir con el orden de
ejecucin.

La simulacin discreta es una tcnica informtica de modelado


dinmico de sistemas. Permite un control en la variable del tiempo que
permite avanzar a ste a intervalos variables, en funcin de la
planificacin de ocurrencia de tales eventos a un tiempo futuro. Un
requisito para aplicar esta tcnica es que las variables que definen el
sistema no cambien su comportamiento durante el intervalo simulado.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
SEMANA 7
7.19. MOSTRAR CMO SE TRABAJA CON LOS DATOS
ARROJADOS POR UNA SIMULACIN DE COLAS
Frecuentemente, en los sistemas de manufactura y/o servicios se
presentan situaciones de lneas de espera o colas en las que las
unidades que llegan a recibir servicio deben esperar antes de que
puedan obtenerlo. Por ejemplo: las unidades que llegan pueden formar
una lnea y recibir servicio a travs de una sola estacin, como en el
proceso de maquinado de una pieza; pueden formar una lnea y recibir
servicio a travs de varias estaciones, como en el caso de un banco; o
pueden formar varias lneas y recibir servicio a travs de muchas
estaciones, como en las cajas de un supermercado.

Como reza el refrn popular el tiempo es oro; as, el tiempo de ocio de


los clientes, el congestionamiento de trnsito o cuellos de botella en
las lneas o canales y el de exceso en la capacidad de servicio se
traduce en costos reales o imputados que afectan la productividad de
las organizaciones. Por ello es importante conocer las leyes que
gobiernan las llegadas, los tiempos de servicio, y el orden en el que las
llegadas se atienden, para poder tomar decisiones que conlleven a la
minimizacin del tiempo desperdiciado y por ende de los costos,
incrementando la productividad.

Cuando las colas son muy grandes los clientes se desesperan y


abandonan el sistema lo que ocasiona que la empresa o negocio
pierda dinero por transacciones no realizadas. Por otro lado si la
empresa aumenta el nmero de estaciones de servicio para reducir o
eliminar las prdidas por abandono, entonces sus costos de inversin,
operacin y mantenimiento se incrementan en forma directamente
proporcional al nmero de estaciones instaladas. Ver la figura 1.

Sistemas, modelos y simulacin

Un sistema se puede definir como un conjunto de elementos unidos por


relaciones de interaccin o interdependencia. En el mbito de los
sistemas productivos estos elementos normalmente tienen un objetivo
comn.

Los elementos que forman parte del sistema vienen condicionados por
el objetivo del estudio que se pretende realizar, ya que un sistema
definido para un estudio determinado puede ser una parte de un
sistema ms amplio.
Los modelos de lneas de espera de la IO, no optimizan una funcin de
efectividad como lo hacen los modelos de programacin matemtica,
sin embargo, los resultados que arrojan estos modelos pueden utilizarse
para costear la operacin por este rubro, del sistema.

El ejemplo clsico de una cola consta de dos elementos principales: los


clientes y el servidor, como se ilustra figura 2.

Los clientes llegan a la cola y esperan hasta que se les proporcione el


servicio, o si el sistema est vaco, el cliente que llega puede ser
atendido inmediatamente. Despus de que el servicio queda terminado
el cliente abandona el sistema

En un sistema de lneas de espera, los componentes o entidades son los


clientes, los servidores y los canales o filas. Los eventos que pueden
ocurrir son los arribos de clientes, que un cliente entre a recibir servicio o
que salga de l, que un cliente salga del sistema. El estado del sistema
se conforma por el conjunto de estados en que pueden estar los
componentes: un cliente puede estar formado en la cola, siendo
atendido por el servidor o partiendo del servidor o sistema; el servidor
puede estar ocupado u ocioso, la fila puede estar vaca o contener un
nmero identificado de clientes. El sistema puede estar funcionando o
no. La variable exgena no controlable es el nmero de clientes por
unidad de tiempo que arriban. La variable exgena controlable es el
nmero de clientes por unidad de tiempo atendidos por el servidor. Las
variables endgenas son: el nmero de clientes que esperan en la cola,
el nmero de clientes que esperan en el sistema, este nmero es igual al
nmero de clientes que esperan en la cola ms los que estn siendo
atendidos. El tiempo que los clientes esperan en la cola, el tiempo que
los clientes esperan en el sistema.

Una relacin funcional es la prioridad del servicio. La prioridad del


servicio puede ser tipo primero en llegar, primero en salir (PEPS), ltimo
en llegar primero en salir (UEPS) y aleatorio. El medio ambiente contiene
a la poblacin la cual puede ser finita o infinita. En estos modelos se
considera a una poblacin finita si su tamao es menor de treinta. Los
parmetros de inters en las lneas de espera se representan como:

Lq Nmero esperado de clientes en la cola.


L Nmero esperado de clientes en el sistema (en la cola y recibiendo
servicio)
Wq Tiempo esperado en la cola.
W tiempo esperado en el sistema. Tiempo estimado que emplea un
cliente esperando en la cola ms el que emplea siendo atendido.
Ln nmero esperado en una cola no vaca El nmero promedio o
nmero estimado de clientes que esperan en la cola excluyendo
aquellos perodos en los cuales la cola est vaca.
Wn tiempo estimado de espera en una cola no vaca. Tiempo
estimado que un cliente espera en una lnea en el caso de que
decida esperar. Este valor es el promedio de los tiempos de espera
de todos los clientes que entran a la cola cuando el canal de servicio
est ocupado. Los clientes que llegan cuando el canal est vaco
tienen un tiempo de espera cero y estos no se promedian en Wn.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
7.20. DIFERENTES MEDIDAS DE DESEMPEO DE UN
SISTEMA DE COLA
Definicin

En ciencias de la computacin, y ms especficamente en investigacin


de operaciones, la teora de colas es el estudio matemtico de las
lneas de espera o colas dentro de una red de comunicaciones. Su
objetivo principal es el anlisis de varios procesos, tales como la llegada
de los datos al final de la cola, la espera en la cola, entre otros.

La teora de colas generalmente es considerada una rama de


investigacin operativa porque sus resultados a menudo son aplicables
en una amplia variedad de situaciones como negocios, comercio,
industria, ingenieras, transporte y telecomunicaciones.

Descripcin

Un sistema de colas se puede describir como clientes que llegan


buscando un servicio, esperan si este no es inmediato, y abandonan el
sistema una vez han sido atendidos. En algunos casos se puede admitir
que los clientes abandonan el sistema si se cansan de esperar. El
trmino cliente se usa con un sentido general y no implica que sea un
ser humano, puede significar piezas esperando su turno para ser
procesadas o una lista de trabajo esperando para imprimir en una
impresora en red.

Medidas de desempeo

a) Tiempo promedio en fila


b) Tiempo promedio en atencin
c) Tiempo promedio en sistema.
d) Nmero promedio de clientes en fila
e) Nmero promedio de clientes en el sistema.
f) La utilizacin (porcentaje de tiempo que el servidor est ocupado)
Clculo de medidas de desempeo

Las medidas que se emplearn se calculan teniendo observando el


sistema hasta tener que se han atendido n clientes.

1. Tiempo promedio en fila

2. Nmero promedio de clientes en fila.

: Probabilidad de que el sistema tenga i clientes.


En la prctica se puede aproximar con los datos de llegada y salida
de los clientes.
Medidas de rendimiento para evaluar un sistema de colas

El objetivo ltimo de la teora de colas consiste en responder cuestiones


administrativas pertenecientes al diseo y a la operacin de un sistema
de colas. El gerente de un banco puede querer decidir si programa tres
o cuatro cajeros durante la hora de almuerzo. En una estructura de
produccin, el administrador puede desear evaluar el impacto de la
compra de una nueva mquina que pueda procesar los productos con
ms rapidez.

Cualquier sistema de colas pasa por dos fases bsicas. Por ejemplo,
cuando el banco abre en la maana, no hay nadie en el sistema, de
modo que el primer cliente es atendido de forma inmediata. Conforme
van llegando ms clientes, lentamente se va formando la cola y la
cantidad de tiempo que tienen que esperar se empieza a aumentar. A
medida que avanza el da, el sistema llega a una condicin en la que el
efecto de la falta inicial de clientes ha sido eliminado y el tiempo de
espera de cada cliente ha alcanzado niveles bastante estables.

Algunas medidas de rendimiento comunes

Existen muchas medidas de rendimiento diferentes que se utilizan para


evaluar un sistema de colas en estado estable. Para disear y poner en
operacin un sistema de colas, por lo general, los administradores se
preocupan por el nivel de servicio que recibe un cliente, as como el uso
apropiado de las instalaciones de servicio de la empresa.

Relaciones entre medidas de rendimiento

El clculo de muchas de las medidas de rendimiento depende de los


procesos de llegadas y de servicio del sistema de colas en especfico.
Estos procesos son descritos matemticamente mediante distribuciones
de llegada y de servicio. Incluso sin conocer la distribucin especfica,
las relaciones entre algunas de las medidas de rendimiento pueden
obtenerse para ciertos sistemas de colas.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
7.21. MODELOS PARA SIMULACIN DE COLAS PARA
RESOLVER PROBLEMAS REALES
Definicin

El problema de partida va a ser el modelado de un sistema de colas


como el ejemplo del lavado de coches, dnde existe una cola de
clientes que esperan un servicio que es el lavado y posteriormente,
salen con el coche limpio.

Este sistema de colas se denomina M/M/1 dnde la primera M


representa que el modelo aplicado a las llegadas es un proceso de
Poisson homogneo, la segunda M indica lo mismo pero del tiempo de
proceso y el tercer 1 indica que slo hay un servidor. Si quisiramos
modelizar el problema de un supermercado con varias cajas sera ms
complejo.

El siguiente paso que deberamos plantearnos es cuanto tiene que


esperar un cliente, en general, para poder lavar su coche que es el
promedio del sistema (W), que estar compuesto, del tiempo de
atencin para lavar el coche (Wq) y tiempo del servicio de lavado.
Tambin resulta til conocer cuntos elementos en promedio se
encuentran en la cola, o sea la longitud de la cola (Lq) y en el sistema o
longitud (L). Un valor bastante importante es conocer la probabilidad de
bloqueo (Pw) que permite conocer el uso que se est haciendo de la
mquina.

SIMULACIN EN EXCEL

Vamos a modelizar en Excel un problema de lavado en el que van


llegando coches cada quince minutos y el tiempo empleado en cada
limpieza suele ser de unos doce minutos. A partir de estos datos,
simularemos el problema y obtendremos los principales indicadores del
servicio.
Analizando los datos que tenemos, podemos deducir que no se saturar
el sistema, ya que, el tiempo de llegada de vehculos que es de quince
minutos es superior al de lavado que es de doce.

El siguiente paso ser construir una tabla que simular los procesos de
llegada de diez coches y la limpieza de los mismos. Sea X la variable
que mide el tiempo entre llegadas, tal y como se ha expuesto
anteriormente, la distribucin que mejor ajusta corresponde con una
distribucin de

Poisson, cuyo parmetro es 3 coches / hora (cada 20 minutos llega


uno). Aprovechando la relacin entre una Distribucin de Poisson y la
Exponencial, podemos modelar el tiempo entre llegadas con una
distribucin exponencial, cuyo parmetro ser 1 / . Debido a que se
puede obtener el valor de la exponencial mediante una distribucin
uniforme (U(0,1)), utilizaremos la relacin:

Por tanto, se obtendrn diez valores aleatorios en Excel uno por cada
vehculo que llega y posteriormente, mediante la frmula anterior, se
obtendr un valor de llegada de los diferentes vehculos.
Caractersticas de los Sistema de Colas

Patrn de llegada de los clientes: En situaciones de cola habituales, la


llegada es estocstica, es decir la llegada depende de una cierta
variable aleatoria, en este caso es necesario conocer la distribucin
probabilstica entre dos llegadas de cliente sucesivas. Adems habra
que tener en cuenta si los clientes llegan independiente o
simultneamente. En este segundo caso (es decir, si llegan lotes) habra
que definir la distribucin probabilstica de stos. Tambin es posible que
los clientes sean impacientes. Es decir, que lleguen a la cola y si es
demasiado larga se vayan, o que tras esperar mucho rato en la cola
decidan abandonar. Por ltimo es posible que el patrn de llegada
vare con el tiempo. Si se mantiene constante le llamamos estacionario,
si por ejemplo vara con las horas del da es no-estacionario.

Patrones de servicio de los servidores: Los servidores pueden tener un


tiempo de servicio variable, en cuyo caso hay que asociarle, para
definirlo, una funcin de probabilidad. Tambin pueden atender en
lotes o de modo individual. El tiempo de servicio tambin puede variar
con el nmero de clientes en la cola, trabajando ms rpido o ms
lento, y en este caso se llama patrones de servicio dependientes. Al
igual que el patrn de llegadas el patrn de servicio puede ser no-
estacionario, variando con el tiempo transcurrido.

Disciplina de cola: La disciplina de cola es la manera en que los clientes


se ordenan en el momento de ser servidos de entre los de la cola.
Cuando se piensa en colas se admite que la disciplina de cola normal
es FIFO (atender primero a quien lleg primero) Sin embargo en muchas
colas es habitual el uso de la disciplina LIFO (atender primero al ltimo).
Tambin es posible encontrar reglas de secuencia con prioridades,
como por ejemplo secuenciar primero las tareas con menor duracin o
segn tipos de clientes.

En cualquier caso dos son las situaciones generales en las que trabajar.
En la primera, llamada en ingls preemptive, si un cliente llega a la
cola con una orden de prioridad superior al cliente que est siendo
atendido, este se retira dando paso al ms importante. Dos nuevos
subcasos aparecen: el cliente retirado ha de volver a empezar, o el
cliente retorna donde se haba quedado. La segunda situacin es la
denominada no-preemptive donde el cliente con mayor prioridad
espera a que acabe el que est siendo atendido.
Capacidad del sistema: En algunos sistemas existe una limitacin
respecto al nmero de clientes que pueden esperar en la cola. A estos
casos se les denomina situaciones de cola finitas. Esta limitacin puede
ser considerada como una simplificacin en la modelizacin de la
impaciencia de los clientes.

Nmero de canales del servicio: Es evidente que es preferible utilizar


sistemas multiservidos con una nica lnea de espera para todos que
con una cola por servidor. Por tanto, cuando se habla de canales de
servicio paralelos, se habla generalmente de una cola que alimenta a
varios servidores mientras que el caso de colas independientes se
asemeja a mltiples sistemas con slo un servidor. En la figura se dibuj
un sistema mono-canal, y en la otra se presenta dos variantes de
sistema multicanal. El primero tiene una sla cola de espera, mientras
que el segundo tiene una sola cola para cada canal.

Etapas de servicio: Un sistema de colas puede ser unietapa o


multietapa. En los sistemas multietapa el cliente puede pasar por un
nmero de etapas mayor que uno. Una peluquera es un sistema
unietapa, salvo que haya diferentes servicios (manicura, maquillaje) y
cada uno de estos servicios sea desarrollado por un servidor diferente.
En algunos sistemas multietapa se puede admitir la vuelta atrs o
reciclado, esto es habitual en sistemas productivos como controles de
calidad y reprocesos.

Las anteriores caractersticas bastan, de modo general, para describir


cualquier proceso. Evidentemente se puede encontrar una gran
cantidad de problemas distintos y, por tanto, antes de comenzar
cualquier anlisis matemtico se debera describir adecuadamente el
proceso atendiendo a las anteriores caractersticas.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
SEMANA 8
8.22. MODELOS PARA SIMULACIN DE COLAS PARA
RESOLVER PROBLEMAS REALES CON 2 SERVIDORES
Definicin

La teora de colas fue originariamente un trabajo prctico. La primera


aplicacin de la que se tiene noticia es del matemtico dans Erlang
sobre conversaciones telefnicas en 1909, para el clculo de tamao
de centralitas. Despus se convirti en un concepto terico que
consigui un gran desarrollo, y desde hace unos aos se vuelve a hablar
de un concepto aplicado aunque exige un importante trabajo de
anlisis para convertir las frmulas en realidades, o viceversa.
Caractersticas de los sistemas de colas
Seis son las caractersticas bsicas que se deben utilizar para describir
adecuadamente un sistema de colas:

a) Patrn de llegada de los clientes


b) Patrn de servicio de los servidores
c) Disciplina de cola
d) Capacidad del sistema
e) Nmero de canales de servicio
f) Nmero de etapas de servicio

A priori se puede pensar que el mtodo ms adecuado para recoger


datos al analizar un sistema es establecer una plantilla y recoger los
datos sobre el sistema cada cierto tiempo. Esta tcnica es orientada al
tiempo

Es mejor, sin embargo, utilizar una tcnica de recogida de informacin


asociada a eventos.
La informacin se recoge cuando algo ocurre
En una cola convencional los nicos datos a recoger son:
a) cada cunto llega un cliente
b) cunto se tarda en servir a cada cliente
No es necesario recoger ms informacin para, a partir de las relaciones
expuestas en el apartado anterior, definir cualquier medida de
efectividad.
TC: Parte de la Investigacin Operativa que estudia el comportamiento
de sistemas cuyos elementos incluyen lneas de espera (colas).

Ejemplos
Personas esperando por un servicio (bibliotecas, bancos, gasolineras,
urgencias en hospital, . . . )
Maquinas esperando por una reparacin, piezas de un producto
esperando a ser ensambladas.
Programas de ordenador esperando a ser ejecutados por un
procesador.
Informacin de internet esperando en un nodo para ser transferida a
su destino.
Aviones esperando a despegar o aterrizar.
Las variaciones en un sistema de colas pueden ser mltiples. Solo se
pueden resolver de forma analtica un conjunto reducido de sistemas.

Elementos ms importantes en un sistema de colas: clientes y servicio.

Los clientes se caracterizan por los intervalos de tiempo que separan sus
llegadas.
El servicio se caracteriza por el tipo y tiempo de servicio, adems de por
el nmero de servidores. El tipo de servicio o disciplina representa el
orden en el que los clientes se seleccionan de la cola.
Las llegadas de clientes pueden ser deterministas o aleatorios (en este
caso se modelan mediante una distribucin estadstica).
Los tiempos de servicio tambin pueden ser deterministas o aleatorios
(distribucin estadstica).
Analisis de sistemas de colas
Notacin de Kendall: Las caractersticas del sistema se especifican por
los smbolos: A/B/s/k/t/d/
Donde A y B denotan las distribuciones de los tiempos entre llegadas y
de servicio, respectivamente. s denota el nmero de servidores en
paralelo o canales, k denota la capacidad del sistema, t denota el
tamao de la fuente de entrada, y d es la disciplina de la cola.
Simulacin con un nico servidor
Por ejemplo, un sistema que se describe como M/M/1///FCFS

Denota un sistema abierto que contiene un nico servidor con tiempos


de llegada y servicio exponenciales, capacidad infinita y disciplina
primero que entra, primero que se sirve.

Solo un nmero pequeo de sistemas se puede resolver analticamente.

Modelos sencillos: M/M/1/, M/M/s/, M/M/1/k.


En los sistemas de colas normalmente se asume que tanto las llegadas
de clientes como los tiempos de servicio son aleatorios.

Es usual suponer que los tiempos entre llegadas y los de servicio se


distribuyan de forma exponencial. En este caso, la probabilidad
instantnea de ocurrencia de un suceso en las siguientes t unidades de
tiempo es:

Donde denota la tasa de llegadas.


Esta distribucin es til ya que tiene la propiedad de falta de memoria y
estacionariedad (el sistema se comporta, transcurrido un plazo, de
forma estable e independientemente de las condiciones iniciales).

Una distribucin exponencial de los tiempos entre llegadas implica una


distribucin de Poisson para las llegadas, es decir, el nmero de llegadas
en el intervalo (0, t] es una Poisson. Una distribucin de Poisson describe
la probabilidad de que lleguen n clientes en las siguientes t unidades de
tiempo:

Objetivo: dados los siguientes parmetros (se suelen estimar


estadsticamente)

tasa de llegadas.
tasa de servicio.
s numero de servidores.
Simulacin con dos servidores

MODELO M / M / S

Este modelo supone llegadas y tiempos de servicio aleatorios para


canales de servicio mltiples, teniendo las mismas consideraciones que
le modelo de canal nico de servicio (M / M / 1), excepto que ahora
existe una sola fila de entrada que alimenta los canales mltiples de
servicio con iguales tasas de servicio.

Caractersticas

En el modelo M / M / S, si m es la tasa promedio de servicio para cada


uno de los S canales de servicio, entonces ya no se requiere que m > l,
pero Sm debe ser mayor que l para evitar una acumulacin infinita de
lneas de espera. En el caso de M / M / S, la caracterstica que se
utilizar para hacer los dems clculos es la probabilidad de que el
sistema est ocupado. En otras palabras, la probabilidad es que haya S
o ms unidades en el sistema. En este caso todos los canales de servicio
se estarn utilizando y por ello se dice que el sistema est ocupado. Esto
se puede representar como:

P (Sistema ocupado) =
Y lo podemos calcular por medio de la siguiente ecuacin:

P (Sistema ocupado) =
Con las ecuaciones anteriores podemos calcular los dems datos que
requiera el sistema. En el modelo M / M / S, al igual que el modelo M / M
/ 1, se tiene que L = Lq + r, pero aqu utilizaremos el valor P (sistema
ocupado) para calcular Lq:

Lq = P (sistema ocupado) x

En el caso de M / M / S, al igual que en el modelo M / M / 1, W = L / l y


Wq = Lq / l, por ello se tiene que:
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
8.23. MODELOS PARA SIMULACIN DE COLAS PARA
RESOLVER PROBLEMAS REALES CON 3 SERVIDORES
Simulacin con tres servidores

MODELO M / M / 1/ k

Un sistema con servidores en paralelo se caracteriza porque hay ms de


un servidor que ejecuta la misma funcin con la misma eficiencia. En un
sistema con servidores en paralelo no hay varias colas, sino una nica
cola.
Con respecto a la notacin de Kendall, para este sistema se tienen las
siguientes caractersticas:
A) Se tiene un sistema de llegadas que se producen segn un proceso
de Poisson de razn , donde los tiempos entre llegadas estarn
distribuidos exponencialmente Exp ( )
Donde es el nmero medio de llegadas por unidad de tiempo
B) Los tiempos entre servicios son distribuidos de manera exponencial,
Exp ()
Donde es el nmero medio de paquetes que el servidor es capaz
de atender por unidad de tiempo
X) Se posee un nico servidor en el sistema
Y) La capacidad del sistema es finita, sta se expresa por la
constante K
Z) La disciplina del sistema ser FIFO, la cual se puede omitir
V) Se tiene un estado de servicio igual a uno, es decir una sola cola,
el cual se puede omitir tambin.
En este sistema debe de considerarse que se est limitando el nmero
de paquetes que van a poder entrar a la cola, es decir si la cola
estuviera llena los paquetes que llegaran despus seran rechazados. La
ventaja que tiene este tipo de sistemas es que no se necesita utilizar una
condicin de no saturacin debido a que la capacidad es limitada y
por ello se encuentra siempre en un estado estable, sin importar cul
sea el valor de , siendo igual a la ecuacin (1). Las probabilidades en
este sistema estn dados por:

Donde:
Pn = Probabilidad de que haya n paquetes en el sistema,

= Intensidad de trfico en el sistema, y

K = Nmero de paquetes que caben en el sistema.

En este caso, la determina cmo varan las probabilidades, ya que si


< 1 los estados ms probables son aquellos donde la oferta de servicio
supera a la demanda, en cambio cuando se tiene > 1 la oferta de
servicio no es suficiente para el servicio que se est solicitando, por
ltimo se tiene el caso equilibrado donde = 1 .

Las variaciones en un sistema de colas pueden ser mltiples. Solo se


pueden resolver de forma analtica un conjunto reducido de sistemas.
Elementos ms importantes en un sistema de colas: clientes y servicio.

Los clientes se caracterizan por los intervalos de tiempo que separan sus
llegadas.
El servicio se caracteriza por el tipo y tiempo de servicio, adems de por
el nmero de servidores. El tipo de servicio o disciplina representa el
orden en el que los clientes se seleccionan de la cola.
Las llegadas de clientes pueden ser deterministas o aleatorios (en este
caso se modelan mediante una distribucin estadstica).
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
8.24. COMPARAR LOS DISTINTOS TIPOS DE
SERVIDORES
Teora de colas o lneas de espera
El trfico en redes se puede modelar con la ayuda de la teora de colas,
es por ello que es importante estudiarlas y comprenderlas. Existen varias
definiciones sobre la teora de colas, una de ellas y de suma
importancia es la que menciona Jaime Enrique Varela en el libro
Introduccin a la Investigacin de Operaciones, ya que indica que la
teora de colas se ocupa del anlisis matemtico de los fenmenos de
las lneas de espera o colas. Adems, menciona que las colas se
presentan con frecuencia cuando se solicita un servicio por parte de
una serie de clientes y tanto el servicio como los clientes son de tipo
probabilstico.
La teora de colas es nicamente un modelo del comportamiento del
trfico que se ve todos los das, como lo puede ser un semforo, la
espera en un banco, la fila para conseguir el ticket para un concierto,
as como el trfico que se presenta en el envo de paquetes en redes,
siendo este ltimo caso el que se va a analizar. La teora de colas
presenta un panorama del comportamiento de la cola a travs del
tiempo y el entorno de la misma.
Existen varios tipos de colas que se mencionarn a lo largo del captulo,
sin embargo se har hincapi en tres casos especiales que son el
cimiento del modelo, los modelos a estudiar sern el M/M/1, M/M/1/K y
M/M/C que se describirn posteriormente.
Conceptos bsicos del modelo de colas
Un ejemplo de una cola es: cuando se va a comprar un boleto para
viajar, si existen pocas personas para ser atendidas, ser una cola
pequea; sin embargo, si hay un gran nmero de personas esperando
ser atendidas ser una cola muy grande. Ahora bien, el nmero de
servidores depender de cuantas personas estn atendiendo y el
cliente ser la persona que quiere comprar el boleto, el nmero de
servidores podr ser de 1 hasta infinito. A continuacin se muestra el
ejemplo de una cola con un nico servidor.
Ahora se muestra el mismo ejemplo pero con ms servidores.

Un sistema de colas se especifica por seis caractersticas principales:


1. El tipo de distribucin de entradas o llegadas (tiempo entre
llegadas).
2. El tipo de distribucin de salidas o retiros (tiempo de servicio)
3. Los canales de servicio
4. La disciplina del servicio
5. El nmero mximo de clientes permitidos en el sistema
6. La fuente o poblacin
Finalmente, la fuente (o poblacin) representa un factor importante en
el anlisis de teora de colas ya que el modelo de llegadas depende de
la fuente de donde provienen los clientes. La fuente que genera las
llamadas puede ser finita o infinita. Existe una fuente finita cuando una
llegada afecta la tasa de llegadas de futuros clientes potenciales. As
pues, la cola se puede ver de la siguiente manera:
Tipos de sistemas

Un sistema de lneas de espera es un conjunto de clientes, un conjunto


de servidores, y un orden en el cual los clientes llegan y son atendidos.
Un sistema de lneas de espera es un proceso de nacimiento-muerte
con una poblacin formada por clientes en espera del servicio o que
estn en servicio; una muerte ocurre cuando un cliente abandona la
instalacin. El estado del sistema es el nmero de clientes en la
instalacin.

En la figura se muestran los tipos de sistemas existentes, donde se


describe para cada caso qu tipo de sistema es. Es importante
mencionar nuevamente que se estudiarn los sistemas M/M/1, M/M/1/K
y M/M/C, los cuales se pueden observar en los dos primeros casos; sin
embargo, los sistemas ms complejos se pueden resolver teniendo
como base stos, pero en muchos casos no es posible resolverlos
analizndolos matemticamente y se analizan por medio de su
comportamiento.
BIBLIOGRAFA
Obtenido de:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?docID=10515206

Rodrguez Torres Federico, D. A. (Enero, 2009). Tcnicas y modelos de


simulacin de sistemas. La Habana, Cuba: Instituto Politcnico
Nacional.
ANEXOS
ANEXOS GENERALES

Nombre del Libro: Tcnicas y modelos de simulacin de


sistemas
Autores: Rodrguez Torres Federico , Delgado Altamirano
Ricardo
Fecha de Publicacin: Enero, 2009
Lugar de Publicacin: Mxico, Distrito Federal
Editorial: Instituto Politcnico Nacional
Nmero de Pginas: 394
Link:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?d
ocID=10515206
Nombre del Libro: Mtodos de simulacin y modelado
Autores: Urqua Moraleda Alfonso, Martn Villalba Carla
Fecha de Publicacin: Enero, 2016
Lugar de Publicacin: Madrid, Espaa
Editorial: UNED - Universidad Nacional de Educacin a
Distancia
Nmero de Pginas: 637
Link:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?d
ocID=11322649
Nombre del Libro: Bioinformtica: simulacin, vida
artificial e inteligencia artificial
Autores: Lahoz - Beltr Rafael
Fecha de Publicacin: Enero, 2010
Lugar de Publicacin: Madrid, Espaa
Editorial: Ediciones Daz de Santos
Nmero de Pginas: 613
Link:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?d
ocID=10527028
Nombre del Libro: Modelado y simulacin de eventos
discretos
Autores: Urqua Moraleda Alfonso, Martn Villalba Carla
Fecha de Publicacin: Enero, 2013
Lugar de Publicacin: Madrid, Espaa
Editorial: UNED - Universidad Nacional de Educacin a
Distancia
Nmero de Pginas: 461
Link:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?d
ocID=10803904
Nombre del Libro: Simulacin de fenmenos fsicos
Autor: Ortiz Acevedo Alberto
Fecha de Publicacin: Enero, 2010
Lugar de Publicacin: Madrid, Espaa
Editorial: Instituto Politcnico Nacional
Nmero de Pginas: 58
Link:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?d
ocID=10378247
Nombre del Libro: Simulacin financiera con Delta
Simule
Autores: Otal Franco Sara Helena, Serrano Gregorio
Fecha de Publicacin: Julio, 2015
Lugar de Publicacin: Cuba
Editorial: Ediciones Daz de Santos
Nmero de Pginas: 267
Link:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?d
ocID=11126131&ppg=5
Nombre del Libro: Arte y oficio de la simulacin
Autores: Riverola Jos, Cuadrado Beatriz
Fecha de Publicacin: Enero, 2004
Lugar de Publicacin: Mxico
Editorial: EUNSA
Nmero de Pginas: 652
Link:
http://site.ebrary.com/lib/uagrariaecsp/reader.action?d
ocID=10058481&ppg=7