Академический Документы
Профессиональный Документы
Культура Документы
METODOLOGIA
Aunque se van a presentar una serie de pasos de forma secuencial, realmente es un proceso
iterativo.
Se definen las cuestiones para las que se buscan las respuestas, las variables implicadas y
las medidas de ejecución que se van a usar.
Esta fase es muy importante para poder alcanzar un modelo válido, se puede dividir a su
vez en 5 fases
Se hace una abstracción del tipo de problema que se va a tratar. Se identifican los recursos a
utilizar, los requisitos que se van a exigir (relaciones a establecer).
Se han de identificar las variables que interviene en el sistema y que son de interés para
nuestro modelo, éstas se pueden clasificar en:
· Variables exógenas: son variables externas al modelo y existen con independencia de él.
Se consideran variables de entrada. Éstas a su vez se pueden dividir en dos grupos:
· Variables controlables o de decisión (factores): son aquellas sobre las que el analista
puede decidir su valor dentro de ciertos límites.
· Variables incontrolables o parámetros: sus valores no se pueden decidir sino que vienen
fijados. Las variables serán controlables o incontrolables dependiendo de quién las defina.
· Variables endógenas: son variables internas y las variables de salida del modelo. Son
función de las variables exógenas y de la estructura del modelo.
Incluso en el caso de que las variables sean controlables, están limitadas o restringidas a
ciertos límites dentro de los cuales se pueden modificar.
1.3.1.4.- Desarrollar una estructura preliminar del modelo que interrelacione las
variables del sistema y las medidas de ejecución.
Hay veces en las que existe una única función objetivo dominante y entonces se intenta
optimizar ésta sin tener en cuenta las otras variables, aunque siempre considerando las
restricciones. En otras ocasiones existe más de una función dominante, en este caso, hay
que estudiar las distintas funciones objetivo e intentar encontrar valores para los cuales las
funciones son óptimas.
· Establecer compromisos implícitos entre las medidas. Esta aproximación es muy subjetiva
y no se va a considerar. Se dan los resultados a quién tenga que tomar la decisión y él será
quien establezca la relación entre las variables conflictivas.
· Restricción y corte: seleccionar una medida como la que más interesa optimizar y hacer
que las otras estén dentro de un rango de valores aceptable. Esto reduce la posibilidad de
encontrar un óptimo, o al menos las mejores soluciones.
Los modelos son abstracciones de las partes esenciales del sistema. Se ha de intentar ver si
con las variables que se han especificado se tiene suficiente para describir estos aspectos
importantes del sistema (si no se tienen suficientes entonces el modelo no será una buena
representación del sistema), o por el contrario se han definido más de las necesarias (esto
puede oscurecer las relaciones entre las variables realmente importantes). En resumen, lo
que se tiene que fijar en este paso es el nivel de detalle al que se debe llegar en el modelo.
El nivel de detalle depende de:
No es igual si lo que se desea hacer es un modelo para una previsión a largo plazo, en cuyo
caso la precisión puede ser menor, debido a que al transcurrir el tiempo las variables van a
cambiar e incluso podrán aparecer otras nuevas, que si se desea una previsión a corto plazo,
entonces se deberá profundizar más en el nivel de detalle.
1.3.2.- Colección de datos y Análisis
Aunque la recogida de datos se va a ver como el segundo paso, es bastante posible que se
hayan tenido que recoger datos para la formulación del problema. Sin embargo, durante
este paso se recoge el mayor volumen de datos, se reduce y se analiza.
Los métodos de recogida de datos son tan variados como los problemas a los que éstos se
pueden aplicar. Si se clasifican por su sencillez, se puede ir desde las aproximaciones
manuales hasta las técnicas más sofisticadas de alta tecnología. En la selección de un
método se pueden tener en cuenta los siguientes factores:
Una vez realizado el muestreo, los datos se han de analizar e introducir en el modelo. Los
datos usados para definir el modelo pueden ser de dos tipos:
· Deteminísticos: son datos conocidos con certeza. Éstos se pueden introducir fácilmente en
el modelo.
muestra y usar ésta en el modelo. Esto permite tener una mejor comprensión
(generalización) del modelo.
Incluye la construcción y depuración del modelo del sistema real, incluyendo la selección
de un lenguaje de programación, codificación del modelo. Esta etapa se va a dividir en dos
partes:
· Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las comprobaciones y
modificaciones de las variables afectadas se realizan sólo después de la ocurrencia de un
evento. Aquí el incremento de tiempo es variable, va desde la ocurrencia de un evento a
otro.
Hay que tener cuidado en la elección del incremento de tiempo. Si éste es demasiado
pequeño se realizará trabajo inútil, ya que se comprobarán cambios cuando en realidad no
ha ocurrido ningún suceso. Por el contrario si es demasiado grande se producirán muchos
errores de redondeo y la dinámica del modelo será ineficiente.
Elección de un Lenguaje de programación. Hay un creciente número de lenguajes de
programación disponibles para la implementación de modelos de simulación.
Entre los lenguajes de simulación destacan: GPSS (General Purpose Simulation System),
SLAM (Simulation Language for Alternative Modeling), SIMAN (Simulation Analysis), y
SIMSCRIPT. Muchos lenguajes de propósito general son completamente adecuados para la
simulación, por ejemplo, FORTRAM, PASCAL,…, pero los lenguajes de simulación
proporcionan una serie de características que hacen la programación, depuración y
experimentación más eficientes en tiempo y esfuerzo, aunque consuman más tiempo en la
ejecución. Quizás la más importante ventaja de los lenguajes de simulación es la
correspondencia entre los elementos del sistema y los elementos del lenguaje. Por ejemplo,
en GPSS hay bloques de diagramas de flujo y conjuntos de sentencias de programa
llamados QUEUE que procesan entidades a través de una cola de espera y acumulan datos
de variables de salida tales como tiempo de espera en la cola.
El lenguaje seleccionado puede influir en la forma exacta del diagrama de flujo del
programa de computador.
Aunque se ha hecho referencia a que los números usados en simulación son aleatorios, no
lo son totalmente, ya que se producen a partir de algoritmos determinísticos. Sin embargo
las propiedades de los números producidos se pueden hacer lo suficientemente cerradas de
forma que éstos sean completamente utilizables para la simulación. Si el modelo se
implementa con un lenguaje de propósito general, se puede seleccionar e incluir algoritmos
necesarios para generar las variables aleatorias requeridas. Pero si se utiliza un lenguaje de
simulación estos algoritmos están incluidos y pueden ser fácilmente accesibles por el
usuario.
La Verificación del modelo consiste en ver cuál es la consistencia interna del modelo.
La Validación consiste en asegurar que existe la una correspondencia entre el sistema real y
el modelo. Un buen método para la validación es hacer un test para ver cómo el modelo
predice el comportamiento del sistema ante determinadas entradas.
Se dice que un modelo es válido si sus medidas de salida tienen una correspondencia
apropiada con las mismas medidas en el sistema real. La comprobación última para la
validez de un modelo es ver cómo el modelo puede predecir un comportamiento futuro del
sistema ante unas determinadas entradas.
Se han de diseñar los experimentos que se van a llevar a cabo sobre el modelo y luego
analizar las salidas obtenidas, de forma que podamos responder a las cuestiones que se
plantearon.
En la interpretación de las salidas del modelo, hay algunos aspectos que son únicos de la
simulación. Mientras que los modelos analíticos proporcionan soluciones con medidas de
ejecución completamente definidas, los modelos de simulación producen estimaciones de
las medidas que están sujetas a error.
Las salidas del modelo de simulación se consideran muestras. Las principales cuestiones en
la obtención de estimaciones útiles a partir de muestras son: que la muestra sea
representativa del comportamiento del sistema, y que el tamaño de la muestra sea lo
suficientemente grande para que las estimaciones de las medidas de ejecución alcancen un
buen nivel de precisión. El tamaño de la muestra es algo que está bien definido, pero la
representatividad del comportamiento del sistema depende de la naturaleza de las
cuestiones que tienen que ser contestadas por el modelo.
Análisis para sistemas con final definido: la ejecución del modelo finaliza cuando ocurre
un evento específico. Se tomaría una muestra por ejecución.
En ambos casos, las condiciones inicia les (estado del sistema el empezar la ejecución)
pueden influir en la estimación de las medidas de comportamiento.
Entre las razones por las que los esfuerzos de implantación son a menudo inútiles, se
incluyen las siguientes:
· Falta de entendimientos por parte de los encargados del sistema debido a los tecnicismos
utilizados.
· Resistencia al cambio.
· Falta de coincidencia entre el personal disponible y los objetivos marcados por el modelo.