FACULTAD DE INGENIERÍA

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

Tarea N° 05: Actividad Formativa

CURSO:
DINAMICA DE SISTEMAS

PROFESOR.
MGTR. ING. ANDRES EPIFANÍA HUERTA.

ALUMNO:
FREDDY ASTUCURI QUISPE

CICLO:

AYACUCHO – PERU

2018
 AGRADECIMIENTO

Agradezco primeramente a Dios, por darme el amanecer del día a

día.

A mis padres por todo el apoyo incondicional que me ha brindado,

por su orientación y consejos para dar este paso muy importante en
mi vida.

A nuestros familiares, amigos, compañeros y Docentes de la

Universidad, por el apoyo y colaboración brindado.

el Autor
 DEDICATORIA

A mis padres.

Fidel Astucuri Rojas y Lidia Quispe de la Cruz

por sus consejos, sus valores, por la
motivación constante que me ha permitido ser una
persona de bien, pero más que nada, por su amor.

A mi esposaMaría luisa y a mis hijos Flavia y

Adriano, que son la inspiración de todas las
actividades de mi vida, y que día a día me dan es
impulso que necesito para culminarlas.
 PRESENTACIÓN
Estas notas se originaron en una compilación realizada en 2014 para servir de apoyo
al curso de Posgrado MODELADO Y SIMULACIÓN DE SISTEMAS
DINÁMICOS APARÁMETROS CONCENTRADOS, implementado en la Facultad
Regional La Rioja de la Universidad Tecnológica Nacional. La buena acogida
brindada por los cursantes –todos con formación en ciencias exactas– a los
contenidos relacionados con ciencias sociales, me estimuló para ajustar el contenido
de algunos temas, complementándolos con una serie de referencias bibliográficas
que, a pesar de su incompleta, son representativas del estado del arte, razón por la
que me atrevo a recomendarlas.El desarrollo experimentado por la tecnología
computacional y de comunicaciones en el último medio siglo ha convertido el uso de
las que en un muy reciente pasado se consideraban herramientas de simulación supe
especializado y casi rayano en lo esotérico, en un hecho normal y cotidiano a
disposición de cualquier usuario, sea lego o experto: y aquí aparece un peligro.
«Magister dixit» era el recurrente argumento a la autoridad de los antiguos que
constituía el fundamento –y muy a menudo la conclusión– de las discusiones
escolásticas medievales. Hoy se asiste a una transferencia del peso de la prueba
científica desde los hombros de los antiguos maestros a las más anchas y cómodas
Espaldas de la herramienta computacional. Con la misma carencia de espíritu crítico
con que en el pasado se recurría a los autoridades reconocidas, se manifiesta hoy una
tendencia a defender aserciones sólo porque son el resultado de cálculos
computacionales o, peor aún,

«Porque lo dice Internet». No resulta entonces ocioso llevar a cabo un intento de

caracterizar desde el punto de vista de la teoría del conocimiento los dominios de
validez tanto de los resultados obtenidos como de los eventuales aprendizajes
derivados de la simulación de sistemas y sus incidencias sobre nuestra sociedad del
conocimiento.

Aunque históricamente el auge de la simulación se ha producido en el ámbito de las

ciencias exactas y físicas, su dominio de aplicación se ha extendido a las ciencias
biológicas y sociales. A pesar de su comprobada utilidad para el diseño de políticas
públicas, nuestra dirigencia política –en todo el espectro partidario– no parece
demasiado proclive a su utilización, tal como ha quedado demostrado en el reciente
intento de ajustes de tarifas por suministros energéticos. En respuesta a esta poco
feliz situación, me siento impelido a publicar estas notas, con la esperanza de
contribuir un aporteequilibrante.
 INTRODUCCIÓN
En el ámbito de las ingenierías, los métodos de modelado y simulación han revestido
una importancia progresivamente creciente para el análisis y diseño de sistemas, en
especial a partir de la introducción del microprocesador y el desarrollo de las
computadoras personales desde 1975 en adelante. En el campo de las ciencias
sociales y en especial de la economía, FrancoisQuesnay con su TableauÉconomique
presentó en 1758 el concepto de matriz de producto-insumo originando así la primera
modelización de una actividad social . Siguieron los análisis estadísticos de
fenómenos sociales y, a partir de la aparición del libro de texto de Gilbert y
TroitzschSimulationforthe Social Scientist en 1999 queda firmemente establecida la
simulación social como disciplina.

De acuerdo a Niehans (1990) con la publicación de Die Prinzipien der Mechanik de

Heinrich R. Hertz2 en 1894 comenzó la era en que los científicos concibieron sus
actividades como construcción de modelos; de hecho, en el último cuarto del siglo
XIX, la modelización comenzó a dominar la actividad teórica en el campo de la
física: Maxwell utilizó modelos analógicos hidrodinámicos para deducir sus muy
conocidas ecuaciones del electromagnetismo y W. Thompson (Lord Kelvin)
expresaba que no podía comprender un fenómeno antes de haber construido un
modelo mecánico del sistema en estudio (Hartmann 1996). Las actividades de
modelado y simulación han significado un fuerte impulso para la investigación y el
crecimiento del conocimiento científico, por lo que resulta conveniente plantear las
definiciones de los conceptos de sistema, experimento, modelo y simulación, que
constituyen el contenido de la segunda sección de estas notas. La tercera sección se
ocupa de los modelos desde los enfoques semántico, ontológico, epistemológico y
muy especialmente de los aspectos axiológicos y la incertidumbre que incide sobre
los resultados que pueden proporcionar. En la sección cuarta se analizan las
simulaciones analógicas y computacionales, como asimismo el uso de la simulación
en ciencias sociales. La quinta sección analiza algunos problemas epistémicos
relativos a la simulación, mientras que la sexta se ocupa de las aplicaciones e
influencia de la simulación en la vida social destacando su empleo en el diseño de
políticas públicas. Unas breves observaciones finales cierran el trabajo.
1.1. INTRODUCCIÓN A LA SIMULACIÓN

La técnica de simulación de sistemas es una herramienta de análisis, cuyo uso se ha

extendido a diversas áreas (Administración, Economía, Ingeniería, etc.) en forma
muy reciente. Su inicio se ubica en la década de los 40's cuando Von Newman y
Ulam la utilizaron para analizar y resolver problemas complejos en el campo de la
física, en los que la solución analítica no siempre es factible o bien, es demasiado
costosa para hacerlo en forma experimental.

Según Thomas H. Naylor; simulación es una técnica numérica para conducir

experimentos en una computadora digital. Estos experimentos comprenden ciertos
tipos de relaciones matemáticas y lógicas, las cuales son necesarias para describir el
comportamiento y la estructura de sistemas complejos del mundo real a través de
lagos periodos de tiempo.

Según H. Maisel y G. Gnugnoli; simulación es una técnica numérica para realizar

experimentos en una computadora digital. Estos experimentos involucran ciertos
tipos de modelos matemáticos y lógicos que describen el comportamiento de
sistemas de negocios, económicos, sociales, biológicos, físicos o químicos, a través
de largos periodos de tiempo.

Según Robert E. Shannon; simulación es el proceso de diseñar y desarrollar un

modelo computarizado de un sistema o proceso y conducir experimentos con este
modelo con el propósito de entender el comportamiento del sistema o evaluar varias
estrategias con las cuales puede operar el sistema.

CONCEPTOS BÁSICOS DE SIMULACIÓN

Concepto de Simulación: Es una técnica que permite recrear situaciones o
establecer la factibilidad de un experimento. A partir de la simulación, se logra
visualizar a un sistema físico, haciendo una conexión entre lo abstracto y la realidad.
Las simulaciones generan un ambiente de aprendizaje interactivo, lo que permite a
los estudiantes explorar la dinámica de un proceso.
A través del relativamente poco tiempo de existencia de esta técnica, han surgido
muchas definiciones en las que se involucran varios elementos y conceptos que son
fundamentales, tal Vez lo único en que se presentan divergencias, es el enfoque que
se da a cada una de ellas.

Una de las más significativas ha sido entre otras, la que expresó 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 aproximación del sistema real,
d) Las reglas de validez en X no están exentas de error.”

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

inicialmente la conceptualización formal de la realidad como un sistema y la
utilización de esta para conformar otro sistema análogo producto de esta abstracción,
y que además debe contener como principales características, un menor grado de
complejidad, y asimismo, conservar los elementos esenciales de la estructura y
función 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 definición.

La simulación es una técnica muy poderosa y ampliamente usada en las ciencias para
analizar y estudiar sistemas complejos. En Investigaciones se formularon modelos
que se resolvían en forma analítica. En casi todos estos modelos la meta era
determinar soluciones óptimas. Sin embargo, debido a la complejidad, las relaciones
estocásticas, etc., no todos los problemas del mundo real se pueden representar
adecuadamente en forma de modelo.
Simular, es reproducir artificialmente un fenómeno o las relaciones entrada-salida de
un sistema. Se puede definir a la simulación como la técnica 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 simulación.

Shannon define la simulación como el proceso de diseñar un modelo de un sistema

real y realizar experimentos con él para entender el comportamiento del sistema o
evaluar varias estrategias (dentro de los límites impuestos por un criterio o por un
conjunto de criterios) para la operación del sistema.

Un modelo de simulación comúnmente toma la forma de un conjunto de hipótesis

acerca del funcionamiento del sistema, expresado con relaciones matemáticas o
lógicas entre los objetos de interés del sistema. el proceso de simulación incluye la
ejecución del modelo a través del tiempo, en general en una computadora, para
generar nuestras representativas de las mediciones del desempeño o funcionamiento.

Al respecto, una de las más conocidas es la que se atribuye a NayloLBalintfy,

Burdick y Kong Chu; "Simulación, es una técnica numérica para conducir
experimentos en una computadora digital, los cuales requieren ciertos tipos de
modelos lógicos y matemáticos» que describen el comportamiento de un negocio o
un sistema económico (o algún componente de ellos) en periodos extensos de tiempo
real".

La definición anterior, involucra algunas ideas adicionales a la expresada por

Churchman, dándole un sentido más práctica e incluyendo el factor tiempo que no
había sido considerado explícitamente. Como anteriormente se apuntó, existe una
gran cantidad de definiciones, pero todas ellas mantienen el concepto fundamental y
excluyen o incluyen otros en función del enfoque particular o los objetivos que se
persiguen.

a) La simulación implica un procesa de abstracción 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 físico,
iconográfico, analógico, verbal; etc.
c) Es comprensible que de acuerdo a las características propias del problema, se
pueden presentar diferentes categorías o tipos de modelos, las cuales no son
mutuamente excluyentes.
d) Los objetivos de la simulación pueden restringirse a uno sola o a varios y su
diseño debe ser acorde a éstos.
e) La simulación implica además, un proceso de implementación y operación en
computadora a bien manual (con fines didácticos). Para esto se han diseñado
varios lenguajes que simplifican enormemente esta tarea.
f) La simulación no es sinónimo de optimización, esto quiere decir que no se
obtendrán este tipo de soluciones necesariamente y que de hecho en la
mayoría de los casos, solo debe esperarse la obtención de criterios que
permitan tomar decisiones dentro de un límite aceptable de riesgo.

“Una simulación es una imitación de la operación 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 simulación. Este modelo usualmente toma su forma a
partir de un conjunto de postulados sobre la operación del sistema real”.

“Una indicación de la realidad que se implique la realidad, esta implica trampa,

engaño; la maga está en que se parezca tanto a la realidad”

“En la naturaleza la simulación es como una técnica de engaño para sobrevivir”.

Ejemplo el camaleón el cual es un animal conocido por su capacidad de cambiar de
color dependiendo en el lugar en que se encuentre.

La simulación es una estrategia” “Es una imitación 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 distinción clara de que se entiende por sistema. En forma
muyelemental un sistema puede describirse como un conjunto de
elementosinterrelacionados de algún modo, a fin de lograr un objetivo común.Este
concepto es más que nada, el producto de una filosofía para enfocar situaciones
complejas.

El ejemplo más descriptivo del concepto de sistema, es desde luego el cuerpo

humano, así pues se pueden considerar como sus componentes: corazón, cerebro,
pulmones, etc., cada uno de ellos tiene un atributo que le hace indispensable para los
demás componentes del cuerpo, asimismo ninguno de ellos puede subsistir sin
interrelaciones con los otros, la conjunción de éstos 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 actúa
y a su vez es afectado por su entorno.

Simular, es reproducir artificialmente un fenómeno o las relaciones entrada-salida de

un sistema. Esto ocurre siempre cuando la operación de un sistema o la
experimentación en él son imposibles, costosas, peligrosas o poco prácticas, como en
el entrenamiento de personal de operación, pilotos de aviones, etc.

Modelos y su clasificación
Para la solución de los problemas más simples y aún los más complejos es necesario
centrarse en solo una porción y/o en algunas características esenciales y no en todos
Los detalles que se presentan en la realidad. Esta aproximación o abstracción se
llama generalmente modelo.

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

características implícitas de ellos, así se considera que de acuerdo a Su función
pueden dividirse en:

a) Descriptivos:
Son aquellos que solo proporcionan información acerca del estado de las cosas, es
decir, sólo son una “imagen”.
b) Predictivos:
Estos están diseñados para poder explicar y prever el comportamiento de las
variables, en función a variaciones de las condiciones iniciales.
c) Normativos:
Sólo proporcionan información acerca de la "acción" recomendable ante una
situación dada.
Atendiendo a su estructura pueden ser:
a) Icónicos:
Los modelos conservan algunas de las características físicas de lo que representan.
b) Analógicos:
En estos, los elementos y/o procesos de un sistema son “sustituidos” por los
elementos y/o procesos de otro sistema.
c) Simbólicos:
Se basan en el lenguaje simbólico (símbolos), para describir una característica
inherente a un sistema.
Respecto al tiempo estos son:
a) Estáticos:
Los modelos estáticos no están capacitados para explicar cambios ocurridos a través
del tiempo.
b) Dinámicos:
Estos están en posibilidad de explicar el comportamiento de las variables a través del
tiempo.
En función a la incertidumbre:
a) Deterministas:
Este tipo de modelos, generan información de salida en forma única, en respuesta de
una serie específica de Valores de entrada.
b) Probabilísticos:
Los modelos probabilísticos comprenden distribuciones de probabilidad como
información 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
categorías, así podemos pensar en modelos cuyas características sean: simbólico,
dinámico y probabilístico, o bien: icónico, estático y determinista.
METODOLOGÍA DE LA SIMULACIÓN.

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

describirán las fases de la simulación. Esencialmente la metodología incluye las
siguientes etapas:

1. Definición y formulación del problema

Parece razonable que al igual que otras formas de investigación, la etapa inicial sea la
definición y formulación del problema y/o la definición exacta de los objetivos del
experimento. En forma general se debe especificar la información que se pretende
obtener, las hipótesis que se van a probar o los efectos con los cuales se va a
experimentar.
La determinación específica de estos aspectos permitirá no perder de vista el objeto
de la investigación y establecer los alcances de esta.

2. Conceptualización del sistema

Una vez definida y aclarada la problemática, debe considerarse como una segunda
etapa un proceso de abstracción de la realidad para conceptualizar la porción de ésta,
como un sistema. Esto permitirá comprender cabalmente los procesos y/o
mecanismos básicos de funcionamiento.

3. Formulación de un modelo matemático

Ya definidos los objetivos experimentales y teniendo el conocimiento del sistema, la
siguiente etapa es la formulación de un modelo matemático, que relacione las
variables endógenas del sistema con las exógenas. Se supone que las variables
exógenas se determinan mediante las fuerzas externas al sistema y pueden ser del
tipo aleatorio o expresarse en forma de tendencias de tiempo.

4. Estimación de parámetros
Posterior a la formulación del modelo matemático que describe al sistema, es
necesario estimar los valores de los parámetros de dicho modelo y comprobar la
importancia estadística de tas estimaciones. Para ello se tomará como base las
observaciones extraídas de la realidad.

5. Evaluación del modelo

Se hace necesario realizar una evaluación del modelo, es decir, ponerlo a prueba. Lo
anterior es fundamental considerando que poco o nada se ganará utilizando un
modelo inadecuado para la simulación del sistema.
Un nivel de referencia para esta evaluación es realizar un cálculo manual y comparar
los resultados con los valores teóricos de las variables endógenas del modelo, con los
valores históricos o reales de dichas variables. Si el modelo no pasa
satisfactoriamente esta evaluación, lo más conveniente es retomar el proceso desde
su primera etapa.

6. Formulación del programa de computadora

La formulación de un programa de computadora para experimentos de simulación,

requiere esencialmente de 3 aspectos:
l) EL programa de computadora
2) Información de entrada y condiciones iniciales
3) La generación de datos.
7. Análisis de datos
Una vez obtenidos los datos de La simulación, estos se deben analizar por alguno de
los dos métodos siguientes:
Análisis de la Varianza y el Análisis de regresión.

TIPOS DE SISTEMAS
Modelos de simulación estática vs. Dinámica

Un modelo de simulación estática, se entiende como la representación 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 simulación Montecarlo; en cambio un
modelo de simulación dinámica representa a un sistema en el que el tiempo es una
variable de interés, como por ejemplo en el sistema de transporte de materiales
dentro de una fábrica, una torre de enfriamiento de una central termoeléctrica, etc...

Estático

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

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

Dinámico

Los modelos dinámicos son una representación de la conducta dinámica de un

sistema, mientras un modelo estático involucra la aplicación de una sola ecuación,
los modelos dinámicos, por otro lado, son reiterativos. Los modelos dinámicos
constantemente aplican sus ecuaciones considerando cambios de tiempo.

Modelos de simulación determinista vs estocástica

Si un modelo de simulación no considera ninguna variable importante,

comportándose de acuerdo con una ley probabilística, se le llama un modelo de
simulación 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 cómputo para su evaluación. Sin embargo, muchos sistemas se
modelan tomando en cuenta algún componente aleatorio de entrada, lo que da la
característica de modelo estocástico de simulación. Un ejemplo sería un sistema de
inventarios de una fábrica, o bien el sistema de líneas de espera de una fábrica, etc.
Estos modelos producen una salida que es en sí misma de carácter aleatorio y ésta
debe ser tratada únicamente para estimar las características reales del modelo, esta es
una de las principales desventajas de este tipo de simulación.

Determinístico

En éstos ni las variables exógenas, ni las endógenas, se obtienen por medio del azar,
debido a que se suponen relaciones exactas para las características de operación. Son
variables con valores preestablecidos.

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

se determine el resultado.

Estocástico

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

Es aquel en el cual información pasada, no permite la formulación de una regla para

determinar el resultado preciso de un experimento.

Modelos de simulación continuos vs discretos

Los modelos de simulación discretos y continuos, se definen de manera análoga a los

sistemas discretos y continuos respectivamente. Pero debe entenderse que un modelo
discreto de simulación no siempre se usa para modelar un sistema discreto. La
decisión de utilizar un modelo discreto o continuo para simular un sistema en
particular, depende de los objetivos específicos de estudio. Por ejemplo: un modelo
de flujo de tráfico en una supercarretera, puede ser discreto si las características y
movimientos de los vehículos en forma individual es importante. En cambio si los
vehículos pueden considerarse como un agregado en el flujo de tráfico 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 compañía consultora con el objeto de construir un modelo de simulación para su
línea de fabricación, la cual produce medio millón de latas al día a una velocidad casi
constante. Debido a que cada una de las latas se representó como una entidad
separada en el modelo, éste resulto ser demasiado detallado y por ende caro para
correrlo, haciéndolo poco útil. Unos meses más tardé, se hizo una reformulación del
modelo, tratando al proceso como un flujo continuo. Este nuevo modelo produjo
resultados precisos y se ejecutó en una fracción del tiempo necesario por el modelo
original.

Discreto

El estado de los cambios en los modelos sólo se da cuando esos eventos ocurren.

La llegada de órdenes, o las partes que están siendo ensambladas, así como los
clientes que llaman.

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

discreto.

Las entidades individuales (partes) son ensambladas basadas en eventos (recibo o

anticipación de órdenes).

Continuo

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

tiempo.

La simulación continua es análoga a un depósito en donde el fluido que atraviesa

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

Físico

Llamados así, debido a que se semejan al sistema en estudio.

Durante muchos años, los ingenieros han usado modelos de tamaño natural y han
reducido y puesto a escala a los mismos para probarlos. (NASA, líneas aéreas
comerciales).

Análogos

Los modelos análogos poseen algunas propiedades similares a los objetos

representados pero sin ser una réplica morfológica de los mismos.

Un ejemplo de un modelo análogo es un mapa impreso que se construye mediante un

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

Mediante esta transformación se persigue hacer legibles propiedades tales como

altitud, distancia, localización física de objetos geográficos, sus relaciones
importancia.

Simbólicos

Los modelos simbólicos se construyen mediante reglas notablemente más abstractas

ya que esta denominación suele aplicarse a los casos en los que el objeto real se
representa mediante una codificación matemática.

Un ejemplo de modelo simbólico es la representación de un edificio mediante la

identificación y codificación en una estructura geométrica de sus elementos básicos.

El modelo así construido permite la aplicación de algoritmos para, por ejemplo, la

estimación de esfuerzos a los que está sometido
 EJEMPLOS DE VENTAJAS DE SIMULACIÓN

LA ENSEÑANZA DE MEDICINA CON SIMULACIÓN, UNA

TÉCNICA QUE EMERGE EN REP. DOMINICANA
1.2.- IMPORTANCIA DE LOS DATOS QUE SE INGRESAN EN
UNA SIMULACIÓN

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 más amplio definido para otro estudio
particular. Por ejemplo, si se quiere determinar cuál es el número más adecuado de
operarios y máquinas en la sección de mecanizado de una empresa que tiene una
determinada cartera de pedidos, estos elementos serán 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 sólo serán una
parte del sistema.

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

conjunto de elementos que se van a incluir en el modelo y, por exclusión, 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
fenómenos 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 serán poco fiables y el modelo inútil. En el
segundo, el nivel de detalle puede no aportar información adicional interesante,
implicará casi con toda seguridad un tiempo total de desarrollo mayor y,
finalmente, se traducirá en un modelo informático más lento.
• En segundo lugar, la definición clara de los objetivos y la definición precisa del
problema facilita la generación de alternativas potencialmente más 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,
además de facilitar que su estudio en términos estadísticos sea el adecuado.

Variables de entrada de datos

Las variables de entrada de datos son aquellas que corresponden a fenómenos del
sistema real sobre las que no se tiene ningún control. Por ejemplo, el número de
clientes que llegan a una gasolinera, el producto que demandan, el volumen de
demanda de un producto, etc.

Parámetros de diseño

Los parámetros de diseño representan aquellas características del sistema sobre las
que se tiene control y que determinan la configuración del sistema. Pueden ser
parámetros de diseño, el número de surtidores que se dedica a cada producto en una
gasolinera, el número de operarios que se destina a cierto conjunto de operaciones, la
máquina que se emplea para realizar una determinada operación.
Variables de salida

Finalmente, a partir de las variables de entrada y de los parámetros de diseño 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 configuración y que están
estrechamente ligadas a los objetivos del estudio. Por ejemplo, el tiempo total de
espera en una oficina de atención puede ser una variable de salida. Igualmente, la
producción diaria de una planta puede ser una variable de salida.

Recogida, análisis y generación 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 número de piezas de cada pedido que llega a
una planta de producción, etc.)

En ocasiones, no se dispone de datos históricos de las variables de entrada (porque

no se han recopilado, porque no ha existido la oportunidad de recogerlos, etc.) Por
supuesto, los resultados serán tanto más fiables cuanto más acertada sea la elección.

Si, en cambio, se dispone de datos históricos, existen tres alternativas:

• Alimentar el modelo con los datos históricos tal y como se han recogido.
Esta alternativa es interesante desde el punto de vista de la validación 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 ofreció 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 función de distribución empírica y generar valores de acuerdo con

dicha distribución. 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
históricos.
• Realizar un ajuste de los datos históricos a una función de distribución teórica, y
generar valores de acuerdo con dicha distribución.

1.3 HERRAMIENTAS ESTADÍSTICAS VARIABLE UNIFORME

PARA TRABAJAR SOBRE DATOS DE UNA SIMULACIÓN

Los fenómenos que son típicamente objeto de estudio mediante simulación son de
carácter estocástico, por lo que la simulación está muy ligada a la estadística. SI se
desea realizar la simulación de un sistema, es fundamental contar con una
herramienta que permita analizar, sistematizar y extraer de la realidad la porción de
esta que se va a estudiar, pero de una manera ordenada y así en una fase posterior
confirmarla con un modelo matemático a través del cual se implementará el proceso
de simulación.En particular, y como se indica en la Figura 1, a lo largo del desarrollo
de un estudio de simulación, la estadística aparece de la siguiente manera.

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

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 caracterización del comportamiento anterior.
• Se debe estudiar de forma adecuada el valor de las variables de salida para no
extraer conclusiones erróneas 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 metodología que permita estudiar configuraciones
alternativas del sistema.
• En general, también puede ser interesante analizar los factores que condicionan el
comportamiento de un sistema (diseño de experimentos, superficies de
respuesta).
• Se ofrecen algunas nociones y técnicas básicas de estadística necesarias para la
realización de un estudio de simulación de forma correcta.
•

Variables aleatorias
Una de las características más notables de la simulación es la existencia de
fenómenos 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 más comúnmente utilizadas

A continuación, presentamos las distribuciones de probabilidad más comúnmente
empleadas en la simulación. 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 distribución. Después, se describen los parámetros de cada
distribución, 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 más frecuentemente utilizadas

• Uniforme
• Exponencial
• Gamma
• Weibull
• Normal
• Normal-logarítmica
• Beta
• Triangular
DISTINTOS TIPOS DE SIMULACIÓN
Evidentemente, las características del sistema real que se desea estudiar van a
condicionar el tipo de simulación que se va a desarrollar. Por lo tanto, conviene hacer
una clasificación de los sistemas de acuerdo con los aspectos que van a condicionar
su análisis posterior. Así, es útil realizar una clasificación de los sistemas atendiendo
a tres aspectos fundamentales:

• Sistemas estáticos y sistemas dinámicos

Un sistema se considera estático cuando sus variables de estado no cambian a lo
largo del tiempo, es decir, cuando el tiempo no juega ningún papel en sus
propiedades. Por el contrario, en un sistema dinámico los valores que toman
todas o algunas de sus variables de acción evolucionan a lo largo del tiempo.
• Sistemas deterministas y sistemas estocásticos
Si un sistema no tiene ningún componente de carácter estocástico (es decir,
aleatorio) se considera determinista. En este caso, el comportamiento del sistema
está 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 estocástico tiene algún elemento que se comporta de forma
aleatoria, de forma que no está predeterminado comportamiento en función de las
condiciones iniciales y de las relaciones entre sus componentes. En este caso, el
sistema sólo se podrá estudiar en términos 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 instantáneamente de
valor en ciertos instantes de tiempo. En un sistema de una cierta complejidad
puede ocurrir que existan simultáneamente 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 considerará el sistema como
perteneciente a uno de los dos tipos.
Tipos de modelos
Para estudiar un sistema, la forma más inmediata sería experimentar sobre él. 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 diseño.
• Puede ser imposible experimentar con el sistema real porque no se dispone de
ningún control sobre dicho sistema; por ejemplo, si se desea estudiar un
sistema financiero, bursátil,...
• Puede ser económicamente inviable la experimentación sobre el sistema real.
• La experimentación sobre el sistema real puede conllevar unos plazos de
tiempo muy dilatados. Es el caso, por ejemplo, de ciertos sistemas sociales o
biológicos.

En cualquiera de los casos anteriores se hace necesaria la construcción de un

modelo del sistema que refleje con la fidelidad adecuada las características
destacadas del sistema a analizar y la experimentación sobre dicho modelo. Si se
realiza correctamente la construcción del modelo y el diseño de los experimentos,
los resultados obtenidos permitirán inferir cuál sería el comportamiento del
sistema a analizar en determinadas condiciones.

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

simulación que se pueden utilizar para analizar un sistema.
Modelos y su clasificación
Para la solución de los problemas más simples y aún los más complejos es necesario
centrarse en solo una porción y/o en algunas características esenciales y no en todos
Los detalles que se presentan en la realidad. Esta aproximación o abstracción se
llama generalmente modelo.

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

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

Lo hace impráctico, así es esencial que:

* Un modelo sea lo más simple posible, sin que pierda un nivel aceptable de
confiabilidad y de poder explicativo.

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

información, cuya consecución sea costosa y que, por otra parte, esa misma
complejidad sea un obstáculo para obtener una solución.

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

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

características implícitas de ellos, así se considera que de acuerdo a:

Su función pueden dividirse en:

a) Descriptivos:

Son aquellos que solo proporcionan información acerca del estado de las cosas, es
decir, sólo son una “imagen”.
b) Predictivos:

Estos están diseñados para poder explicar y prever el comportamiento de las

variables, en función a variaciones de las condiciones iniciales.

c) Normativos:

Sólo proporcionan información acerca de la "acción" recomendable ante una

situación dada.

Atendiendo a su estructura pueden ser:

a) Icónicos:

Los modelos conservan algunas de las características físicas de lo que representan.

b) Analógicos:

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

c) Simbólicos:

Se basan en el lenguaje simbólico (símbolos), para describir una característica

inherente a un sistema.

Respecto al tiempo estos son:

a) Estáticos:

Los modelos estáticos no están capacitados para explicar cambios ocurridos a través
del tiempo.

b) Dinámicos:

Estos están en posibilidad de explicar el comportamiento de las variables a través del

tiempo.

En función a la incertidumbre:

a) Deterministas:

Este tipo de modelos, generan información de salida en forma única, en respuesta de

una serie específica de Valores de entrada.

b) Probabilísticos:
Los modelos probabilísticos comprenden distribuciones de probabilidad como
información 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
categorías, así podemos pensar en modelos cuyas características sean: simbólico,
dinámico y probabilístico, o bien: icónico, estático y determinista.

TIPOS DE SISTEMAS
Modelos de simulación estática vs. Dinámica

Un modelo de simulación estática, se entiende como la representación 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 simulación Montecarlo; en cambio un
modelo de simulación dinámica representa a un sistema en el que el tiempo es una
variable de interés, como por ejemplo en el sistema de transporte de materiales
dentro de una fábrica, una torre de enfriamiento de una central termoeléctrica, etc...

Estático

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

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

Dinámico

Los modelos dinámicos son una representación de la conducta dinámica de un

sistema, mientras un modelo estático involucra la aplicación de una sola ecuación,
los modelos dinámicos, por otro lado, son reiterativos. Los modelos dinámicos
constantemente aplican sus ecuaciones considerando cambios de tiempo.

Modelos de simulación determinista vs estocástica

Si un modelo de simulación no considera ninguna variable importante,

comportándose de acuerdo con una ley probabilística, se le llama un modelo de
simulación 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 cómputo para su evaluación. Sin embargo, muchos sistemas se
modelan tomando en cuenta algún componente aleatorio de entrada, lo que da la
característica de modelo estocástico de simulación. Un ejemplo sería un sistema de
inventarios de una fábrica, o bien el sistema de líneas de espera de una fábrica, etc.
Estos modelos producen una salida que es en sí misma de carácter aleatorio y ésta
debe ser tratada únicamente para estimar las características reales del modelo, esta es
una de las principales desventajas de este tipo de simulación.

Determinístico

En éstos ni las variables exógenas, ni las endógenas, se obtienen por medio del azar,
debido a que se suponen relaciones exactas para las características de operación. Son
variables con valores preestablecidos.

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

se determine el resultado.

Estocástico

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

Es aquel en el cual información pasada, no permite la formulación de una regla para

determinar el resultado preciso de un experimento.

Modelos de simulación continuos vs discretos

Los modelos de simulación discretos y continuos, se definen de manera análoga a los

sistemas discretos y continuos respectivamente. Pero debe entenderse que un modelo
discreto de simulación no siempre se usa para modelar un sistema discreto. La
decisión de utilizar un modelo discreto o continuo para simular un sistema en
particular, depende de los objetivos específicos de estudio. Por ejemplo: un modelo
de flujo de tráfico en una supercarretera, puede ser discreto si las características y
movimientos de los vehículos en forma individual es importante. En cambio si los
vehículos pueden considerarse como un agregado en el flujo de tráfico 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 compañía consultora con el objeto de construir un modelo de simulación para su
línea de fabricación, la cual produce medio millón de latas al día a una velocidad casi
constante. Debido a que cada una de las latas se representó como una entidad
separada en el modelo, éste resulto ser demasiado detallado y por ende caro para
correrlo, haciéndolo poco útil. Unos meses más tardé, se hizo una reformulación del
modelo, tratando al proceso como un flujo continuo. Este nuevo modelo produjo
resultados precisos y se ejecutó en una fracción del tiempo necesario por el modelo
original.

Discreto

El estado de los cambios en los modelos sólo se da cuando esos eventos ocurren.

La llegada de órdenes, o las partes que están siendo ensambladas, así como los
clientes que llaman.

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

discreto.

Las entidades individuales (partes) son ensambladas basadas en eventos (recibo o

anticipación de órdenes).

Continuo

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

tiempo.

La simulación continua es análoga a un depósito en donde el fluido que atraviesa

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

Físico

Llamados así, debido a que se semejan al sistema en estudio. Durante muchos años,
los ingenieros han usado modelos de tamaño natural y han reducido y puesto a escala
a los mismos para probarlos. (NASA, líneas aéreas comerciales).

Análogos
Los modelos análogos poseen algunas propiedades similares a los objetos
representados pero sin ser una réplica morfológica de los mismos.

Un ejemplo de un modelo análogo es un mapa impreso que se construye mediante un

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

Mediante esta transformación se persigue hacer legibles propiedades tales como

altitud, distancia, localización física de objetos geográficos, sus relaciones
importancia.

Simbólicos

Los modelos simbólicos se construyen mediante reglas notablemente más abstractas

ya que esta denominación suele aplicarse a los casos en los que el objeto real se
representa mediante una codificación matemática.

Un ejemplo de modelo simbólico es la representación de un edificio mediante la

identificación y codificación en una estructura geométrica de sus elementos básicos.

El modelo así construido permite la aplicación de algoritmos para, por ejemplo, la

estimación de esfuerzos a los que está sometido.
 BIBLIOGRAFÍA

Rodríguez Torres Federico, D. A. (Enero, 2009). Técnicas y modelos de

simulación de sistemas. La Habana, Cuba: Instituto Politécnico Nacional.