Академический Документы
Профессиональный Документы
Культура Документы
3 METODOLOGIA DE LA SIMULACION
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
• Variables controlables o de decisión (factores): son aquellas sobre las que el analista
puede decidir su valor dentro de ciertos límites.
• Variables endógenas: son variables internas y las variables de salida del modelo.
Son función de las variables exógenas y de la estructura del modelo.
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.
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:
• 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.
El lenguaje seleccionado puede influir en la forma exacta del diagrama de flujo del
programa de computador.
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 ambos casos, las condiciones inicia les (estado del sistema el empezar la
ejecución) pueden influir en la estimación de las medidas de comportamiento.
El tamaño de la muestra es importante ya que la precisión de las estimaciones
depende de la varianza de la media de la muestra, y la varianza cambia de forma
inversamente proporcional al tamaño de la muestra (si se cuadriplica el tamaño de la
muestra la desviación estándar se reduce a la mitad). La definición de tamaño de
muestra para simulación depende del tipo de análisis que se haya hecho. Para el
análisis de un sistema con final definido se podría reproducir el periodo de interés, con
las condiciones iniciales apropiadas, un determinado número de veces hasta
conseguir la precisión deseada de la estimación. En cada ejecución de obtendrá un
elemento de la muestra. Con un análisis en estado estacionario el tamaño de la
muestra está estrechamente enlazado con el tamaño de la ejecución del modelo o
cantidad de tiempo de simulación.
Este paso final es uno de los más importantes y el que más se descuida de todo el
proceso. Parece obvio que los beneficios de un largo y costoso análisis no se
realizarán sin una implementación apropiada y una aceptación por parte de los
usuarios.
Entre las razones por las que los esfuerzos de implantación son a menudo inútiles, se
incluyen las siguientes: