You are on page 1of 9

qwertyuiopasdfghjklzxcvbnmqw

ertyuiopasdfghjklzxcvbnmqwert
yuiopasdfghjklzxcvbnmqwertyui
opasdfghjklzxcvbnmqwertyuiop
Modelacin y simulacin de
operaciones y procesos
asdfghjklzxcvbnmqwertyuiopas
dfghjklzxcvbnmqwertyuiopasdf
ghjklzxcvbnmqwertyuiopasdfgh
jklzxcvbnmqwertyuiopasdfghjkl
zxcvbnmqwertyuiopasdfghjklzx
cvbnmqwertyuiopasdfghjklzxcv
bnmqwertyuiopasdfghjklzxcvbn
mqwertyuiopasdfghjklzxcvbnm
qwertyuiopasdfghjklzxcvbnmqw
ertyuiopasdfghjklzxcvbnmqwert
yuiopasdfghjklzxcvbnmqwertyui
opasdfghjklzxcvbnmqwertyuiop
Modelos de Optimizacin de Recursos

INTRODUCCION

El trabajo que a continuacin les presentamos consta principalmente del proceso


de simulacin nos informa que es, como se formula, que tipo de modelos de
simulacin existen, nos dice cuales podemos usar en determinados momentos, ya
que se usan de acuerdo a la aplicacin que deseamos realizar. Las aplicaciones
que se mencionan en este documento son las aplicaciones en lneas de espera e
inventarios
Lo primero que tenemos que hacer es estudiar nuestro problema y ver cul es el
objetivo que deseamos alcanzar en el proyecto deseado, luego pasamos a
formular nuestro modelo. Con estos datos nos podemos utilizar un software que
nos ayude a realizar el modelo de simulacin ya que en la actualidad existen
varios software para la simulacin cada uno para distintas aplicaciones.
Tambin se habla de las tcnicas de Montecarlo, que son unos mtodos
simplificados de simulacin, que incluye factores de probabilidad. Esta simulacin
funciona de manera guiada por un muestreo al azar para tomar en cuenta la
probabilidad de que el evento suceda. Estas tcnicas nos sirven para simular
sucesos naturales con el fin de determinar la probabilidad de los eventos bajo
estudio.
Este es un trabajo he recopilado informacin distinta de varias fuentes, para
comparar y analizar el contenido de la informacin para luego poner los puntos
ms importantes de cada uno y se pueda entender con ms claridad todos los
temas que abarcaremos.

EL PROCESO DE SIMULACION

Simulacin es la experimentacin con un modelo de una hiptesis o un conjunto


de hiptesis de trabajo.
Thomas T. Goldsmith Jr. y Estle Ray Mann la define as: "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 largos perodos".
Una definicin ms formal formulada por R.E. Shannon 1 es: "La simulacin es el
proceso de disear un modelo de un sistema real y llevar a trmino experiencias
con l, con la finalidad de comprender el comportamiento del sistema o evaluar
nuevas estrategias -dentro de los lmites impuestos por un cierto criterio o un
conjunto de ellos - para el funcionamiento del sistema".
TIPOS DE SIMULACIN
Existen dos tipos distintos de modelos de simulacin.
Los modelos continuos se ocupan de sistemas cuyo comportamiento cambia
contiguamente con el tiempo. Estos modelos suelen utilizar ecuaciones
diferenciales para describir las interacciones entre los diferentes elementos del
sistema.
Los modelos discretos tienen que ver principalmente con el estudio de lneas de
espera con el objetivo de determinar medidas como el tiempo de espera promedio
y la longitud de cola.
ELEMENTOS DE LA SIMULACIN DE EVENTOS DISCRETOS
El objetivo final de la simulacin es estimar algunas medidas de desempeo
deseables que describan el comportamiento del sistema simulado. Por ejemplo, en
una instalacin de servicio, las medidas de desempeo asociadas pueden incluir
el tiempo de espera promedio hasta que un cliente es atendido, la longitud
promedio de la cola y la utilizacin promedio de la instalacin de servicio.
Todas las simulaciones de eventos discretos describen, directamente o
indirectamente, simulaciones de colas en las que los clientes llegan (para
servicio), esperan en la cola (si es necesario) y luego reciben servicio antes de
salir de la instalacin de servicio.

La aleatoriedad de la simulacin surge cuando el intervalo t, entre los eventos


sucesivos es probabilstico. Esta seccin presenta tres mtodos para generar
muestras aleatorias sucesivas (t=t1,t2) de una distribucin de probabilidad f(t).
Mtodo inverso
Mtodo de convolucin
Mtodo de aceptacin y rechazo
MTODO INVERSO
Suponga que se desea obtener una muestra aleatoria x de la funcin de
densidad de probabilidad f(x) (continua o discreta). El mtodo inverso determina
primero la expresin de forma cerrada de la funcin de densidad acumulada F(x) =
P{y x}, donde 0 F(x )1, para todos los valores definidos de y.
Se puede demostrar que la variabilidad aleatoria z=F(x) est distribuida de
modo uniforme en el intervalo 0 z 1. Con base en este resultado, se determina
una muestra aleatoria de f(x) mediante los siguientes pasos (F-1 es la inversa de
F).
Paso 1: Genere un nmero aleatorio 0-1,R.
Paso 2: Calcule la muestra deseada x = F-1 (R).
MTODO DE CONVOLUCIN
La idea bsica del mtodo de convolucin es expresar la muestra deseada
como la suma estadstica de otras variables aleatorias fciles de muestrear.
Tpicas entre estas distribuciones estn las de Erland y la de Poisson, cuyas
muestras pueden obtenerse con las muestras de la distribucin exponencial.
MODELOS DE SIMULACION
La experimentacin puede ser un trabajo de campo o de laboratorio. El modelo de
mtodo usado para la simulacin seria terico, conceptual o sistmico.
Despus de confirmar la hiptesis podemos ya disear un teorema. Finalmente si
ste es admitido puede convertirse en una teora o en una ley.
Modelo terico
El 'modelo terico' debe contener los elementos que se precisen para la
simulacin. Un ejemplo con trabajo de laboratorio es un programa de estadstica
con ordenador que genere nmeros aleatorios y que contenga los estadsticos de

la media y sus diferentes versiones : cuadrtica- aritmtica-geomtrica-armnica.


Adems debe ser capaz de determinar la normalidad en trminos de probabilidad
de las series generadas. La hiptesis de trabajo es que la media y sus versiones
tambin determinan la normalidad de las series. Es un trabajo experimental de
laboratorio. Si es cierta la hiptesis podemos establecer la secuencia teorema,
teora, ley. Es el modelo principal de todo una investigacin cientfica, gracias a
ello podemos definir o concluir la hipotesis, las predicciones, etc.
Modelo conceptual
El modelo conceptual desea establecer por un cuestionario y con trabajo de
campo, la importancia de la discriminacin o rechazo en una colectividad y hacerlo
por medio de un cuestionario en forma de una simulacin con una escala de
actitud. Despus de ver si la poblacin es representativa o adecuada, ahora la
simulacin es la aplicacin del cuestionario y el modelo es el cuestionario para
confirmar o rechazar la hiptesis de si existe discriminacin en la poblacin y hacia
que grupo de personas y en que cuestiones. Gran parte de las simulaciones son
de este tipo con modelos conceptuales.
Modelo Sistmico
El modelo sistmico es ms pretencioso y es un trabajo de laboratorio. Se simula
el sistema social en una de sus representaciones totales. El anlisis de sistemas
es una representacin total. Un plan de desarrollo en el segmento de transportes
con un modelo de ecologa humana, por ejemplo. El nfasis en la teora general
de sistemas es lo adecuado en este tipo de simulaciones. Este mtodo, que es
para un Sistema complejo, es sumamente abstracto, no se limita a la descripcin
del sistema, sino que debe incluir en la simulacin las entradas y salidas de
energa y procesos de homeostasis, autopoiesis y retroalimentacin.
Tanto el programa de estadstica, como la escala de actitud, como el sistema total,
son perfectas simulaciones de la realidad y modelizan todos los elementos en sus
respectivas hiptesis de trabajo. Son tambin un microclima y el ambiente o el
escenario en los procesos de simulacin/experimentacin. Otras propiedades que
deben contener las simulaciones es que sean repetibles indefinidamente. Que
eviten el efecto de aprendizaje que incita al encuestador a rellenar l mismo los
cuestionarios y que se podr evitar con algn control, que sean flexibles o
mejorables y que no sea invasivo o cambiar la poblacin de las muestras
sucesivas.

SIMULACION POR COMPUTADORA


Es un intento de modelar situaciones de la vida real por medio de un programa de
computadora, lo que requiere ser estudiado para ver cmo es que trabaja el
sistema. Ya sea por cambio de variables, quizs predicciones hechas acerca del
comportamiento del sistema.
La simulacin por computadora se ha convertido en una parte til del modelado de
muchos sistemas naturales en fsica, qumica y biologa, y sistemas humanos
como la economa y las ciencias sociales (sociologa computacional),3 as como en
dirigir para ganar la penetracin su comportamiento cambiar cada simulacin
segn el conjunto de parmetros iniciales supuestos por el entorno. Las
simulaciones por computadora son a menudo consideradas seres humanos fuera
de un loop de simulacin.
Tradicionalmente, el modelado formal de sistemas ha sido a travs de un modelo
matemtico, que intenta encontrar soluciones analticas a problemas que permiten
la prediccin del comportamiento de un sistema de un conjunto de parmetros y
condiciones iniciales. La simulacin por computadora es frecuentemente usada
como un accesorio para, o sustitucin de, sistemas de modelado para los cuales
las soluciones analticas de forma cerrada simple no son posibles. Ah se
encuentran muchos tipos diferentes de simulacin por computadora, la
caracterstica comn que todas ellas comparten es el intento por generar una
muestra de escenarios representativos para un modelo en que una enumeracin
completa de todos los estados posibles seran prohibitivos o imposibles. Varios
paquetes de software existen para modelar por computadora en el funcionamiento
de la simulacin se realiza sin esfuerzo y simple (por ejemplo: la
simulacin Montecarlo y el modelado estocstico como el Simulador de Riesgo).
Es cada vez ms comn escuchar acerca de simulaciones a muchas clases
designadas como "ambientes sintticos". Esta etiqueta ha sido adoptada al
ampliar la definicin de "simulacin", que abarca virtualmente cualquier
representacin computarizada.
LA TCNICA MONTECARLO
Es un mtodo simplificado de simulacin, pero tambin incluye factores de
probabilidad. La simulacin es guiada por un muestreo al azar para tomar en
cuenta la probabilidad de que el evento suceda.
El muestreo al azar se usa para simular sucesos naturales con el fin de determinar
la probabilidad de los eventos bajo estudio.
Se emplea una tabla de nmeros al azar para obtener la muestra al azar. El
Montecarlo es un medio de tanteo para ver que sucedera cuando ciertos eventos,

normales y anormales, se presenten.


Este enfoque es productivo y dice lo que probablemente suceder en los eventos
reales sin analizar los eventos comprobables existentes. Las aplicaciones posibles
son muy numerosas.
Pueden usarse para resolver problemas con estas preguntas tpicas:
Cul es la probabilidad de un evento o combinacin de eventos, que ocurran en
un proceso dado?
Qu decisin debe tomarse en base a las alternativas posibles?
Lneas de espera ( Filas ):
Se presentan problemas administrativos debido a:
Se hace esperar a empleados, mquinas o materiales debido a instalaciones
insuficientes para manejarlos de inmediato.
Ocurre la utilizacin de las instalaciones a menos del mximo a causa de la
secuencia de la llegada de recursos que emplean las instalaciones.
Hay prdidas de tiempo, mano de obra no utilizada y costos excesivos causados
por las lneas de espera o filas. Minimizar estas prdidas es el objetivo de esta
tcnica.
Las filas estn relacionadas con el flujo; Ejemplo: el material que espera ser
procesado por una mquina, los aviones que dan crculos sobre un aeropuerto en
espera de instrucciones, incluyen el flujo de la combinacin y de los materiales.
Los mtodos de Montecarlo abarcan una coleccin de tcnicas que permiten
obtener soluciones de problemas matemticos o fsicos por medio de pruebas
aleatorias repetidas. En la prctica, las pruebas aleatorias se sustituyen por
resultados de ciertos clculos realizados con nmeros aleatorios. A lo largo de
varias pginas se estudiar el concepto de variable aleatoria y la transformacin
de una variable aleatoria discreta o continua.
Empezaremos a estudiar esta tcnica por los ejemplos ms sencillos: el
mecanismo bsico de la difusin y el establecimiento del equilibrio trmico entre
dos sistemas que se ponen en contacto a distinta temperatura. Estos dos ejemplos
nos mostrarn el significado de proceso irreversible y fluctuacin alrededor del
estado de equilibrio.
Se incluyen entre otros ejemplos, la explicacin de la ley exponencial decreciente
en la desintegracin de una sustancia radioactiva en otra estable. Comprender, a
partir de un modelo simple de ncleo radioactivo, que su desintegracin es un

suceso aleatorio, con mayor o menor probabilidad dependiendo de la anchura de


las barreras de potencial que mantienen confinadas a las partculas que
componen el ncleo.
Otros ejemplos relevantes son: el estudio de un sistema con un nmero pequeo
de estados como paso previo al estudio del comportamiento de un material
paramagntico bajo la accin de un campo magntico y a una determinada
temperatura, dos ejemplos de aplicacin de la transformacin de una variable
discreta. Por ltimo, estudiaremos el comportamiento de un material dielctrico
como ejemplo de aplicacin de transformacin de una variable aleatoria continua.

FASE TRANSITORIA FASE ESTABLE


EL nmero de llegadas a la Poisson. Si no es as, puede ser necesario buscar
otros mtodos de anlisis para completar el estudio: La simulacin es muy
adecuada para investigar situaciones de mal comportamiento en filas que no se
pueden analizar por medio de los modelos tericos estndar de lneas de espera.

PROCEDIMIENTO DE SIMULACION

PASO 1: DEFINICION DE LOS OBJETIVOS

Una simulacin puede llevarse a cabo como ayuda para entender un sistema
existente o como apoyo para disear un nuevo sistema.
Es importante que los objetivos estn definidos con claridad, Los objetivos influyen
en el diseo del experimento.

PASO 2: FORMULACION DEL MODELO

La tarea es desglosar en trminos lgico matemticos precisos:

Las componentes que deben incluirse.

Comportamiento de las componentes

Sus relaciones

La meta es formular un modelo vlido y seguro con un mnimo de complejidad.

PASO 3: DISEO DEL EXPERIMENTO

Se ahorra mucho tiempo y esfuerzo, si se trabaja en los procedimientos


experimentales antes de correr el modelo.
Qu medidas se tiene que tomar? Qu incrementos de tiempo se usaran?
Cul ser la duracin total?
Deben tomarse en cuenta las respuestas a estas y otras preguntas al desarrollar
un plan para el experimento.

PASO 4: REALIZACION DEL EXPERIMENTO

Esto es de hecho correr el modelo. Aqu se debe marcar el tiempo apropiado,


hacer las observaciones necesarias y registras los datos para el anlisis.

PASO 5: EVALUACION DE LOS RESULTADOS

Casi siempre la simulacin da resultados estadsticos: promedios y distribuciones


de probabilidad.
En la prctica, estos 5 pasos se traslapan considerablemente.
El orden de los pasos es menos significativo que el que se ejecuten por completo.