Unidad 1 Introduccion Simulacion Eventos Discretos 1.1 Introduccin 1.2 Definiciones Aplicaciones Simulacion Eventos Discretos 1.3.

Estructura Caracterstica Simulacion Eventos Discretos 1.4 Sistemas Modelos y Control 1.5. Mecanismos de Tiempo Fijo y tiempo variable 1.6 Etapas Proyecto Simulacion 1.6.1. Formulacion del problema 1.6.2. Analisis y recoleccion de datos 1.6.3. Desarrollo del modelo 1.6.4. Verificacion y validacion 1.6.5. Experimentacion y optimizacion 1.6.6. Experimentacion de resultados Unidad 2 Numeros Aleatorios y Pseudoaleatorios 2.1 Numeros Aleatorios Definicion Propiedades generadores y tablas 2.2. Numeros Pseudoaleatorios propiedades 2.2.1 Tecnicas para generar numeros Pseudoaleatorios 2.2.1.1 Metodos de centros al cuadrado 2.2.1.2 Metodos de congruencia multiplicativo y mixto 2.3 Pruebas de Aleatoriedad 2.4 Metodo de MonteCarlo 2.4.1 Simulacion Procesos Aleatorios (usando nmeros ) manuales y usando Lenguajes de propsito general como C, C++, Delphi, Visual,etc. de problemas aplicados a servicios, sistemas productivos, de calidad, de inventarios, econmicos, etc. Unidad 3 Generacion De Variables Aleatorias Introduccion 3.2. Metodos para generar Variables Aleatorias

3.2.1 Transformada Inversa, aceptacin - rechazo, convolucin, directos. 3.2.1.1 Generacion Variables Aleatorias Discretas : distribuciones poisson, binomial, y geomtrica 3.2.1.2 Generacion Variables Aleatorias Continuas : distribuciones uniforme, exponencial, normal, Erlang, Gamma, Beta, y Triangular 3.2.2. Distribuciones Empiricas de probabilidad 3.2.3 Simulacion de procesos Aleatorios manuales y usando Variables Aleatorias usando lenguajes de propsito general: C, C++, Delphi, Visuals, de problemas aplicados a servicios, sistemas productivos, de calidad, de inventarios, econmicos, etc. Unidad 4 Lenguajes de Simulacin y Simuladores de Eventos Discretos 4.1 Lenguajesde Simulacion y Simuladores 4.1.1 Caracteristicas aplicacion y uso lenguajes Slam Ecsl Siman Gpss 4.1.2 Simuladores Promodel Taylor Ed Arena WITNESS , etc 4.2 Aprendizaje y Uso de un Simulador 4.2.1 Caracteristicas del software 4.2.2 Elementos del modelo 4.2.3 Menus principales 4.2.4 Construccion del modelo 4.2.5 Practicas usando el simulador de problemas aplicados a servicios, sistemas productivos, de calidad, de inventarios, econmicos, etc. Unidad 5 Proyecto de Aplicacion

UNIDAD 1. INTRODUCCIN SIMULACIN EVENTOS DISCRETOS

1.1 INTRODUCCIN

Las primeras referencias sobre simulacin se encuentran hacia el ao 1940, cuando Von Neumann y Ullman trabajaron sobre la simulacin del flujo de neutrones para la construccin de la bomba atmica en el proyecto Montecarlo. Desde entonces se conocan las tcnicas de simulacin como procesos Montecarlo, aunque en la actualidad se diferencian ambas cosas, siendo los segundos un tipo particular de simulacin. Tambin se realiz un proceso de simulacin para el proyecto APOLLO dentro del plan espacial de la N.A.S.A, acerca del movimiento dentro de la atmsfera de la luna. Actualmente, la simulacin es una poderosa tcnica para la resolucin de problemas. Sus orgenes estn en la teora de muestreo estadstico y anlisis de sistemas fsicos probabilsticas complejos. El aspecto comn de ambos es el uso de nmeros y muestras aleatorias para aproximar soluciones. Una de las ms famosas aplicaciones de muestras aleatorias, ocurre durante la segunda guerra mundial, cuando la simulacin se utiliz para estudiar el flujo de neutrones dentro del desarrollo de la bomba atmica. Esta investigacin era secreta y le dieron un nombre en cdigo: MonteCarlo. Este nombre se mantiene, y durante mucho tiempo se usaba para hacer referencia a algunos esfuerzos en simulacin. Pero el trmino mtodos MonteCarlo, se refiere actualmente a una rama de las matemticas experimentales que trata con experimentos de nmeros aleatorios, mientras que el trmino simulacin, o simulacin de sistemas, cubre una tcnica de anlisis ms prctico. Vamos a ver tcnicas que utilizan los computadores para imitar, o simular, el comportamiento de sistemas del mundo real. Para estudiar cientficamente estos sistemas, a menudo se han de hacer una serie de suposiciones acerca de cmo trabaja ste. Estas suposiciones que usualmente toman la forma de relaciones matemticas o lgicas, constituyen un modelo que va a ser usado para intentar comprender el comportamiento del sistema correspondiente.

Si las relaciones que componen el modelo son suficientemente simples, es posible usar mtodos matemticos (tales como lgebra, clculo o teora de la probabilidad) para obtener una informacin exacta de las cuestiones de inters; a esto se le llama solucin analtica. Sin embargo, la mayora de los sistemas del mundo real son demasiado complejos y normalmente los modelos realistas de los mismos, no pueden evaluarse analticamente. Lo que se puede hacer es estudiar dichos modelos mediante simulacin.

1.2 DEFINICIONES APLICACIONES SIMULACION EVENTOS DISCRETOS

Enfoque de sistemas. El enfoque de sistemas establece que "el mundo y cualquiera de sus partes puede visualizarse como un conjunto de sistemas en interaccin dinmica". Es un punto de vista, una forma de pensar, que en la confrontacin de una situacin problemtica, busca no ser reduccionista. Es decir visualizar la situacin desde un punto en donde se consideren todos los elementos que intervienen en un problema.

Sistema. Por sistema; se entiende una coleccin de entidades relacionadas, cada una de las cuales se caracteriza por atributos o caractersticas que pueden estar relacionados entre s. Los objetivos que se persiguen al estudiar uno o varios fenmenos en funcin de un sistema son aprender cmo cambian los estados, predecir el cambio y controlarlo. Todo sistema consta de tres caractersticas. Tienen fronteras, existe dentro de un medio ambiente y tiene subsistemas. El medio ambiente es el conjunto de circunstancias dentro de las cuales est una situacin problemtica, mientras que las fronteras distinguen las entidades dentro de un sistema de las entidades que constituyen su medio ambiente. Por lo tanto podemos definir a un sistema como: una estructura dinmica de personas, objetos y procedimientos organizados para el propsito de lograr ciertas funciones". El conjunto de elementos que forman un sistema tiene las siguientes tres propiedades: Las propiedades o el comportamiento de cada elemento del conjunto tienen un efecto en las propiedades o el comportamiento del conjunto como un todo. Las propiedades y comportamiento de cada elemento y la forma en que se afectan al todo, dependen de las propiedades y comportamiento al menos de otro elemento en el conjunto. En consecuencia, no hay parte alguna que tenga un efecto independiente en el todo y cada una est afectada al menos por alguna otra. Cada subgrupo posible de elementos del conjunto tienen las dos primeras propiedades: cada uno tiene efecto no interdependiente en el total. En consecuencia no se puede descomponer el total en subconjuntos independientes. No se puede subdividir un sistema en subsistemas independientes.

Entidad. Una entidad es algo que tiene realidad fsica u objetiva y distincin de ser o de carcter. Las entidades tienen ciertas propiedades que las distinguen a unas de otras. Relacin. Relacin es la manera en la cual dos o ms entidades dependen entre s. Relacin es la unin que hay entre las propiedades de una o ms entidades; por consiguiente, el cambio en alguna propiedad de una entidad ocasiona un cambio en una propiedad de otra entidad. Estructura. Una estructura es un conjunto de relaciones entre las entidades en la que cada entidad tiene una posicin, en relacin a las otras, dentro del sistema como un todo Estado.

El estado de un sistema en un momento del tiempo, es el conjunto de propiedades relevantes que el sistema tiene en este momento. Cuando se habla del estado de un sistema, se entiendes los valores de los atributos de sus entidades. Analizar un sistema supone estudiar sus cambios de estado conforme transcurre el tiempo. Jerarqua De Sistemas. Subsistemas. Un subsistema es "Un elemento o componente funcional de un sistema mayor que tiene las condiciones de un sistema en s mismo, pero que tambin tiene un papel en la operacin de un sistema mayor Suprasistema. El suprasistema es un sistema mayor a cuya funcin global el sistema est contribuyendo y del cual forma parte.

Definicin de sistema en Simulacin

Coleccin de entradas que pasan a travs de las fases de cierto proceso, produciendo respuestas. Por ejemplo:

SISTEMA DE MANUFACTURA
ENTRADA PROCESO SALIDA EVALUACIN

MATERIA PRIMA PRESUPUESTO INFORMACIN

FACILIDADES SISTEMA DE TRANSFORMACIN (distribucin y asignacin)

PRODUCTO TERMINADO

1. EFICIENCIA 2. COSTOS DE TRANSFORMACIN 3.INVENTARIO EN PROCESO 4.TIEMPO DE PROCESO 5.PRODUCCIN/HORA 6.AREA OCUPADA

SISTEMA DE SERVICIO
ENTRADA PROCESO SALIDA EVALUACIN

CLIENTES

SISTEMA DE SERVICIO: SERVIDORES DISCIPLINA DEL SERVICIO ESPACIO DISPONIBLE

CLIENTE SATISFECHO

1. COSTO DEL SISTEMA 2. TIEMPO EN LA COLA 3.TIEMPO EN EL SISTEMA 4.LONGITUD DE COLA 5. OCUPACIN DE LOS SERVIDORES

Definiciones de simulacin. 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 periodos de tiempo. (THOMAS H. NAYLOR)
Modelo Un modelo es una representacin de un objeto, sistema o idea, de forma diferente al de la entidad misma. el propsito de los modelos es ayudarnos a explicar, entender o mejorar un sistema. un modelo de un objeto puede ser una rplica exacta de ste o una abstraccin de las propiedades dominantes del objeto.

1.3.ESTRUCTURA CARACTERSTICA SIMULACION EVENTOS DISCRETOS

Modelo de simulacin de eventos discretos (MSED)

MSED y tcnicas de simulacin Los MSED se utilizan para estudiar sistemas y procesos cuyo estado va cambiando con el tiempo de forma discreta, por lo que permiten conceptualizar el curso de una enfermedad y su manejo en trminos de los eventos que pueden suceder durante el modelado, y cuyo impacto afecta tanto a los pacientes como a otros componentes del sistema (p. ej., el uso de recursos). Estos modelos representan procesos y situaciones complejas, en funcin de los eventos que puedan ocurrir, por lo que pueden representar tanto situaciones clnicas (agudizacin de un proceso, descompensacin patolgica, aparicin de una nueva situacin clnica), como una determinada utilizacin de recursos sanitarios relacionados con dichas situaciones. Asimismo, las probabilidades de que ocurran cada uno de los eventos segn se asocian con las caractersticas personales de los pacientes. Todos estos elementos, en conjunto, simulan la evolucin natural de la enfermedad o proceso analizado, as como la historia de los pacientes cuya simulacin se realiza en el modelo. Por todo ello, y dado que en el mundo real es frecuente encontrarse con procesos y sistemas cuyo anlisis, mediante mtodos matemticos, resulta extraordinariamente complejo o incluso imposible de llevar a cabo, el uso de MSED permite resolver problemas de esta ndole. En tales circunstancias, la alternativa ms eficaz para afrontar este tipo de estudios consiste en construir unos modelos lgico-matemticos de forma que permitan imitar o simular el comportamiento del mundo real. Como resultado de repetir dicha simulacin un nmero suficiente de veces, se obtendr un histrico artificial de observaciones sobre el comportamiento del sistema o proceso.

A partir de dichas observaciones, y utilizando tcnicas de anlisis estadstico, ser posible extraer conclusiones sobre el funcionamiento de dicho sistema.

Etapas de los MSED El diseo, el desarrollo y el anlisis de resultados de una simulacin es un proceso sofisticado, que requiere del analista unos mnimos conocimientos sobre programacin, matemticas, estadstica, gestin de proyectos y tambin sobre el propio sistema estudiado. La principal caracterstica de un sistema de eventos discretos es que el sistema est determinado por una secuencia de eventos que ocurren en momentos aleatorios de tiempo t1, t2... y el cambio de estado del sistema tiene lugar en esos instantes. Los pacientes son las entidades del sistema y los diferentes eventos sern las visitas y cambios de estado de salud (respuesta) desde un nivel basal al final, tras la toma de un tratamiento farmacolgico que modificar la fisiologa del paciente o la aplicacin de una tecnologa sanitaria. Cuando se escribe un programa de simulacin para MSED se puede realizar una aproximacin del esquema temporal de funcionamiento de las entidades en el sistema. As, deber describirse la secuencia de eventos y actividades que realizarn las entidades durante su estancia en el sistema y cmo se modificarn. Algunos de los sistemas ms estudiados son los problemas de colas que se aplican en determinadas situaciones, como la espera que deben tener los pacientes entre visita y visita, si los centros donde son tratados no pueden absorber toda su demanda (p. ej., en un centro e instante de tiempo slo puede ser tratado un paciente a la vez). A modo de resumen, para llevar a cabo la simulacin del sistema se deben seguir una serie de etapas, ampliamente identificadas y discutidas en la literatura cientfica (Figura):

1. Formulacin de la problemtica y determinacin de los objetivos: consiste en establecer de forma clara, cul es el problema que se pretende abordar, qu

objetivos globales se desean alcanzar y con qu recursos ser necesario contar para lograrlos en el tiempo previsto.

2. Modelado del sistema: se trata de crear el diseo del sistema que permita su simulacin por ordenador. El modelo deber reflejar convenientemente la estructura interna del sistema y sus caractersticas, de modo que los resultados que se deriven sean extrapolables al sistema real. Por ejemplo, resultar fundamental modelar los fenmenos aleatorios del sistema mediante distribuciones estadsticas, como la interrupcin del tratamiento, la hospitalizacin por urgencias u otro evento. Para llevar esto a cabo, sera interesante disponer de una serie histrica de observaciones sobre el comportamiento de dichos fenmenos aleatorios, como los resultados de un ensayo clnico, un metaanlisis o un registro de pacientes. 3. Implementacin del modelo en el ordenador. El modelo desarrollado desde el punto de vista terico ha de ser implementado en el ordenador a travs de algn software especfico. Ms adelante, se describen las principales caractersticas de cada una de las herramientas informticas disponibles. 4. Verificacin del programa: comprobacin de la correcta implementacin del modelo en el ordenador. Para ello, debemos comprobar que el programa resultante se comporta segn lo deseado, es decir, que los resultados deben ser coherentes para las diversas combinaciones de variables de entrada(inputs) del modelo, y no ha habido ningn error sintctico a la hora de programar las diferentes instrucciones. 5. Validacin del modelo. Consiste en comprobar que el modelo refleja convenientemente el mundo real. Para ello, se procede a comparar, para distintas combinaciones de variables de entrada, los resultados que produce el modelo con los observables en el sistema real. En dicho proceso de validacin es frecuente el uso de tcnicas estadsticas que permitan comparar dos conjuntos de datos. 6. Diseo de la simulacin y pruebas piloto. Una vez aceptado el modelo como vlido, el siguiente paso es disear las caractersticas del experimento o experimentos de simulacin que se van a llevar a cabo, es decir, responder a preguntas como cul ser el nmero de iteraciones, las variables de entrada empleadas, la conveniencia de usar tcnicas de reduccin de la varianza. Suele ser de gran utilidad la realizacin de pruebas piloto (simulaciones cortas) que proporcionen orientaciones sobre cmo conviene afrontar el estudio y calcular el nmero de rplicas necesarias. 7. Ejecucin de la simulacin. Se procede a llevar a cabo la simulacin establecida en el paso anterior. 8. Anlisis de resultados. Los resultados procedentes de un experimento de simulacin suelen requerir un anlisis estadstico no trivial que permita obtener informacin til sobre el comportamiento analizado. 9. Documentacin del experimento. Una vez finalizado el experimento, ste debe ser convenientemente documentado, de modo que se fomente su credibilidad y la validez de las conclusiones obtenidas.

1.4 SISTEMAS MODELOS Y CONTROL

Un Sistema se define como una coleccin de entidades (por ejemplo, personas, mquinas, etc.) que actan e interactan juntas para lograr un fin comn. En la prctica, qu se entiende por sistema?, depende de los objetivos del estudio particular que se pretenda hacer. El conjunto de entidades que componen el sistema para un estudio puede ser slo un conjunto de todas las entidades utilizadas para otro estudio. Se puede definir el estado de un sistema con un conjunto de variables necesarias para describir el sistema en un punto particular de tiempo, relativo a los objetivos del estudio. Los sistemas se pueden clasificar en dos tipos, discretos y continuos. Un sistema discreto es aquel en el que las variables de estado cambian instantneamente en puntos separados en el tiempo. Un sistema continuo es aquel en el que las variables de estado cambian continuamente con respecto al tiempo. En la prctica muchos sistemas no son completamente discretos o continuos, usualmente es posible clasificarlos en base al tipo de cambios que predominen en el mismo.

Los modelos deben contener slo los aspectos esenciales del sistema real que representan. Aquellos aspectos del sistema que no contribuyen significativamente en su comportamiento no se deben incluir, ya que lo que haran sera obscurecer las relaciones entre las entradas y las salidas. En qu punto se debe parar de incluir realismo en el modelo? Esto depende del propsito para el cual el modelo se haya desarrollado.

Caractersticas que deben presentar los modelos: Deben ser fciles de entender y manejar.

Deben ser simples y de costo no excesivo. Deben ser una buena aproximacin del sistema real, que controle el mayor nmero posible de aspectos del mismo y que stos contribuyan de forma significativa al sistema (hay relaciones en el sistema que no son significativas y pueden obviarse en el modelo).

El diseo y control de modelos de modelos obliga a tener conocimientos de cuatro reas de conocimiento distintas: Modelizacin: necesarios para disear el modelo que permita dar respuestas vlidas del sistema real que represente. El diseo es una fase muy importante, ya que los errores proporcionarn modelos falsos. Programacin: ya que el modelo se ha de implantar con un lenguaje de programacin. Probabilidad y Estadstica: la probabilidad es necesaria para definir y estudiar las variables aleatorias de las entradas, y la estadstica para permitir el diseo y anlisis de los experimentos. Mtodos Heursticos: para permitir llegar a una solucin buena del problema planteado.

Clasificacin de los modelos Nos vamos a centrar en los modelos matemticos y su estudio por medio de simulacin. Los modelos se pueden clasificar en: Estticos frente a Dinmicos: Un modelo esttico es una representacin de un sistema en un punto particular del tiempo, o uno que representa un sistema en el cual el tiempo no juega ningn papel; ejemplos de simulaciones estticas son los modelos MonteCarlo. De otro lado, los modelos dinmicos representan sistemas que evolucionan con el tiempo. Determinsticos frente a Probabilsticos: Si un modelo no contiene ningn componente probabilstico se conoce como determinstico (ej. un complicado sistema de ecuaciones diferenciales que describen una sustancia qumica). En un modelo determinstico la salida es determinada una vez que se especifican las relaciones, cantidades y entradas. Sin embargo muchos sistemas tienen ciertos componentes aleatorios de entrada y stos se representan mediante modelos probabilsticos (por ejemplo la mayora de los sistemas de colas e inventarios). Los modelos de simulacin probabilsticos producen salidas que son aleatorias y deben ser tratadas como tales, es decir como una estimacin de las verdaderas caractersticas del modelo; esta es una de las desventajas de la simulacin. Continuos frente a Discretos: Los modelos de simulacin continuos y los discretos se definen de forma anloga a la de los sistemas. Slo decir que no siempre es

usado para modelar un sistema discreto y viceversa. La decisin de utilizar un modelo discreto o continuo para un sistema particular depende de los objetivos del estudio. Por ejemplo un modelo del flujo de trfico en una autova podra ser discreto si son importantes las caractersticas y movimientos de los coches individuales. Alternativamente, si los coches se tratan en conjunto el flujo de trfico se puede describir mediante ecuaciones diferenciales en un modelo continuo. Prescriptivos frente a Descriptivos: Los primeros pretenden tomar decisiones sobre el sistema; se utilizan cuando se desea responder y optimizar una cuestin acerca del sistema, tratan de dar la mejor solucin. Los segundos se limitan a describir el comportamiento del sistema y dejan la totalidad del proceso de optimizacin en manos del analista. De Ciclo Abierto frente a de Ciclo Cerrado: En los primeros no hay realimentacin, es decir, las salidas no afectan a las entradas. En los segundos las salidas s afectan a las entradas (ej. un sistema de calefaccin).

1.5. MECANISMOS DE TIEMPO FIJO Y TIEMPO VARIABLE

Parte de la construccin de modelos es el mecanismo de avance de tiempo. Este depender de la aproximacin elegida para describir el comportamiento del sistema. Si se eligi la aproximacin de flujo fsico, este diagrama de flujo podra refinarse para convertirse en el diagrama de flujo del programa. Si se sigui la aproximacin de cambio de estado, el diagrama de flujo desarrollado debera describir el procedimiento que efecta los cambios de estado en el tiempo. Otros dos factores inciden en la construccin del diagrama de flujo del programa: elegir un mecanismo de avance del tiempo y el lenguaje de programacin que se seleccione.

Hay fundamentalmente dos formas de considerar el avance del tiempo en un modelo de simulacin: Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del modelo se comprueba despus de transcurrido cada uno de estos incrementos constantes. Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las comprobaciones y modificaciones de las variables afectadas se realizan slo despus de la ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la ocurrencia de un evento a otro. El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si se elige el incremento por eventos, el reloj se inicializa a 0, y se incrementa al siguiente tiempo en que vaya a ocurrir un suceso, en ese momento, en este momento de actualizacin del reloj se modifican las variables que se vean afectadas por la ocurrencia del suceso. Si por el contrario se elige un incremento de tiempo fijo, el reloj se inicia a 0 y se va actualizando cada vez que pase el incremento de tiempo fijado. En esos instantes se observar el sistema para realizar los cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o que por el contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender antes (por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir errores de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que sucede un suceso hasta que ste se computa (cuando el reloj se incrementa).

Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido ningn suceso. Por el contrario si es demasiado grande se producirn muchos errores de redondeo y la dinmica del modelo ser ineficiente.

Avance del reloj de simulacin segn los sucesos.

Avance del reloj de simulacin en incrementos fijos.

1.6 ETAPAS PROYECTO SIMULACION: 1.6.1. FORMULACION DEL PROBLEMA

Aunque se van a presentar una serie de pasos de forma secuencial, realmente es un proceso iterativo, tal y como se muestra en la figura En la formulacin del problema se definen las cuestiones para las que se buscan las respuestas, las variables implicadas y las medidas de ejecucin que se van a usar. Esta fase es muy importante para poder alcanzar un modelo vlido, se puede dividir a su vez en 5 fases: Identificacin del Problema Se hace una abstraccin 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). Reconocer las variables del sistema

Se han de identificar las variables que interviene en el sistema y que son de inters para nuestro modelo, stas se pueden clasificar en: Variables exgenas: son variables externas al modelo y existen con independencia de l. Se consideran variables de entrada. stas a su vez se pueden dividir en dos grupos: o Variables controlables o de decisin (factores): son aquellas sobre las que el analista puede decidir su valor dentro de ciertos lmites. o Variables incontrolables o parmetros: sus valores no se pueden decidir sino que vienen fijados. Las variables sern controlables o incontrolables dependiendo de quin las defina. Variables endgenas: son variables internas y las variables de salida del modelo. Son funcin de las variables exgenas y de la estructura del modelo.

Especificacin de las restricciones de las variables de decisin Incluso en el caso de que las variables sean controlables, estn limitadas o restringidas a ciertos lmites dentro de los cuales se pueden modificar. Es importante considerar cuidadosamente las restricciones sobre las variables de decisin, ya que definen el posible espacio de soluciones dentro del cual se buscar una buena solucin o la ptima usando el modelo de simulacin. Desarrollar una estructura preliminar del modelo que interrelacione las variables del sistema y las medidas de ejecucin. Para evaluar la efectividad de un sistema, se debe identificar una medida o medidas de comportamiento (o ejecucin) para juzgarlo. Estas medidas se seleccionan del conjunto de variables endgenas. La medida o medidas que se pretenden optimizar se conocen como funcin objetivo. Desarrollo de un modelo apropiado 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 ser una buena representacin del sistema), o por el contrario se han definido ms 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: Propsito del modelo. Contribucin de las variables al modelo.

No es igual si lo que se desea hacer es un modelo para una previsin a largo plazo, en cuyo caso la precisin puede ser menor, debido a que al transcurrir el tiempo las variables van a cambiar e incluso podrn aparecer otras nuevas, que si se desea una previsin a corto plazo, entonces se deber profundizar ms en el nivel de detalle.

1.6.2. ANALISIS Y RECOLECCION DE DATOS

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 formulacin del problema. Sin embargo, durante este paso se recoge el mayor volumen de datos, se reduce y se analiza. Los mtodos de recogida de datos son tan variados como los problemas a los que stos se pueden aplicar. Si se clasifican por su sencillez, se puede ir desde las aproximaciones manuales hasta las tcnicas ms sofisticadas de alta tecnologa. En la seleccin de un mtodo se pueden tener en cuenta los siguientes factores: Capacidad de quien recoja los datos. El impacto que pueda producir el proceso de recoleccin sobre el comportamiento del sistema real. Puede producir perturbaciones reales o fsicas en el sistema o psicolgicas. La facilidad de conversin de los datos a una representacin procesable por el ordenador. El coste del mtodo. En muchas situaciones es suficiente con la observacin directa y la recogida manual de los atributos de inters. Pero si la medida que se quiere observar depende de una persona, su comportamiento se puede ver afectado por estar siendo observada. Otras veces puede ocurrir que la accin que se quiere observar sea muy rpida y que no sea posible realizar una observacin humana. Para decidir el nmero de muestras necesarias, se ha de establecer una relacin costo-exactitud y hacer una optimizacin de dicha relacin. 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:

 Deteminsticos: son datos conocidos con certeza. stos se pueden introducir fcilmente en el modelo. Probabilsticos: hay dos formas de incluirlos en el modelo: o Usar la muestra de datos recogida para representar la distribucin de probabilidades. o Determinar una distribucin probabilstica terica que se comporte como la muestra y usar sta en el modelo. Esto permite tener una mejor comprensin (generalizacin) del modelo.

1.6.3. DESARROLLO DEL MODELO

Incluye la construccin y depuracin del modelo del sistema real, incluyendo la seleccin de un lenguaje de programacin, codificacin del modelo. Esta etapa se va a dividir en dos partes: Comprensin del sistema y Construccin del modelo. Una de las tareas ms difciles en el anlisis de simulacin es adquirir el suficiente conocimiento del sistema para poder desarrollar un modelo apropiado, es decir, conocer el comportamiento del sistema. Dos tcnicas comnmente usadas son la aproximacin de flujo fsico y la aproximacin de cambio de estado. Aproximacin de Flujo Fsico. Se ha de identificar las entidades cuyo procesamiento o transformacin constituye el propsito principal del sistema. Estas entidades pueden tomar diferentes caminos en el sistema, las rutas que siguen se determinan mediante reglas de decisin. La representacin del sistema vendr dada mediante un diagrama de flujo de entidad y los elementos de procesamiento del sistema. Aproximacin de Cambio de Estado. Para describir esta aproximacin, se debe definir unas variables endgenas adicionales que son las variables de estado e introducir un nuevo concepto, el de suceso o evento. Las variables de estado describen el estado del sistema en cada momento. Dados los valores actuales de las variables de estado, las variables exgenas y la estructura del modelo, se puede determinar el estado futuro del sistema. Un evento es un instante particular en el tiempo en el que el sistema cambia de estado. La evolucin del sistema se puede representar mediante un grafo de sucesos. Construccin del modelo. Las tareas principales en la construccin de un modelo son:

1. Eleccin del Mecanismo de avance de tiempo (visto anteriormente) 2. Eleccin de un lenguaje de programacin Hay un creciente nmero de lenguajes de programacin disponibles para la implementacin de modelos de simulacin. Entre los lenguajes de simulacin destacan: GPSS (General Purpose Simulation System), SLAM (Simulation Language

for Alternative Modeling), SIMAN (Simulation Analysis), y SIMSCRIPT. Muchos lenguajes de propsito general son completamente adecuados para la simulacin, por ejemplo, FORTRAM, PASCAL,, pero los lenguajes de simulacin proporcionan una serie de caractersticas que hacen la programacin, depuracin y experimentacin ms eficientes en tiempo y esfuerzo, aunque consuman ms tiempo en la ejecucin. Quizs la ms importante ventaja de los lenguajes de simulacin 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 travs 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.

3. Generacin de nmeros y variables aleatorias Se van a necesitar muestras aleatorias para representar valores de variables de entrada probabilsticas. Utilizando estos nmeros aleatorios podemos obtener valores de variables aleatorias que sigan ciertas distribuciones de probabilidad. 4. Implementacin y depuracin del modelo. La facilidad o dificultad en esta etapa dependen en gran medida del lenguaje de programacin que se haya elegido.

1.6.4. VERIFICACION Y VALIDACION

La Verificacin del modelo consiste en ver cul es la consistencia interna del modelo. La Validacin consiste en asegurar que existe la una correspondencia entre el sistema real y el modelo. Un buen mtodo para la validacin es hacer un test para ver cmo el modelo predice el comportamiento del sistema ante determinadas entradas. La verificacin y validacin del modelo se realiza en todas los niveles de modelizacin: modelo conceptual, modelo lgico y un modelo de ordenador. La verificacin se centra en la consistencia interna del modelo, mientras que la validacin se interesa por la correspondencia entre el modelo y la realidad. Se dice que un modelo es vlido si sus medidas de salida tienen una correspondencia apropiada con las mismas medidas en el sistema real. La comprobacin ltima para la validez de un modelo es ver cmo el modelo puede predecir un comportamiento futuro del sistema ante unas determinadas entradas.

1.6.5. EXPERIMENTACION Y OPTIMIZACION

Se han de disear 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. Experimentacin con el modelo El propsito ltimo de la experimentacin con el modelo es obtener informacin acerca del comportamiento del sistema para que esto nos ayude en la toma de decisiones. Cuando consideramos la ejecucin de un sistema se puede desear conocer cmo se comporta dicho sistema en sentido absoluto, o comparativamente, para poder contrastar varias configuraciones alternativas del sistema. O se podran considerar dos medidas simultneamente. Es evidente que el nmero de exploraciones que se tendran que realizar es extremadamente largo. Hasta para los diseos de experimentos ms modestos, la exploracin de todas las posibles soluciones en la bsqueda de la mejor solucin, no es algo factible. Se necesita una aproximacin estructurada ms directa para encontrar una solucin que merezca la pena. Podemos considerar dos aproximaciones diferentes para abordar este problema: conjunto predeterminado de experimentos y tcnicas de bsqueda de ptimos. Conjunto de experimentos predeterminado Esta aproximacin impone identificar factores que podran afectar a la medida de salida y ejecutar los experimentos con los factores puestos a determinados valores. Una vez realizados los experimentos se aplicaran unas tcnicas estadsticas denominadas anlisis de la varianza (ANOVA), para decidir cul o cules de los factores seleccionados tiene realmente algn impacto en la medida de salida. Las medidas de salida se pueden adaptar de forma que las suposiciones estadsticas de esta tcnica se satisfagan de forma razonable y puedan ser aplicadas en la experimentacin del modelo. Un diseo experimental particularmente general es el diseo factorial. Se consideran dos o ms factores pudiendo estar cada uno a dos o ms niveles. El uso de un conjunto predeterminado de experimentos es efectivo para encontrar buenas soluciones si se puede aproximar una regin de optimalidad con experimentos previos o con la experiencia que se tenga sobre el problema. Sin embargo esta tcnica no puede conducir a la mejor solucin global, ni siquiera puede garantizar un ptimo local. Tcnicas de bsqueda de ptimos Un conjunto de estas tcnicas se conoce como Metodologa de Superficie de Respuesta (RSM). La superficie de respuesta es la funcin que describe las relaciones de las medidas de ejecucin con los factores o variables de decisin. Dos factores definen una superficie de 3 dimensiones, la cual puede ser vista como un terreno en donde se puede escalar. De hecho, la representacin en 2 dimensiones de la respuesta de superficie es como las lneas de contorno de un mapa topogrfico (Figura).

Usando varias estrategias se pueden alcanzar puntos altos en el terreno, y quizs llegar a la cumbre. Una estrategia es el mtodo de escalado ascendente. Esta requiere que el modelo se ejecute suficientemente para hacer que se pueda determinar qu direccin (qu cambios en los valores de los factores) parece conducir a un incremento en la altitud (incremento en la medida de salida). Anlisis de la salida En la interpretacin de las salidas del modelo, hay algunos aspectos que son nicos de la simulacin. Mientras que los modelos analticos proporcionan soluciones con medidas de ejecucin completamente definidas, los modelos de simulacin producen estimaciones de las medidas que estn sujetas a error. Las salidas del modelo de simulacin se consideran muestras. Los principales cuestiones en la obtencin de estimaciones tiles a partir de muestras son: que la muestra sea representativa del comportamiento del sistema, y que el tamao de la muestra sea lo suficientemente grande para que las estimaciones de las medidas de ejecucin alcancen un buen nivel de precisin. El tamao de la muestra es algo que est bien definido, pero la representatividad del comportamiento del sistema depende de la naturaleza de las cuestiones que tienen que ser contestadas por el modelo.

1.6.6. EXPERIMENTACION DE RESULTADOS

Se ha de asegurar que los resultados son aceptados por el usuario. Este paso final es uno de los ms importantes y el que ms se descuida de todo el proceso. Parece obvio que los beneficios de un largo y costoso anlisis no se realizarn sin una implementacin apropiada y una aceptacin por parte de los usuarios. Entre las razones por las que los esfuerzos de implantacin son a menudo intiles, se incluyen las siguientes:

Existe un vaco de comunicacin entre el analista de la simulacin y los encargados y usuarios del sistema. Falta de entendimientos por parte de los encargados del sistema debido a los tecnicismos utilizados. El compromiso de implementacin es tardo. Resistencia al cambio. Falta de coincidencia entre el personal disponible y los objetivos marcados por el modelo.

Hay aproximaciones que tratan estos obstculos potenciales. Estas aproximaciones requieren que los usuarios y los analistas estn implicados desde el comienzo en el proyecto simulacin.

UNIDAD 2 NMEROS ALEATORIOS Y PSEUDOALEATORIOS

2.1 NMEROS ALEATORIOS DEFINICIN PROPIEDADES GENERADORES Y TABLAS
Los nmeros aleatorios son nmeros que deben de cumplir los requisitos de espacio equiprobable, es decir, que todo elemento tenga la misma probabilidad de ser elegido y que la eleccin de uno no dependa de la eleccin del otro. Son generados por medio de una funcin determinista (no aleatoria) y que aparentan ser aleatorios. Generadores de nmeros aleatorios

Los mtodos para generar nmeros aleatorios involucran algn proceso fsico cuasi aleatorio, que genera sucesiones de nmeros aleatorios de determinada longitud. El requisito general para las sucesiones es la independencia estadstica. Para esto, existen varios mtodos: Mtodos manuales: Dispositivos mecnicos o electrnicos, lanzamientos de monedas o dados, empleo de barajas, ruletas. Son menos prcticos pero simples, lentos, atractivos, pedaggico. Pero no pueden reproducirse. Tablas de bibliotecas: Generados por los mtodos anteriores. Estn en tablas. Siempre pueden reproducirse, pero es un sistema lento. Determinados problemas requieren ms nmeros aleatorios que los publicados. Mtodos de computacin analgica: Dependen de procesos fsicos aleatorios, por ejemplo: el ruido trmico de un circuito con semiconductores, que convertido en un nmero binario, representa un valor numrico aleatorio. Se considera que conducen a verdaderos nmeros aleatorios. Mtodos de computacin digital: Se han sugerido tres mtodos para producir nmeros aleatorios cuando se usan computadoras digitales; provisin externa, generacin interna, relacin de recurrencia. Existen en la actualidad tcnicas para generar con una computadora, variables aleatorias uniformemente distribuidas, r (en donde r 0 y 1 r). Los nmeros generados por estas subrutinas de computadora se denominan nmeros pseudoaleatorios, porque se generan a partir de una frmula totalmente determinstica mediante la computacin. Sus propiedades estadsticas, coinciden con las de los nmeros generados a travs de un dispositivo fortuito idealizado que selecciona nmeros de un intervalo unitario (0,1) de un modo independiente en donde son igualmente probables todos los nmeros. A condicin de que estos nmeros pseudo aleatorios puedan pasar el conjunto de pruebas estadsticas (las de frecuencia, auto correlacin, producto rezagado, corridas, de distancia y as sucesivamente) implicadas por un dispositivo fortuito idealizado, tales nmeros pseudo aleatorios se pueden tratar corno si "en realidad lo fueran" a pesar de que no lo son. Comparativa de mtodos de generacin
MTODOS Manuales Tablas Comp Analgica Comp Digital VENTAJAS Facil generacin Fcil implementacin Rpidos verdaderos Rpidos DESVENTAJAS Lentos, simples y poco prcticos Lentos y no reproducibles No reproducibles No son verdaderos

Requisitos para un buen generador de nmeros pseudo aleatorios con distribucin uniforme: La distribucin de los nmeros debe ser uniforme en todo el intervalo [0,1].

Los nmeros deben ser independientes dentro de toda la serie generada. El ciclo del generador debe ser lo suficientemente grande. La serie debe volverse a repetir. Capaz de generar nmeros pseudo aleatorios a altas velocidades. Requerir una mnima cantidad de la capacidad de memoria de Computadora.

Ejemplos de aplicacin Simulacin: La reproduccin de fenmenos naturales necesita nmeros aleatorios. En Fsica los ejemplos clsicos: Fsica Estadstica, Fsica de Partculas Muestreo: Muchas veces es poco prctico examinar todos los casos posibles. Un muestreo aleatorio puede revelar un comportamiento tpico. Anlisis Numrico: Tcnicas numricas necesitan nmeros aleatorios Programacin de ordenadores: Tests de efectividad de algoritmos Toma de decisiones: Se rumorea que algunos ejecutivos tiran monedas al aire para tomar decisiones. Esttica: Un toque de aleatoriedad puede resultar agradable Juegos: De aqu proviene el propio mtodo para generacin de nmeros aleatorios

2.2 NMEROS PSEUDOALEATORIOS PROPIEDADES

1) Distribucin Uniforme. Cualquier nmero que pertenezca al rango de inters debe tener la misma probabilidad de resultar sorteado. 2) NO Correlacin Serial. La aparicin de un nmero en la secuencia, no afecta la probabilidad de sortear otro (o el mismo) nmero.

2.2.1 TCNICAS PARA GENERAR NMEROS PSEUDOALEATORIOS

1. Utilizacin de tablas. 2. Dispositivos especiales. 3. Procedimientos, funciones que generan nmeros pseudoaleatorios.

2.2.1.1 MTODOS DE CENTROS AL CUADRADO

Se llama nmeros pseudoaleatorios a una sucesin determinstica de nmeros en el intervalo [0,1] que tiene las mismas propiedades estadsticas que una sucesin de nmeros aleatorios. Una forma general de obtener nmeros pseudoaleatorios es partir de una semilla de p nmeros y aplicar una funcin d de

modo

que

Por ejemplo, el fallido mtodo del cuadrado medio es como sigue: se parte de un nmero de cuatro cifras y se eleva al cuadrado. De este nmero de ocho cifras que se obtiene, nos quedamos con las cuatro centrales y repetimos el proceso las veces que necesitemos. El problema de este mtodo es que puede dar ciclos muy cortos (en cualquier caso, aspiramos a lo sumo a una longitud de diez mil):

A partir de aqu siempre se obtiene el valor cero. A la vista de este ejemplo, nos planteamos unas propiedades mnimas que debern satisfacer los nmeros pseudoaleatorios: Ajustarse a una distribucin U(0,1). Ser estadsticamente independientes (no debe deducirse un nmero conociendo otros ya generados). Ser reproducibles (la misma semilla debe dar la misma sucesin). Ciclo repetitivo muy largo. Facilidad de obtencin. Ocupar poca memoria.

2.2.1.2 MTODOS DE CONGRUENCIA MULTIPLICATIVO Y MIXTO

Hacia 1949, Lehmer introduce un mtodo de generacin de nmeros aleatorios mediante el cual un trmino de la serie se obtiene como funcin del trmino inmediatamente anterior (xn=f(xn-1)). La funcin aplicada es la siguiente:

En el generador distinguimos cuatro elementos: x0, es el valor inicial o semilla. a, multiplicador, siendo 0 <= a < m. c, incremento, siendo 0 <= a < m. m, mdulo.

Se llama periodo a la subcadena, dentro de la serie generada, en la que no hay repeticiones de nmeros y longitud de periodo al nmero de elementos de dicha subcadena. La repeticin de nmeros en la serie puede ser aleatoria, pero dado el mtodo utilizado para la generacin de las mismas, en el momento en el que se repite un valor ya empieza a repetirse todo el periodo, por lo que interesan mtodos que garanticen longitudes de periodo grandes. Tipos de generadores congruenciales lineales Podemos distinguir dos tipos de estos generadores que se diferencian en el valor del incremento. G.C. Multiplicativos. En ellos el incremento, c, es 0. Este tipo de generadores fueron los introducidos por Lehmer, aunque mencion como posibilidad la idea de tomar c0.

G.C. Mixtos. En ellos el incremento es distinto de 0. Fueron introducidos por Thomson hacia 1958.

Los primeros presentan la ventaja de ser ms rpidos, al tener que realizar menos operaciones en el clculo de los elementos. Sin embargo, la longitud de periodo que se alcanza en las series generadas por ellos son menores que la alcanzadas en las series generadas por los segundos. Los valores de a=0 y a=1, producen series no aleatorias. Supongamos a=0, nos quedara el generador de la forma xn+1 = c mod n, es decir, que siempre saldra la constante c. Si a=1, el generador es elementos que se van obteniendo, tenemos: . Desarrollando algunos de los

y as para todos los trminos. Vamos obteniendo que un trmino es siempre la semilla ms un mltiplo de c y todo mdulo m, y esta serie no es aleatoria.

2.3 PRUEBAS DE ALEATORIEDAD

Para comprobar si los nmeros aleatorios obtenidos cumplen las propiedades deseadas de uniformidad e independencia se deben realizar una serie de pruebas. Prueba de frecuencia. Pruebas de series. Prueba de autocorrelacin. Prueba de saltos. Prueba de poker.

Cuando se prueba la uniformidad las hiptesis son: H0: Ri ~ U[0,1] H1: Ri U[0,1]

La hiptesis nula supone que la secuencia de nmeros obtenidos est distribuida uniformemente en el intervalo [0,1]. Prueba de frecuencia (Kolmogorov) La prueba bsica a la que se debiera someter cualquier nuevo generador de nmeros aleatorios es la de uniformidad. Existen dos mtodos para realizar esta prueba: Prueba de Kolmogorv-Smirnov. Prueba de chi-cuadrado.

Kolmogorov-Smirnov compara la funcin de distribucin acumulada F(x) de la distribucin uniforme con la emprica, SN(x), de la muestra de N observaciones. Por definicin: F(x) = x para 0 x 1 Para una muestra de R1, R2, ...,RN la funcin de distribucin acumulada, SN(x), est definida por: SN(x) = (nmero de R1, R2, ...,RN que son 1)/N D = max |F(x) - SN(x)| La forma de obtenerlo es de la siguiente manera: Se ordenan los datos de menor a mayor R(1) R(2) ... R(N)

Se calcula: D+ = max 1 i N {i/N - R(N)} D- = max 1 i N {R(N) - (i-1)/N } Se obtiene D = max(D+,D-) Se compara con el valor de la tabla para un dado.

Ejemplo de prueba Kolmogorov-Smirnov Sean 5 nmeros 0,44, 0,81, 0,14, 0,05, 0,93 generados por algn mtodo.

D+ = max 1 i N {i/N - R(N)} = 0,26 D- = max 1 i N {R(N) - (i-1)/N}= 0,21

Por tanto D = 0,26. Para = 0,05 y N = 5 el valor de la tabla es 0,565 por tanto no se puede rechazar la hiptesis nula. Prueba de frecuencia (Chi Cuadrada) Se necesita un conjunto mnimo de 50 datos generados que se organizarn en un histograma que cumpla lo siguiente: La cantidad de aleatorios esperados en cada una de las clases del histograma ser de cinco datos como mnimo. Para aplicar esta prueba se necesita un conjunto de (N) aleatorios que sean calculados con el generador que se desea probar, y ejecutar los siguientes pasos: (N >= 50)

1.- Organizar los datos en un histograma (con n clases). 2.- Calcular el nmero de datos esperados en cada clase del histograma suponiendo aleatorios idealmente uniformes.

3.- Calcular el estadstico Chi-cero cuadrado con las diferencias entre las cantidades de aleatorios esperados (Ei) y los observados realmente (Oi) en cada una de las (n) clases del histograma, segn la muestra que se inspecciona.

4.- Se establece el nivel mximo de variacin del estadstico que se calcula (ji-cero) cuando los grados de libertad son iguales al nmero de clases menos uno; y la significacin de la prueba es alfa. Estos valores se encuentran tabulados para la prueba de la Chi-cuadrada.

5.- Se compara el estadstico calculado con el mximo permitido que ley de tablas; si es menor entonces se concluye que no hay evidencia estadstica para afirmar que los aleatorios de la muestra no tienen una distribucin uniforme. Si es mayor no se acepta la hiptesis de uniformidad en los aleatorios generados.

2.4 MTODO DE MONTECARLO

El mtodo de Monte Carlo es un mtodo no determinstico o estadstico numrico usado para aproximar expresiones matemticas complejas y costosas de evaluar con exactitud. El mtodo se llam as en referencia al Casino de Montecarlo (Principado de Mnaco) por ser la capital del juego de azar, al ser la ruleta un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora. El uso de los mtodos de Monte Carlo como herramienta de investigacin, proviene del trabajo realizado en el desarrollo de la bomba atmica durante la segunda guerra mundial en el Laboratorio Nacional de Los lamos en EE.UU. Este trabajo conllevaba la simulacin de problemas probabilsticos de hidrodinmica concernientes a la difusin de neutrones en el material de fusin, la cual posee un comportamiento eminentemente aleatorio. En la actualidad es parte fundamental de los algoritmos de trazado de rayos para la generacin de imgenes sintticas. El mtodo de Monte Carlo proporciona soluciones aproximadas a una gran variedad de problemas matemticos posibilitando la realizacin de experimentos con muestreos de nmeros pseudoaleatorios en una computadora. El mtodo es aplicable a cualquier tipo de problema, ya sea estocstico o determinista. A diferencia de los mtodos numricos que se basan en evaluaciones en N puntos en un espacio M-dimensional para producir una solucin aproximada, el mtodo de Monte Carlo tiene un error absoluto de la estimacin que decrece como en virtud del teorema del lmite central. Aplicaciones del mtodo Bajo el nombre de Mtodo Monte Carlo o Simulacin Monte Carlo se agrupan una serie de procedimientos que analizan distribuciones de variables aleatorias usando simulacin de nmeros aleatorios. El Mtodo de Monte Carlo da solucin a una gran variedad de problemas matemticos haciendo experimentos con muestreos estadsticos en una computadora. El mtodo es aplicable a cualquier tipo de problema, ya sea estocstico o determinstico. Generalmente en estadstica los modelos aleatorios se usan para simular fenmenos que poseen algn componente aleatorio. Pero en el mtodo Monte Carlo, por otro lado, el objeto de la investigacin es el objeto en s mismo, un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo. A veces la aplicacin del mtodo Monte Carlo se usa para analizar problemas que no tienen un componente aleatorio explcito; en estos casos un parmetro determinista del problema se expresa como una distribucin aleatoria y se simula dicha distribucin. Un ejemplo sera el famoso problema de las Agujas de Bufn. La simulacin de Monte Carlo tambin fue creada para resolver integrales que no se pueden resolver por mtodos analticos, para solucionar estas integrales se usaron nmeros aleatorios. Posteriormente se utiliz para cualquier esquema que emplee nmeros aleatorios, usando variables aleatorias con distribuciones de probabilidad

conocidas, el cual es usado para resolver ciertos problemas estocsticos y determinsticos, donde el tiempo no juega un papel importante. Algoritmos El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la Generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las distribuciones acumuladas de frecuencias:

Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es directamente el resultado de la simulacin o tenemos relaciones entre variables es la siguiente:

Las principales caractersticas a tener en cuenta para la implementacin o utilizacin del algoritmo son: El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad (fdp) Generador de nmeros aleatorios: como se generan los nmeros aleatorios es importante para evitar que se produzca correlacin entre los valores muestrales.

Establecer lmites y reglas de muestreo para las fdp: conocemos que valores pueden adoptar las variables. Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular. Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para que una corrida sea vlida? Tcnicas de reduccin de varianza. Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia trabajar con varios procesadores paralelos para realizar la simulacin.

2.4.1 SIMULACIN PROCESOS ALEATORIOS (USANDO NMEROS ) MANUALES Y USANDO LENGUAJES DE PROPSITO GENERAL COMO C, C++, DELPHI, VISUAL,ETC. DE PROBLEMAS APLICADOS A SERVICIOS, SISTEMAS PRODUCTIVOS, DE CALIDAD, DE INVENTARIOS, ECONMICOS, ETC. Existe una gran cantidad de reas donde la tcnica de simulacin puede ser aplicada. Algunos ejemplos podran ser los siguientes: Simulacin de un sistemas de colas. Con la tcnica de simulacin es posible estudiar y analizar sistemas de colas cuya representacin matemtica sera demasiado complicada de analizar. Ejemplos de estos sistemas seran aquellos donde es posible la llegada al sistema en grupo, la salida de la cola del sistema, el rehusar entrar al sistema cuando la cola es excesivamente grande, etc.

Simulacin de sistemas de inventarios. A travs de simulacin se puede analizar ms fcilmente sistemas de inventarios donde todos sus parmetros(tiempo de entrega, demanda, costo de llevar inventario, etc.), son estocsticos. Simulacin de un proyecto de inversin. Existen en la prctica una gran cantidad de proyectos de inversin donde la incertidumbre con respecto a los flujos de efectivo que el proyecto genera a las tasas de inters, a las tasas e inflacin, etc., hacen difcil y a veces imposible manejar analticamente este tipo de problemas. Para este tipo de situaciones el uso de simulacin es ampliamente recomendado. Simulacin de sistemas econmicos. La tcnica de simulacin puede ser utilizada para evaluar el efecto de cierto tipo de decisiones (devaluacin de la moneda, el impuesto al valor agregado, etc.), en las dems variables macroeconmicas como: producto nacional bruto, balanza comercial, inflacin, oferta monetaria, circulante, etc. Simulacin de estados financieros. La expansin y diversificacin de una organizacin a travs de la adquisicin y establecimiento de nuevas empresas, repercuten significativamente en su posicin y estructura financiera. Por consiguiente, el uso de simulacin permite analizar cul de las estrategias de crecimiento son las que llevaran a la organizacin al logro de sus objetivos y metas de corto, mediano y largo plazo. Simulacin de juegos de azar. Se pueden hacer predicciones sobre los resultados de un juego en particular, por ejemplo mlate, tris, etc. donde las variables involucradas son estocsticas.

UNIDAD 4 LENGUAJES DE SIMULACIN Y SIMULADORES DE EVENTOS DISCRETOS 4.1 LENGUAJES DE SIMULACIN Y SIMULADORES
CLASIFICACIN DE LOS SOTWARE PARA SIMULACIN Existen en el mercado dos grandes clases de software para simulacin: los lenguajes y los simuladores. Un lenguaje de simulacin es un software de simulacin de naturaleza general y posee algunas caractersticas especiales para ciertas aplicaciones, tal como ocurre con SLAM 11 y SIMAN con sus mdulos de manufactura. El modelo es desarrollado usando las instrucciones adecuadas del lenguaje y permitiendo al analista un gran control para cualquier clase de sistema. Un simulador (o de propsitos especiales) es un paquete de computadoras que permite realizar la simulacin para un ambiente especfico, no requiriendo esfuerzo en programacin. Hoy en da existen simuladores para ambientes de manufactura y

sistemas de comunicacin permitiendo un menor tiempo en el desarrollo del modelo, as como tambin contar con el personal sin experiencia en simulacin. Los simuladores son actualmente muy utilizados para anlisis en alto nivel, requirindose nicamente agregar detalles en un cierto nivel, puesto que lo dems es estndar. CACI Products Company autor de SIMSCRIPT 11.5 es tambin autor de los simuladores SIMFACTORY 11.5, NETWORK 11.5 y COMNET 11.5, muy utilizados en estos ltimos tiempos para simulaciones de sistemas de manufacturas, redes de computadoras y redes de telecomunicaciones. Para procesar transacciones en espera de un ordenamiento, un lenguaje de simulacin debe proporcionar un medio automtico de almacenamiento y recuperacin de estas entidades. Atendiendo a la orientacin del modelamiento de una simulacin discreta, existen tres formas: 1. Programacin de eventos. 2. Procesos. 3. Examinacin de actividades. Una programacin al evento es modelada, identificando las caractersticas del evento y luego se escriben un juego de rutinas para los eventos con la finalidad de describir detalladamente los cambios que ocurren en el tiempo en cada evento. Lenguajes como SIMSCRIPT 11.5 y SLAM 11 estn orientados al evento. Una interaccin al proceso es una secuencia de tiempos interrelacionados, describiendo la experiencia de una entidad a travs del sistema. Por ejemplo, en un modelo de colas esta historia se traduce en el paso del tiempo del ingreso a la cola, ingreso al servidor, paso del tiempo en el servicio y fin del servicio. GPSS, SIMAN y SIMNET son orientados al proceso. GASP IV Es una coleccin de subrutinas FORTRAN, diseadas para facilitar la simulacin de secuencia de eventos. Cerca de 30 subrutinas y funciones que proveen numerosas facilidades, incluyendo: Rutinas de avance del tiempo, Gestin de listas de eventos futuros, Adicin y remocin de entidades. Coleccin de estadsticas. Generadores de variables aleatorias. Reporte estndar. El programador nicamente provee un programa main, una rutina de actualizacin, rutinas de eventos, generadores de reportes personalizados y una subrutina denominada EVNTS. El programa main debe incluir la sentencia CALL GASP; siendo GASP una subrutina que determina el eminente evento, invocando a EVNTS escrita por el usuario y obtiene el ndice NEXT. GASP IV es un lenguaje de simulacin desarrollado por Alan B. Pristker y N. Hurst en 1973. Es un lenguaje hbrido porque puede ser usado para programadores de simulacin discretos, continuos y combinados; siendo el primero en integrar completamente estos dos ambientes de funcin del tiempo. GASP IV es un derivado del GASP II, y se diferencia por la definicin del evento espacio-estado (state space event). SIMSCRIPT II.5 Desarrollado en la RAND Corporation por H. Markowtz en los inicios de los sesenta. SIMSCRIPT 11.5. Es un lenguaje de simulacin con

orientacin al evento y al proceso, es hbrido porque posee facilidades para simulacin de sistemas discretos y continuos. Un programador SIMSCRIPT 11.5 consiste de las siguientes partes: Preamble Main program Rutinas de eventos. Rutinas ordinarias. SIMSCRIPT 11.5, producido por CACI Products Company (La Jolla, California), fue utilizado en el pasado en grandes y complejas simulaciones, como es el caso de los modelos no orientados a colas; por ejemplo modelos de combates militares. Se encuentra disponible en versin PC destacando su ambiente de S 11 VIGRAPHICS. SIMSCRIPT 11.5 est basado en entidades, atributos y conjuntos. Visualiza el mundo a ser simulado como un conjunto de entidades que pueden ser descritas a travs de sus atributos y los eventos que aparecen en el tiempo. SIMAN/Cinema La versin original del SIMAN (Simulation and Analysis) fue desarrollada por Dennis Pegden, en la Universidad de Alabama, cuando era lder del grupo de desarrollo de la versin original de SLAM (basada en los software de GASP y Q~GER-r de Pristker and Associates). Ms tarde, Pegden inicia su trabajo en el Pennisylvania State University donde lo disea como un lenguaje de modelamiento para propsitos generales, incluyendo facilidades de manufactura muy tiles en modelamiento de sistemas complejos de manufactura. Desde su implementacin inicial en 1984, ha sido continuamente refinado por System Modeling Corporation, y en 1998 y 1989 el lenguaje fue completamente rediseado dando origen a SIMAN/Cinema. El ambiente de modelamiento en SIMAN se desarrolla entre el Modeling y el Experiment; en el primero se describe las componentes del sistema y sus interacciones y en el segundo se definen las condiciones del experimento (longitud de la corrida, condiciones iniciales). SIMAN modela un sistema discreto usando la orientacin al proceso; es decir, en un modelo de sistema particular, se estudian las entidades que se mueven a travs del sistema. Una entidad para SIMAN es un cliente, un objeto que se mueve en la simulacin y que posee caractersticas nicas conocidas como atributos. Los procesos denotan la secuencia de operaciones o actividades a travs del que se mueven las entidades, siendo modeladas por el diagrama de bloques.

4.1.1 CARACTERSTICAS APLICACIN Y USO LENGUAJES SLAM ECSL SIMAN GPSS

Lenguajes de propsito especial GPSS ( General Purpose Somulation Sistem): Ensamblador. SIMSCRIPT ( No tiene significado): Fortran y ensamblador. GASP ( General Activity Simulation Program): Fortran. SLAM (Simulation Language for Alternative Modeling): Fortran. SIMNETT II: Fortran, insertos de C (archivos).

Seleccin del lenguaje de simulacin.

Manuales disponibles. Entender e interpretarlos. Compilador compatible. Eficiencia: tiempo de organizar, programar , compilar y ejecutar. Costos : Adquisicin del paquete, instalacin, mantenimiento y actualizacin. Conocimiento del lenguaje. Justificacin econmica: Inversin.

GPSS/H (GENERAL PURPOSE SIMULATION SYSTEM) Lenguaje de simulacin discreta Fue diseado con un lenguajes emsamblador Diseado por geofrey gordon en la decada de los 80as Existen diferentes presentaciones Considera los procesos como entidades que se mueven dentro del sistema estos procesos se conocen como transacciones DESCRIPCION GENERAL Un bloque representa una accion o evento que puede afectar a una o mas transacciones y cambiar el estado del sistema La coleccin de bloques representa al sistema total llamado diagrama de bloques Cada bloque en el diagrama de bloque representa una linea en el programa fuente

No es un lenguaje estructurado

FUNCIONES y VARIABLES, PARAMETROS y SAVEVALUES. Utilizando el lenguaje GPSS VARIABLES Cuando es necesario realizar un clculo se define una variable (expresin aritmtica que devuelve un valor). Es decir, en GPSS, una variable devuelve un valor cada vez que se la invoca. A diferencia de otros lenguajes, no es posible asignar valor a una variable, ya que esta define una expresin aritmtica, la cual se evala cada vez que una transaccin hace referencia a la variable as definida. SINTAXIS DEL BLOQUE VARIABLE La sintaxis de este bloque es la siguiente: nombr VARIABLE operandos y operadores numer VARIABLE operandos y operadores nombr : es el nombre de la variable numer : es el nmero de la variable (Slo en main frames) operadores: # para multiplicar (* en main frames) / para dividir @ para obtener el resto de la divisin + para sumar - para restar ^ para colocar el exponente (slo para PC) operandos: cualquier atributo numrico estandar (SNA). SIMNET El diseo de simnet se basa en la idea general de los modelos de simulacin discreta pueden crearse de una u otra manera como sistemas de lneas de espera. Los nodos en sinnet II estan conectados por ramas. Conforme las transacciones recorren las ramas estas ejecutan importantes funciones en las entre las que se encuentran. Controlar el flujo de transacciones en cualquier parte de la red Recolectar estadsticas pertinentes Efectuar clculos aritmticos

OTRAS CAPACIDADES DE SIMNET II

Ambiente interactivo de depuracin y ejecucin Estimacin del periodo fe transmisin usando graficas interactivas Implementacin interactiva de los mtodos del subintervalo y de replica para recolectar estadsticas globales Lectura y escritura de desde archivos externos durante la ejecucin Uso de indexacin para presentar segmentos de modelacin repetitiva Simnet se basa en el uso de cuatro nodos solamente lo que hace muy fcil de aprender y usar a pesar de la simplicidad el lenguaje es simplemente poderoso para abordar las situaciones mas complejas Simnet es total mente interactivo tanto como para depurar as como parar tambin obtener resultados estadsticos globales, permite la estimacin del periodo de

transmisin y luego la implementacin del mtodo estadstico global del subintervalo o de replica siempre sin salir del mtodo interactivo de ejecucin.

4.1.2 SIMULADORES PROMODEL TAYLOR ED ARENA WITNESS, ETC.

ProModel es un simulador con animacin para computadoras personales. Permite simular cualquier tipo de sistemas de manufactura, logstica, manejo de materiales,etc. Puedes simular bandas de transporte, gras viajeras, ensamble, corte, talleres, logstica, etc. ProModel es un paquete de simulacin que no requiere programacin, aunque s lo permite. Corre en equipos 486 en adelante y utiliza la plataforma Windows. Tiene la combinacin perfecta entre facilidad de uso y flexibilidad para aplicaciones complejas. Puedes simular Justo a Tiempo, Teora de Restricciones, Sistemas de Empujar, Jalar, Logstica, etc. Prcticamente, cualquier sistema pueder ser modelado. Una vez hecho el modelo, ste puede ser optimizado para encontrar los valores ptimos de los parmetros claves del modelo. Algunos ejemplos incluyen determinar la mejor combinacin de factores para maximizar produccin minimizando costo, minimizar el nmero de camiones sin penzliar el servicio, etc. El mdulo de optimizacin nos ayuda a encontrar rpidamente la solucin ptima, en lugar de solamente hacer prueba y error. ProModel cuenta con 2 optimizadores disponibles y permite de esta manera explotar los modelos de forma rpida y confiable. Beneficios Clave nico software de simulacin con Optimizacin plenamente intregrada Creacin de modelos rpida, sencilla y flexible. Modelos optimizables. Elementos de Logstica, Manejo de Materiales, y Operaciones includas. (Bandas de transporte, Gras Viajeras, Operadores). Entrenamiento en Espaol. Resultados probados. Importacin del Layout de Autocad, y cualquier herramienta de CAD / CAE / Diseo, as como de fotografas digitales. Soporte Tcnico 24 horas al da, 365 das del Ao. Integracin a Excel, Lotus, Visual Basic y herramientas de Microsoft. Genera en automtico las grficas en 3 dimensiones para visualizacin en el espacio tridimensional.

Software Inc., WITNESS de ATT & Istel , o FACTOR/AIM de Pritsker Corporation , FIX DEMACS de Intellution (Fisher-Rosemount). Todos ellos son productos orientados primordialmente a la utilizacin de la simulacin para la resolucin de problemas en el mbito de la produccin. Utilizables desde entorno Windows, y ejecutables sobre computadoras personales o sobre plataformas mas potentes como Estaciones de trabajo (Workstations). Estos permiten construir modelos complejos de manera incremental, a partir de la seleccin de componentes del sistema de entre un repertorio limitado a la extensin de las libreras que contienen unas entidades predefinidas, si bien las ultimas tendencias aaden a estos paquetes editores para crear nuevas plantillas con caractersticas a gusto del consumidor, introduciendo adems utilidades de todo tipo incluidas las gestiones de configuracin y control de las comunicaciones con un sistema de control real al que se puede conectar el equipo. Ventajas: Sirven para comunicar la esencia del modelo de simulacin a los directivos. Puede ayudar a corregir errores del programa de simulacin, o a mostrar que el modelo no es vlido. Puede ayudar a entender el comportamiento dinmico del sistema. Inconvenientes: No puede sustituir a un cuidadoso anlisis estadstico de los resultados. Slo una parte de la lgica del modelo de simulacin puede verse en la animacin, y no se puede concluir a partir de ese corto periodo de tiempo que el modelo est bien definido. Aumenta el tiempo para desarrollar el programa de simulacin. Muy lenta la animacin en directo.

Otro enfoque se puede derivar de los lenguajes de simulacin y de los simuladores es el de los Sistemas Hbridos que combinan la flexibilidad de un lenguaje de simulacin con la facilidad de uso de un simulador como lo son el ARENA y el QUEST.

4.2 APRENDIZAJE Y USO DE UN SIMULADOR

Simulador Taylor Ed.

El Taylor Ed es un paquete de software desarrollado por la compaa fabricante de software FLEXIM. El precursor del Taylor Ed fue el Taylor II, pero los desarrolladores hicieron la nueva versin partiendo de desperdicio. A pesar de esto, existen similitudes entre los dos paquetes, tales como la visin del usuario y la arquitectura del software. El precio del Taylor ED es la mitad del precio del WITNESS y cinco veces mas que el SIMUL8 y el EXTEND. La integracin del Taylor Ed con otro software es manejado por un encadenamiento DDE, el cual distribuye la informacin hacia y desde el EXCEL, por ejemplo, u otro software para el manejo de datos estructurados. Este DDE usa diferentes formatos de ases de datos, tales como SQL o XML. Esto es continuo las conexiones pueden tomar lugar antes o despus que la simulacin es realizada. El concepto de modelacin en el Taylor ED es el mismo que el desarrollador uso en el Taylor II. Este concepto es diferente de otros softwares. En el Taylor ED, todo es un tomo (producto, mquina, el modelo mismo, la aplicacin del software), comparado con el SIMUL8, el cual consiste de cinco bloques de construccin, y el EXTEND el cual consiste de ms de 100 bloques de construccin. El flujo de conexiones entre los tomos en Taylor ED esta determinado a travs de canales, que es lo mismo que los encadenamientos en otros softwares. Los objetos desarrollados para un modelo pueden rpidamente ser almacenados en libreras para ser usadas en otros modelos, reduciendo el consumo de tiempo, y la duplicidad de esfuerzo.

El FLEXSIM viene con una extensa librera de objetos robustos listos para usarse. Los usuarios pueden rpidamente modificarlos usando el editor de objetos integrado, o puede crear el propio partiendo de la nada usando el C++ o el poderoso Flexscript una librera precompilada del cdigo C++ que puede controlar virtualmente cada aspecto del programa. La caracterstica de la arquitectura del FLEXSIM son su apertura e interconectividad. El FLEXSIM esta totalmente integrado con el C++, tal que los usuarios puedan rpidamente modificar el FLEXSIM para reunir las necesidades especficas sin tener que aprender el cdigo apropiado.

Toda la animacin es OpenGL y todas las grficas son del estndar industrial de objetos 3DS, DXF, WRL, o STL. Los resultados pueden ser exportados va DDE, ODBC, y conectores Windows. Otras aplicaciones complementarias como Expert Fit, OptQuesy, y VISIO estn tambin compiladas para agregar flexibilidad y facilidad de uso.

4.2.1 CARACTERSTICAS DEL SOFTWARE

1. El software se desarrolla o construye; no se manufactura en el sentido clsico. A pesar de que existen similitudes entre el desarrollo del software y la manufactura del hardware, las dos actividades serian diferentes en lo fundamental. En ambas la alta calidad se alcanza por medio del buen diseo, la fase de manufactura del hardware puede incluir problemas de calidad existentes en el software. 2. El software no se desgasta.

El software es inmune a los males ambientales que desgasten el hardware. Por lo tanto la curva de tasas de fallas para el software debera tener la forma de la curva idealizada. Los defectos sin descubrir causan tasas de fallas altas en las primeras etapas de vida de un programa. Sin embargo, los errores se corrigen y la curva se aplana: el software no se desgasta, pero si se deteriora. 3. A pesar de que la industria tiene una tendencia hacia la construccin por componentes, la mayora del software aun se construye a la medida. Un componente de software se debe disear e implementar de forma que puede utilizarse en muchos programas diferentes. Los componentes reutilizables modernos encapsulan tanto los datos como el proceso se aplican a estos, lo que permite al ingeniero de software crear nuevas aplicaciones nuevas a partir de partes reutilizables. Animacin de Entidades en Arena Definicin: Consiste en asignarle una figura o dibujo a la entidad que se mueve dentro del modelo Para cualquier modelo en general, la figura inicial que adoptan las entidades que ingresan al sistema se define en la hoja de de trabajo de la entidad (Entity). Si se requiere un posterior cambio de figura, ste se puede realizar mediante el mdulo Assign. Las diferentes figuras que se van emplear en el modelo se pueden definir y editar en la ventana de remplazo de figuras (Entity picture placement). Se accede a esta ventana desde la barra de mens mediante las instrucciones Edit/Entity pictures.

Animacin de un recurso Consiste en asignar una figura especfica a cada estado que el recurso pueda adoptar, por ejemplo, ocupado, ocioso, en reparacin, etc. Para esto se cuenta con la barra Animate, la cual contiene el icono que permite acceder a la ventana de animacin de recursos. Animacin del valor de una variable en el modelo Consiste en mostrar de manera numrica o grfica el valor actual en tiempo simulado de una variable, con el fin de verificar el funcionamiento de la lgica empleada, estudiar su comportamiento en el tiempo o, simplemente, por razones estticas. Grficas

Es un recurso de animacin de variables en forma de grfico en un plano coordenado cuyo eje X es el tiempo y el eje Y, el valor de una variable. En otras palabras, se trata de un recurso que grafica el valor de la variable de inters en el tiempo.

4.2.2 ELEMENTOS DEL MODELO

El modelo en promodel debe contener al menos los siguientes elementos: Locaciones, Entidades, Arribos y proceso. Promodel utiliza un enfoque grfico Cada elemento tiene una ventana de grficas Al dar click en la grfica, y despus click en el layout, se crea un elemento. Cada elemento que se crea tiene asociado un registro en la tabla.

1.- LOCACIONES.- Estos representan las mquinas o personas que atienden,

procesan, transforman, etc. a las entidades. Consiguientemente, son estticas dentro del sistema, ya que no es de esperarse que una mquina se mueva de un lugar a otro. CONSTRUCCIN DE LOCACIONES Para construir locaciones:

Clickizquierdo en el icono de locacin deseado en la ventana de herramientas grficas, despus clickizquierdo en la ventana del layout donde se desea que aparezca la locacin. Se crea automticamente un registro para la locacin en la tabla de edicin de locaciones. El nombre, unidades, capacidad, et. Pueden entonces ser modificados al dar click en el cuadro apropiado y tecleando los cambios. Recomendacin: evite acentos, s, puntos, comas y dems caracteres.

2.- EDTIDADES.-

Que son aquellas cosas que son procesadas dentro del sistema, es decir, son aquellas personas, partes, insumos, documentos, productos, etc. que ingresan al sistema para ser transformados en productos finales o clientes atendidos. Como es de esperarse, estas entidades son altamente dinmicas, ya que pasan de una estacin de servicio o mquina, a otra. PARA CONSTRUIR ENTIDADES: Clickizquierdo en la grfica deseada en la ventana de herramientas de grficas de entidades. Se crea automticamente un registro en la tabla de edicin de entidades Puede entonces modificarse el nombre, y el tamao de la entidad y puede ajustarse al moverse la barra deslizable.

Recomendacin: evite acentos, s, puntos, comas y dems caracteres

3.- ARRIBOS.- Este componente define cmo ser alimentado el sistema con
entidades; es decir define parmetros tales como la cantidad, tipo, frecuencia y lugar de arribo de las entidades. PARA CREAR LLEGADAS: o o o o o Clickizquierdo en el nombre de la entidad en la ventana de herramientas, y clickizquierdo en la locacin a donde se quieren que llegue las entidades. Entity: La entidad que llega. Location: La locacin a donde llega la entidad QtyEach: Cantidad por ocasin. El nmero de entidades en un grupo que llegarn en un tiempo especificado. FirstTime: La primera vez (en el tiempo reloj de la simulacin) que comenzar el patrn de llegadas.

o o

Occurrences: Ocurrencias. El nmero de veces que llegarn los grupos de entidades. Frequency: Frecuencia. El tiempo entre ocurrencias.

4.- PROCESO.- Define la forma cmo se movern las entidades entre las
locaciones, ms an, se encarga de proveer las reglas que determinan cmo procesar cada mquina una entidad y el tiempo de ese procesamiento. El men de proceso define las rutas y las operaciones que se llevan a cabo en las locaciones para las entidades en su viaje por el sistema. Tambin puede decirse que generalmente se conocen o hacen parte de la informacin recolectada del sistema, los diagramas de proceso u operacin, estos se transcribirn al computador para formar el proceso. Antes de crear el proceso es necesario definir entidades, locaciones, recursos y path networks. Adems de los componentes bsicos, ProModel permite asignar recursos como personal de mantenimiento, electricidad, agua, gas, etc. a cada operacin realizada en una locacin. Es posible asignar costos para todos los componentes, de forma que no slo se pueda determinar el tiempo de produccin, sino tambin el costo de cada producto terminado o cliente atendido. PARA CREAR LLEGADAS ARRIBOS: Clickizquierdo en el nombre de la entidad en la barra de herramientas, y despus clickizquierdo en la locacin de inicio. Clickizquierdo en la locacin destino. Se crea un registro de proceso automticamente. Para aadir ms lneas de rutas al mismo registro, clickizquierdo en el botn AddRouting(aadir rutas) en la ventana de herramientas. Para enviar la entidad a Exit(que salga del sistema), simplemente dar clickizquierdo en el botn RoutetoExit(enviar a salida) en la ventana de herramientas.

5.- RECURSOS: Adems de los componentes bsicos, ProModel permite asignar

recursos como personal de mantenimiento, electricidad, agua, gas, etc. a cada operacin realizada en una locacin. Es posible asignar costos para todos los componentes, de forma que no slo se pueda determinar el tiempo de produccin, sino tambin el costo de cada producto terminado o cliente atendido. PARA CREAR RECURSOS:

o Ir a Build/Resources y dar click en la grfica deseada en la caja de herramientas de los recursos. Automticamente se crea un registro en la tabla de edicin de recursos. En el registro se puede modificar el nombre del recurso, el nmero de unidades y las especificaciones. o Las especificaciones permiten definir la red fsica por la que viaja el recurso, los nodos sobre los cuales se estaciona y el movimiento del recurso.

4.2.4 CONSTRUCCIN DEL MODELO

Generacin y anlisis de reportes Luego de la construccin de simulacin se deben fijar los parmetros necesarios para la corrida de ste. En ARENA se pueden incluir, como parmetros del proyecto, y segn el modelo, la informacin del modelo, el nombre del analista y el tipo de estadsticas que se va a recolectar. Por otra parte, el nmero de rplicas, el perodo de estabilizacin, la longitud de la corrida y las unidades bsicas de tiempo, entre otros aspectos, se incluyen como parmetros de la corrida. El control de corridas se hace desde la barra de mens y mediante las instrucciones Run/Setup.

Manejo de reportes El reporte que aparece es el que se seala como predeterminado. Si se escoje el resumen general (Category overview), la siguiente ser la primera hoja que se ver.

Interpretacin de resultados A continuacin se explica el contenido de cada reporte; adems se dan las pautas que permiten su correcta interpretacin para las funciones del panel de procesos bsicos.

4.2.5 PRACTICAS USANDO EL SIMULADOR DE PROBLEMAS APLICADOS A SERVICIOS, SISTEMAS PRODUCTIVOS, DE CALIDAD, DE INVENTARIOS, ECONMICOS, ETC.
Ejemplos Para simular una ruleta (nmeros al azar entre 0 y 36): RULA FUNCTION RN2,C2 (RN2 nunca alcanza el valor 1, por 0,0/1,37 lo que nunca puede salir el 37) Para simular un dado (nmeros al azar entre 1 y 6): DADO FUNCTION RN2,C2 Mnimo valor es 1; Mximo valor es 6.999... 0,1/1,7 Recordar que trunca los decimales Ambas funciones son continuas. El sistema interpola linealmente entre los dos puntos definidos, entregando un valor entero (trunca los decimales). Un hecho comn es tener arribos de transacciones en forma totalmente al azar ("random"). El arribo puede ocurrir en cualquier momento; la probabilidad de arribo aumenta con el tiempo. Es decir la probabilidad p de un arribo se define:

Se demuestra que la distribucin es exponencial: f(t)=valor medio . e -valor medio.t La probabilidad acumulada y=F(t) se obtiene integrando la funcin f(t) entre 0 y t. y=1-e-valor medio.t -valor medio . t = ln(1-y) Para valor medio igual a uno: t = -ln(1-y)

Se puede definir la funcin POISS basndose en lo anterior: POISS FUNCTION RN4,C24 0.0,0.0/0.1,0.104/0.2,0.222/0.3,0.355/0.4,0.509/0.5,0.69 0.6,0.915/0.7,1.2/0.75,1.38/0.8,1.6/0.84,1.83/0.88,2.12 0.9,2.3/0.92,2.52/0.94,2.81/0.95,2.99/0.96,3.2/0.97,3.5 0.98,3.9/0.99,4.6/0.995,5.3/0.998,6.2/0.999,7.0/0.9997,8.0 Si se quiere generar arribos de personas con un valor medio igual a 60 y distribucin exponencial, basta con representar este arribo con el bloque: GENERATE 60,FN$POISS Si se quiere bifurcar en un 20% al rtulo CAJA en un 30% al rtulo BAR en un 40% al rtulo INF en un 10% al rtulo CHAU se define la funcin UNO, con la probabilidad acumulada: UNO FUNCTION RN2,D4, 2,CAJA/.5,BAR/.9,INF/1,CHAU y se representa la bifurcacin a las cuatro opciones propuestas: TRANSFER ,FN$UNO En un sistema en dnde se comienza a simular partir de las 8 de la maana, si se quiere simular que: hasta las 10 de la maana bifurca el 50% al rtulo BAR entre las 10 y las 12 hrs bifurca el 70% al rtulo BAR a partir de las 12 horas bifurca el 100% al rtulo BAR BIF FUNCTION AC1,D3 se supone que la unidad de tiempo es 7200,500/14400,700/28800,1000 el segundo; AC1 es el reloj (cero al comenzar la simulacin; vuelve a cero con CLEAR). Para representar la bifurcacin propuesta, se debe colocar: TRANSFER FN$BIF,,BAR (en PC) TRANSFER .FN$BIF,,BAR (en "main frame")

Parmetros y Savevalues

Los atributos de las entidades de un sistema pueden variar a lo largo de una simulacin. Por ejemplo, la cantidad de cajas habilitadas en un lugar de atencin al pblico la cola que elige cada persona a la salida de un supermercado. En GPSS existen casilleros de memoria donde se pueden almacenar estos valores. Existen dos tipos bien diferenciados: - Pertenecientes a las transacciones (parmetros): cada transaccin tiene sus casilleros de memoria que le son propios (Al nacer la transaccin se inicializan en cero; al morir son destruidos, liberndose la memoria utilizada). Son como "bolsillos" de la transaccin; cada transaccin tiene acceso a sus propios parmetros. En "main frame" la cantidad de parmetros que tiene una transaccin es fija y es igual a 12 (aunque se puede modificar utilizando el sexto operando del GENERATE). En PC arma una lista con el nombre/nmero de cada parmetro utilizado. - Comunes al sistema (Savevalues): Es como un vector con casilleros de carcter pblico a los que todas las transacciones tienen acceso. Son como carteles con valores numricos que todas las transacciones tienen a su alcance. Se inicializan en cero antes de comenzar la simulacin (salvo indicacin en contrario en el bloque INITIAL). Parmetros, asignacin de valores: Mediante el bloque ASSIGN se modifica el valor de los parmetros. SINTAXIS DEL BLOQUE ASSIGN La sintaxis de este bloque es la siguiente: ASSIGN A,B ASSIGN A+,B ASSIGN A-,B A: es el nmero del parmetro a asignar; sumar; restar B: valor a asignar; sumar; restar del parmetro A. NOTA: En PC, el operando A puede ser un nombre.

UNIDAD 5 PROYECTO DE APLICACIN

Aviones de Carga
Considere el servicio terminal de una compaa de carga area que tiene muchos aviones de carga. Los aviones de carga son programados llegar a la terminal uno al principio del da, para una posible operacin de mantenimiento. Cada avin es inspeccionado conforme arriba. Asuma que la duracin de la inspeccin es mnima. Una vez que es inspeccionado, la probabilidad de encontrar un avin con necesidad de servicio de mantenimiento es de 0.5; que es, un promedio del 50% de los aviones tienen necesidad del servicio de mantenimiento. S un avin necesita servicio, la operacin de mantenimiento puede tomar ya sea 0.5, 1, 1.5, 2, 2.5, o 3 das. La posibilidad de que un avin requiera cualquiera de estos servicios es de 1/6. La compaa de carga generalmente utiliza una instalacin de mantenimiento en la terminal. Cada avin en tierra le cuesta a la compaa $5000 por da. El administrador de la compaa esta interesado en investigar el atractivo econmico de utilizar una instalacin adicional de servicio en la terminal. Cada instalacin le cuesta a la compaa $2500 por da rentarla y operarla. Se elabora la tabla de donde se generar la informacin relativa a la duracin del servicio ProbabilidadAcumuladaDuracin 1/6 1/6 1/6 1/6 1/6 1/6 0 0.166670 0.333340 0.500010 0.666680 0.833350 0.5 1 1.5 2 2.5 3

Para determinar si un avin al aterrizar requiere o no servicio, se considera por existir dos posibilidades; que existe un 50% de probabilidad de que requiera servicio y un 50% de que no requiera. Se analiza en la tabla siguiente el comportamiento de este sistema para una y dos instalaciones de servicio para 100 das de operacin.

Una Instalacin de Servicio Numero Requiere Da Aleatorio Manto. 1 2 3 4 5 6 7 8 9 0.2928 0.0314 0.0043 0.2567 0.5709 0.3235 0.8838 0.3805 0.7669 Si Si Si Si No Si No Si No No Si Si Si No Si Numero Aleatorio 0.5678 0.8073 0.9722 0.4721 0.0000 0.1473 0.0000 0.1980 0.0000 0.0000 0.1180 0.2066 0.2703 0.0000 0.6068

Dos Instalaciones

DDS DIS DTS 2.00 1.00 3

NDO 2.00 3.50 5.50 6.00 0.00 4.50 0.00 3.50 0.00 0.00 4.00 4.00 4.00 0.00 4.00

DIS DTS1 DTS2 1.00 2.00 3.00 4.50 0.00 3 3 6 6 6 0 4.50 4.50 4.50 4.50

NDO 2.00 1.00 3.00 2.00 0.00 0.50 0.00 1.00 0.00 0.00 1.00 1.00 1.00 0.00 2.00

IN 1 2 1 2

2.50 3.00 5.5 3.00 5.50 8.5 1.50 8.50 0.00 0.00 10 10

0.50 10.00 11 0.00 0.00 11

6.00 6.5 4.50 0.00 6.5 4.50 8.00 0.00 0.00 9 9 9 4.50 4.50 4.50

1.00 10.50 12 0.00 0.00 0.00 0.00 12 12

10 0.5615 91 0.4309 92 0.3604 93 0.0181 94 0.9460 95 0.2206

0.50 94.50 95 1.00 95.00 96 1.00 96.00 97 0.00 0.00 97

91.50 92 93.00 92.00 93 93.00 93.00 94 93.00 0.00 94 93.00

1 1 1

2.00 97.00 99

95.00 97 93.00

96 0.8654 97 0.2081 98 0.1012 99 0.8101 100 0.6454

No Si Si No No

0.0000 0.2103 0.2152 0.0000 0.0000 Tiempo Total Ocioso Tiempo Promedio Ocioso Costo Promedio Total

0.00 0.00

99

0.00 3.00 3.00 0.00 0.00

0.00

97 93.00

0.00 1.00 1.00 0.00 0.00 1 1

1.00 99.00 100 1.00 100.00 101 0.00 0.00 101 0.00 0.00 101

97.00 98 93.00 98.00 99 93.00 0.00 0.00 99 93.00 99 93.00

251.00

78.00

2.510

0.780

$15,050.00

$8,900.00

DDS=Duracin de los das de servicio, DIS=Da que inicio del servicio, DTS=Da que termina el servicio, NDO= Numero de das ociosos, DTS1,DTS2=DTS para la instalacin 1 o 2.

A continuacin se muestran 10 corridas del sistema y el promedio del anlisis del costo con una y dos instalaciones, resultando ms conveniente tener dos instalaciones Una Instalacin Dos Instalaciones

No. de Corridas$11,025.00 No. de Corridas $8,750.00 1 2 4 5 6 7 8 9 10 Promedio 14625 10150 29950 16350 7550 18075 8450 14175 19375 1 2 4 5 6 7 8 9 10 9175 9050 9600 8325 8375 9225 9025 9725 8925 $9,017.50

$14,972.50Promedio

CONCLUSIONES

REFERENCIAS

Http://fis.unab.edu.co/docentes/gbarrera/introduccion_simulacion.pdf www.itson.mx/dii/atorres/Introd.doc http://es.wikipedia.org/wiki/Simulaci%C3%B3n_por_eventos_discretos http://fis.unab.edu.co/docentes/gbarrera/Introduccion_Simulacion.pdf

http://scielo.isciii.es/scielo.php?pid=S0213-91112008000200012&script=sci_arttext http://fis.unab.edu.co/docentes/gbarrera/Introduccion_Simulacion.pdf http://www.material_simulacion.ucv.cl/en%20PDF/aleator11.pdf http://teorica.fis.ucm.es/programas/MonteCarlo.pdf http://docencia.udea.edu.co/ingenieria/isi-494/contenido/exposicion.html http://www.um.es/or/ampliacion/node16.html http://www.exa.unicen.edu.ar/catedras/inv_op/apuntes/Apunte_Teorico_MC_2005.pdf http://www.investigacion-operaciones.com/conceptos_modelos.htm http://www.promodel.com.mx/promodel.php
http://www.foroswebgratis.com/mensaje-elementos_basicos_de_un_modelo_en_promodel-143351-1656199-15660941.htm http://unitecnicasjenny01.files.wordpress.com/2011/04/promodel.pdf http://es.scribd.com/doc/72312861/2/COMO-CREAR-ELEMENTOS-DEL-MODELO-EN-PROMODEL? http://www.promodel.com.mx/promodel.php

Simulacin y anlisis de sistemas con ProModel Eduardo Garca Dunna, Heriberto Garca Reyes. Pearson Educacin, 2006 - 270 pginas

Simulation Using ProModel Charles Harrell, Biman K. Ghosh McGraw-Hill Companies,Inc., - 704 pginas ProModel: manufacturing simulation software : user's guide PROMODEL Corporation PROMODEL Corp., 2002 - 696 pginas

http://www.itescam.edu.mx/principal/webalumnos/sylab us/asignatura.php?clave_asig=INE0405&carrera=IIND0405001&id_d=68

we