UNIDAD IV LENGUAJES DE SIMULACION

4.1 LENGUAJES DE SIMULACIN Y SIMULADORES.

En un principio, los programas de simulacin se elaboraban utilizando algn lenguaje de

propsito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la dcada de
1960 hacen su aparicin los lenguajes especficos para simulacin como GPSS, GASP,
SIMSCRIPT, SLAM. En la ltima dcada del siglo pasado la aparicin de las interfaces
grficas revolucionaron el campo de las aplicaciones en esta rea, y ocasionaron el
nacimiento de los simuladores.

En el terreno prctico, es importante utilizar la aplicacin que mejor se adece al tipo de

sistema a simular, ya que de la seleccin del lenguaje o simulador depender el tiempo de
desarrollo del modelo de simulacin. Las opciones van desde las hojas de clculo, lenguajes
de tipo general (como Visual Basic, C++ o Fortan), lenguajes especficos de simulacin (como
GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y SSED), hasta simuladores especficamente
desarrollados para diferentes objetivos (como SIMPROCESS, ProModel, Witness, Taylor II y
Cristal Ball).

4.2 APRENDIZAJE Y USO DE UN SIMULADOR

REPORTE DE VIRTUALVOX

4.3 CASOS PRCTICOS DE SIMULACIN

Las aplicaciones recreativas, hoy muy extendidas y mejoradas principalmente por los
adelantos en este campo, estn especialmente diseadas para crear un pasatiempo que logre
sacar de la rutina al ser humano, y que el mejor de los casos de otro modo seria impracticable
debido a su costo. Estas consisten en crear ambientes y decorados artificiales con sonido en
algunos casos, que logran una perfecta simulacin de cualquier tipo de contenido, creando el
pasatiempo perfecto Uno de los principales proyectos futuristas de la simulacin aunque muy
costoso, es en el campo de las minusvalas fsicas, ya que su diseo tendra que incluir, sobre
todo en el campo de los invidentes, unos censores especiales, que adaptados, conseguiran
una visin simulada del terreno permitiendo dotar de visin (en este caso) a esas personas,
incluso en algunos casos, dotar de facultades superiores a las humanas mdiate esta realidad
simulada real al mismo tiempo.
4.3.1 PROBLEMAS CON LNEAS DE ESPERA
Una lnea de espera es el efecto resultante en un sistema cuando la demanda de un servicio
supera la capacidad de proporcionar dicho servicio. Este sistema est formado por un
conjunto de entidades en paralelo que proporcionan un servicio a las transacciones que
aleatoriamente entran al sistema. Dependiendo del sistema que se trate, las entidades pueden
ser cajeras, mquinas, semforos, gras, etctera, mientras que las transacciones pueden

ser: clientes, piezas, autos, barcos, etctera. Tanto el tiempo de servicio como las entradas al
sistema son fenmenos que generalmente tienen asociadas fuentes de variacin que se
encuentran fuera del control del tomador de decisiones, de tal forma que se hace necesaria la
utilizacin de modelos estocsticos que permitan el estudio de este tipo de sistemas. Una
lnea de espera puede modelarse como un proceso estocstico en el cual la variable aleatoria
se define como el nmero de transacciones en el sistema en un momento dado; el conjunto de
valores que puede tomar dicha variable es{O, 1, 2, . . . , N\ y cada uno de ellos tiene asociada
una probabilidad de ocurrencia.

4.3.2 PROBLEMAS CON SISTEMAS DE INVENTARIO.

La tasa de demanda o ventas de cada artculo que vara dependiendo de la temporada,

implica gastos de tener los artculos almacenados.

La confiabilidad de predecir las ventas futuras, cambios en el diseo o los mtodos de

produccin, etc., ya que muchos artculos dependen delas variaciones del clima, estilos,
modas, etc.
Las tasas de produccin son considerablemente mayores que las de demanda.
4.4 PRUEBAS NO PARAMTRICAS Y PRUEBAS PARAMTRICAS
PRUEBAS NO PARAMTRICAS:
Las pruebas estadsticas no paramtricas son las que, a pesar de basarse en determinadas
suposiciones, no parten de la base de que los datos analizados adoptan una distribucin
normal.
Tcnica estadstica que no presupone ninguna distribucin de probabilidad terica de la
distribucin de nuestros datos.
Se denominan pruebas no paramtricas aquellas que no presuponen una distribucin de
probabilidad para los datos, por ello se conocen tambin como de distribucin libre
(distribucin free).
En la mayor parte de ellas los resultados estadsticos se derivan nicamente a partir de
procedimientos de ordenacin y recuento, por lo que su base lgica es de fcil comprensin.
Cuando trabajamos con muestras pequeas (n < 10) en las que se desconoce si es vlido
suponer la normalidad de los datos, conviene utilizar pruebas no paramtricas, al menos para
corroborar los resultados obtenidos a partir de la utilizacin de la teora basada en la normal.
En estos casos se emplea como parmetro de centralizacin la mediana, que es aquel punto
para el que el valor de X est el 50% de las veces por debajo y el 50% por encima.
Las pruebas no paramtricas no requieren asumir normalidad de la poblacin y en su
mayora se basan en el ordenamiento de los datos, la poblacin tiene que ser continua.
El parmetro que se usa para hacer las pruebas estadsticas es la Mediana y no la Media.
Son tcnicas estadsticas que no presuponen ningn modelo probabilstico terico.
Son menos potentes que las tcnicas paramtricas, aunque tienen la ventaja que se pueden
aplicar ms fcilmente.
2) PRUEBAS PARAMTRICAS:

Las pruebas estadsticas paramtricas, como la de la t de Student o el anlisis de la varianza

(ANOVA), se basan en que se supone una forma determinada de la distribucin de valores,
generalmente la distribucin normal, en la poblacin de la que se obtiene la muestra
experimental.
En contraposicin de la tcnicas no paramtricas, las tcnicas paramtricas si presuponen
una distribucin terica de probabilidad subyacente para la distribucin de los datos.
Son ms potentes que las no paramtricas.
Dentro de las pruebas paramtricas, las ms habituales se basan en la distribucin de
probabilidad normal, y al estimar los parmetros del modelo se supone que los datos
constituyen una muestra aleatoria de esa distribucin, por lo que la eleccin del estimador y el
clculo de la precisin de la estimacin, elementos bsicos para construir intervalos de
confianza y contrastar hiptesis, dependen del modelo probabilstico supuesto.
Cuando un procedimiento estadstico es poco sensible a alteraciones en el modelo
probabilstico supuesto, es decir que los resultados obtenidos son aproximadamente vlidos
cuando ste vara, se dice que es un procedimiento robusto.