A P U N T E S D E: Simulación de Sistemas

CONCEPTOS INICIALES:

Sistema es un conjunto de elementos que interactuan para el logro de un fin.

Sistema es un conjunto de elementos, componentes o subsistemas, unidos por algún grado
de interacción o interdependencia.

Los sistemas se pueden clasificar en:

- Concretos o físicos. En que los elementos son objetos. Estos existen en la realidad.
- Abstractos. Los elementos son conceptos. Son definidos por el estado de él, por sus
elementos y propiedades que satisfacen.

O bien en:
- Naturales. Que son de origen físico y biológico. Existen independientemente de la
existencia del hombre. El hombre los interviene.
- Artificiales. Que son aquellos que el hombre los crea, los define para un fin. Estos
tienen el problema del desarrollo con un determinado diseño.

O bien en:
- Abiertos. Que son los sistemas que tienen medio ambiente o entorno que los influye.
- Cerrados. Los que no poseen medio ambiente que los influya.

El tamaño de un sistema es subjetivo, y depende de quien lo defina y de los objetivos que

tiene para el sistema.

Todos los sistemas tienen subsistemas, y a la vez son subsistemas de otro sistema más
grande, excepto el universo.

Un sistema se puede caracterizar en un momento dado por su estado.

Estado de un sistema, es el conjunto de propiedades relevantes que el sistema tiene en ese

momento y los valores asociados a sus propiedades.

Eventos, son los hechos que ocurren y que producen modificaciones de las propiedades o
elementos considerados del sistema y sus valores asociados, o producen modificaciones
en el entorno del sistema.

Cada día es más importante el "enfoque de sistema" en la visión de los problemas de la

Organización, tanto para comprender el mundo real y el mundo artificial creado por el
hombre social. El enfoque de sistema da una forma de abordar la toma de decisiones en la
 Pág. 2 / 20
conducción de la Organización, caracterizada por aceptar la interdependencia de los
subsistemas del sistema en estudio.

El análisis de sistema intenta el estudio del sistema como un todo. Si cada subsistema se
optimiza independientemente, el funcionamiento del Sistema completo puede ser sub-
óptimo, desde el punto de vista del diseño u operación de éste.

Herramientas cuantitativas de la Investigación de operaciones más frecuentemente

empleadas en los departamentos de planificación o estudios de las Organizaciones.
Programación lineal Programación dinámica
Estudios de Simulación Programación entera
Análisis en redes (incluyendo Teoría de colas
PERT y CPM) Otros modelos matemáticos
Teoría de inventarios
Programación no lineal

S i m u l a c i ó n.

"Es un proceso mediante el cual se construye un modelo de un sistema para efectuar

experimentos con ese modelo, a fin de entender el comportamiento del sistema, o para
evaluar diferentes estrategias de manejo del sistema".

La construcción de un simulador no es una actividad estructurada, sólo hay pautas con pasos
y sugerencias que orienten.

Entorno

i)El entorno esta constituido por un conjunto de sistemas que residen fuera del sistema en
estudio, y que interactuan con él. O bien, entorno es el conjunto de elementos que no son
parte del sistema, pero si son modificados producen cambios en el sistema. Entorno es todo
aquello que no está en el sistema en estudio y a lo cual se le reconoce influencia.

Se denomina Cajas negras a los sistemas que están en el entorno del sistema en estudio y
cuyos procesos van a ser ignorados, pero se les reconoce impacto en el sistema.

Resto del Universo

Son sistemas a los que no se les reconoce la influencia

que pudiesen tener sobre el sistema en estudio.

Ningún sistema físico permanece estático en el tiempo. Existen procesos que causan cambios
en el sistema.

Procesos: son los cambios físicos que se producen en los entes que componen el sistema.
(Ejemplo: El proceso de crecimiento de una planta; el proceso de la fotosíntesis)
 Pág. 3 / 20

Se distinguen:
ENDOGENOS : ocurren dentro del sistema.
Procesos <
EXOGENOS : ocurren en el entorno del sistema

El Modelo

¿Porqué construir un modelo para un sistema real dado? ¿Puede estudiarse el sistema real
para comprenderlo y/o manejarlo, experimentando con él?
- Puede ser muy caro, o requerir mucho tiempo
- Puede ser imposible, porque:
i) el sistema no existe (es hipotético)
ii) el sistema existe pero en realidad es imposible prácticamente experimentar con él.
iii) no se puede cambiar arbitrariamente ciertas actividades o propiedades sin causar
graves trastornos irreversibles en el sistema dado.

Surge la necesidad de tener un modelo del sistema.

Modelo es la representación de un sistema que se obtiene por simplificación y abstracción de
la realidad.

Modelar es un arte, y por ello es un arte intuitivo.

- Físicos: Se asemejan al sistema en estudio. (Modelos a escala, planta

piloto, maquetas)

- Analógicos: Hay una representación del sistema en términos de

gráficos, diagramas, etc, que tiene es similar.
Ej. R2
Modelos
De optimización: generan sol. Óptima son resueltos

- Matemáticos:

De simulación: Modelos de E/S se corren

Los modelos matemáticos de simulación (Simuladores) son del tipo: Qué pasa si ............
Son modelos de entrada - salida. Son modelos que se corren y no que se resuelvan, son
modelos de respuesta. No entregan solución óptima. Permiten analizar el comportamiento del
sistema bajo las condiciones especificadas por el usuario.
Pág. 4 / 20

No existe un modelo único para un sistema, ya que estará determinado por los objetivos que
se planteen. Unos tendrán mayor validez que otros. No hay "el" modelo de un sistema.
Un modelo puede estar construido para correrse con la ayuda de un computador, o
presentarse y correrse de algún otro modo. (Por ejemplo: Un cuadernillo con opciones y el
resultado de las opciones tapadas, donde se va recorriendo un "laberinto" de posibilidades).
Interesan los primeros, los con apoyo del computador, ayudan a representar la realidad, a
simular el paso del tiempo, y el azar.

Usos más comunes y legítimos del modelo.

1. Una ayuda a la abstracción del sistema.
2. Una ayuda a la comunicación.
3. Sirve para entrenamiento e instrucción.
4. Una herramienta de predicción.
5. Una ayuda a la experimentación.

1. El modelo construido, o a construir, nos fuerza a organizar, evaluar y examinar la validez

de lo que pensamos.
2. El modelo, como ayuda a la comunicación, no tiene comparación. "Un cuadro es mejor
que un millón de palabras".
3. Las personas necesitan practicar sin gran prisa. El modelo le muestra eventualidades
antes que le ocurran en la práctica. Modelos de naves espaciales, de conducción de
vehículos, de juegos y negocios, de crecimiento, ... etc.
4. El más importante uso práctico e histórico es y ha sido predecir el comportamiento
característico de la entidad modelada. Construir aviones, autos para probar el diseño x.
Probar diversas intensidades de raleos y ver los resultados.
5. Los modelos permiten experimentos controlados en sistemas que sería impracticable o
por tener costos prohibitivos.

Un modelo sirve a uno de los 2 principales propósitos siguientes:

Descriptivo: para explicación y/o entendimiento del sistema.

Prescriptivo: prediciendo y/o duplicando el comportamiento característico del sistema.
Pág. 5 / 20

ETAPAS DE LA SIMULACIÓN
1. Identificación del problema.
Es la etapa más importante al parecer, ya que puede resolverse un problema equivocado,
y obtener un modelo que no represente el sistema a estudiar.
Clarificar los objetivos que se tiene para el simulador. No hay un modelo sin objetivos.
Establecer lo que se pretende que el modelo responda. Alcances del estudio, que aspectos
se van a analizar.
El construir un simulador implica costos y beneficios, por lo que se debe tender a
compensar éstos logrando, en lo posible, el máximo valor en la curva Beneficio menos
Costo.
A la representación del sistema real en el simulador se le puede asociar un valor de 0% a
100% de verosimilitud, o bien una escala de 0 a 1.
La curva Beneficio aumenta más rápido al inicio,
partiendo de 0 cuando no se tiene simulador, porque es
más beneficioso tener un simulador, aunque no tan
bueno, a no tenerlo. Y la curva beneficio tiende a una
cota que es el máximo beneficio que se tendrá de contar
con un simulador o modelo que represente el sistema en
un 100%.
La curva costo, partiendo de 0 cuando no se construye, crece adecuadamente pero se
dispara al querer tener un simulador igual al sistema real.
Se debe determinar el nivel de agregación y/o de detalle en la información que entregará
el modelo. Tiene que ver con el nivel de decisión que pretende apoyar el modelo. Un
nivel de agregación alto en la información de salida del simulador, indica que el
simulador apoyará decisiones de nivel superior, estratégicas o tácticas. Un nivel de
agregación bajo es indicativo de que el simulador apoyará decisiones de nivel operativo.
Se debe tener en cuenta las restricciones de tiempo y de presupuesto que se tendrá para el
diseño y construcción del modelo. También para el diseño de experimentos y las corridas
del modelo en su etapa de explotación.
"La formulación apropiada del problema fue más esencial que su solución" (Albert
Einstein). Para encontrar una solución aceptable o solución óptima, primero debe saber
que problema es.

2. Delimitación del sistema.

En esta etapa se tiene los siguientes alcances.

Precisar el sistema, su entorno. En el sistema estarán los entes y el objeto de la
simulación. En el entorno estarán las cajas negras. En el resto del universo estarán los
sistemas a los que no se les reconoce influencia en el sistema en estudio; se debe precisar
su límite.
Pág. 6 / 20

En esta etapa el sistema en consideración deberá dividirse en elementos componentes o

subsistemas, cuyo comportamiento sea importante predecir. Deberán describirse las
actividades o procesos que caracterizan la evolución del sistema, estas actividades podrán
ser endógenas y exógenas.

ETAPAS del proceso de construccion de un simulador

Usa NO
PARE
simulación

SI
3

5 1. Identificación del problema

2. Delimitación del sistema
3. Formulación del modelo
MALA 4. Preparación de datos
6 5. Construcción del modelo
6. Validación
BUENA 7. Diseño de experimentos
7 8. Ejecución de experimentos
9. Interpretación (Inferencia)
10. Documentación

NO FELIZ
9
FELIZ
10

EXPLOTACIÓN
Pág. 7 / 20

1. Identificación del problema. Clarificar los objetivos que se pretende, determinar el

nivel de decisión a apoyar y precisar las restricciones de tiempo que se tiene.
2. Definición del Sistema. Determinar los límites, restricciones y medidas de la efectividad
(logro del objetivo) a ser usadas en la definición del sistema a ser estudiado.
3. Formulación del modelo. Reducción o abstracción del sistema real a un diagrama de
flujo lógico, con su adecuada documentación.
4. Preparación de datos. Identificación de los datos que necesita el modelo que se
formuló, y su reducción a una forma apropiada para el ingreso al modelo.
5. Construcción del modelo. Descripción del modelo en un lenguaje del computador a ser
usado. Es hacer el programa computacional y probarlo.
6. Validación. Es aumentar a un nivel aceptable la confiabilidad de una inferencia
efectuada desde el modelo sobre el sistema real. Que esta inferencia sea correcta.
7. Diseño de experimentos. Diseño de un experimento que produzca la información
deseada. Diseñar el cómo se realizará, y cómo se correrá los experimentos planificados.
Tiene una etapa de planificación estratégica y táctica.
8. Ejecución de experimentos (Experimentación) Ejecución de la simulación para generar
los datos deseados y realizar un análisis de sensibilidad.
9. Interpretación. Es efectuar las inferencias sobre el sistema en estudio a partir de los
datos generados por la simulación.
10. Documentación. Es documentar el modelo y su uso con un manual, también el proyecto
de actividades futuras que está planificado.

Ejemplo de simulador.-
Los antecedentes de un estudio sobre una especie animal indican las siguientes
características en su estado natural.
- Alcanzan su madurez reproductiva a los 2 años.
- El 90% de las hembras mayores a dos años tienen una cría por año.
- El 70% de todas las crías mueren antes de la madurez. - El 53% de las crías son macho.
- Del 8% al 12% de los individuos maduros mueren cada año por causas naturales; Unif.
Un empresario cree que puede criar esta especie "cosechando" un p% de la población anual
adulta, y permitiendo cruzas todos los años. No se "cosecha" crías de menos de 2 años.
Se pide el Diseño de un algoritmo de simulación que le indique al empresario, a partir de una
población inicial de X machos e Y hembras maduras, si al cabo de N años esta población
aumentará cosechando un P% anual, se mantendrá, o desaparecerá.

Observaciones al diagrama siguiente del enunciado anterior:

Se considera período finalizado: Al final del año.
Pág. 8 / 20

Se decidió secuenciar los eventos: mortalidad, reproducción, cosecha.

Se optó por no reproducir el primer año.
Se puede aleatorizar:
- El % de hembras que dan 1 cría por año (90%)
- El número de crías por hembra (1)
- El % de crías que muere antes de la madurez (70%)
- El % de crías machos (53%)

Leer M, H, N,P (leer variab. de entrada)

año = 1, x = M, y = H, repx2=0, repy2=0

repx1= 0 , repy1 = 0 (estado inicial)

20 x = x - x * unif (0.08 , 0.12) (mortalidad natural)

y = y - y * unif (0.08 , 0.12)

x = x + 0.30 * repx2 (reproducción a adultos)

y = y + 0.30 * repy2

repx2= repx1 , repy2 = repy1 (aumento edad cría)

repx1 = 0.53 * 0.9 * y (reproducción de crías)

repy1 = 0.47 * 0.9 * y

x = x * (100 - P) * 0.01 , y = y * (100 - P) * 0.01 ("cosecha")

x = int(x) , repx2 = int(repx2)

(valores a enteros, opcional)
y = int(y), repy2 = int(repy2)

(imprimir año a año)

Imprimir año, x, y, repx2, repx1

(paso del tiempo)

AÑO = AÑO + 1

Si x > 0 y>0 año N entonces volver al paso 20

Imprimir el informe final, si x+y > M+H, "aumenta"

Si x+y = M+H, "se mantiene", si x+y < M+H, "disminuye"
Si x 0 y 0 entonces "la población desaparece"

PARE
Pág. 9 / 20

FORMULACION DEL MODELO

Consiste en determinar la estructura del sistema en término de un modelo lógico, o físico,

que represente las características determinadas por los objetivos ya establecidos para el
sistema en estudio.

Consideraciones o criterios.

El modelo debe estar orientado a los objetivos del simulador, y los objetivos del
simulador deben estar orientados por los objetivos del estudio. El simulador estará al
servicio de los objetivos del estudio en que se inserta. Esto hace que el modelo de un
sistema real dado no sea único, porque los objetivos de las investigaciones de un tema no
son iguales.
Construir modelos para los procesos simples, y éstos puestos en interacción o
interdependencia dan el modelo que se busca para el sistema. Es mejor el diseño en
bloque, diseño modular, que se alimente de pocas variables de entrada y entrega pocas
variables de respuesta.

Un modelo de un solo gran bloque se llama modelo monolítico

- No permite una validación eficiente del Simulador porque no se pueden aislar errores.
- No se puede modificar sin alterar todo el programa computacional. En el diseño
modular se aísla el módulo con error.
- Depende del programador, no favorece a la empresa.
- Lenguaje de programación mas usado en Simulación no es único. Los de orientación
general como Basic con sus diversas versiones, Fortran, dbase, etc. se acomodan bien,
uno mas que otro dependiendo de las características del simulador a construir. No se ha
encontrado verdaderas razones para tener un solo lenguaje con esta orientación.

Un modelo no debe simplificar mucho el sistema que se desea simular, pero tampoco
hacer muy cara o lenta su construcción. (Hay que equilibrar estos 2 aspectos).
Ej.: Considerar varios aspectos de la topografía del terreno de plantaciones cuyo
rendimiento (en maderas) se desea simular; o dejar de considerar en el manejo de ese
bosque variables como podas, raleos y densidad de población.
En la formulación del modelo hay que darle un estado inicial al sistema. No debe estar
formado por muchas variables ya que crecerá el costo y tiempo para alimentarlo.
Ejemplo : Nombre de los fundos y dueños (muchos datos, muchas variables de entrada).
Ejemplo : Estado inicial en los simuladores ya mostrados.
En la realidad los atributos del sistema se mueven simultáneamente en el tiempo. En la
simulación se moverán secuencialmente. Será una decisión el orden que se les dé.
Se deberá determinar la unidad de tiempo para mover el sistema del estado presente al
estado período siguiente. Es también una decisión que se deberá tomar.
Pág. 10 / 20

Ejemplo: en un simulador de funcionamiento de un aserradero el tiempo podría avanzar

en minutos o quizás en segundos, pero no en horas ni días. En un simulador de
crecimiento de un bosque el tiempo razonablemente avanzará en años o bien en
estaciones o quizás en meses, pero no en días ni minutos.
¿Cómo se simula el tiempo? A través de incrementos discretos e iguales de tiempo: del
instante t al instante t+1. El tiempo real es diferente al tiempo simulado.
Se debe decidir también si el tiempo simulado se incrementará de manera fija, un minuto,
un día, un mes, o un año, o bien en incrementos de tiempo variable. Por ejemplo que el
tiempo avance según la ocurrencia de un evento.

Las variables
Representan elementos, componentes o subsistemas del sistema en consideración.

De entrada

variable De proceso: son el estado de las variables durante el tiempo de la

simulación

De salida

Deterministas: tienen comportamiento fijo, no probabilístico.

Volumen de un árbol en función del dap y altura.
variables Sueldos en función de las horas extras.

Estocásticas: tiene el comportamiento probabilístico N0 de crías

nacidas y que sobreviven al primer mes.

*) Es un error grave considerar como deterministas variables que son estocásticas, error
que, en tamaño, está en relación con el margen de variabilidad de la variable. Ejemplo.
La variable: "Tasa de mortalidad" de una determinada especie, tomarla fija, tomarla
aleatoria uniforme entre márgenes A y B, o tomarla aleatoria con distribución normal con
un promedio y desviación dado. El tamaño del error estará en relación directa con el
comportamiento real del sistema; por ello quien está diseñando un sistema debe
conocerlo bien para tomar acertadas decisiones.
endógenas : representan componentes del sistema
variables
exógenas : representan componentes del entorno del sistema

Variables de estado: Caracterizan el estado o condición en que se encuentra el modelo del

sistema en un punto del tiempo simulado.
Pág. 11 / 20

- Las variables deben ser tales que sea fácil darle los datos, y con datos en cantidad
adecuada y costo adecuado a las restricciones que se tenga.
Ejemplo: Simular el crecimiento del bosque dándole información de cada uno de los
individuos que lo forman, (parece una cantidad exagerada de datos).
- Las variables de entrada deben permitir un rango amplio de control sobre el sistema, para
predecir las respuestas del modelo ante variedad de datos e inferir lo mas ampliamente
sobre el sistema real.
Ejemplo: La Variable de entrada "Pendiente del terreno" en un sistema de explotación de
plantaciones, considerar el caso con o sin pendiente solamente hace pobre el sistema.
- Las variables de entrada deben ser capaces de responder a múltiples alternativas que
determine el usuario.
Ejemplo: Simular crecimiento de plantaciones, sin considerar raleos, podas, y o
intervenciones, de poco serviría.
Las variables de entrada deben ser lo menos posibles, pero en cantidad suficiente para
permitir todas las variables de salida.
El modelo debe ser tal que sea fácil de alimentarlo con los datos de entrada, y debe ser
fácil comunicarse con él, debe ser amigable en todas las etapas de su uso.
El modelo no debe dar respuestas absurdas en el rango que el analista determinó. No
debe dar respuestas que van contra lo que es observable en el sistema real, o contra lo ya
universalmente aceptado como verdadero en el sistema.
Ejemplo: Simulador de crecimiento de Pinus Radiata, en 8ª Región, edad 10-15 años y
entrega un volumen final menor, sin raleo que con raleo. (Esto iría contra lo observado y
que se acepta como cierto).

Ejemplo de simulador; De un juego.

Se considera el juego de lanzar una moneda legal repetidas veces hasta que la diferencia
entre el número de caras y número de sellos que hayan salido sea 3.
Se paga $1 cada vez que lanza la moneda, y se reciben $8 al final de cada juego, cuando
logra la diferencia de 3. No se puede abandonar el juego cuando ya comenzó.
Por ello, se gana dinero si el número necesario de lanzamientos es menor que 8, pero se
pierde si se tiene que lanzar la moneda más de 8 veces.
¿Cómo se podría decidir si conviene o no participar en el juego?

Desarrollo
Solución 1: Una resolución analítica, matemática, que no es obvia.
Solución 2: Pasar 1 hora, o más, lanzando la moneda y anotando los resultados y ver las
ganancias o perdidas que se van produciendo. Solución empírica, no segura.
Solución 3: Construir y usar un simulador en el computador.
Sigamos el camino de la solución 3, y primero usemos la generación de dígitos al azar
para obtener el resultado de juegos y entender el funcionamiento de este sistema "juego".
Pág. 12 / 20

Convención: Los dígitos 0, 1, 2, 3, 4 corresponderán a cara ( C ).

Los dígitos 5, 6, 7, 8, 9 corresponderán a sello ( S ).

Así el computador puede simular el lanzamiento de la moneda. (Modelo analógico de lanzar

una moneda y que puede caer cara o sello).

Tomemos la siguiente secuencia de dígitos aleatorios:

8, 1, 3, 7, 2, 7, 1, 6, 5, 5, 7, / 9, 0, 0, 3, 4, /
3, 5, 6, 8, 5, / 8, 9, 4, 8, 0, 4, 8, 6, 5, / 3, 5, 9, 2, 5, 7, 9, /
7, 2, 9, 3, 9, 8, 5, 8, 9, 2, 5, 7, 6, 9, 7, 6, 0, 7, 3, 9, 8,
2, 7, 1, 0, 3, 2, 6, 2, 7, 1, 3, 7, 0, 4, 4, 1, 8, 3, 2, 1, 3,
9, 5, 9, 0, 5, 0, 3, 8, 7, 8, 9, 5, 4, 0, 8, 3, 8, 0, 1,...
Número del Juego. El juego Número de lanzamientos.
El Primero: SCCSCSCSSSS Fueron necesarios: 11
El Segundo: SCCCC Fueron necesarios: 05
El Tercero: CSSSS Fueron necesarios: 05
El Cuarto: SSCSCCSSS Fueron necesarios: 09
....... ......... .............
El número de lanzamiento necesarios en los sucesivos juegos, partiendo del primero y hasta
el juego 14, son los siguientes: 11, 5, 5, 9, 7, 7, 5, 3, 17, 5, 5, 3, 9 y 7 lanzamientos.
El tamaño de la muestra es: 14
Promedio de la muestra: ( 11 + 5+ 5 + 9 + 7 + 7 + 5 + 3 + 17 + 5 + 5 + 3 + 9 + 7) / 14 = 7
Este promedio de 7 lanzamientos por jugada, es una estimación de la media poblacional
verdadera de la distribución de probabilidad teórica. Este resultado lleva a pensar que, parece
que, en promedio se ganaría $1 en cada jugada. Por lo tanto: " Parece conveniente jugar".
Pero, ..... Cuidado!!. Uno de los errores más comunes en el uso de la simulación es que las
conclusiones se basan en muestras muy pequeñas, porque se hizo un análisis estadístico
inadecuado, o porque se carece de ese análisis por completo.
En este caso, la varianza y la desviación estándar son:
N
(xi - x )2 =
s2 = i=1 = 16 + 4+4+4+0+0+4+16+100+4+4+16+4+0 = 176 = 13.538
N-1 14 - 1 13
x = sigma x = s = 13.538 = 3.679. Por lo que la desviación estándar de la muestra es
3,679 de manera que la desviación estándar estimada del promedio de la muestra es:
3,679/ 14= 0,983
(En este caso, la desviación xi - x = 36 = 2.571
media, de la muestra es: ) N 14
Por ello, aún cuando se suponga que la distribución de probabilidad del número de
lanzamiento requeridos en una jugada es una distribución normal (que es una suposición, ya
Pág. 13 / 20

que la distribución real es sesgada), cualquier intervalo de confianza razonable para la media
verdadera de esta distribución va mas allá del 8.
Así, antes de concluir, se requiere un tamaño de muestra más grande. (Unas 100 jugadas más
porque la desviación estándar es dividida por la raíz cuadrada del tamaño de la muestra).
Recordemos que en la distribución normal, el área que se tiene abarcada, la probabilidad de
ocurrencia, tomando 1, 2 o 3 sigmas en torno al promedio es:
1 sigma 68,34%. Hay un 68,3% de probabilidad de que un valor de
2 sigma 95,44% la variable tomado al azar esté en el intervalo
3 sigma 99, % (prom - 1 sigma , promedio + 1 sigma).
En este caso, ocurre que la media verdadera de la variable "Número de lanzamientos que se
requieren en una jugada", es 9 (conocida por otros medios). Así, a la larga, de hecho se
perdería $1 cada vez que se participa en el juego.
El diagrama de flujo siguiente es un modelo del comportamiento de este sistema "juego", y
se ha dejado con la explicación de las variables que en éste aparecen.
El programa escrito en Basic es el que se obtiene de "traducir" o llevar ese diagrama de flujo
a ese lenguaje; y ese programa es entonces el que implementan este simulador; el programa
fuente se indica a continuación.

K : Es el número de juegos a simular.

NJ : s el número de jugadas que ya van.
NC : Número de caras que han salido.
NS : Número de sellos que ya han salido.
Ntiradas : Número de tiradas que ya ha
efectuado.
T = Núm. aleatorio uniformemente
distribuido de 0 a 1
Pago : Lo que ha debido pagar en el juego
Gano : Lo que ha ganado hasta ese
momento en el juego.
Pág. 14 / 20

cls : Rem --- Programa en TURBO BASIC. Juego de azar --------

10 Input "Ingrese el Num de juegos a simular", K
If K<5 or k>100000 then ?"Debe estar de 5 a cien mil": goto 10
20 NC=0 : NS=0 : Ntiradas=0
30 T=rnd : ntiradas=ntiradas+1
if t<0.5 then NC=NC+1 else NS = NS + 1
if abs(NC-NS)<3 then goto 30
Njuego=njuego+1
?"Juego Num="; njuego;"); Num de tiradas=";ntiradas
Pago=Pago + ntiradas : gano =gano +8
if njuego<K then goto 20
?"Gano=";Gano:?"Pagados=";pago:?"Dif.=";gano-pago : end

Corridas: A) Se corrió el programa con K= 25 y se obtuvo:

Gano= 200 Pagados= 229 Dif.= - 29
y los números de Tiradas para los 25 juegos fueron los siguientes:
1)5 2)5 3)7 4)7 5)13 6)15 7)11 8)11 9)3 10)7
11)3 12)39 13)9 14)5 15)5 16)9 17)5 18)13 19)11 20)3
21)5 22)13 23)3 24)13 25)9

B) Se corrió con K, valores cada vez mayores, y la salida fue la siguiente:

K Ganó= Pagó= Diferencia=

10 80 82 -2
100 800 906 -106
1.000 8.000 9.054 -1.054
10.000 80.000 90.780 -90.780
100.000 800.000 899.988 -99.988

Conclusión: Se concluye que NO CONVIENE JUGAR, y que en promedio perderá $1 por

cada juego que realice. Esto corrobora lo dicho antes, de que el promedio de tiradas es: 9.
Pág. 15 / 20

Las relaciones funcionales

Son las que describen el comportamiento de las variables consideradas durante el tiempo de
simulación.
var = f ( var1 , var2, .......... )
Determinísticas : en ellas el valor que asume la variable queda
completamente definido por las variables independientes.
Relaciones
Funcional
Estocásticas : El valor que asume la variable queda determinado por
eventos sobre los cuales no se tiene control.
Ejemplo: El uso de una función de ahusamiento en un simulador de crecimiento del bosque,
que da el diámetro a diferentes alturas, con los parámetros dados fijos p,q,r, s, t, u.

ep qx
; 0 x

y (x) r sx ; x

t+ ux ; x 1

Ejemplo: Vol = 1/3 Ab*H Con Ab el área basal, y H la altura.

Ejemplo: Número de crías nacidas que viven, en función del Número de hembras y de las
edades de éstas.
N = i Ni * R , Ni = Número de crías de la hembra i según su edad.
R = número al azar entre 0, 1

Ejemplo: Número de cajeros necesarios según la demanda de atención que se tenga.

En cada caso, si hay una la variable aleatoria probabilística, entonces la relación funcional es
también probabilística o estocástica. Se establecerá probabilidades para las variables, según
decisión, por intervalos de largo fijo o variable, o se usa una función de distribución de
probabilidades conocida, y luego se aplica la relación funcional. Puede ocurrir también que
todas las variables sean determinísticas y se considera un margen aleatorio para el resultado
de la relación funcional, en ese caso tiene la forma: var = f(var1, var2, ....) + k*aleatorio

Es una gran pérdida para el modelo del sistema, el tomar como determinista una relación que
es estocástica. La pérdida será en relación con el margen en que varía.

Ejemplo: Establecer cuántas personas (o camiones) llegan antes de las 9:00, entre 9:00 y
9:30, etc.

Ejemplo: Número de nacidos hembras es: entre 49% y 51% o entre 35% y 70%.
Pág. 16 / 20

Estáticas (de transformación) Permiten estudiar los valores que

asume una variable pero no la forma en que ella
cambia en el tiempo.
Relación
Funcional
Dinámicas (de transición) Describen procesos del sistema. El
comportamiento de variables en el transcurso del
tiempo.
Ejemplo: El diámetro a diversas alturas dado por una función de ahusamiento, para una
altura total H dada. (Es Estática)

Ejemplo: Una función que permite estimar el aumento en altura de un árbol, de un período a
otro. (Es Dinámica).

Las relaciones funcionales estáticas generan el valor de la variable dependiente en forma

determinista o estocástica. Generan el valor de la variable dependiente en función del tiempo
simulado.

Ejemplo: Una Función de ahusamiento es estática, aún cuando puede cambiar sus parámetros
de un período a otro. Si no cambiaran algunos parámetros, el diámetro sería el mismo en
todos los períodos.

Las relaciones funcionales dinámicas son aquellas que describen el comportamiento de la

variable dependiente en todo el tiempo simulado.

Ejemplo: El volumen en un período siguiente al período t puede estar dado por:

Vt+1 = f ( dap t+1 , altura t+1 )
y puede tenerse dap t+1 = f (dap t , área basal , altura dominante)
altura t+1 = f (altura t , índice de sitio)
Que, luego de mover el dap y altura al período siguiente se obtiene el volumen V en
el período siguiente, t+1.
En este caso, el Dap t+1 y Altura t+1 son relaciones funcionales dinámicas o de
transición, y Vt+1 es una relación estática o de transformación. Es muy frecuente
que una relación estática dependa de relaciones funcionales dinámicas.

Repaso de la Etapa III y alcances finales.

Observación 0): En análisis de Sistemas, para el desarrollo de un SIA se tiene las etapas:
- Est. de factibilidad
- Diseño lógico
- Diseño físico
- Construcción
- Implementación
Pág. 17 / 20

- Operación
- Mantención

y tiene algunas coincidencias con las etapas del desarrollo de un simulador de

un sistema:
Est. de factibilidad Identificación del problema
Definición del sistema
Diseño lógico
Formulación del Modelo
Diseño físico: Preparación de datos, construcción del modelo, validación.

Observación: 1) Cuando se comienza el proceso de desarrollo de un modelo, se pensará en

construir su estructura por medio de bloques que lo conformaran. Se
puede entender esta estructura como:
E = f ( xi , yj )
donde E es el efecto de la realización del Sistema, es decir, E es el efecto de
que el sistema funcione.

xi Son las variables y parámetros que podemos controlar.

yj Son las variables y parámetros que no podemos controlar.
f es la relación entre xi e yj lo cual da como resultado el efecto E.

Esta simplificación muestra la realización del sistema como afectada por variables bajo
control y otras que no están bajo nuestro control.

Las etapas son entonces:

1. Identificación del problema.

2. La definición del sistema, en que se establecen las variables xi , yj
3. Formulación del modelo, en que se establece la o las funciones que representa f.

Los modelos de simulación consisten de alguna combinación de los siguientes ingredientes: -

Componentes -Variables -Parámetros -Relaciones funcionales -Restricciones y Funciones
criterio.

Componentes: Son las partes constituyentes que cuando se toman juntas hacen el sistema.
También se entienden como los elementos o los subsistemas.

Ejemplo: Modelo de un vehículo. Se distinguen los componentes: Sistema de encendido -

Sistema distribución de combustible - Sistema de transmisión, etc.

Parámetros: Son cantidades a las cuales el operador del modelo puede asignar valores
arbitrarios. Son constantes, y no cambian durante la simulación.
Pág. 18 / 20

P (x) = e - ( x / x! ) es parámetro
x es variable
e es constante
Es una distribución Poisson.

Variables: Son las que representan elementos, componentes o subsistemas del sistema real en
consideración.

Variables exógenas: Representan componentes del entorno del sistema. Son variables
llamadas variables de entrada del sistema o de entrada del modelo.
Son variables originadas o producidas fuera del sistema o resultado de
causas externas.

Variables endógenas: Representan componentes del sistema. Son producidas dentro del
sistema o resultan de causas internas. Son variables llamadas variables
de estado, porque indican estado o condición del sistema en alguna de
sus componentes o subsistemas. Son también llamadas variables de
salida, cuando ellas dejan el sistema.

A veces se llama variables independientes a las variables exógenas, y variables dependientes

a las variables endógenas.

Relación funcional: Describe o muestra variables y parámetros en su comportamiento dentro

de una componente, o entre componentes del sistema.

Relación funcional Determinística: Son identidades o definiciones que relacionan ciertas

variables o parámetros, donde una salida del proceso es única para una entrada dada.

Relación funcional Estocástica: Si la salida es incierta para un input dado fijado.

Ambos tipos de relaciones funcionales usualmente toman la forma de una ecuación

matemática relacionando las variables endógenas o de estado a las variables exógenas.
Frecuentemente esas relaciones pueden ser planteadas o inferidas luego de efectuarse un
análisis matemático y/o estadístico.

Restricciones: Son limitaciones impuestas en el valor de las variables o en la manera como

los recursos pueden ser ubicados o distribuidos. Pueden ser autoimpuestas por el diseñador o
impuestas por el sistema natural.

Ejemplo: Establecer mínimo y máximo nivel de empleo en un simulador de un sistema de

manejo económico de bienes. En un vehículo que se simula, establecer peso mínimo y/o
establecer un peso máximo.

En general no se puede diseñar un modelo que viole las leyes naturales del sistema.

Función: (función medida del desempeño)

Pág. 19 / 20

Es una afirmación explícita de los objetivos o metas que se quiere para el simulador del
sistema y cómo ellos serán evaluados.

Objetivo retentivo: Trata de la mantención o preservación ya sea de

recursos (tiempo, energía, destrezas, etc.) o de
estados (confort, seguridad, nivel de empleo, etc.)

Objetivos
Objetivo adquisitivo: Se refiere a la adquisición de nuevos recursos
(provechos, ganancias, personal, clientes, etc.) o del logro de
otro estado (participación en el mercado, lograr provisiones,
etc.), que la organización o los directivos buscan.

La afirmación que establece criterios para medir el logro de objetivos no debe ser ambigua, y
debe establecer claramente metas y objetivos contra los cuales las decisiones o los
comportamientos se medirán.
Hay objetivos o metas para el estudio en el cual se inserta el simulador, y por ello hay
también medidas de desempeño para dicho estudio; lo mismo vale para el simulador en el
sentido de que existen objetivos y medidas de desempeño para el simulador.
El establecer claramente esta medida de desempeño, tanto para el estudio como para el
simulador, es importante por dos razones:
- Tiene una alta influencia en el diseño y manipulación del modelo.
- Una afirmación errónea del criterio de desempeño conduce a conclusiones equivocadas.

La función criterio (función medida del desempeño) se considera habitualmente como parte
del modelo, y la manipulación del modelo se hace atento a optimizar o satisfacer el criterio
establecido.
Se debe equilibrar las medidas de desempeño exigidas al simulador con las simplificaciones
que se fue haciendo del sistema real para arribar a la formulación del modelo que se tiene.
(No exigir más de lo que se dio; y exigir lo que el usuario del simulador estima como
mínimo)
Alcance: Modelar es un arte que consiste en la posibilidad y habilidad de analizar un
problema, abstraerlo en sus hechos esenciales, seleccionar y modificar supuestos básicos que
caracterizan el sistema, y así elaborar y enriquecer el modelo hasta una aproximación exitosa
(feliz) a los resultados.

Se sugiere como guía los siguientes siete pasos:

1. Desglosar (factorizar) el sistema problema en problemas simples.

2. Establecer una afirmación clara de los objetivos del estudio y del simulador.
3. Buscar analogías con el sistema en estudio.
4. Considerar una instancia específica del problema. (Un ejemplo numérico, quizás).
Pág. 20 / 20

5. Establecer algunos símbolos.

6. Escribir hacia abajo lo obvio (Secuenciar los módulos. Luego desglosar los módulos)
7. Si se obtiene un modelo aceptable, enriquecerlo o bien simplificarlo por otro lado.

Para simplificar, en general, se puede hacer del siguiente modo, donde enriquecerlo implica
justamente lo contrario:
- Transformar variables a constantes.
- Eliminar variables o combinarlas en otra.
- Asumir que hay linealidad donde no la hay.
- Agregar supuestos mayores y/o agregar restricciones.
- Restringir las fronteras del sistema.

La evolución natural del modelo construido para el sistema es inevitable, y más aún es
deseable.
La bondad del modelo se mide en términos del mayor a menor realismo que entregue
respecto del sistema real, es decir, modelar no es resolver ni es logrado, como en los
problemas matemáticos habituales.
Recordar que nadie resuelve el problema tal como lo encontró o como esta en la realidad,
mas bien todos resuelven en aquel modelo que han construido para el problema que tienen.

Criterios para un buen modelo. Cualquier buen modelo de simulación:

1. Debe ser fácil de entender por el usuario.

2. Debe tener Metas y propósitos claros y declarados.
3. Debe ser seguro y confiable, es decir no dé respuestas absurdas.
4. Debe ser robusto, es decir que no se caiga cuando el usuario lo use.
5. Fácil de usar, controlar y manipular, es decir, debe ser fácil comunicarse con él.
6. Completo en la salida, en todos los aspectos importantes.
7. Adaptativo, con un procedimiento modificar el modelo para dejarlo funcionando de
nuevo. Modificar parámetros, por ejemplo.
8. Evolutivo, que partiendo de una forma simple pueda llegar a ser mas completo (más
complejo) en la interacción con el usuario.