Académique Documents
Professionnel Documents
Culture Documents
CONCEPTOS INICIALES:
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.
Todos los sistemas tienen subsistemas, y a la vez son subsistemas de otro sistema más
grande, excepto el universo.
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.
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.
S i m u l a c i ó n.
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.
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.
- Matemáticos:
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.
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.
Usa NO
PARE
simulación
SI
3
NO FELIZ
9
FELIZ
10
EXPLOTACIÓN
Pág. 7 / 20
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.
PARE
Pág. 9 / 20
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 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
Las variables
Representan elementos, componentes o subsistemas del sistema en consideración.
De entrada
De salida
*) 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
- 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).
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
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.
ep qx
; 0 x
y (x) r sx ; x
t+ ux ; x 1
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
Ejemplo: Una función que permite estimar el aumento en altura de un árbol, de un período a
otro. (Es Dinámica).
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.
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
Esta simplificación muestra la realización del sistema como afectada por variables bajo
control y otras que no están bajo nuestro control.
Componentes: Son las partes constituyentes que cuando se toman juntas hacen el sistema.
También se entienden como los elementos o los subsistemas.
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.
En general no se puede diseñar un modelo que viole las leyes naturales del sistema.
Es una afirmación explícita de los objetivos o metas que se quiere para el simulador del
sistema y cómo ellos serán evaluados.
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.
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.