Modulo Simulacion Unad

Curso de Simulacin
SIMULACIN
CARLOS ANDRES RUIZ ROMERO

Ingeniero de sistemas
Especialista en Telemtica
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

CEAD - ACACIAS, 2007
Ing. Carlos Andres Ruiz Romero
Curso de Simulacin
CONTENIDO TEMTICO
UNIDAD I
CAPITULO 1:
INTRODUCCIN Y CONCEPTOS FUNDAMENTALES
Leccin 1 Sistemas parte I

o Sistemas complejos
o Comunicacin e informacin en los sistemas
o Estructura SAO y observatorio de un sistema
Leccin 2 Sistemas parte II

o Representacin grfica para sistemas complejos
o Representacin matemtica para sistemas
Leccin 3 Conceptos Elementales de Sistemas

o Enfoque de sistemas
o Conceptos de sistemas
o Propiedades
o
Jerarqua de sistemas
Leccin 4 Introduccin a la simulacin

o Definiciones de simulacin
o Ventajas y Desventajas
o Metodologa
o Riesgos o Problemas
o reas de aplicacin
Leccin 5 Modelado de sistemas

o Introduccin
o Definicin de modelo
o Estructura de los modelos de simulacin
o Las condiciones de los modelos
o Caractersticas de un modelo de simulacin
o Clasificacin de los modelos
o Criterios para realizar un buen modelo
o Riesgos de la elaboracin de modelos
Curso de Simulacin
CAPITULO 2:
SIMULACIN DETERMINISTA Y ALEATORIA
Leccin 6 Simulacin aleatoria discreta
Leccin 7
Generacin de nmeros pseudoaleatorios

Introduccin
Generadores Congruenciales Lineales
(Mixto, Multiplicativo)
Leccin 8 Generadores Congruenciales lineales
Leccin 9 Pruebas Estadisticas para Nmeros Pseudoaleatorios
Leccin 10 Simulacin Discreta
CAPITULO 3:
SIMULACIN EN HOJAS DE CLCULO Y LENGUAJES

DE SIMULACION
Leccin 11
Simulacin en Hojas de Clculo
Leccin 12
Lenguajes de Simulacin
Leccin 13
Introduccin a GPSS
Leccin 14
Ejemplos de Lenguajes de
Simulacin
UNIDAD II
CAPITULO 4:
LNEAS DE ESPERA Y DINAMICA DE SISTEMAS
Leccin 15 Introduccin a las Lneas De Espera

o Lneas De Espera Y Teora De Formacin De Colas
o Estructura De Una Lnea De Espera.
o Clasificacin De Kendall, Lee Y Taha
o Glosario De Trminos Generales
o Clasificacin de las lneas de espera
o Ejemplos
o Conclusiones
Leccin 16 Lneas De Espera y Teoria de formacin de colas
o Generalidades
Curso de Simulacin
Clasificacin de las Lneas De Espera
Leccin 17
o Conceptos bsicos
Leccin 18 Transporte
o Enfoques de para modelar flujo de trfico vehicular
o Conceptos a considerar
o Modelos de asignacin de equilibrio.
o Aplicacin Dynameq
o Caractersticas de Dynameq
o Datos de entrada Dynameq
o Diagrama de flujo
o Salidas Dynameq
o Manual de usuario Dynameq
Modelos a de Asignacin de equilibrio
Leccin 19
CAPITULO 5: DINAMICA DE SISTEMAS Y TEORIA DE INVENTARIOS

Conceptos bsicos
Leccin 20
Leccin 21
Historia de Dinmica de Sistemas
Leccin 22
Diagramas Causales o Influencia
Leccin 23
Diagramas de Forrester
Leccin 24
Sistemas
Metodologia para construccin de un modelo Dinmico de
CAPITULO 6:
TEORIA DE INVENTARIOS
Leccin 25
Clasificacin de los modelos de Inventarios
Leccin 26
CComponentes de los modelos de Inventarios
Leccin 27
Modelo Determinstico
Leccin 28
Modelos Estocasticos
Leccin 29
Polticas de gestin
o
Aplicacin
Conclusiones
Curso de Simulacin
UNIDAD III
CAPITULO 7:
SISTEMAS BASADOS EN AGENTES
Leccin 30
Dimensiones de los agentes
Leccin 31
Arquitectura de sistemas de agentes
o Ejemplos
o Dimensiones de los agentes
Leccin 32
Agentes Software
Leccin 33
Sistemas Multiagente
Leccin 34
Automtas Celulares
o Utilidad
o Caractersticas
o Tipos de autmatas celulares
CAPITULO 8:
INTRODUCCION A LOS SISTEMAS BASADOS EN EL

CONOCIMIENTO
Leccin 35 Modulos basicos de Representacin del Conocimiento
Leccin 36
Lenguajes para la representacin del conocimiento
Leccin 37
Eficiencia en Sistemas de Reconocimientote patrones
Leccin 38
Arboles de Decisin
Leccin 39
Representacion de Conocimientos
CAPITULO 9:
MICROMUNDOS
Leccin 40 Introduccion, Definicin y elementos
Leccin 41 Sistemas Complejos, Agentes y Algoritmos

Bioinspirados
Leccin 42 Intiligencia de Enjambres
Leccin 43 Colonias de Hormigas, Modelo Real, Modelo Virtual
Curso de Simulacin
CAPITULO 1:
INTRODUCCIN
Curso de Simulacin
Leccin 1
Sistemas parte I
1. SISTEMAS MODELOS Y SIMULACIN

1.1 INTRODUCCIN
El proceso de comunicacin en un sistema es ms complejo de lo que a simple
vista parece. Ello conlleva, a un flujo de datos, informacin y conocimiento,
analogas con lo que sucede en algunos sistemas naturales (como el ser
humano), simulando la actividad de un mdico, diagnosticar el estado de salud
del objeto de estudio.
1.2 SISTEMAS COMPLEJOS
1.2.1 Concepto de sistema
Se entiende por sistema a una estructura funcional que se caracteriza por que
tiene un conjunto de entidades y diversas propiedades que determinan las
relaciones atemporales bien sean estocsticas, determinsticas y/o difusas a un
nivel de resolucin dado.
Relaciones atemporales son vnculos entre entidades sin tener en cuenta la
variable tiempo el nivel de resolucin es la determinacin de los conjuntos, de
los valores de todas las cantidades junto con una coleccin de aquellos
instantes en el tiempo, en los cuales deseamos obtener los valores Cuando
tales conjuntos son difusos se requiere establecer su funcin de pertenencia
cuando son estocsticos es necesario determinar las funciones de probabilidad
que lo rigen.
La Figura 1 ilustra grficamente la nocin de sistema:
Curso de Simulacin
Por notacin,
Sistema
con
seales de entrada y
seales de salida.
Para el anlisis de cualquier sistema, se recurre a los siguientes conceptos:

Conceptos
Seales de Entrada
Actividad
Seales de Salida
Coordinacin
RetroInformacin
Estructura
1.2.2 Caractersticas de los sistemas
Concepto
Homestasis
Diferenciacin
Inercia
Dinamismo
Dialctica
[3]
Teleolgica
Entropa
Cada sistema posee sus caractersticas particulares.
Curso de Simulacin
1.2.3 Estructura de un sistema

La estructura
estructura
y la estructura
y se escribe:
. La
(universo del discurso del sistema) corresponde a las entidades
y sus relaciones la estructura
corresponde a los posibles estados y
transiciones en el sistema.
Un sistema debe hacerse or, comprender y diferenciar.
Los sistemas, emiten mensajes, los cuales deben coordinarse para lograr
efectividad a nivel semntico, sintctico y pragmtico.
1.3 ESTRUCTURA SAO Y OBSERVATORIO DE UN SISTEMA
Un sistema nunca estar aislado (en principio) siempre deber estar inmerso
en un ambiente o contexto (usualmente dinmico e imprevisible).
Adicionalmente, no suena mal la idea de considerar un tercer componente en
esta interaccin. Un componente que vigile que sea observador del sistema en
estudio actuando en el contexto determinado y que diagnostique e influya sobre
el quehacer de la estructura funcional en estudio.
La Figura 2, estructura Sistema Ambiente Observatorio (SAO)
Curso de Simulacin
Propone y realiza una serie de mtricas, mide el sistema de una forma genrica
y determina, su estado. Las principales labores a cargo de este subsistema
son:
Monitoreo del sistema
Soporte a la toma de de decisiones
Determinacin de caractersticas del sistema
Se busca es el descubrimiento de leyes generales que gobiernan la actividad
del sistema.
Leccin 2
o
Sistemas parte II
Representacin grfica para sistemas complejos
El lenguaje grfico que se presenta a continuacin es una adaptacin de las

Tcnicas de Anlisis y Diseo Estructurado SADT .El lenguaje SADT se
conoce como lenguaje de anlisis estructurado (SA).
El mtodo SADT est formado por un conjunto ordenado de diagramas SA.
Tipos bsicos de diagramas SA .
Actigrama
Datagrama
ACTIGRAMA: Diagrama de actividades
Los nodos denotan actividades y los arcos especifican flujos de datos.
Curso de Simulacin
La Figura 3 muestra el formato de los nodos del actigrama.
Entradas controles mecanismos salidas La intensidad del color de la flecha

representa la importancia relativa con respecto a las dems flechas el estilo de
la lnea representa el carcter estocstico, difuso o determinstico de acuerdo a
si son punteadas, lnea punto o continuas respectivamente.
DATAGRAMA: Diagramas de datos

Especifican datos en los nodos y actividades en los arcos. Los diagramas de
datos y de actividades son duales. son importantes (1) Para indicar todas las
actividades afectadas por un dato y (2) para verificar la integridad y
consistencia de un modelo SADT.
Curso de Simulacin
La Figura 4 muestra el formato caracterstico de un nodo de diagrama de

datos.
Las entradas y salidas son actividades mientras que los rectngulos denotan
los datos o informacin.
Cuatro tipos distintos de arcos. El lado izquierdo del nodo son entradas, Los
arcos que entran por la parte superior son de control los que entran por la parte
inferior especifican mecanismos o procesadores que llevan a cabo la actividad.
Las salidas proporcionan entrada y controles para otros nodos
Caractersticas estructurales en los datagramas.
Observando la Figura 5 ,
es la entrada externa al diagrama y
control externo, la salida de la actividad

actividades
paralelo, la salida
. Las actividades
controla a la actividad
es un
es una entrada para las

y
pueden llevarse a cabo en

, por lo cual debe esperar, la
Curso de Simulacin
salida de la actividad
diagrama son
retroalimenta como control a
. Los mecanismos se indican por
, las salidas del

hasta
Figura 5: Representacin tpica de un sistema mediante Actigramas
Leccin 3
Conceptos Elementales de Sistemas
Enfoque de sistemas
Conceptos de sistemas
Propiedades
Enfoque de sistemas:
La aparicin del Enfoque de sistemas, nace con la manifestacin de la ciencia
en resolver problemas complejos establecidos por el mundo teniendo en cuenta
el inters de un trabajo interdisciplinario, las analogas y funcionamiento de las
ciencias biolgicas; es una forma de pensar en la confrontacin de la
problemtica buscando visualizar y considerar todos los elementos que
intervienen en un problema., buscando no ser reduccionistas.
Curso de Simulacin
Conceptos de sistemas:
Definimos: un sistema como un conjunto interconectado de elementos cuya
estructura determina todas las modalidades del comportamiento dinmico.
El comportamiento se refiere a los valores de las variables de sistemas a lo
largo del tiempo. La estructura se puede describir como el numero,
disposicin, polaridad y orden de los bucles de retroalimentacin en el modelo
del sistema [1].
Sistemas: un conjunto de partes coordinadas para alcanzar ciertos objetivos, y
que entendemos por
partes coordinadas , especficamente el objetivo es
definir cuidadosamente y en detalle cual es el sistema total, el medio en que se

encuentra, sus objetivos, sus partes y cmo estas partes apoyan el logro de
esos objetivos. [2].
Sistemas: Es 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.
Sistema: Es una estructura dinmica de personas, objetos y procedimientos
organizados para el propsito de lograr ciertas funciones. [3].
Sistemas es definido como una coleccin de elementos que continuamente
interactan sobre el tiempo para formar un todo unificado. El modelo
fundamental de interaccin entre los elementos de un sistema es llamado la
estructura del sistema.
Curso de Simulacin
Propiedades:
COMPONENTES:
Son las partes de un conjunto que forman el sistema
VARIABLES:
Pueden ser de dos tipos (Exgenos, Endgenos)
- Exgenas: son del entorno en trminos de matemtica (X), el sistema no
puede cambiar mucho por cambiar su comportamiento tambin llamadas de
entrada o entorno.
- Endgenas: son producto del sistema tambin llamadas matemticamente
las (Y), las independientes tambin llamadas variables de decisin.
- Estado: representan el estado de uno o varios componentes del sistema en el
tiempo, sirven para determinar las relaciones funcionales.
- Salida: Son aquellas variables que resultan del sistema
Estadsticamente a las variables exgenas se las denomina como variables
independientes
PARAMETROS: identifican diferentes variaciones del problema, esto
con ayuda de un equipo interdisciplinario.
Los parmetros una vez establecidos se convierten en constantes.
RELACIONES FUNCIONALES: deben explicar cmo se producen la
dinmica del sistema la explicacin debe ser matemtica.
Las relaciones funcionales pueden ser de tipo determinsticos o estocsticos.
- Determinsticas: Sus definiciones que relacionan ciertas variables o
parmetros donde una salida del proceso es singularmente determinada por
una estrada dada.
Curso de Simulacin
- Estocsticas: Cuando el proceso tiene una salida indefinida, para una entrada
determinada las relaciones funcionales se representan por ecuaciones
matemticas y salen del anlisis estadstico matemtico.
RESTRICCIONES:
Estas son limitaciones impuestas a valores de las variables las cuales pueden
ser de dos formas:
- Autoimpuestas: O sea asignadas por el mismo operador o
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.
Frontera.
La frontera de un sistema representa el lmite de accin en donde tiene
autoridad la persona que toma decisiones en ese sistema. La frontera
delimita lo que es y lo que no es el sistema.
Ambiente.
El ambiente de un sistema es todo lo est situado fuera de su frontera.
Sistema parcial
Un sistema parcial es una visin del sistema en la cual parte de las
relaciones, aquellas que no son relevantes al aspecto del sistema que se est
estudiando, son eliminadas.
Curso de Simulacin
Leccin 4
Introduccin a la simulacin
Definiciones de simulacin
Ventajas y Desventajas
Metodologa
Riesgos o Problemas
reas de aplicacin
Introduccin a la simulacin
Aunque la construccin de modelos arranca desde el renacimiento, el uso de
moderno de la palabra simulacin data del 1940, cuando los cientficos Von
Neuman y Ulam que trabajaban en el proyecto de Monte Carlo, durante la
segunda Guerra Mundial resolvieron problemas de anlisis matemtico
demasiado complicado. Con la computadora y experimentos de simulacin,
surgieron incontables aplicaciones y con ello, una cantidad mayor de
problemas tericos y prcticos.
La simulacin es el desarrollo de un modelo lgico-matemtico de un sistema,
de tal forma que se obtiene una imitacin de la operacin de un proceso de la
vida real o de un sistema a travs del tiempo, La simulacin de sistemas
ofrece un mtodo para analizar el comportamiento de un sistema.
La elaboracin e implementacin de grandes proyectos de inversin requieren
estudios lgicos-matemticos complejos es por ello indispensable realizar
estudios preliminares para asegurar su conveniencia de acuerdo a su eficiencia
y ejecucin econmica para proyectos de cualquier tamao.
Definiciones de simulacin.
Algunas de las definiciones aceptadas y
difundidas de la palabra simulacin.

Por THOMAS H. NAYLOR la definen as:
Simulacin: es una tcnica numrica para conducir experimentos en una
computadora digital. Estos experimentos comprenden ciertos tipos de
Curso de Simulacin
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.
Por H. MAISEL Y G. GNUGNOLI, definen as:
Simulacin: Es una tcnica numrica para realizar experimentos en una
computadora digital, estos experimentos involucran ciertos tipos de modelos
matemticos y lgicos que describen el comportamiento de sistemas de
negocios, econmicos, sociales, biolgicos, fsicos o qumicos a travs de
largos periodos de tiempo.
Por ROBERT E. SHANNON definen as:
Simulacin: Es el proceso de disear y desarrollar un modelo computarizado
de un sistema o proceso y conducir experimentos con este modelo con el
propsito de entender el comportamiento
del sistemas o evaluar varias
estrategias con las cuales se puede operar el sistema.
Por H. MAISEL Y G. GNUGNOLI definen as:

simulacin es una tcnica numrica para realizar experimentos en una
computadora digital. estos experimentos involucran ciertos tipos de modelos
matemticos y lgicos que describen el comportamiento de sistemas de
negocios, econmicos, sociales, biolgicos, fsicos o qumicos a travs de
largos periodos de tiempo.
Ventajas y Desventajas.
Ventajas:
1. Es mucho ms sencillo comprender y visualizar los mtodos de
simulacin que los mtodos puramente analticos.
Curso de Simulacin
2. Una vez construido, el modelo puede ser modificado de manera rpido

con el fin de analizar diferentes polticas o escenarios.
3. Los mtodos analticos se desarrollan casi siempre, para sistemas
relativamente sencillos donde suele hacerse un gran nmero de
suposiciones o simplificaciones, mientras que con los modelos de
simulacin es posible analizar sistemas de mayor complejidad o con
mayor detalle.
4. Permite evaluar diferentes alternativas.
5. Permite experimentar sin interferir con el mundo real.
6. La tcnica de simulacin puede ser utilizada como un instrumento
pedaggico para ensear a estudiantes habilidades bsicas en el
anlisis estadstico, anlisis terico.
7. La simulacin de sistemas complejos puede ayudar a entender mejor la
operacin del sistema, a detectar las variables mas importantes que
interactan en el sistema y a entender mejor las interrelaciones entre
estas variables.
8. La tcnica de simulacin se puede utilizar tambin para entrenamiento
de personal.
9. La tcnica de simulacin puede experimentar con nuevas situaciones,
sobre las cuales se tiene poca informacin.
Desventajas:
1. Difcil de modelar y entender.
2. Los modelos de simulacin en una computadora son costosos y
requieren mucho tiempo para desarrollar y validarse.
3. Los modelos de simulacin no dan resultados ptimos.
4. La solucin de un modelo de simulacin puede dar al analista un falso
sentido de seguridad.
5. requieren largos periodos de desarrollo.
6. Un buen modelo de simulacin puede resultar bastante costoso; a
menudo el proceso es largo y complicado para desarrollar un modelo.
Curso de Simulacin
Metodologa:
Definicin del sistema: para determinar la definicin del problema, debe
realizarse un buen anlisis, por lo tanto debe tomar en cuenta la interaccin
con otros sistemas, determinar los limites o fronteras, las restricciones y los
mtodos a utilizar.
Formulacin del modelo: definir y construir un modelo, con variables que
forman parte de l, sus relaciones lgicas.
Coleccin de datos: Identificacin de los datos que el modelo requiere y
reduccin de estos a una forma adecuada.
Seleccin del lenguaje: seleccionar el lenguaje de simulacin, es importante
utilizar el lenguaje que mejor se adecu a las necesidades de simulacin que
se requieran. La seleccin puede ser desde usar un lenguaje general como lo
es BASIC, PASCAL o FORTRAN hasta hacer uso de un paquete
especficamente para simular sistemas de manufactura como el SIMFACTORY
o el PROMODEL, o lenguajes de Simulacin como: GPSS, SLAM, SIMAN,
SIMSCRIPT, etc.
Translacin del modelo. Consiste en generar las instrucciones o cdigo
computacional o necesario para lograr que el modelo pueda ser ejecutado en la
computadora.
Validacin: las formas mas comunes de validar un modelo son:
1. La opinin de los expertos sobre los resultados de la simulacin.
2. La exactitud con que se predicen datos histricos.
3. La exactitud en la prediccin del futuro.
4. La comprobacin de falla del modelo de simulacin al utilizar
datos que hacen fallar al sistema real.
5. la aceptacin y confianza en el modelo de la persona que har
uso de los resultados que arroje el experimento de simulacin.
Experimentacin: Corrida de la simulacin para generar los datos
deseados y efectuar anlisis de sensibilidad.
Interpretacin: Obtencin de inferencias con base en datos generados
por la simulacin.
Implantacin. Una vez seleccionada la mejor alternativa es importante
llevarla a la prctica, en muchas ocasiones este ltimo caso es el ms difcil
Curso de Simulacin
ya que se tiene que convencer a la alta direccin y al personal de las ventajas

de esta puesta en marcha. Al implantar hay que tener cuidado con las
diferencias que pueda haber con respecto a los resultados simulados, ya que
estos ltimos se obtienen, si bien de un modelo representativo, a partir de
una suposiciones.
Monitoreo y control: No hay que olvidar que los sistemas son dinmicos y
con el transcurso del tiempo es necesario modificar el modelo de simulacin,
ante los nuevos cambios del sistema real, con el fin de llevar a cabo
actualizaciones peridicas que permitan que el modelo siga siendo una
representacin del sistema.
Documentacin: dos tipos de documentacin son requeridos para hacer un
mejor modelo de simulacin; documentacin de tipo tcnica: es decir, la
documentacin que el departamento de datos debe tener del modelo, la
segunda se refiere al manual del usuario con el cual se facilita la interaccin y
el uso del modelo desarrollado.
Riesgos o Problemas:
Definir los lmites y nivel de detalles del sistema.
Subestimar el tiempo y costos involucrados en el proceso de modelacin.
Fallar en la seleccin del ms simple y econmico de los modelos para el
fin establecido.
Ausencia o prdida de metodologa estadstica.
Considerar como aproximados algunos atributos de un sistema que no
existe.
Entendimiento superficial del sistema a ser modelado.
Poca destreza para comunicarse con administradores y staff que
financiarn el proyecto.
reas de aplicacin: La Simulacin es una tcnica de gran aplicacin en
muchas reas debido a su gran utilizacin
algunos ejemplos de
las
aplicaciones son:
-
Ciencias bsicas.
Economa.
Curso de Simulacin
Social
Ingeniera
Industrial
Civil
Teora de la informacin
Teora grficos
Teora de de juegos
Teora de la decisin
Estados Financieros
Proyectos de inversin.
Ejemplos de usos de simulacin en las diferentes reas:

Existen muchas reas donde la simulacin puede ser explicada como las
siguientes:
Simulacin basada en colas: con esta tcnica es posible estudiar y analizar
sistemas de colas, cuya su representacin matemtica es bastante compleja.
Ejemplos de estos sistemas seria 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.
Simulacin de un sistema de inventarios: se pueden analizar sistemas de
inventarios se pueden analizar fcilmente sistemas donde sus parmetros
(tiempo de entrega, demanda, costo de llevar inventario, son estocstico.)
Simulacin de un proyecto de inversin: una gran cantidad de proyectos de
inversin genera o maneja una gran incertidumbre con respecto a los flujos de
efectivo que el proyecto genera a las tasas de inters, a las tasas de inflacin,
porcentaje de prdidas, de ganancias, para este tipo de situaciones el uso de la
simulacin es ampliamente recomendado.
Simulacin de sistemas econmicos: puede ser utilizado para evaluar el
efecto de cierto tipo de desiciones, devaluacin de la moneda, el impuesto al
Curso de Simulacin
valor agregado, en las dems variables macroeconmicas como: producto

nacional bruto, balanza comercial, inflacin, oferta monetaria, etc.
Simulacin de estados financieros: el uso de esta tcnica permite analizar
cuales estrategias de crecimiento son las que llevaran a la organizacin al
logro de sus objetivos y metas de corto, mediano y largo plazos.
Leccin 5
Modelado de sistemas
Introduccin
Definicin de modelo
Estructura de los modelos de simulacin
Las condiciones de los modelos
Caractersticas de un modelo de simulacin
Clasificacin de los modelos
Criterios para realizar un buen modelo
Riesgos de la elaboracin de modelos
Introduccin:
Desde el surgimiento mismo de la computacin y a lo largo de toda su
evolucin se ha intentado modelar o simular el pensamiento humano y los
procesos que ocurren en l. En los inicios solo se trataba de representar en las
computadoras el pensamiento estructurado, los algoritmos de clculos que
podan definirse claramente como un conjunto de pasos que podan ser
interpretados por las mquinas y de cierta forma sustituir o contribuir a elevar la
eficiencia del ser humano en este tipo de actividades. Con el tiempo se fueron
introduciendo tcnicas de inteligencia artificial mucho ms ambiciosas, los
robots empleados en diferentes esferas de la vida econmica y social son una
muestra de ello.
La modelacin de sistemas es una metodologa aplicada y experimental que
pretende:
1. Describir el comportamiento de sistemas.
2. Hiptesis que expliquen el comportamiento de situaciones problemtica.
Curso de Simulacin
3. Predecir un comportamiento futuro, es decir, los efectos que se

producirn mediante cambios en el sistema o en su mtodo de operacin.
Definiciones de modelo:
Modelo: es una representacin de la realidad desarrollada con el propsito de
estudiarla.
Modelo: es una simplicacin de una situacin de la vida real.
Modelo: Un modelo es una invencin de algo que inventamos para explicar
una serie de datos que queremos interpretar.
Parmetros
Variables
Variables
Condiciones
Modelo
Variables
Parmetros
Condiciones
Esquema de un modelo:
Un modelo puede explicar y representar ideas, definiciones complejas difciles
de entender, por lo tanto es una situacin precisa y hace la comunicacin
eficiente y efectiva.
Estructura de los modelos de simulacin
Los componentes son las partes constituyentes del sistema. Tambin se les
denomina elementos o subsistemas.
Curso de Simulacin
Las variables son aquellos valores que cambian dentro de la simulacin y

forman parte de funciones del modelo o de una funcin objetivo.
Los parmetros son cantidades a las cuales se les asignar valores, una vez
establecidos los parmetros, son constantes y no varan dentro de la
simulacin.
"Las relaciones funcionales muestran el comportamiento de las variables y
parmetros dentro de un componente del sistema. Estas caractersticas
operativas pueden ser de naturaleza determinstica o estocstica. Las
relaciones determinsticas son identidades o definiciones que relacionan ciertas
variables o parmetros, donde una salida de proceso es singularmente
determinada por una entrada dada. Las relaciones estocsticas son aquellas
en las que el proceso tiene de manera caracterstica una salida indefinida para
una entrada determinada.
Las restricciones son limitaciones impuestas a los valores de las variables o la
manera en la cual los recursos pueden asignarse o consumirse. En las
funciones de objetivos se definen explcitamente los objetivos del sistema y
cmo se evaluarn, es una medida de la eficiencia del sistema.
Condiciones de los modelos:
Complejidad de la interrelacin entre factores que definen un sistema.
Preparacin del tomador de decisiones.
Incapacidad de clasificar los hechos relevantes e irrelevantes y cmo pueden
afectarse al implementar decisiones.
Diseo o modificacin de sistemas evaluando diferentes alternativas.
Menor costo que en sistemas reales la toma de decisiones.
La inexistencia del sistema real.
Implementar sistemas para tomar decisiones genera grandes atrasos y se
incurre en la posibilidad que el sistema implementado sea insatisfactorio.
Curso de Simulacin
Caractersticas de un modelo de simulacin

Que
sea completo
Adaptabilidad
Credibilidad
Simplicidad
Factible
(menor nmero de parmetros)
tanto en Informacin como en recursos
Econmico
(el costo mximo del modelo debe ser el mnimo beneficio que se
obtiene)
Clasificacin de los modelos

Modelos icnicos: son modelos fsicos que se asemejan al sistema real,
generalmente manejados en otra escala.
Modelos anlogos: son los modelos en los que una propiedad del sistema se
puede sustituir por una propiedad diferente que se comporta de manera similar.
Modelos Simblicos: son aquellos en los que se utilizan un conjunto de
smbolos en lugar de una entidad fsica para representar a la realidad.
Modelos determinsticos: en estos modelos, los valores de las variables no
se ven afectadas por variaciones aleatorias y se conocen con exactitud, un
ejemplo es modelo de inventarios.
Curso de Simulacin
Modelos estocsticos o probabilsticas: los valores de la variables de un

modelo estocstico sufren modificaciones aleatorias con respecto a un valor
promedio; dichas variaciones pueden ser manejadas mediante distribuciones
de probabilidad un ejemplo es la teora de lneas de espera.
Modelos dinmicos: la caracterstica de estos modelos es el cambio que
representan las variables en funcin del tiempo; son ejemplos la serie de
tiempo, pronsticos, y programacin dinmica.
Modelos estticos: representa un sistema en un punto particular del tiempo,
ejemplo la programacin lineal.
Criterios para realizar un buen modelo: existen algunos criterios para tomar
en cuenta a la hora de formular o construir un modelo.
Sencillo y fcil de entender para el usuario final
Dirigido a metas u objetivos.
Fcil de controlar y manipular por parte del usuario.
Completo, en lo referente a asuntos importantes.
Estratgico, pedaggico.
Riesgos de la elaboracin de modelos:
Primero, no existe garanta alguna de que el tiempo y el trabajo dedicados a
establecer el modelo tendr como resultado algo til as como beneficios
satisfactorios. El fracaso suele ocurrir porque el nivel de recursos es demasiado
bajo. Sin embargo, a menudo el investigador se ha basado ms en el mtodo y
no suficientemente en el ingenio cuando el balance apropiado entre conducir
a la mayor probabilidad de xito.
La segunda advertencia se refiere a la tendencia del investigador de defender
su representacin particular de un problema como la mejor que existe de la
realidad. Esta situacin ocurre a menudo despus de que ha invertido mucho
tiempo y trabajo esperando resultados tiles.
Curso de Simulacin
La tercera advertencia es la referente a la utilizacin del modelo para predecir

ms all del intervalo de aplicacin sin la debida especificacin. Por ejemplo,
puede disearse un modelo para pronosticar el comportamiento del sistema
para un periodo futuro. Si se toma el mismo modelo para predecir en dos
periodos futuros, debe especificarse de manera explcita a quienes lo utilizan
en el sentido de que en estas predicciones el periodo futuro de prediccin no es
tan exacto como en el caso de la prediccin para determinado periodo. Omitir
una especificacin apropiada con respecto aun modelo de extrapolacin da
como resultado quizs la nica y mayor causa de la mala aplicacin practica.
Curso de Simulacin
CAPITULO 2:
SIMULACIN DETERMINISTA Y
ALEATORIA
Curso de Simulacin
Leccin 6
Simulacin aleatoria discreta
Simulacin De Eventos Equiparables

Cuando las N operaciones de un evento aleatorio son equiparables
n = [r * N] + 1
r : Nmero aleatorio
n : Resultados de la simulacin
[r * N] : mayor entero r * N
1. Ejemplo: Baraja de 52 cartas
Corazones, picas, diamantes y trboles
r = 0.41n = [0.41 * 52] +1: 22 9 picas
Ejemplo de simulacin Aleatoria
Dado
3 caras color amarillo
2 caras color azul
$ 400
1 cara color rojo
$ 600
Apuesta = $ 200
Construya las tablas de un proceso de simulacin con base en las cuales se
establezca el tiempo de ventaja que le toma un ciclista desde un punto A a otro
B en una etapa con las siguientes caractersticas.
Tramo
Clase de terreno
Velocidad A
Velocidad B
0 10
Plano
42
45
10 25
Subida
25
15
25 30
Bajada
10
100
Curso de Simulacin
DISTRIBUCIONES DISCRETAS
1. Bernoulli
Se presenta o no el evento, para una probabilidad P, la probabilidad de que no
ocurra es (1-p)
2. Binomial
k = 0, 1, 2,. . . n
p(k) =
pk (1 p)n-k
n nmeros aleatorios, cuantos son menores o

iguales a p
Corresponden a la simulacin de k
3. Poisson
Probabilidad de k sucesos en un tiempo T es:
Se simula tiempo entre llegadas (mtodo de la inversa) y se acumula el tiempo

hasta que supere a T.
k = Nro de exponenciales
simuladas
si
tiempos = T
si
tiempo > T
k = Nro de cap. simuladas

1
Nro de veces que se realiza una simulacin
Curso de Simulacin
3,84 * (desviacion estandar)2

V
__________________________
error tolerable
Error tolerable
0,1 % del promedio si consecuencias son graves
20% del promedio si consecuencias son graves
= F(x) =f(x)dx
a) Distribucin uniforme
f(t) =
____
b-a
t = r (b a) + a
Ejemplo:12 a 1 PMr = 0.43
t = 0.43 (13 12) + 12 = 12.43
12:25:48
Curso de Simulacin
b) Distribucin exponencial
T0
f(t) = * -t
F(t) = f(t) = * -t dt
F(t) = 1 - -t = r
c) Distribucin emprica
f(x) =
x si 0 x 1
si 1 < x 2
Curso de Simulacin
Leccin 7
Generacin de Nmeros Pseudoaleatorios
Introduccin: Durante un experimento de simulacin el proceso de generar un

valor de la variable aleatoria de una distribucin particular, puede repetirse
tantas veces como desee y tantas veces como distribuciones de probabilidad
existan en el experimento de la simulacin. Sin embargo, es conveniente
sealar que el proceso de generacin de variables aleatorias no uniformes se
hace a partir de la generacin de nmeros rectangulares por consiguiente, el
objetivo de esta leccin es mostrar un panorama general de las diferentes
tcnicas que existan para generar nmeros rectangulares.
La importancia de los nmeros rectangulares (distribucin uniforme) radica en
su uso para la generacin de variables aleatorias mas complicadas que son
requeridas en los experimentos de simulacin. Estos nmeros deben poseer
ciertas caractersticas deseables que aseguren o aumenten la confiabilidad de
los resultados obtenidos de la simulacin, tales como:
1. Uniformemente distribuidos
2. Estadsticamente independientes
3. Reproducibles
4. Periodo largo (sin repeticin dentro de una longitud determinada de la
sucesin)
5. Mxima velocidad de generacin
6. Mnimo uso de memoria.
Leccin 8
Generadores Congruenciales Lineales
Estos nmeros se consideran pseudoaleatorios porque
aunque pasan
todas las pruebas estadsticas de aleatoriedad, ellos son de hecho

completamente derminsticos. Los dos mtodos congruenciales sugeridos
por Lehmer son:
Curso de Simulacin
Binario
Mixto
Generadores
Decimal
Binario
Multiplicativos
Decimal
Congruenciales Mixtos: los generadores congruenciales lineales generan una

secuencia de nmeros pseudoaleatorios en la cual el prximo nmero
pseudoaletorio, son nmeros que se obtienen mediante la siguiente relacin de
congruencia (con a y c mayores que 0):
X n+1= (aXn + c ) mod m
Donde:
X 0 = la semilla (X 0 > 0 )
a = el multiplicador (a> 0)
c = constante aditiva (c > 0)
m = modulo (m > X 0 m> ay m> c)
Para el mtodo mixto (BINARIO)
CRITERIOS:
1. m = b d ; b (base del sistema); d (tamao de palabra)
2. d = entero impar no divisible por 3 o 5.
3. (a - 1) mod 4 = 0 si 4 factor de m, a = b k + 1; k>= 2
4. c = entero impar relativo a m
5. c = mod8 = 5.
6. X0 = cualquiera.
Curso de Simulacin
Posibles valores de Xn+1 son 0,1, 2, m 1

= 5, C = 7, X0 = 4, m = 8
N
Xn
(5Xn+7) mod 8
Xn+1
Nmeros Uniformes
3.375
3/8
6/8
5/8
7/8
2/8
1/8
4/8
Ejemplo:
a = X0 = C = 7
m = 10
Nmero
Xn
(7Xn + 7) mod 100
Xn+1
Uniforme
6/10
9/10
7/10
Para el mtodo mixto (DECIMAL)

CRITERIOS:
1. m = b d ; b (base del sistema); d (valor de la matiza)
2. a = entero impar no divisible por 3 o 5.
3. (a - 1) mod 4 = 0 si 4 factor de m a = b k + 1; k>= 2
4. c = no es un entero impar relativo a m, no divisible por 5, c mod 200 =
21.
Curso de Simulacin
5. X0 = Cualquiera.
En resumen:
Reglas de seleccin para un periodo completo
a) Seleccin de m
m : nmero primo lo mas grande posible
b) Seleccin de a
a : Entero impar no divisible entre 3 o 5
a = 22+1 binario
102+1 decimal
c) Seleccin de C
Cualquier constante entero impar y relativamente primo a m
C mod 8 = 5 binario
C mod 200 = 21 decimal
Para el mtodo Multiplicativo (BINARIO)
CRITERIOS:
1. m = b d ; b (base del sistema); d (tamao de palabra)
2. a = 8t + 3
3. t cualquiera entero
4. X0 entero impar primo relativo de m.
Para el mtodo multiplicativo (DECIMAL)
CRITERIOS:
1. m = b d ; b (base del sistema); d (valor de la matiza)
2. a = 200 t +- p
3. p= 3, 11, 13, 19, 21, 27, 29, 37, 53, 59, 61, 67, 69, 77, 83, 91.
4. X0 entero impar no divisible entre 2 0 5 y debe ser primo de m relativo
Curso de Simulacin
Ejemplo:
Xn+1 = aXn mod m
a=3
X0 = 7
m = 16
Nmero
Xn
3Xn mod m
Xn+1
Uniforme
5/16
15
15/16
15
13
13/16
13
7/16
Ejercicio: Hallar periodo de

Xn+1 = 3Xn mod 100
X0 = 7
Xn+1= (8Xn + 16) mod 100
X0 = 15
Xn+1= (50Xn + 17) mod 64
X0 = 13
Xn+1 = 203Xn mod 105
X0 = 17
Xn+1 = 211Xn mod 108
X0 = 19
En resumen:
Reglas de seleccin
a) Semilla: Entero impar no divisible entre 2 o 5, relativamente primo a m
b) a = 200t p
t: entero
p: 3, 11, 13, 19, 21, 27, 29, 37, 53, 59, 61, 69, 77, 83, 91.
c) m = 10d
r = F(x) =f(x)dx
Curso de Simulacin
a) Distribucin uniforme
f(t) =
____
b-a
t = r (b a) + a
Ejemplo:12 a 1 PMr = 0.43
t = 0.43 (13 12) + 12 = 12.43
12:25:48
b) Distribucin exponencial
f(t) = * -t
F(t) = f(t) = * -t dt
F(t) = 1 - -t = r
Curso de Simulacin
c) Distribucin emprica
X si 0 x 1
F(x) =
si 1 < x 2
MTODO DE RECHAZO:
Generar nmeros R1 y R2
1. x = a + (b a)R1
2. Hallar f(x) = f(a + (b a)R1)
3. Si R2 f(x) / M x es un valor simulado de la variable aleatoria, M
moda
f(x) = 2x
0x1
x = 0 + (1 0)R1
R2 = R1
x = R1
Curso de Simulacin
MTODO DEL HISTOGRAMA

a) Construir un histograma
b) Seleccin de una aletoriedad

0.35 3 intervalo
c) Nueva generacin aleatoria
0.69
Nmero simulado = 10 + 0.69 * (12 10) = 11.38
Leccin 9
Pruebas Estadsticas para Nmeros Pseudoaleatorios
Los tests estadsticos ms destacados estn recogidos y especificados en los

FIPS 1401, de Enero de 1994 y FIPS 1402, en Noviembre de 1999. Las siglas
FIPS significan Federal Information Processing Standard y se publican
regularmente por el NIST (National Institute of Standards and Technology),
agencia federal estadounidense que se encarga de regular estndares y
medidas tecnolgicas.
Los FIPS 1401 y 1402 estn titulados "Security Requirements for Cryptographic
Modules" y pretenden establecer una serie de estndares que deben ser
seguidos por el gobierno federal estadounidense en particular, y cualquier
usuario serio de tecnologa criptogrfica en general. En ellos se establecen los
tests basados en la estadstica que los mdulos criptogrficos que utilicen
generadores de nmeros pseudoaleatorios deben pasar.
Para la ejecucin de estos tests, se necesitan 20.000 bits consecutivos
producidos por el generador de nmeros aleatorios. Estas secuencias deben
Curso de Simulacin
superar los siguientes tests, que se describen a continuacin tal y como

aparecen en el FIPS 1402.
Test Monobit. Es un test de frecuencia. Este test pretende comprobar que la
muestra no cumple la primera caracterstica de no-aleatoriedad, es decir que
los bits uno y los ceros estn uniformemente distribuidos, basndose en el
primer postulado de Golomb.
El algoritmo especificado en el FIPS 1402 es muy simple:
Contar el nmero de bits iguales a uno en la secuencia de 20.000 bits.
Llamemos X a dicho nmero. El test se pasa si 9.275 < X < 10.275 (Error tipo I
de 0.0001).
Test Poker. Se basa en dividir la secuencia en segmentos de n bits. Si la
distribucin es uniforme, las probabilidades de aparicin de cada posible grupo
de n bits son conocidas. El curioso nombre se basa en que para n=5 las
probabilidades de cada grupo pueden corresponderse con las de las jugadas
del poker. Por supuesto, cuando se trabajan con secuencias binarias el nombre
resulta tan anecdtico como carente de sentido.
Algoritmo:
Dividir la secuencia de 20.000 bits en 5.000 segmentos contiguos de 4 bits.
Contar y almacenar el nmero de veces que ocurre cada uno de los 16 valores
posibles (0000,0001,...,1111). Se llama f(i) al nmero de veces que aparece el
valor i, 0<= i <= 15.
Evaluar la siguiente expresin:
X = (16/5000) * ( f(1)^2 + f(2)^2 + ... + f(15)^2) - 5000
El test se pasa si 2'16 < X < 46'17 (Error tipo I de 0.0001)
Test de Rachas. Se basa en el segundo postulado de Golomb visto
anteriormente. Una racha se define como una subsecuencia mxima de bits
consecutivos bien de unos bien de ceros que es parte de la secuencia inicial de
20.000 bits.
Algoritmo:
Curso de Simulacin
Se cuentan y almacenan las rachas de 1 o ms bits, tanto de unos como de

ceros.
Para este test las secuencias de longitud superior a 6 se consideran de longitud
6.
El test se pasa si las rachas (de longitudes 1 a 6) estn en los intervalos
especificados en la siguiente tabla. Esto debe ocurrir tanto para los ceros como
para los unos, es decir que las 12 rachas deben estar en los intervalos
especificados.
Intervalos requeridos para el test de rachas:
Longitud 1: (2.343, 2.657)
Longitud 2: (1.135, 1.365)
Longitud 3: (542, 708)
Longitud 4: (251, 373)
Longitud 5: (111, 201)
Longitud 6: (111, 201)
Utilizacin de nmeros pseudoaleatorios
Existen dos tipos fundamentales de criptosistemas:
Criptosistemas simtricos o de clave privada. Son aquellos que emplean la
misma clave k tanto para cifrar como para descifrar. Presentan el inconveniente
de que para ser empleados en comunicaciones la clave k debe estar tanto en el
emisor como en el receptor, es por esto que necesitaremos una forma de
transmitir la clave de forma segura.
Criptosist. asimtricos o de llave pblica, que emplean una doble clave (kp,
kP).
kp se conoce como clave privada y kP se conoce como clave pblica. Una de
ellas sirve para la transformacin de cifrado y la otra para la transformacin de
descifrado. En muchos casos son intercambiables, esto es, si empleamos una
para cifrar la otra sirve para descifrar y viceversa. Estos criptosistemas deben
Curso de Simulacin
cumplir adems que el conocimiento de la clave pblica kP no permita calcular

la clave privada kp. Ofrecen un abanico superior de posibilidades, pudiendo
emplearse para establecer comunicaciones seguras por canales inseguros
puesto que nicamente viaja por el canal la clave pblica, que slo sirve para
cifrar, o para llevar a cabo autentificaciones.
Normalmente se utiliza una combinacin de los dos tipos, ya que los
segundos tienen el inconveniente de ser computacionalmente mucho ms
costosos que los primeros.
En el mundo real se codifican los mensajes (largos) mediante algoritmos
simtricos, que suelen ser muy eficientes, y luego se hace uso de la
criptografa asimtrica para codificar las claves simtricas (cortas).
Cifrados de flujo
En 1917, J. Mauborgne y G. Vernam inventaron un criptosistema perfecto
segn el criterio de Shannon. Dicho sistema consista en emplear una
secuencia aleatoria de igual longitud que el mensaje, que se usara una nica
vez (en ingls, one-time pad), combinndola mediante alguna funcin simple y
reversible (usualmente el or exclusivo) con el texto en claro carcter a carcter.
Este mtodo presenta el grave inconveniente de que la clave es tan larga como
el propio mensaje, y si disponemos de un canal seguro para enviar la clave,
por qu no emplearlo para transmitir el mensaje directamente?
Evidentemente, un sistema de Vernam carece de utilidad prctica en la
mayora de los casos, pero supongamos que disponemos de un generador
pseudoaleatorio capaz de generar secuencias criptogrficamente aleatorias, de
forma que la longitud de los posibles ciclos sea extremadamente grande. En tal
caso podramos, empleando la semilla del generador como clave, obtener
cadenas de bits de usar y tirar, y emplearlas para cifrar mensajes simplemente
aplicando la funcin xor entre el texto en claro y la secuencia generada. Todo
aquel que conozca la semilla podra reconstruir la secuencia pseudoaleatoria y
de esta forma descifrar el mensaje.
Curso de Simulacin
Uno de los primeros criptosistemas que explotaban la idea del generador

pseudoaleatorio fue el cifrado de Lorenz, empleado por Alemania en la II
Guerra Mundial, junto con la mquina ENIGMA. Este sistema se basaba en un
dispositivo que generaba una secuencia supuestamente imposible de
reproducir sin conocimiento de la clave, que se combinaba con los mensajes
para obtener los criptogramas. Por suerte para los expertos de Bletchley Park,
estas secuencias presentaban una sutil estructura que poda ser analizada
mediante tcnicas estadsticas. Para ello un equipo de cientficos, entre los que
se encontraba Max Newman, puso en prctica las ideas de Alan Turing y
desarroll Colossus, el primer computador de la Historia, capaz de descifrar los
mensajes codificados mediante el sistema Lorenz.
Los criptosistemas de clave privada no son ms que la especificacin de un
generador pseudoaleatorio, y permiten cifrar mensajes de longitud arbitraria,
combinando el mensaje con la secuencia mediante la operacin or exclusivo
byte a byte, en lugar de dividirlos en bloques para codificarlos por separado.
Como cabra esperar, estos criptosistemas no proporcionan seguridad perfecta,
ya que mientras en el cifrado de Vernam el nmero de posibles claves era tan
grande como el de posibles mensajes, cuando empleamos un generador
tenemos como mucho tantas secuencias distintas como posibles valores
iniciales de la semilla.
De entre los generadores de secuencia que se utilizan como cifrado de flujo
dos de ellos pensados para ser incorporados por software son.
Algoritmo RC4. Primero introduciremos aqu el concepto de S-Caja para
aquellos que lo desconozcan. Una S-Caja de m*n bits es una tabla de
sustitucin que toma como entrada cadenas de m bits y da como salida
cadenas de n bits. La utilizacin de las S-Cajas es sencilla: se divide el bloque
original en trozos de m bits y cada uno de ellos se sustituye por otro de n bits,
haciendo uso de la S-Caja correspondiente. Normalmente, cuanto ms grandes
sean las S-Cajas, ms resistente ser el algoritmo resultante, aunque la
eleccin de los valores de salida para que den lugar a un buen algoritmo no es
una tarea sencilla.
Curso de Simulacin
El algoritmo RC4 fue diseado por Ron Rivest en 1987 para la compaa RSA
Data Security. Su implementacin es extremadamente sencilla y rpida, y est
orientado a generar secuencias en unidades de un byte, adems de permitir
claves de diferentes longitudes. Por desgracia es un algoritmo propietario, lo
cual implica que no puede ser incluido en aplicaciones de tipo comercial sin
pagar los royalties correspondientes.
El cdigo del algoritmo no se ha publicado nunca oficialmente, pero en 1994
alguien difundi en los grupos de noticias de Internet una descripcin que,
como posteriormente se ha comprobado, genera las mismas secuencias. Dicha
descripcin consta de una S-Caja de 8*8, que almacenar una permutacin del
conjunto {0, . . . , 255}. Dos contadores i y j se ponen a cero. Luego, cada
byte Or de la secuencia se calcula como sigue:
Curso de Simulacin
Para calcular los valores iniciales de la S-Caja, se hace lo siguiente:
El algoritmo RC4 genera secuencias en las que los ciclos son bastante
grandes, y es inmune a los criptoanlisis diferencial y lineal, si bien algunos
estudios indican que puede poseer claves dbiles, y que es sensible a estudios
analticos del contenido de la S-Caja. De hecho, algunos afirman que en una de
cada 256 claves posibles, los bytes que se generan tienen una fuerte
correlacin con un subconjunto de los bytes de la clave, lo cual es un
comportamiento muy poco recomendable.
A pesar de las dudas que existen en la actualidad sobre su seguridad, es un
algoritmo ampliamente utilizado en muchas aplicaciones de tipo comercial.
Algoritmo SEAL. SEAL es un generador de secuencia diseado en 1993 para
IBM por Phil Rogaway y Don Coppersmith, cuya estructura est especialmente
pensada para funcionar de manera eficiente en computadores con una longitud
de palabra de 32 bits. Su funcionamiento se basa en un proceso inicial en el
que se calculan los valores para unas tablas a partir de la clave, de forma que
el cifrado propiamente dicho puede llevarse a cabo de una manera realmente
rpida. Por desgracia, tambin es un algoritmo sujeto a patentes.
Una caracterstica muy til de este algoritmo es que no se basa en un sistema
lineal
de
generacin,
sino
que
define
una
familia
de
funciones
pseudoaleatorias, de tal forma que se puede calcular cualquier porcin de la

secuencia suministrando nicamente un nmero entero n de 32 bits. La idea es
que, dado ese nmero, junto con la clave k de 160 bits, el algoritmo genera un
bloque k(n) de L bits de longitud. De esa forma, cada valor de k da lugar a una
secuencia total de L 2^{32} bits, compuesta por la yuxtaposicin de los
bloques k(0), k(1),..., k(232 - 1).
Curso de Simulacin
Leccin 10 Simulacin Discreta
TIPOS DE SIMULACIN
1. Simulacin Discreta: modelacin de un sistema por medio de una
representacin en la cual el estado de las variables cambian instantneamente
en instante de tiempo separados. (En trminos matemticos el sistema solo
puede cambiar en instante de tiempo contables)
2. Simulacin Continua: modelacin de un sistema por medio de una
representacin en la cual las variables de estado cambian continuamente en el
tiempo.
Tpicamente,
los
modelos
de
simulacin
continua
involucran
ecuaciones diferenciales que determinan las relaciones de las tasas de

cambios de las variables de estado en el tiempo.
3. Simulacin Combinada Discreta-Continua: modelacin de un sistema por
medio de una representacin en la cual unas variables de estado cambian
continuamente con respecto al tiempo y otras cambian instantneamente en
instante de tiempo separados.
Es una simulacin en la cual interactan variables de estado discretas y
continuas.
Existen tres tipos de interacciones entre las variables de estado de este tipo de
simulaciones:
Un evento discreto puede causar un cambio discreto en el valor de una
variable de estado continua.
Un evento discreto puede causar que la relacin que gobierna una variable de
estado continua cambie en un instante de tiempo en particular.
Una variable de estado continua de punto de partida puede causar que un
evento discreto ocurra, o sea, programado.
Curso de Simulacin
4. Simulacin Determinstica y/o Estocstica: una simulacin determinstica

es aquella que utiliza nicamente datos de entra determinsticos, no utiliza
ningn dato de entrada azaroso. En cambio un modelo de simulacin
estocstico
incorpora
algunos
datos
de
entrada
azarosos
al
utilizar
distribuciones de probabilidad.
5. Simulacin esttica y dinmica: La simulacin esttica es aquella en la
cual el tiempo no juega un papel importante, en contraste con la dinmica en la
cual si es muy importante.
6. Simulacin con Orientacin hacia los eventos: modelaje con un enfoque
hacia los eventos, en el cual la lgica del modelo gira alrededor de los eventos
que ocurren instante a instante, registrando el estado de todos los eventos,
entidades, atributos y variables del modelo en todo momento.
7. Simulacin con Orientacin hacia procesos: modelaje con un enfoque de
procesos, en el cual la lgica del modelo gira alrededor de los procesos que
deben seguir las entidades. Es cierta forma, es un modelaje basado en un
esquema de flujo grama de procesos, el cual se hace es un seguimiento a la
entidad a travs de la secuencia de procesos que debe seguir.
El lenguaje de simulacin SIMAN empleado por el programa de simulacin
Arena opera bajo una orientacin hacia procesos.
Curso de Simulacin
PASOS DE UN PROYECTO DE SIMULACIN
1. Formulacin del problema y del plan de estudio

a. Problema a tratar definido por las directivas de la empresa
Curso de Simulacin
b. Reuniones preliminares con el equipo de personas de la empresa del rea

correspondiente al proyecto, encargado del estudio de simulacin, y directivas
a cargo del proyecto, para definir los siguientes puntos:
i. Objetivos generales del proyecto
ii. Preguntas especificas que el proyecto va a responder
iii. Medidas de desempeo que se usaran para evaluar la eficacia de las
diferentes configuraciones del sistema
iv. Alcance del Modelo
v. Configuraciones del sistema a modelar
vi. Software a usar
vii. Tiempo disponible para el proyecto y recursos requeridos
2. Recoleccin y anlisis de datos de entrada y definicin del modelo
a. Recoleccin de informacin del sistema y procesos de operacin
b. Recolectar datos para parmetros especficos del modelo y distribuciones de
probabilidad de los datos de entrada.
c. Documentar los datos e informacin especificando los supuestos para crear
el modelo conceptual.
d. Recolectar datos de las medidas de desempeo del sistema para propsitos
de validacin (paso 6)
e. Definir el nivel de detalles teniendo en cuneta lo siguientes puntos:
i. Objetivos del proyecto
ii. Medidas de desempeo
iii. Disponibilidad de datos
iv. Aspecto de Credibilidad
v. Limitaciones computacionales
vi. Opiniones de los expertos en el sistema
vii. Restricciones de plata y tiempo
f. Asegurar una correspondencia uno a uno entre cada uno de los elementos
del modelo con los correspondientes en el sistema real.
g. Interactuar regularmente con las directivas del rea bajo estudio.
Curso de Simulacin
3. Es valido el modelo conceptual?

a. Realizar un recorrido a travs de la lgica del modelo conceptual usando el
documento de suposiciones ante las directivas expertos y personal del rea
bajo estudio:
i. Asegurar que las suposiciones son correctas y completas
ii. Promover el sentimiento de pertenencia del modelo
iii. Para evitar realizar cambios posterior a modelo
4. Construccin del modelo y verificar
a. Programar el modelo en un lenguaje o software de simulacin.
b. Verificar que el modelo construido corresponda al modelo conceptual.
5. Hacer corridas piloto
a. Realizar corridas del modelo para poder llevar a cabo el proceso de
validacin.
6. Es valido el modelo programado?
a. Si existe un sistema, comparar las medidas de desempeo del modelo con
las del sistema real.
b. Revisar los resultados del modelo con el personal del rea bajo estudio
c. Hacer anlisis de sensibilidad, para determinar que factores tienen una
impacto significativo sobre las medidas de desempeo
7. Diseo de Experimentos
a. Especificar los siguiente para cda una de las diferentes configuraciones de
interes:
i. Longitud de las corridas
ii. Longitud del periodo de calentamiento (warm up) si es necesario.
iii. Numero de replicaciones independientes
8. Hacer corridas de produccin
a. Corridas de produccin para el paso 9
Curso de Simulacin
9. Anlisis de los datos de salida

a. Los objetivos de un anlisis de datos de salida son:
i. Determinar el desempeo absoluto de ciertas configuraciones del sistema
ii. Comparacin configuraciones alternativas del sistema en un sentido relativo.
10. Optimizacin
a. De manera opcional hacer uso de software de optimizacin para determinar
el valor optimo de ciertas variables del sistemas que maximizan o minizan el
valor de una medida de desempeo del sistema.
11. Documentar, presentar y usar resultados
a. Documentar los supuestos, el cdigo del modelo y resultados del proyecto
para su uso en un proyecto actual o futuro.
b. Presentar los resultados
i. Usar a la animacin para comunicar el modelo al las directivas y dems
personal interesado e involucrado
ii. Discutir la construccin y validez del proceso para promover la credibilidad
c. Usar los resultados en un el proceso de toma de decisiones si son validos y
crebles
Tomado de: Law, Averrill y Kelton, David. Simulation Modeling and Analysis. Tercera Edicin.
McGraw Hill. 2004. pp 84-85
Curso de Simulacin
CAPITULO 4:
SIMULACIN
EN
HOJAS
DE
CLCULO Y LENGUAJES DE SIMULACION
Curso de Simulacin
Leccin 11 Simulacin en Hojas de Clculo
Generalidades
SIMULACIN MEDIANTE HOJA DE CLCULO
Funciones estadsticas: Distribuciones probabilsticas Hasta hace algunos aos
las funciones de tipo estadstico que incorporaban las distintas aplicaciones de
hoja de clculo eran muy limitadas, obligando al usuario a programar aquellas
funciones que necesitaba (Bernal Garca), o bien era preciso adquirir
programas complementarios como @RISK, Analyze-It, Crystal Ball y otros, que
incorporan funciones adicionales a la hoja de clculo.
As, en la ltima versin de la hoja de clculo Excel aparece una amplia serie
de funciones estadsticas relacionadas con las distribuciones probabilsticas.
Con todas estas funciones se pueden realizar simulaciones basadas en las
distribuciones beta, F, gamma, logartmico-normal, normal y t de Student, ya
que para todas ellas existen funciones inversas, las cuales a partir de la
probabilidad acumulada y de los parmetros propios de cada distribucin
devuelven el valor que hace que se obtenga dicha probabilidad.
El procedimiento para ello consiste en generar nmeros aleatorios de acuerdo
con la distribucin uniforme y a partir de dicho valor (que siempre ser mayor o
igual que cero y menor que 1) aplicar la correspondiente funcin inversa para
obtener el valor al que le corresponde la probabilidad obtenida aleatoriamente.
Construccin de funciones en Excel mediante VBA Dado que en determinadas
simulaciones las variables a simular no siguen ninguna de las distribuciones
que incorporan las aplicaciones de hoja de clculo, se debe proceder a su
simulacin. Bsicamente, existen dos posibilidades:
Realizacin manual de los clculos necesarios en la propia hoja de clculo.
Programacin de la funcin adecuada mediante VBA.
Curso de Simulacin
La primera de las tcnicas puede suponer el problema de que existan clculos

intermedios que es necesario realizar para obtener el valor final. En este caso,
para cada tirada aleatoria habra que recalcular la simulacin y guardarla
mediante macros en una tabla, en la cual se vera solamente el valor obtenido.
Adicionalmente, en el caso de que se necesitara efectuar otra simulacin
mediante la misma distribucin de probabilidades se deberan rehacer los
clculos nuevamente. Por otra parte, esta posibilidad tiene como ventaja que
no precisa conocimiento alguno en programacin para poder efectuarla.
La segunda tcnica, que implica conocer programacin en Visual Basic para
Aplicaciones (VBA), plantea la ventaja de que mediante una funcin que se
aade a la hoja de clculo como cualquier otra funcin de las que trae
incorporadas la propia aplicacin, puede ser llamada tantas veces como sea
necesario y en tantas celdas como sea preciso simular sin ninguna limitacin.
Adicionalmente, se puede proteger su contenido para que no sea visible por el
usuario de forma que ste slo tenga que conocer la sintaxis de la funcin para
su utilizacin. De esta forma, tambin, se evitan manipulaciones que puedan
arrojar resultados incorrectos.
a) Definicin:
Involucra el uso de una hoja de clculo para representar el modelo, realizar las
muestras, y ejecutar los clculos.
b) Historia:
Mattesiel (1961) utilizar hojas de clculo en mainframes
Microcomputadores
Primera HC: Visi Cale
Lotus 1 2 3, Excel, Quattro
Hog: En todos los sistemas
Curso de Simulacin
c) Aplicaciones
Ampliamente usada en los negocios poco, usada en Ingeniera
d) Para qu utilizarlas en Simulacin?
1. Para representar relaciones matemticas y lgicas entre variables
2. Para generar nmeros aleatorios
3. Un medio para repetir series de clculo
e) Caractersticas adicionales
4. Gran nmero de funciones: matemticas, estadsticas, acceso a BD,
tiempo, financieros.
5. Representacin y acceso a BD
6. Grficas
7. Documentacin
8. Lenguaje de programacin
9. Ventaja: Fcil migracin
f) Cundo utilizarlas?
10. Modelos estocsticos
Ejemplo: Mejorar las polticas de administracin de inventario
11. Anlisis de sensibilidad
g) Inicio de la simulacin
Las celdas pueden ser:
Entradas al modelo
Clculos intermedios
Curso de Simulacin
Salidas del modelo
Pasos
1) Iniciacin del modelo
Construccin del modelo con valores definidos para todos los parmetros y
entradas
Reemplazar las celdas y representar cantidades randmicas o
desconocidas en frmulas (en distribuciones apropiadas)
Identificar la salida del modelo
2) Crear la ejecucin del modelo
Tipos:
Esttica
Dinmica
3) Anlisis de datos
Para modelos estocsticos, se aplican procedimientos estadsticos para
calcular las estimaciones y adems los intervalos de confianza.
Para anlisis de sensibilidad, se evala el rango de valores de los datos de
salida.
h) Herramientas
@RISK
Crystall Ball
Pop Tools
Sim Tools
Caractersticas:
Generacin de nmeros aleatorios
Generacin de nmeros a partir de distribuciones
Curso de Simulacin
Automatizacin del inicio y ejecucin de la simulacin

Automatizacin del anlisis y presentacin de resultados
Procedimientos de optimizacin
Funcin RND(): las funciones son intuitivas para todas las distribuciones.
i) Limitaciones
Estructura de datos simples.
Algoritmos complejos son difciles de implementar.
Procesamiento lento: primero interpreta la frmula antes de ejecutarla.
Tamao de la salida y almacenamiento limitados.
Prototipos son rpidamente construidos en las hojas de clculo.
j) Correlaciones
Ventajas
Disponibilidad
Interfase intuitiva
Fcil uso
Potentes
Recomendadas para modelos financieros.
Simulacin con EXCEL

Funcin Aleatorio()
Cada nmero tiene la misma probabilidad de ser generado.
Son independientes
2. IF (A1 < 0.5; cara; sello)
2.1 Moneda defectuosa
Curso de Simulacin
Celdas relativas, absolutas

Generar 20 lanzamientos
3. Simulacin Motecarlo
Frec Absoluta
Frec.
Frec. Rel.
Consultas
(Dias)
Relativa
Acum.
10
0,05
0,05
20
0,1
0,15
40
0,2
0,35
60
0,3
0,65
40
0,2
0,85
30
0,15
Total
200
Entrada
Aleatorios
Generamos nmero aleatorio

Tabla
0 1 2 3 4 5
4. Montecarlo con variables Discretas

Generacin de nmeros aleatorios
a) Exponencial
Media = b
= - LN(Aleatorio())*b
Curso de Simulacin
b) Weibull
Escala = b
= - b*(LN(Aleatorio())^(1/a)
Forma = a
c) Normal
Media =
= DISTR.NORM.INV(Aleatorio(),,)
Desviacin =
d) Uniforme entre a y b
Ext inf = a
= a + (b-a) * Aleatorio
Ext inf = b
Ejemplo ventas
Un vendedor realiza 20 llamadas que pueden terminar o no en ventas
Probabilidad de ventas en cada llamada = 0,5
Leccin 12 Lenguajes de Simulacin
Curso de Simulacin
LENGUAJES DE SIMULACIN
El desarrollo de los lenguajes de Simulacin comenz a finales de los aos
cincuenta; inicialmente los lenguajes que se usaron en fueron los de propsito
general, los cuales tenan las siguientes ventajas:
La situacin a analizar se puede modelar en forma ms o menos sencilla para
el programador por el conocimiento del lenguaje.
El proceso se puede describir con tanta precisin como le sea posible en el
lenguaje conocido.
Se pueden realizar todas las depuraciones posibles.
Cualquier lenguaje de programacin puede ser empleado para trabajar en
Simulacin, pero los lenguajes especialmente diseados presentan las
siguientes propiedades:
Acaban la tarea de programacin.
Generan una gua conceptual.
Colaboran en la definicin de entidades en el sistema.
Manejan la flexibilidad en los cambios.
Ayudan a analizar y a determinar la relacin y el nmero de entidades en el
sistema.
Emshoff y Sisson consideran que la Simulacin Discreta requiere de ciertas
funciones comunes que diferencian un lenguaje de Simulacin de uno de
propsito general, entre las cuales se encuentran las siguientes:
Generar nmeros aleatorios.
Generar variables aleatorias.
Curso de Simulacin
Variar el tiempo hasta la ocurrencia del siguiente evento.

Registrar datos para salida.
Realizar anlisis estadstico sobre datos registrados.
Construir salidas en formatos determinados.
Detectar inconsistencias y errores.
Los lenguajes precursores en Simulacin fueron los de propsito general,
entre ellos por mencionar solo algunos tenemos: FORTRAN, ALGOL, COBOL,
RPG, BASIC, PASCAL, MODULA, PL/1, etc. Los principales lenguajes
utilizados en Simulacin son:
Simulacin de cambio continuo y de cambio discreto en computadoras hbridas
H01; Simulacin de incremento continuo con orientacin a ecuaciones directas
con nfasis en ecuaciones diferenciales DSL/90, MIMIC, BHSL, DIHYSYS y
S/360 CSMP; Simulacin de incremento continuo con simuladores orientados a
bloques con nfasis en ecuaciones diferenciales MIDAS, PACTOLUS, SCADS,
MADBLOC, COBLOC y 1130 CSMP; Simulacin de incremento continuo con
simuladores orientados a bloques con nfasis en ecuaciones de diferencias
DYNAMO, DYSMAP 2; Simulacin de incremento discreto con orientacin a
actividades CSL, CLP, GSP, GERT, FORSIM, ESP, MONTECODE y
MILITRAN; Simulacin de incremento discreto con orientacin a eventos
SIMSCRIPT, GASP, SIMCOM, SIMULATE y SIMPAC; Simulacin de
incremento discreto con orientacin a procesos SIMULA, OPS, SLAM y SOL;
Simulacin de incremento discreto con orientacin a flujo de transacciones
GPSS y BOSS.
Kobayashi y Law & Kelton plantearon la misma cuestin con 22 aos de
diferencia, lo que nos permite apreciar lo que ha cambiado a lo largo del
tiempo.
Kobayashi:
Curso de Simulacin
Proporcionan una representacin conveniente de los elementos que

aparecen normalmente en los modelos de simulacin.
Facilitan los cambios de configuracin del modelo.
Proporcionan un mecanismo de control y una temporizacin interna para
ejecutar una simulacin.
Facilitan la recogida de datos y las estadsticas sobre el comportamiento
agregado del sistema simulado y proporcionan informes en un formato
adecuado.
Law & Kelton:
Los paquetes de simulacin proporcionan la mayora de las caractersticas
para construir un modelo de simulacin, consiguiendo como resultado una
disminucin del tiempo de programacin y del coste del proyecto.
Proporcionan un marco natural para realizar modelos de simulacin, puesto
que sus construcciones bsicas estn ms prximas a la simulacin que las
suministradas por un lenguaje de programacin de propsito general.
Los modelos son mas fciles de modificar y mantener.
Proporcionan una correccin de errores mejor, puesto que muchos errores
potenciales se comprueban de forma automtica.
Kobayashi:
No se tiene porqu disponer necesariamente de un paquete de simulacin.
Nadie de tu entorno conoce un lenguaje especfico de simulacin y aprender
uno suele precisar un cierto tiempo.
Las facilidades de depuracin en un paquete de simulacin pueden no ser
tan sofisticadas como las proporcionadas por un lenguaje de programacin de
propsito general.
Curso de Simulacin
Los lenguajes de propsito general son ms eficientes, porque normalmente

utilizan compiladores muy optimizados.
Podra interesar construir algn esquema de control especial (o una recogida
de datos o un informe) en el paquete de simulacin y el entorno de trabajo no
permitrtelo.
Law & Kelton:
La mayora de las personas que modelan conocen un lenguaje de
programacin pero no un paquete de simulacin.
Eficiencia de la ejecucin, eficiencia de la representacin (en los paquetes se
deben utilizar las construcciones especficas, independientemente si dicho
conjunto pudiera ser mejorable o no).
Los entornos de programacin habituales (C, C++) son mucho ms baratos.
El coste del proyecto puede ser, en el caso contrario, significativamente ms
elevado.
Como se ve, tanto para las ventajas de uno u otro caso los argumentos no han
variado en los 22 aos de diferencia entre ambas. A la vista de lo anterior
parece que la eleccin o no de un paquete de simulacin est condicionada por
muchas consideraciones, no todas ellas racionales.
Introduccin lenguajes de Simulacin
Las primeras etapas de un estudio de simulacin se refiere a la definicin del
sistema a ser modelado y a la descripcin del sistema de trminos
de
relaciones lgicas de sus variables y diagramas de flujo, sin embargo se llega a

describir el lenguaje que sea aceptado por la computadora que se a usar.
Ventajas de los lenguajes de Simulacin:
Entre las ventajas principales de estos lenguajes de simulacin, se pueden
mencionar las siguientes:
Curso de Simulacin
Reduccin en la tarea de programacin, con los leguajes de simulacin el

tiempo
dedicado
la
programacin
del
modelo
se
reduce
considerablemente.
Mejor definicin del sistema, a travs de los leguajes de simulacin, se
facilita la tarea de definir las diferentes entidades que interactan dentro del
sistema, tambin con estos leguajes se determinan con mayor facilidad las
interrelaciones que existen entre las entidades que forman el sistema.
Mayor flexibilidad para cambios, con los leguajes generales como Filtran,
el proceso de cambios puede ser largo y tedioso.
Mejor diferenciacin de las entidades que forman el sistema.
Se relacionan mejor las entidades, con las entidades bien definidas, los
lenguajes de simulacin permiten relacionar mejor a cada una de estas
entidades, es decir se determina ms fcilmente las relaciones que las
entidades guardan entre si y el anlisis de cada una de ellas.
Caractersticas de los lenguajes de simulacin
1. El procedimiento utilizado para generar nmeros aleatorios uniformes.
2. Los procedimientos o mtodos utilizados para generar las variables
aleatorias no-uniformes mas conocidas y mas usadas.
3. La forma de adelantar el reloj
de la simulacin, la cual puede ser; a)
incremento a tiempo fijo. b) incremento al prximo evento.

4. El anlisis estadstico de los resultados de la simulacin.
5. El formato en que los resultados de la simulacin son presentados.
6. La forma en que las inconsistencias y errores de lgica es portada.
7. el lenguaje en el cual el paquete esta escrito, el cual puede ser: Fortran,
Algol, PLl, Asembler.
8. Los diferentes tipos de computadoras cuyo compilador es compatible con el
del paquete en cuestin.
Clasificacin de los lenguajes de simulacin
Los modelos de simulacin se clasifican en dos categoras:
Curso de Simulacin
1. Modelos de simulacin continua

2. Modelos de simulacin discreta.
1. Modelos de simulacin contina: generalmente son apropiados
cuando un analista considera al sistema bajo estudio, como un flujo
continuo de informacin, generalmente el reloj de simulacin se
incrementa a intervalos fijos de tiempo.
2. Modelos de simulacin discreta: al analista le interesa lo que le
sucede a entidades individuales del sistema, por consiguiente, el reloj de
la simulacin discreta se incrementa cada vez que ocurre un evento.
Estos se pueden desarrollar a travs de tres enfoques 1) enfoque de
eventos; 2) enfoque de actividades, 3) enfoque de procesos, se definen
como un evento y un evento se define como un cambio en el estado de
una entidad del sistema, una actividad es una coleccin de operaciones
que transforman el estado de una entidad, un proceso es una secuencia
de eventos que ocurren en un tiempo determinado.
Clasificacin del software de simulacin

Paquetes
de
propsito
general
frente
paquetes
orientados
aplicaciones.
- Lenguajes de simulacin. Naturaleza general.
- Simuladores orientados a aplicaciones. Por ejemplo: fabricacin, salud,
centralitas, etc.
Aproximaciones de modelado.
- Aproximacin orientada a la planificacin por eventos.
- Aproximacin orientada a procesos. Un proceso es una secuencia de
eventos ordenada en el tiempo, que describe como una entidad fluye a
travs del sistema. Un sistema o modelo de simulacin puede tener
diferentes tipos de procesos.
Curso de Simulacin
Caractersticas deseables del software

1.- Posibilidades generales (incluyendo flexibilidad de modelado y facilidad
de uso).
2.- Consideraciones respecto al hardware y software.
3.- Animacin.
4.- Funcionalidades estadsticas.
5.- Soporte del usuario y documentacin.
6.- Informes y grficos de resultados.
Respecto a las posibilidades generales:
1.- Flexibilidad de modelado:
Capacidad para definir y modificar atributos de las entidades, variables
globales y de utilizar ambas en la lgica de decisin.
Capacidad de usar expresiones y funciones matemticas.
Modelado jerrquico. Posibilidad de crear nuevos modelos a partir de otros
ya existentes.
2.- Ayudas para la depuracin:
Seguir una entidad a travs del modelo. Monitorizar la simulacin a medida
que avanza.
Ir hasta un instante de tiempo determinado. Avanzar hasta una determinada
condicin.
Ver el estado del modelo cada vez que ocurre un evento particular.
Colocar un determinado valor en ciertos atributos para que ocurra un
suceso particular, normalmente con una probabilidad pequea.
3.- Velocidad rpida en la ejecucin.
4.- Entornos de modelado prximos al usuario.
5.- Importacin o exportacin de datos desde (o a) otras aplicaciones.
Curso de Simulacin
Por ejemplo, desde Excel.

6.- Posibilidad de simular escenarios que iteran sobre un parmetro.
Por ejemplo, nmero de mquinas disponibles.
7.- Posibilidades de simulacin continua-discreta.
8.- Invocacin de rutinas externas al paquete.
9.- Posibilidad de comenzar o no desde un estado vaco.
10.- Posibilidad de guardar el estado al final de una simulacin.
11.- Costo.
Leccin 13
Introduccin a GPSS (Sistema de Simulacin de Propsito
General)
Introduccin a GPSS: existen actualmente en mercado una gran cantidad de
paquetes de simulacin, sin embargo el paquete GPSS es sin duda uno de los
mas conocidos y usados en empresas e instituciones educativas, por esta
razn se tratara de explicar y describir el mismo.
Versiones de GPSS:
GPSSH
DOS
Windows
Curso de Simulacin
GPSS World
Windows
150 bloques
Sentencia GPSS
Estructura de una sentencia de declaracin GPSS:
Nro. Etiqueta Verbo Operandos; Comentario
Nro. Puede ser entero o decimal. Mximo 7 caracteres incluido pto.
Etiqueta. Nmero o nombre para la localizacin de un bloque.
Verbo. Nombre identificador para el control o el bloque.
Operandos. Dependen del verbo identificador utilizado.
Comentario. Para explicar brevemente el significado de la sentencia
Elementos bsicos:
Transacciones
Las transacciones se crean con uno o ms bloques GENERATE y se
destruyen en bloques TERMINATE.
Puede haber muchas transacciones simultneas.
Cada transaccin en un momento dado se encuentra en algn bloque, y
muchos tipos de bloques pueden tener varias transacciones a la vez.
La instruccin de bloque que permite generar las transacciones e ingresarlas
en el modelo se llama GENERATE. Su sintaxis es:
GENERATE A,B,C,D,E,F
Curso de Simulacin
A es la tasa promedio a la cual se crean las transacciones en unidades de

tiempo simulado. Su valor por omisin es cero.
B es la dispersin en el tiempo de creacin promedio de las transacciones,
es decir, el tiempo de llegadas de las transacciones al modelo ser de A B
unidades de tiempo. Su valor por omisin es cero.
C es un operando donde se coloca el tiempo simulado al que llega la
primera transaccin al modelo. El valor por omisin no est determinado.
D es el nmero lmite de transacciones creadas y su valor por omisin es
infinito.
E es un operando donde se coloca la prioridad asignada a cada
transaccin creada por el GENERATE. En GPSS las prioridades posibles
son de 0 a 127. La prioridad mayor tiene preferencia sobre las de prioridad
inferior.
Ejemplos: Generate
GENERATE 2700,200,1000,100,50
Crea transacciones cada 2700 200 unidades de tiempo, pero la primera
transaccin se crea al tiempo 1000. Despus de 100 transacciones no se
generan ms y cada una de las 100 generadas tendrn una prioridad de 50.
TERMINATE: Se emplea para destruir las transacciones que ingresen, se
puede emplear para simular que un elemento sale del sistema y ahorrar
memoria. Ayuda a que se cumplan las condiciones de terminacin de un
programa ya que puede afectar al contador del START. Su sintaxis es:
TERMINATE A:
Donde A es un operando donde se coloca el nmero (entero) con el que se
disminuir el contador de trmino de la simulacin, cuyo nmero inicial se da
en la instruccin de control START. Cuando el contador alcanza un valor
menor o igual a cero la simulacin termina.
Ejemplos: Terminate
Curso de Simulacin
TERMINATE: Cada transaccin que ingresa a este bloque se destruye.

TERMINATE 5: Cada vez que una transaccin ingresa a este bloque se
destruye y disminuye en 5 el contador de finalizacin de la simulacin.
Suspende el movimiento de una transaccin por una cantidad especifica de
tiempo simulado. Puede emplearse para simular el tiempo que una persona
tarda en ocupar un equipo, en una sala de espera, etc. Su sintaxis es:
ADVANCE A,B
Donde el operando A corresponde al tiempo de retardo para la transaccin y B
es el intervalo de dispersin alrededor de A.
Ejemplos :
ADVANCE 12,4
Retarda la transaccin 12 4 unidades de tiempo simulado.
ADVANCE 15
Retarda exactamente 15 unidades de tiempo a la transaccin.
Facilidad (unidad de servicio) Entidad que puede contener una sola
transaccin en un momento.
Almacenamiento: Entidad que puede contener varias transacciones en un
momento.
Bloques: Con las facilidades se usan los bloques:
SEIZE
RELEASE
Almacenamientos
ENTER
LEAVE
Curso de Simulacin
Leccin 14 Ejemplos de Lenguajes de Simulacin

FLUJOGRAMA DEL ANALISIS DE UN SISTEMA USANDO GPSS/H
FLUJOGRAMA DE RUTINA DEL ANLISIS DE UN SISTEMA CON GPSS/H
Curso de Simulacin
APLICACIN PRCTICA DE SIMULACIN

PLANTEAMIENTO DEL PROBLEMA:
En una mina subterrnea se genera un ciclo de acarreo que consta de cuatro
tolvas, dos para mineral y dos para desmonte. Las tolvas se encuentran en
interior mina y estn ubicadas en distintos puntos de carga, las cuales van a
estar siempre llenos. Los puntos de descarga estn en superficie. Se plantea
conocer cuntos camiones deben entrar al sistema para que no se generen
tiempos muertos de espera de camiones.
ESQUEMA SIMPLIFICADO DEL SISTEMA DE ACARREO
Curso de Simulacin
ESQUEMA DEL SISTEMA DE ACARREO
Curso de Simulacin
TRATAMIENTO DE DATOS
Curso de Simulacin
FLUJOGRAMA DEL PROBLEMA
Curso de Simulacin
RESULTADOS DE LA PROGRAMACIN
Curso de Simulacin
CONCLUSIONES
Los resultados obtenidos dependen de la confiabilidad de los datos
recopilados.
Al observar los resultados obtenidos en la simulacin se encontr que la
prdida por tiempos muertos era mayor en el punto 1.
El anlisis econmico de los resultados de la simulacin demostr que el
nmero ptimo de camiones era de dos para cada tolva obtenindose los
menores costos.
Si se hiciera una segunda simulacin demostrara que la adicin de una tolva
extra en el punto 1 eliminara la formacin de colas, desapareciendo as los
tiempos muertos.
Curso de Simulacin
CAPITULO 5:
LNEAS
DE
ESPERA
DINAMICA DE SISTEMAS
Curso de Simulacin
Leccin 15
Introduccin
o Lneas De Espera Y Teora De Formacin De Colas

o Estructura De Una Lnea De Espera.
o Clasificacin De Kendall, Lee Y Taha
o Glosario De Trminos Generales
o Clasificacin de las lneas de espera
o Ejemplos
o Conclusiones
INTRODUCCIN
En el mundo actual las filas de espera (colas) son parte de la vida cotidiana,
el hombre en su afn de prestar servicios a otros ha adoptado la filosofa de
Servicio inmediato al ser solicitado; esto ha generado un cambio drstico
en la manera de pensar y actuar de la sociedad actual, la rapidez el buen
desempeo de las actividades y la suficiente capacidad para lograr tareas
en un lmite de tiempo ha hecho del hombre una pequea maquina, que en
muchos casos ha sido reemplazada por sistemas o maquinas mucho mas
eficaces y rentables; que hacen de las lneas de espera (colas) modelos
mas eficientes.
Las lneas de espera y la teora de colas es una coleccin de modelos
matemticos que describen sistemas de lneas de espera particulares o de
sistemas de colas.
El problema es determinar que capacidad o tasa de servicio proporciona el
balance correcto. Esto no es sencillo, ya que el cliente no llega a un horario
fijo, es decir, no se sabe con exactitud en que momento llegarn los
clientes. Tambin el tiempo de servicio no tiene un horario fijo.
Lneas De Espera Y Teora De Formacin De Colas
Las LNEAS DE ESPERA son usadas o tratan de cuantificar el fenmeno
de esperar formando cola, mediante medidas representativas de eficiencia,
como la longitud promedio de la cola, el tiempo promedio de espera en ella,
y la utilizacin promedio de las instalaciones.
Curso de Simulacin
La TEORIA DE COLAS es una coleccin de modelos matemticos que

describen sistemas de lneas de espera particulares o sistemas de colas.
Los modelos sirven para encontrar el comportamiento de estado estable,
como la longitud promedio de la lnea y el tiempo de espera promedio para
un sistema dado y as determinar la capacidad de servicio apropiado.
ESTRUCTURA DE UNA LINEA DE ESPERA Modelo de colas
ESTRUCTURA DE UNA LINEA DE ESPERA Modelo de colas

FUENTE DE ENTRADA
Los clientes que entran el sistema se generan a travs del tiempo en una
fuente de entrada
Tamao de la Poblacin.
Forma de las Llegadas (Poisson).
COLA
No. mximo de clientes que se pueden admitir
Tamao de la Cola (Finita o Infinita)
Disciplina de la Cola (FIFO, LIFO, Aleatoria, Prioridad)
MECANISMO DE SERVICIO
Consiste en una o ms instalaciones de servicio.
Canal (Servidores; serie o en paralelo).
Tiempo de Servicio (Inicio Fin con un cliente).
Curso de Simulacin
Especificacin de la distribucin de probabilidad de los tiempos de

servicio para cada servidor (Exponencial)
CLASIFICACIN DE KENDALL, LEE Y TAHA
Reconociendo la diversidad de los sistemas de colas, D. G. Kendall en
1953 propuso un sistema de notacin para sistemas de servidores paralelos
que ha sido adoptado universalmente a/b/c, despus, en 1966, A. M. Lee
agreg los smbolos d y e.
En 1968 Hamdy A. Taha agrego el ltimo
elemento, el smbolo f.
CLASIFICACIN DE KENDALL, LEE Y TAHA; (a/b/c) : (d/e/f)
a: Distribucin de las llegadas.
b: Distribucin de las salidas.
c: Cantidad de servidores en paralelo.
d: Disciplina de la cola (FIFO,LIFO,Random,DG)
e: Cantidad mxima (finita, infinita) admisible en el sistema.
f: Tamao de la Poblacin.
GLOSARIO DE TERMINOS GENERALES
: Promedio de llegadas en una unidad de tiempo.
: Termino medio de servicios prestados en una

unidad de tiempo.
/=: Nmero de unidades en el sistema.

: Probabilidad.
RELACIONADOS CON EL TIEMPO

W o Ws : Tiempo promedio de un cliente en el sistema
Wq
: Tiempo promedio de espera (en cola)
RELACIONADOS CON EL NUMERO DE CLIENTES
Curso de Simulacin
L o Ls: Nmero promedio de clientes en el sistema

Lq
: Nmero promedio de clientes en la cola
Pw
: Probabilidad de que un cliente que llega tenga que esperar
Pn
: Probabilidad de que existan n clientes en el sistema

n = 0, 1, 2, 3.......
Po
: Probabilidad de que no hayan clientes en el sistema
Pd
: Probabilidad de negacin de servicio, o probabilidad de que

un cliente que llega no pueda entrar al sistema debido que
la cola est llena
S
: Nmero de servidores
CLASIFICACIN DE LAS LNEAS DE ESPERA

UN SERVIDOR, UNA LNEA
Este modelo puede aplicarse a personas esperando en una cola para
comprar boletos para el cine, a mecnicos que esperan obtener
herramientas de un expendio o a trabajos de computadora que esperan
tiempo de procesador.
Wq
Clientes que
esperan ser
atendidos
Wq
Entrada de
clientes al
sistemas
Peticiones
Servidor
Salida
del
Lnea de espera Lq
SISTEMA DE SERVICIO
L
Curso de Simulacin
Formulas Generales Un Servidor
Pw
Po
Pn
1

1
Lq
( )
Wq
( )
Clasificacin De Las Lneas De Espera

SERVIDORES MLTIPLES, UNA LNEA
Este modelo puede aplicarse a personas esperando en una cola para ser
atendidas por los cajeros en una entidad bancaria
W
Clientes que
esperan ser
atendidos
M/M/S
Wq
Entrada de
clientes al
sistemas
Peticiones
Lnea de espera Lq
Salida
del
Servidore
s
SISTEMA DE SERVICIO
L
SERVIDORES MLTIPLES, FILAS MLTIPLES

Este sistema, en que cada servidor tiene una lnea separada, es
caracterstico de supermercados, autoservicios. Es aquel en el cual el
cliente recibe el servicio de una sola estacin y luego abandona el
sistema.
Curso de Simulacin
W
Clientes que
esperan ser
atendidos
Entradas
de clientes
al
Wq
(M/M/S)
Peticiones
Salidas
del
Lnea de espera Lq
Servidores
SISTEMA DE SERVICIO
L
SERVIDORES SECUENCIALES, UNA LNEA

(M/M/S)
W
Clientes que
esperan ser
atendidos
Wq
Wq
Servidor
Peticiones
Entrada de
clientes al
sistemas
Servidor
Peticiones
1
Lnea de
espera 1 Lq
Salida de
clientes
Lnea de
espera 2 Lq
SISTEMA DE SERVICIO
L
PLANTEAMIENTO DEL PROBLEMA

El Restaurante el Radual tiene una (1) persona encargada de atender los
pedidos de los usuarios, desea saber que falencias con datos reales
presenta en su funcionamiento, pues se ha dado cuenta que a veces no se
atiende lo suficientemente rpido a cada uno de los usuarios que llega al
establecimiento.
La llegada de los clientes tiene una distribucin Exponencial Negativa con
una tasa de arribo de =1.6948 per/min. El tiempo de servicio sigue una
distribucin Uniforme.
DEFINICIN DE VARIABLES
Variables exgenas o de Entrada:
Curso de Simulacin
Intervalo de tiempo entre la llegada de un cliente y otro.
Nmero de clientes que entran al restaurante.
Tiempo de servicio (atender los pedidos).

Variables endgenas o de Salida:
Tiempo promedio que dura un cliente en el sistema y en la cola.
Numero esperado de clientes en la cola y en el sistema.
Tiempo promedio de utilizacin y no utilizacin del restaurante.
Total de clientes atendidos.

Variables de estado:
Tiempo total de llegadas (Clientes).
Tiempo que espera un cliente antes de ser atendido.
Tiempo de espera total de todos los clientes.
Numero de clientes que esperan ser atendidos.
IDENTIFICACIN DEL SISTEMA

El sistema actual cumple con las condiciones
Una poblacin de clientes infinita.
Un proceso de llegada en el que los clientes se presentan de acuerdo
con un proceso de Exponencial Negativa.
Un proceso de colas que consiste en una sola lnea de espera de
capacidad infinita, con una disciplina de colas de primero en entrar
primero en salir.
Un proceso de colas que consiste en un solo servidor que atiende a los
clientes de acuerdo con una Distribucin Uniforme.
Un tiempo entre llegadas probabilistico (tiempo incierto y variable).
Es decir, se tiene un sistema de colas M/M/1 FIFO//
Curso de Simulacin
CARACTERSTICAS OPERACIONALES
Funcin de densidad de probabilidad exponencial negativa para tiempo
de llegada de los clientes.
Funcin de densidad de probabilidad uniforme para el tiempo de
servicio.
CONCLUSIONES
Un modelo de Lneas de espera solo arroja datos que son una gua
para una toma de decisiones, en la cual se deben tener en cuenta las
medidas de rendimiento que se obtuvieron con la simulacin.
Cuando un sistema posee caractersticas especiales importantes una

modelacin matemtica completa resultara difcil o casi imposible en
tales situaciones el anlisis completo del sistema puede ser logrado a
travs del uso de la simulacin
Las lneas de espera y su aplicacin en una simulacin, pueden ayudar
al anlisis de las variables tanto exgenas como endgenas que afectan
al sistema y ver que impacto tendra un cambio en una de las variables
del sistema.
En una simulacin las soluciones preliminares pueden ser simuladas
en lapsos de tiempo como aos, das, meses y los datos arrojados
pueden estar disponibles de forma clara y precisa,
Leccin 16 Lneas De Espera y Teoria de formacin de colas
No importa en qu cola se site: La otra siempre avanzar ms rpido
(Primera Ley de Harper)
Y si se cambia de cola, aqulla en la que estaba al principio empezar a ir ms
deprisa (Segunda Ley de Harper)
Curso de Simulacin
INTRODUCCIN
Las "colas" son un aspecto de la vida moderna que nos encontramos
continuamente en nuestras actividades diarias. En el contador de un
supermercado, accediendo al Metro, en los Bancos, etc., el fenmeno de
las colas surge cuando unos recursos compartidos necesitan ser accedidos
para dar servicio a un elevado nmero de trabajos o clientes.
El estudio de las colas es importante porque proporciona tanto una base
terica del tipo de servicio que podemos esperar de un determinado
recurso, como la forma en la cual dicho recurso puede ser diseado para
proporcionar un determinado grado de servicio a sus clientes.
Debido a lo comentado anteriormente, se plantea como algo muy til el
desarrollo de una herramienta que sea capaz de dar una respuesta sobre
las caractersticas que tiene un determinado modelo de colas.
Definiciones iniciales
La teora de colas es el estudio matemtico del comportamiento de lneas
de espera. Esta se presenta, cuando los clientes llegan a un lugar
demandando un servicio a un servidor, el cual tiene una cierta capacidad
de atencin. Si el servidor no est disponible inmediatamente y el cliente
decide esperar, entonces se forma la lnea de espera.
Una cola es una lnea de espera y la teora de colas es una coleccin de
modelos matemticos que describen sistemas de lnea de espera
particulares o sistemas de colas. Los modelos sirven para encontrar un
buen compromiso entre costes del sistema y los tiempos promedio de la
lnea de espera para un sistema dado.
Los sistemas de colas son modelos de sistemas que proporcionan servicio.
Como modelo, pueden representar cualquier sistema en donde los trabajos
o clientes llegan buscando un servicio de algn tipo y salen despus de que
dicho servicio haya sido atendido. Podemos modelar los sistemas de este
tipo tanto como colas sencillas o como un sistema de colas interconectadas
formando una red de colas. En la siguiente figura podemos ver un ejemplo
de modelo de colas sencillo. Este modelo puede usarse para representar
Curso de Simulacin
una situacin tpica en la cual los clientes llegan, esperan si los servidores
estn ocupados, son servidos por un servidor disponible y se marchan
cuando se obtiene el servicio requerido.
El problema es determinar qu capacidad o tasa de servicio proporciona el
balance correcto. Esto no es sencillo, ya que un cliente no llega a un horario
fijo, es decir, no se sabe con exactitud en que momento llegarn los
clientes. Tambin el tiempo de servicio no tiene un horario fijo.
Los problemas de colas se presentan permanentemente en la vida diaria:
un estudio en EEUU concluy que, por trmino medio, un ciudadano medio
pasa cinco aos de su vida esperando en distintas colas, y de ellos casi seis
meses parado en los semforos.
Introduccin a la Teora de Colas
En muchas ocasiones en la vida real, un fenmeno muy comn es la
formacin de colas o lneas de espera. Esto suele ocurrir cuando la
demanda real de un servicio es superior a la capacidad que existe para dar
dicho servicio. Ejemplos reales de esa situacin son: los cruces de dos vas
de circulacin, los semforos, el peaje de una autopista, los cajeros
automticos, la atencin a clientes en un establecimiento comercial, la
avera de electrodomsticos u otro tipo de aparatos que deben ser
reparados por un servicio tcnico, etc.
Todava ms frecuentes, si cabe, son las situaciones de espera en el
contexto de la informtica, las telecomunicaciones y, en general, las nuevas
tecnologas. As, por ejemplo, los procesos enviados a un servidor para
ejecucin forman colas de espera mientras no son atendidos, la informacin
solicitada, a travs de Internet, a un servidor Web puede recibirse con
demora debido a congestin en la red o en el servidor propiamente dicho,
podemos recibir la seal de lneas ocupadas si la central de la que depende
nuestro telfono mvil est colapsada en ese momento, etc.
Origen:
Curso de Simulacin
El origen de la Teora de Colas est en el esfuerzo de Agner Kraup Erlang

(Dinamarca, 1878 - 1929) en 1909 para analizar la congestin de trfico
telefnico con el objetivo de cumplir la demanda incierta de servicios en el
sistema telefnico de Copenhague. Sus investigaciones acabaron en una
nueva teora denominada teora de colas o de lneas de espera. Esta teora
es ahora una herramienta de valor en negocios debido a que un gran
nmero de problemas pueden caracterizarse, como problemas de
congestin llegada-salida.
Modelo de formacin de colas.
En los problemas de formacin de cola, a menudo se habla de clientes,
tales como personas que esperan la desocupacin de lneas telefnicas, la
espera de mquinas para ser reparadas y los aviones que esperan aterrizar
y estaciones de servicios, tales como mesas en un restaurante, operarios
en un taller de reparacin, pistas en un aeropuerto, etc. Los problemas de
formacin de colas a menudo contienen una velocidad variable de llegada
de clientes que requieren cierto tipo de servicio, y una velocidad variable de
prestacin del servicio en la estacin de servicio.
Cuando se habla de lneas de espera, se refieren a las creadas por clientes
o por las estaciones de servicio. Los clientes pueden esperar en cola
simplemente por que los medios existentes son inadecuados para satisfacer
la demanda de servicio; en este caso, la cola tiende a ser explosiva, es
decir, a ser cada vez mas larga a medida que transcurre el tiempo. Las
estaciones de servicio pueden estar esperando por que los medios
existentes son excesivos en relacin con la demanda de los clientes; en
este caso, las estaciones de servicio podran permanecer ociosas la mayor
parte del tiempo. Los clientes puede que esperen temporalmente, aunque
las instalaciones de servicio sean adecuadas, por que los clientes llegados
anteriormente estn siendo atendidos. Las estaciones de servicio pueden
encontrar temporal cuando, aunque las instalaciones sean adecuadas a
largo plazo, haya una escasez ocasional de demanda debido a un hecho
Curso de Simulacin
temporal. Estos dos ltimos casos tipifican una situacin equilibrada que
tiende constantemente hacia el equilibrio, o una situacin estable.
En la teora de la formacin de colas, generalmente se llama sistema a un
grupo de unidades fsicas, integradas de tal modo que pueden operar al
unsono con una serie de operaciones organizadas. La teora de la
formacin de colas busca una solucin al problema de la espera
prediciendo primero el comportamiento del sistema. Pero una solucin al
problema de la espera consiste en no solo en minimizar el tiempo que los
clientes pasan en el sistema, sino tambin en minimizar los costos totales
de aquellos que solicitan el servicio y de quienes lo prestan.
La teora de colas incluye el estudio matemtico de las colas o lneas de
espera y provee un gran nmero de modelos matemticos para describirlas.
Generalmente el administrador se encuentra en un

dilema
Asumir los costos derivados de tener largas colas

Asumir los costos derivados de prestar un buen servicio
Se debe lograr un balance econmico entre el costo del servicio y el costo

asociado a la espera por ese servicio
La teora de colas en s no resuelve este problema, slo proporciona
informacin para la toma de decisiones
Objetivos de la Teora de Colas
Los objetivos de la teora de colas consisten en:
Identificar el nivel ptimo de capacidad del sistema que minimiza el

coste global del mismo.
Curso de Simulacin
Evaluar el impacto que las posibles alternativas de modificacin de la

capacidad del sistema tendran en el coste total del mismo.
Establecer un balance equilibrado (ptimo) entre las consideraciones

cuantitativas de costes y las cualitativas de servicio.
Hay que prestar atencin al tiempo de permanencia en el sistema o en la

cola: la paciencia de los clientes depende del tipo de servicio
especfico considerado y eso puede hacer que un cliente abandone el
sistema.
Elementos existentes en un modelo de colas

Fuente de entrada o poblacin potencial: Es un conjunto de individuos (no
necesariamente seres vivos) que pueden llegar a solicitar el servicio en
cuestin. Podemos considerarla finita o infinita. Aunque el caso de infinitud
no es realista, s permite (por extrao que parezca) resolver de forma ms
sencilla muchas situaciones en las que, en realidad, la poblacin es finita
pero muy grande. Dicha suposicin de infinitud no resulta restrictiva cuando,
an siendo finita la poblacin potencial, su nmero de elementos es tan
grande que el nmero de individuos que ya estn solicitando el citado
servicio prcticamente no afecta a la frecuencia con la que la poblacin
potencial genera nuevas peticiones de servicio.
Cliente: Es todo individuo de la poblacin potencial que solicita servicio.
Suponiendo que los tiempos de llegada de clientes consecutivos son
0<t1<t2<..., ser importante conocer el patrn de probabilidad segn el cual
la fuente de entrada genera clientes. Lo ms habitual es tomar como
referencia los tiempos entre las llegadas de dos clientes consecutivos:
consecutivos: clientes consecutivos: T{k} = tk - tk-1, fijando su distribucin
de probabilidad. Normalmente, cuando la poblacin potencial es infinita se
supone que la distribucin de probabilidad de los Tk (que ser la llamada
distribucin de los tiempos entre llegadas) no depende del nmero de
clientes que estn en espera de completar su servicio, mientras que en el
caso de que la fuente de entrada sea finita, la distribucin de los Tk variar
segn el nmero de clientes en proceso de ser atendidos.
Curso de Simulacin
Capacidad de la cola: Es el mximo nmero de clientes que pueden estar

haciendo cola (antes de comenzar a ser servidos). De nuevo, puede
suponerse finita o infinita. Lo ms sencillo, a efectos de simplicidad en los
clculos, es suponerla infinita. Aunque es obvio que en la mayor parte de
los casos reales la capacidad de la cola es finita, no es una gran restriccin
el suponerla infinita si es extremadamente improbable que no puedan entrar
clientes a la cola por haberse llegado a ese nmero lmite en la misma.
Disciplina de la cola: Es el modo en el que los clientes son seleccionados
para ser servidos. Las disciplinas ms habituales son:
La disciplina FIFO (first in first out), tambin llamada FCFS (first come first
served): segn la cual se atiende primero al cliente que antes haya llegado.
La disciplina LIFO (last in first out), tambin conocida como LCFS (last
come first served) o pila: que consiste en atender primero al cliente que ha
llegado el ltimo.
La RSS (random selection of service), o SIRO (service in random order),
que selecciona a los clientes de forma aleatoria.
Mecanismo de servicio: Es el procedimiento por el cual se da servicio a los
clientes que lo solicitan. Para determinar totalmente el mecanismo de
servicio debemos conocer el nmero de servidores de dicho mecanismo (si
dicho nmero fuese aleatorio, la distribucin de probabilidad del mismo) y la
distribucin de probabilidad del tiempo que le lleva a cada servidor dar un
servicio. En caso de que los servidores tengan distinta destreza para dar el
servicio, se debe especificar la distribucin del tiempo de servicio para cada
uno.
Canal
Canales de servicio en serie

Canales de servicio en paralelo
Curso de Simulacin
La cola, propiamente dicha, es el conjunto de clientes que hacen espera, es

decir los clientes que ya han solicitado el servicio pero que an no han
pasado al mecanismo de servicio.
El sistema de la cola: es el conjunto formado por la cola y el mecanismo de
servicio, junto con la disciplina de la cola, que es lo que nos indica el criterio
de qu cliente de la cola elegir para pasar al mecanismo de servicio. Estos
elementos pueden verse ms claramente en la siguiente figura:
Mecanismo de Servicio
Llegada de un
Cliente
Cola
Fuente de
Entrada
Disciplina de la Cola
Servicio
Sistema de la Cola
Un modelo de sistema de colas debe especificar la distribucin de

probabilidad de los tiempos de servicio para cada servidor.
La distribucin ms usada para los tiempos de servicio es la exponencial,
aunque es comn encontrar la distribucin degenerada o determinstica
(tiempos de servicio constantes) o la distribucin Erlang (Gamma).
Notacin de Kendall
Por convencin los modelos que se trabajan en teora de colas se etiquetan
___/___/___
Distribucin de
tiempo entre
llegadas
Distribucin de
tiempos de
servicio
Nmero de
servidores
Curso de Simulacin
Las distribuciones que se utilizan son:

M: Distribucin exponencial (markoviana)
D : Distribucin degenerada (tiempos constantes)
E k : Distribucin Erlang
G : Distribucin general
M / M / s : Modelo donde tanto los tiempos entre llegada como los tiempo de
servicio son exponenciales y se tienen s servidores.
M / G / 1: Tiempos entre llegada exponenciales, tiempos de servicio general
y 1 slo servidor
Terminologa
Usualmente siempre es comn utilizar la siguiente terminologa estndar:
Estado del sistema : Nmero de clientes en el sistema.
Longitud de la cola: Nmero de clientes que esperan servicio.
N(t) : Nmero de clientes en el sistema de colas en el tiempo t (t 0).
Pn (t): Probabilidad de que exactamente n clientes estn en el sistema en
el tiempo t, dado el nmero en el tiempo cero.
s : Nmero de servidores en el sistema de colas.
n : Tasa media de llegadas (nmero esperado de llegadas por unidad de
tiempo) de nuevos clientes cuando hay n clientes en el sistema.
n : Tasa media de servicio para todo el sistema (nmero esperado
clientes que completan su servicio por unidad de tiempo) cuando hay n
clientes en el sistema.
Nota: n representa la tasa combinada a la que todos los servidores
ocupados logran terminar sus servicios
n: Cuando n es constante para toda n
n : Cuando n es constante para toda n 1
Medidas de rendimiento para evaluar un sistema de colas
El objetivo ltimo de la teora de colas consiste en responder cuestiones
administrativas pertenecientes al diseo y a la operacin de un sistema de
colas. El gerente de un banco puede querer decidir si programa tres o
Curso de Simulacin
cuatro cajeros durante la hora de almuerzo. En una estructura de

produccin, el administrador puede desear evaluar el impacto de la compra
de una nueva mquina que pueda procesar los productos con ms rapidez.
Cualquier sistema de colas pasa por dos fases bsicas. Por ejemplo,
cuando el banco abre en la maana, no hay nadie en el sistema, de modo
que el primer cliente es atendido de forma inmediata. Conforme van
llegando ms clientes, lentamente se va formando la cola y la cantidad de
tiempo que tienen que esperar se empieza a aumentar. A medida que
avanza el da, el sistema llega a una condicin en la que el efecto de la falta
inicial de clientes ha sido eliminado y el tiempo de espera de cada cliente ha
alcanzado niveles bastante estables.
Algunas medidas de rendimiento comunes
Existen muchas medidas de rendimiento diferentes que se utilizan para
evaluar un sistema de colas en estado estable. Para disear y poner en
operacin un sistema de colas, por lo general, los administradores se
preocupan por el nivel de servicio que recibe un cliente, as como el uso
apropiado de las instalaciones de servicio de la empresa. Algunas de las
medidas que se utilizan para evaluar el rendimiento surgen de hacerse las
siguientes preguntas:
Preguntas relacionadas con el tiempo, centradas en el cliente, como:
a) Cul es el tiempo promedio que un cliente recin llegado tiene que
esperar en la fila antes de ser atendido?. La medida de rendimiento
asociada es el tiempo promedio de espera, representado con Wq
b) Cul es el tiempo que un cliente invierte en el sistema entero,
incluyendo el tiempo de espera y el de servicio?. La medida de
rendimiento asociada es el tiempo promedio en el sistema, denotado con
W
c) Preguntas cuantitativas relacionadas al nmero de cliente, como:
d) En promedio cuntos clientes estn esperando en la cola para ser
atendidos?. La medida de rendimiento asociada es la longitud media de
la cola, representada con Lq
Curso de Simulacin
e) Cul es el nmero promedio de clientes en el sistema?. La medida de

rendimiento asociada es el nmero medio en el sistema, representado
con L
Preguntas probabilsticas que implican tanto a los clientes como a los
servidores, por ejemplo:
a) Cul es la probabilidad de que un cliente tenga que esperar a ser
atendido?. La medida de rendimiento asociada es la probabilidad de
bloqueo, que se representa por, pw
b) En cualquier tiempo particular, cul es la probabilidad de que un
servidor est ocupado?. La medida de rendimiento asociada es la
utilizacin, denotada con U. Esta medida indica tambin la fraccin
de tiempo que un servidor esta ocupado.
c) Cul es la probabilidad de que existan n clientes en el sistema?. La
medida
de
rendimiento
asociada
se
obtiene
calculando
la
probabilidad Po de que no haya clientes en el sistema , la

probabilidad Pi de que haya un cliente en el sistema, y as
sucesivamente. Esto tiene como resultado la distribucin de
probabilidad de estado, representada por Pn, n=0,1......
d) Si el espacio de espera es finito, Cul es la probabilidad de que la
cola est llena y que un cliente que llega no sea atendido?. La
medida de rendimiento asociada es la probabilidad de negacin del
servicio, representada por Pd
Preguntas relacionadas con los costos, como:
a) Cul es el costo por unidad de tiempo por operar el sistema?
b) Cuntas estaciones de trabajo se necesitan para lograr mayor
efectividad en los costos?
El clculo especfico de estas medidas de rendimiento depende de la clase
de sistema de colas. Algunas de estas medidas estn relacionadas entre s.
Conocer el valor de una medida le permita encontrar el valor de una medida
relacionada.
Curso de Simulacin
Relaciones entre medidas de rendimiento

El clculo de muchas de las medidas de rendimiento depende de los
procesos de llegadas y de servicio del sistema de colas en especfico. Estos
procesos son descritos matemticamente mediante distribuciones de
llegada y de servicio. Incluso sin conocer la distribucin especifica, las
relaciones entre algunas de las medidas de rendimiento pueden obtenerse
para ciertos sistemas de colas, nicamente mediante el uso de los
siguientes parmetros de los procesos de llegada y de servicio.
= nmero promedio de llegadas por unidad de tiempo
= nmero promedio de clientes atendidos por unidad de tiempo en una
seccin
Supongamos que una poblacin de clientes infinita y una cantidad limitada
de espacio de espera en la fila. El tiempo total que un cliente invierte en el
sistema es la cantidad de tiempo invertido en la fila ms el tiempo durante el
cual es atendido:
Tiempo promedio en el sistema = Tiempo de espera + Tiempo de servicio
El tiempo promedio en el sistema y el tiempo promedio de espera estn
representados por las cantidades W y Wq, respectivamente. El tiempo
promedio de servicio puede expresarse en trminos de parmetros de &.
Por ejemplo, si & es 4 clientes por hora, entonces , en promedio, cada
cliente requiere 1 /4 para ser atendido. En general, el tiempo de servicio es
1/&, lo cual nos conduce a la siguiente relacin :
W = Wq + 1/
Consideremos ahora la relacin entre el nmero promedio de clientes en el
sistema y el tiempo promedio que cada cliente pasa en el sistema.
Imaginemos que un cliente acaba de llegar y se espera que permanezca en
el sistema un promedio de media de hora. Durante esta media hora, otros
clientes siguen llegando a una tasa digamos doce por hora??. Cuando el
Curso de Simulacin
cliente en cuestin abandona el sistema, despus de media hora, deja tras

de s un promedio de (1/2)*12 = 6 clientes nuevos.
Es decir, en promedio, existen seis clientes en el sistema en cualquier
tiempo dado. Entonces:
Tiempo promedio de clientes = Nmero de llegadas X *Tiempo promedio
en el sistema. De modo que:
L = *W
Utilizando una lgica parecida se obtiene la relacin entre el nmero
promedio de clientes que esperan en la cola y el tiempo promedio de espera
en la fila:
Tiempo promedio de clientes = Nmero de llegadas X Unidad de tiempo en
la cola. De manera que:
Lq = * Wq
Leccin 17 Clasificacin de las lneas de espera

Para aplicar las tcnicas apropiadas, se debe identificar las carctersticas del
sistema de colas. La clasificacin se realiza empleando letras y/o simbolos.
Considerando un sistema o modelo, con tamao de poblacin infinita, clientes
que esperan en una sola fila y espacio de espera infinito, se tiene :
Proceso de llegadas / Proceso de Servicio / Proceso de colas

D, M o G / D, M o G / c
Si la poblacin y el espacio de espera es finito, adicionalmente, se

tendrn al final una K y L, osea :
D, M o G / D, M o G / c / K / L
Proceso de Llegadas : Describe la distribucin del tiempo entre llegadas
a) D , para indicar que el tiempo entre llegadas es determinstico
b) M , para indicar que el tiempo entre llegadas es probabilstico (exponencial)
c. G , para indicar que el tiempo entre llegadas es determinstico(pero que
sigue una distribucin diferente a la exponencial.
Curso de Simulacin
Proceso de Servicio : Describe la distribucin del tiempo de servicio

a) D , para indicar que el tiempo de servicio es determinstico
b) M , para indicar que el tiempo de servicio es probabilstico (exponencial)
c. G , para indicar que el tiempo de servicio es determinstico(pero que
sigue una distribucin diferente a la exponencial.
Proceso de Colas
C, se usa para representar el nmero de estaciones o canales paralelos existen
en el sistema.
De otro lado :
K, representa el nmero mximo de clientes que pueden estar en todo el
sistema
L, representa el nmero total de clientes de la poblacin.
Ejemplos :
M/M/3
La primera M, representa un sistema con tiempo entre llegadas probabilstico y
que se ajusta a una sitribucin exponencial. La segunda M, indica que el
tiempo de servicio es probabilstico y exponencial. Luego c =3, significa que el
sistema tiene 3 estaciones paralelas.
M / D / 4 / 10
Indica que el tiempo entre llegadas es probabilstico y exponencial; el tiempo de
servicio es determinstico. Existen 4 canales o estaciones, y el nmero mximo
de clientes que pueden estar en todo el sistema en cualquier momento es 10.
EVALUACION DEL SISTEMA DE COLAS

Cualquier sistema de colas pasa por 2 fases bsicas: La fase transitoria y la
fase estable.
En el curso, se resolvern slo casos en condiciones estables.
Curso de Simulacin
Indicadores para Evaluar el Rendimiento de un Sistema de Colas
RELACIONADOS CON EL TIEMPO :

W = Tiempo promedio en el sistema
Wq = Tiempo promedio de espera
RELACIONADOS CON EL NUMERO DE CLIENTES :

L = Nmero promedio de clientes en el sistema
Lq = Nmero promedio de clientes en la cola
Pw = Probabilidad de que un cliente que llega tenga que esperar
Pn = Probabilidad de que existan "n" clientes en el sistema
Pn; n = 0, 1, 2, 3.......
Po = Probabilidad de que no hayan clientes en el sistema

Pd = Probabilidad de negacin de servicio , o probabilidad de que un cliente
que llega no pueda entrar al sistema
debido que la "cola est llena"
RELACIONES ENTRE LAS MEDIDAS :

Si l = Nmero promedio de llegadas por unidad de tiempo
m = Nmero promedio de clientes atendidos por unidad de tiempo en un canal
Se cumple :
a) W = Wq + 1 / m
b) L = l . W
c) Lq = l . Wq
Curso de Simulacin
CASO 1 : M / M / 1
Algunas caractersticas : Poblacin de clientes infinita, llegadas de clientes
probabilstica segn Poisson; una lnea de espera y un solo servidor o canal de
atencin con tiempo de servicio exponencial.
Supuesto: Condicin Estable; cuando m > l , osea la tasa de servicio promedio
es mayor que la tasa de llegadas promedio.
Bibliografia consultada : Mathur y Solow
Leccin 18 Transporte
Generalidades
El flujo vehicular producido en un momento y lugar determinados es el
resultado de una serie de decisiones individuales de los usuarios de una red
vial. Cada usuario decide cmo y cundo recorrer lo que considera la mejor
ruta para llegar a su destino.
Su decisin puede basarse en criterios tales como costo tiempo seguridad y
comodidad. El usuario debe decidir que ruta recorrer y qu modos de
transporte utilizar (automvil, transporte pblico etc.) decisin que depende,
entre otras cosas, de la congestin de los arcos y las vialidades de la ruta.
En trminos generales, existen tres enfoques para modelar flujo de trfico
vehicular:
Los Modelos Macroscpicos
Los Modelos Microscpicos
Los Modelos Cinticos
Conceptos a considerar
MODELACIN DEL FLUJO DE TRFICO VEHICULAR:
Curso de Simulacin
Hay muchas aproximaciones matemticas que intentan modelar el flujo de

trfico vehicular en trminos de alguna de sus caractersticas.
Su decisin puede basarse en criterios tales como costo tiempo seguridad y
comodidad. El usuario debe decidir que ruta recorrer y qu modos de
transporte utilizar (automvil, transporte pblico etc.) decisin que depende,
entre otras cosas, de la congestin de los arcos y las vialidades de la ruta.
ASIGNACIN DINMICA DEL TRFICO
El problema de asignacin dinmica del trfico se ha abordado con diversos

enfoques de simulacin, teora del control ptimo y optimizacin.
Estos modelos consideran que los usuarios minimizan sus tiempos de viaje
actualizando continuamente sus rutas elegidas de acuerdo con las condiciones
del trfico.
En estos sistemas existe un Controlador central que Recomienda las rutas a
los usuarios en tiempo real, lo cual satisface objetivos:
Individuales
Equilibrio de Usuario
Optimizacin del Sistema
Y considera en tiempo real, variaciones inesperadas en las condiciones de la

red.
Los modelos de asignacin de trfico necesitan como entrada
Una matriz origen-destino.
Informacin de capacidad vehicular
Donde:
Filas
Origen
columnas
Destino
Curso de Simulacin
Cada una de sus celdas contiene el nmero de viajes realizados de una zona
origen a una zona destino en un periodo de tiempo.
Capacidad vehicular: Son conteos de los vehculos que
pasan por determinados arcos de la red.
Leccin 19
MODELOS DE ASIGNACIN DE EQUILIBRIO
Un enfoque que ha permitido una buena representacin del trfico es el de los

Modelos de Asignacin de Equilibrio.
Estos modelos pueden ser utilizados para representar el comportamiento
macroscpico del trfico de grandes zonas urbanas o ciudades enteras.
Mediante estos modelos es posible:
Estimar el flujo vehicular en una red donde existe cierta demanda

de viajes.
Este flujo estimado sirve tanto para predecir el trfico como
para recomendar un patrn de flujo vehicular.
Determinar los tiempos de viaje dependen del flujo debido a las

efectos de la congestin.
Los Modelos de Asignacin de Equilibrio pueden ser de dos tipos:

Equilibrio de Usuario
Optimizacin de Sistema
Equilibrio de Usuario:
Este modelo se basa en el primer principio de Wardrop, que afirma:
Curso de Simulacin
Los tiempos de viajes en todas las rutas realmente utilizadas son

menores o iguales que los que requerira un usuario en cualquier ruta no
utilizada
A su vez existen dos tipos de modelo de Equilibrio de Usuario:
Determinista: Supone que cada usuario tiene informacin
perfecta sobre sus rutas y la congestin de la red.
Estocstico: Que asume que los usuarios no poseen
informacin perfecta de la red y perciben de forma distinta
los inconvenientes y atributos de la misma.
El Equilibrio se alcanza cuando ningn usuario cree que su tiempo de viaje

puede ser mejorado mediante un cambio en su ruta
Optimizacin de Sistema:
Tiene como objetivo la minimizacin del tiempo total de viaje en el sistema.

Este modelo obtiene una asignacin de flujo que minimiza el tiempo total de
viaje en toda la red.
Caractersticas de Dynameq
Dynameq es un modelo basado en la asignacin de trfico dinmico (DTA),
modelo basado en el modelo de equilibrio de usuario.
El objetivo es minimizar el viaje de cada conductor.
Dynameq trabaja con un mtodo reiterativo donde cada iteracin consiste de
una ejecucin del modelo opcin-trayectoria y una ejecucin de la simulacin
de trfico.
El simulador recibe los tiempos dependiendo de las proporciones de flujo de
cada modelo opcin-trayectoria y simula el trfico resultante de los modelos en
la red.
Curso de Simulacin
La salida de cada uno de los dos modelos es la entrada del otro. Este
proceso continua cclicamente hasta converger a un estado aproximado de
equilibrio de usuario.
Las iteraciones pueden considerarse como una serie consecutiva de das
donde los conductores arrancan el primer da con el conocimiento de la red vial
pero de ningn conocimiento de los modelos de trfico de los que sern
resultado sus opciones de trayectoria.
Despus de experimentar la congestin de trfico resultante, cada conductor
considera cada da, la posibilidad de escoger un camino diferente durante el
prximo da. Despus de cierto nmero de das los conductores dejan de
buscar los nuevos caminos y restringen sus opciones a caminos que ellos ya
han probado.
Datos de entrada Dynameq:

Dynameq esta diseado para minimizar los requerimientos de datos y
proporcionar valores predeterminados tiles si el dato no est disponible.
Las entradas a una matriz Dynameq DTA son la demanda de trfico, la
definicin de la red, y los planes de control de trfico.
La demanda de trfico est representada por un tiempo dependiente
de la matriz origen destino (o-d) para cada clase de vehculo modelado.
Todos los datos pueden ser importados o exportados en archivos de
texto ASCII. Las herramientas estn disponibles validar los datos de la
entrada.
Curso de Simulacin
Diagramas de flujo
Salidas Dynameq
Dynameq permite analizar cientos de datos de salida en representaciones
visuales de las condiciones de trfico, del trfico general y las colas en los
carriles individualmente. Las salidas de un DTA dynameq son los resultados
de la simulacin y los resultados de las trayectorias
Los resultados de la simulacin estn presentados en diagramas y graficas
de series de tiempo.
Muestra resultados detallados de las animaciones de las colas por carril.
Con la animacin de Dynameq los diagramas se pueden modificar fcilmente
para requisitos particulares mostrando valores promedio de las medidas de
trfico, incluyendo flujos, densidad, velocidad, tiempos de recorrido, y conteo
de vehculos en cola.
Muestra resultados detallados de las animaciones de las colas por carril
Todos los resultados de la simulacin se pueden clasificar
Curso de Simulacin
El tamao del intervalo de tiempo es definido por el usuario, pero

normalmente en el orden de algunos minutos.
Ver el cuadro grande con animaciones red-escala y animacin de graficas,
densidades y resultados de tiempos de trfico para identificar patrones de
congestin
Determinar el grado de congestin
de las colas carril por carril y los
diagramas time series.

Fijar la atencin en las trayectorias usadas orgenes y destinos
Comparar los resultados de los escenarios con la animacin.
Curso de Simulacin
CAPITULO 5:
DINMICA DE SISTEMAS
Curso de Simulacin
Leccin 20 Conceptos Bsicos
La Dinmica de Sistemas es una metodologa para la construccin de

modelos de simulacin para sistemas complejos, como los que son estudiados
por las ciencias sociales, la economa o la ecologa.
La Dinmica de Sistemas aplica mtodos de sistemas duros, bsicamente las
ideas de realimentacin y sistema dinmico, junto con la teora de modelos en
el espacio de estados y procedimientos de anlisis numrico. Por tanto sera
una metodologa ms entre las de sistemas duros. Sin embargo, en su punto
de mira estn los problemas no estructurados (blandos), como los que
aparecen en los sistemas socioeconmicos. Esto plantea dos tipos de
dificultades:
Cuantificacin:
En Dinmica de Sistemas se comienza por identificar las variables de
inters y las relaciones que ligan entre s a estas variables. A
continuacin es imprescindible cuantificar dichas relaciones, lo que en
ocasiones plantea dificultades insalvables.
Validacin:
Una vez construido el modelo hay que preguntarse si refleja
razonablemente la realidad. Esta cuestin puede resolverse por ejemplo
en caso de que se disponga de informaciones cuantitativas de la
evolucin del sistema real en el pasado. Si el modelo es capaz de
generar
los
comportamientos
caractersticos
del
sistema
real,
denominados {\em modos de referencia}, entonces obtendremos una

cierta confianza en la validez del modelo.
En Dinmica de Sistemas la simulacin permite obtener trayectorias para las
variables incluidas en cualquier modelo mediante la aplicacin de tcnicas de
integracin numrica. Sin embargo, estas trayectorias nunca se interpretan
como predicciones, sino como proyecciones o tendencias. El objeto de los
Curso de Simulacin
modelos de Dinmica de Sistemas es, como ocurre en todas las metodologas

de sistemas blandos, llegar a comprender cmo la estructura del sistema es
responsable de su comportamiento. Esta comprensin normalmente debe
generar un marco favorable para la determinacin de las acciones que puedan
mejorar el funcionamiento del sistema o resolver los problemas observados. La
ventaja de la Dinmica de Sistemas consiste en que estas acciones pueden ser
simuladas a bajo coste, con lo que es posible valorar sus resultados sin
necesidad de ponerlas en prctica sobre el sistema real.
Leccin 21 Historia de Dinmica de Sistemas
A lo largo de los aos cincuenta comenz a fraguarse en el Instituto de

Tecnologa de Massachusetts (MIT) una destacada metodologa de sistemas,
la Dinmica de Sistemas. Jay W. Forrester, ingeniero electrnico, haba
pasado del Laboratorio de Servomecanismos, donde invent las memorias
magnticas de ncleos de ferrita, a coordinar un gran proyecto de defensa, el
sistema SAGE (Semi-Automatic Ground Equipment). En la realizacin de este
sistema de alerta en tiempo real se percat de la importancia del enfoque
sistmico para concebir y controlar entidades complejas como las que surgen
de la interaccin de hombres y mquinas.
Tras esta experiencia, Forrester pasara como profesor a la Sloan School of
Management del MIT, donde observ que en las empresas se producan
fenmenos de realimentacin que podan ser causa de oscilaciones, igual que
sucede en los servomecanismos. De esta forma ide la Dinmica Industrial
[Industrial Dynamics, 1961], una metodologa que permita construir modelos
cibernticos de los procesos industriales. La peculiaridad de estos modelos
resida en la posibilidad de simular su evolucin temporal con la ayuda del
ordenador.
Posteriormente
aplicara
su
metodologa
problemas
de
planificacin urbana [Urban Dynamics, 1969] y la generalizara para cualquier

tipo de sistema continuo, cambiando su denominacin por la de Dinmica de
Sistemas [System Dynamics, 1968].
Curso de Simulacin
La Dinmica de Sistemas alcanz gran difusin durante los aos setenta, al

servir de base para los estudios encargados por el Club de Roma a Forrester y
su equipo para valorar el efecto del crecimiento de la poblacin y de la
actividad humana en un mundo de recursos limitados. El propio Forrester
dirigi la confeccin de un modelo inicial del mundo [World Dynamics, 1971] a
partir del cual se realizara ms tarde el informe definitivo [The Limits to
Growth, 1973], dirigido por D.L. Meadows y financiado por la Fundacin
Volkswagen. Un segundo informe, tambin utilizando Dinmica de Sistemas,
sera encargado posteriormente a Mesarovic y Pestel [Mankind at the Turning
Point, 1974].
Leccin 22 Diagramas Causales

Los primeros estadios de la conceptualizacin de un modelo requieren definir el
propsito del mismo. En funcin de ello hay decidir qu elementos han de ser
tomados en consideracin y cules de entre ellos estn relacionados de forma
que lo que ocurre en uno afecta de manera inmediata al otro. Por cuanto
nuestro inters se centra en la variacin en el tiempo del valor cuantitativo
atribuido a cada elemento (variable), las influencias buscadas son las que su
manifestacin consista en que una variable aumente o disminuya en funcin de
que otra, de la cual depende, experimente algn tipo de variacin. Una forma
natural de representar elementos y relaciones es mediante un grafo orientado.
A veces, cuando el sentido de la influencia es conocido, se suele incluir un
signo ms o un signo menos que hace alusin a una influencia del mismo
sentido o de sentido opuesto segn el caso. Por ejemplo, si la densidad de
coches aumenta o disminuye cabe esperar que el numero de accidentes
tambin aumente o disminuya respectivamente. Existe, por tanto, una
influencia en el mismo sentido. Por el contrario, las ventas de coches
seguramente dependern del precio de los mismos pero la influencia ser esta
vez de sentido opuesto.
Curso de Simulacin
Densidad de coches
Accidentes
Precio
Ventas de coches
Fig. Dependencia causal entre variables
Establecer un grafo en el que aparezcan representados todos los elementos

que componen el modelo junto con sus relaciones supone un paso importante
en la definicin de la estructura del mismo. Un grafo de esas caractersticas se
conoce
como
diagrama
causal
de
influencias.
No
obstante,
metodolgicamente no es recomendable la construccin de un diagrama causal

exhaustivo como primera fase en la construccin de un modelo aun cuando
diagramas parciales o globales a alto nivel jerrquico puedan ser buenos como
mecanismo de ayuda a la conceptualizacin. Sin embargo, de cara a facilitar la
comprensin de las hiptesis introducidas en el modelo, es de gran ayuda
disponer de un diagrama causal exhaustivo para la presentacin del mismo a
un pblico interesado. Dicho diagrama causal siempre puede deducirse sin
dificultad una vez finalizada la construccin del modelo.
Lazos realimentados
El tipo de problemas en los que habitualmente trabaja la Dinmica de Sistemas
se caracteriza porque en stos siempre aparecen relaciones causales
estructuradas en bucles cerrados. Ello no es sorprendente por cuanto detrs de
un bucle cerrado de relaciones causales subyace el principio filosfico de que
nada se hace impunemente. Una accin ejecutada por o sobre un elemento del
bucle se propaga por el mismo de manera que tarde o temprano esa accin
repercute sobre sus propios valores futuros. Esto es habitual en las
organizaciones en las que el hombre es una parte ms de las mismas, las
Curso de Simulacin
cuales constituyen en buena medida nuestro principal objeto de estudio.

Conviene distinguir dos tipos de lazos realimentados, lazos positivos y
negativos. Positivos son aquellos en los que una variacin en un elemento se
ve reforzada por las influencias mutuas entre los elementos. Por el contrario, en
los lazos negativos una variacin en cualquiera de sus elementos tiende a ser
contrarrestada por las influencias en sentido contrario que se generan en el
lazo. La figura muestra un ejemplo de ambos tipos de lazo.
Poblacin
Poblacin
+
+
nacimientos
muertes
Fig.. Lazos positivo y negativo
Es importante notar que dinmicamente un lazo positivo tiende a producir

situaciones de crecimiento o decrecimiento ilimitado, mientras que un lazo
negativo tiende a producir equilibrio. Desde el punto de vista de la causalidad
un modelo est siempre estructurado como un conjunto de lazos positivos y
negativos interconectados entre s. El comportamiento dinmico del mismo
depender de cmo se vaya produciendo la alternancia en el dominio entre la
tendencia a crecer o decrecer de los unos y la tendencia al equilibrio de los
otros.
Tipos de variables
Distinguiremos tres tipos de variables en funcin de su propio cometido en el
modelo. Variables de nivel, variables de flujo y variables auxiliares.
Curso de Simulacin
Los niveles suponen la acumulacin en el tiempo de una cierta magnitud. Son

las variables de estado del sistema, en cuanto que los valores que toman
determinan la situacin en la que se encuentra el mismo.
Los flujos expresan de manera explicita la variacin por unidad de tiempo de
los niveles. No es siempre inmediato decidir cul de los tres tipos ser el
apropiado para representar a un elemento determinado del sistema real en
estudio. Pensar en un cierto nivel de agua y en un grifo que lo abastece es una
buena metfora para mejor comprender los significados respectivos de estos
dos tipos de variable.
Las variables auxiliares son, como su nombre indica, variables de ayuda en el
modelo. Su papel auxiliar consiste en colaborar en la definicin de las variables
de flujo y en documentar el modelo hacindolo ms comprensible.
Adems de las variables reseadas, en todo modelo habr tambin
parmetros, o sea, variables que se mantienen constantes durante todo el
horizonte temporal de ejecucin del modelo.
Leccin 23 Diagramas de Forrester

El Diagrama de Flujos, tambin denominado Diagrama de Forrester, es el
diagrama caracterstico de la Dinmica de Sistemas. Es una traduccin del
Diagrama Causal a una terminologa que facilita la escritura de las ecuaciones
en el ordenador. Bsicamente es una reclasificacin de los elementos.
No hay unas reglas precisas de como hacer esta transformacin, pero si hay
alguna forma de abordar este proceso. Pasos a seguir:
1. Hace una fotografia mental al sistema y lo que salga en ella (personas, km2,
litros, animales,..) eso son Niveles.
2. Buscar o crear unos elementos que sean "la variacin de los Niveles",
(personas/dia, litros/hora, ...) y esos son los Flujos.
Curso de Simulacin
3. El resto de elementos son las Variables Auxiliares.

Como regla general esto sirve para empezar. Despus ya se pueden ir
haciendo retoques, y as los Niveles que vayan a permanecer constantes (m2
de la habitacin) en vez de definirlos como Niveles se pueden definir como
variables auxiliares tipo constante que es ms sencillo. Este es todo el
procedimiento. Ahora veremos con ms detalle como se representan estos
elementos.
Los "Niveles" son aquellos elementos que nos muestran en cada instante la
situacin del modelo, presentan una acumulacin y varan solo en funcin de
otros elementos denominados "flujos". Las "nubes" dentro del diagrama de
flujos son niveles de contenido inagotable. Los niveles se representan por un
rectngulo.
Los "flujos" son elementos que pueden definirse como funciones temporales.
Puede decirse que recogen las acciones resultantes de las decisiones tomadas
en el sistema, determinando las variaciones de los niveles.
Las "variables auxiliares" y las "constantes", son parmetros que permiten una
visualizacin mejor de los aspectos que condicionan el comportamiento de los
flujos.
Las magnitudes fsicas entre flujos y niveles se transmiten a travs de los
denominados "canales materiales". Por otra parte existen los llamados "canales
de informacin", que transmiten, como su nombre indica, informaciones que por
su naturaleza no se conservan.
Por ltimo quedan por definir los "retardos", que simulan los retrasos de tiempo
en la transmisin de los materiales o las informaciones. En los sistemas
socioeconmicos es frecuente la existencia de retardos en la transmisin de la
informacin y de los materiales y tienen gran importancia en el comportamiento
del sistema.
Para los retardos de material existen las funciones DELAY1 y SMOOTH. Para
los de informacin se utilizan DELAY3 y SMOOTH3. Los de primer orden frente
Curso de Simulacin
a una entrada escaln, respondern con una curva exponencialmente

asinttica, mientras que un retardo de tercer orden conduce a una curva
sigmoidal. En cierta forma los retardos de informacin actan como filtros
alisadores de la variable de entrada.
Leccin 24
Dinmico de
Metodologa para construccin de un modelo

Sistemas
El proceso de desarrollo de software puede definirse como un conjunto de

herramientas, mtodos y prcticas que se emplean para producir software.
Como cualquier otra organizacin, las dedicadas al desarrollo de software
mantienen entre sus principales fines, la produccin de software de acuerdo
con la planificacin inicial realizada, adems de una constante mejora con el fin
de lograr los tres objetivos ltimos de cualquier proceso de produccin: alta
calidad y bajo coste, en el mnimo tiempo. La gestin de un PDS engloba, por
tanto, todas las funciones que mantengan a un proyecto dentro de unos
objetivos de coste, calidad y duracin previamente estimados. La mayora de
estas funciones y tcnicas de gestin y control empleadas, se han importado
de otras industrias de produccin que desarrollaron estos mtodos a principios
de siglo.
Sin embargo, los problemas de gestin que surgen en las organizaciones de
desarrollo provienen principalmente de la gestin estratgica, como puede ser
el entorno socio/poltico de la organizacin, su nivel de madurez y los factores
humanos o del personal tcnico. De hecho, la incapacidad de las tcnicas de
gestin actuales para tratar el complicado factor humano ha sido reconocida
como uno de los principales problemas.
A principios de los 90 se produce un salto significativo en la gestin de
Proyectos de Desarrollo de Software (PDS) con la aparicin del primer modelo
dinmico [Abdel-Hamid y Madnick, 1991]. Este modelo incorpora las
actividades bsicas relacionadas con la de gestin de recursos humanos,
produccin de software, planificacin y control.
Curso de Simulacin
Las caractersticas de esta disciplina contribuyen a que se desarrollen modelos

del proceso de desarrollo de software que permiten manejar complejidades
dinmicas y conocer los efectos secundarios de las decisiones tomadas sobre
la globalidad del mismo, aspectos que son esenciales para desarrollar una
buena estrategia. Para nosotros un PDS es un sistema dinmico sociotecnolgico complejo, cuya evolucin temporal viene dada por su estructura
interna, por las relaciones existentes entre el personal tcnico que trabaja en el
mismo y por el nivel de madurez de la propia organizacin de desarrollo.
Ventajas de la aplicacin de la Dinmica de Sistemas a la Ingeniera del

Software
Las aplicaciones de la Dinmica de Sistemas en la Ingeniera del Software son

mltiples. Entre ellas destaca principalmente su aplicacin a la investigacin de
nuevas polticas de desarrollo, que se ve facilitada por la capacidad de
simulacin. Tambin destacan sus aplicaciones dirigidas a la formulacin de
una metodologa formal, que permita estandarizar el proceso de desarrollo de
software, los anlisis de proyectos ya terminados (anlisis post-mortem) y la
monitorizacin y seguimiento continuo de los proyectos en desarrollo.
Por tanto, el marco de la Dinmica de Sistemas ofrece las bases para construir
una teora comn para los PDS. La elaboracin de modelos dinmicos puede
constituir una metodologa formal segn la cual se pueden expresar los
conocimientos sobre el sistema. Adems, el proceso de construccin del
modelo, por s mismo, obliga a los investigadores a tener un alto conocimiento
de cules son los parmetros claves que influyen en el comportamiento del
sistema y cmo se relacionan entre s constituyendo lazos de realimentacin.
Por otro lado, el potencial de los modelos de simulacin para la formacin y el
entrenamiento de los directores de proyectos es manifiesto: los entornos de
simulacin sitan a los directores frente a situaciones reales que pueden
encontrar en la prctica y les permite adquirir experiencia sin correr riesgos. La
Curso de Simulacin
disponibilidad de un modelo dinmico, que simule el comportamiento o algn

aspecto concreto de una organizacin, y un entorno de simulacin potente
como los que existen en la actualidad, constituye una herramienta fundamental
en la toma de decisiones de dicha organizacin.
Modelos Dinmicos para Proyectos de Desarrollo de Software

A continuacin, se presentan algunos modelos dinmicos cuyas aportaciones
fundamentales se centran en aadir nuevas capacidades y aplicaciones al
Modelo de Abdel-Hamid y Madnick. Estos modelos se pueden dividir en dos
grandes grupos:
1. Los de carcter general creados para simular entornos especficos de
desarrollo dentro de una determinada organizacin. Entre estos modelos
destacan:
- El Modelo SEPS (Software Engineering Process Simulation). Elaborado en el
laboratorio JPL (Jet Propulsion Laboratory). Diseado para simular el
comportamiento de proyectos grandes considerando la existencia de un doble
ciclo de vida: el proceso de desarrollo propiamente dicho y el proceso de toma
de decisiones. Adems, introduce sistemas expertos con lgica fuzzy en la
interfaz del modelo.
- El Modelo de Draper Laboratory. El Modelo de Draper constituye una
ampliacin del Modelo de Abdel-Hamid y Madnick. Presenta como novedad la
incorporacin de la etapa de Anlisis de Requisitos (no tratada en el Modelo de
Abdel-Hamid y Madnick) contemplando la posibilidad de que estos requisitos
puedan cambiar a lo largo del proyecto e incorpora tambin una serie de
variables y relaciones para analizar la influencia que puede tener en el proyecto
las relaciones con el cliente.
2. Los de carcter especfico para analizar problemas concretos presentados
en la gestin de PDS. Entre estos modelos destacan:
Curso de Simulacin
- El Modelo de Chichacly. Este modelo realizado para estudiar el impacto de un

cambio de tecnologa, concretamente el cambio de C a C++, dentro de una
empresa de desarrollo de aplicaciones para Macintosh poniendo de manifiesto
la reaccin de oposicin o resistencia por parte de los tcnicos ante la
implantacin de cualquier tipo de cambio en las tcnicas o mtodos de trabajo
empleados normalmente.
- El Modelo Aranda/Friddaman/Oliva. Este modelo aade aspectos nuevos al
modelo de Abdel-Hamid y Madnick como son los efectos del empleo de las
tcnicas TQM (Total Quality Management) para el control de calidad, la
ampliacin del horizonte temporal del proyecto con el fin de recoger las
diferentes versiones del software producido y el estudio del impacto comercial
del producto final.
- El modelo Multiproyecto. Este modelo estudia las transferencias netas de
personal que se producen cuando interactuan dos proyectos por los mismos
recursos.
Curso de Simulacin
CAPITULO 6:
TEORIA DE INVENTARIOS
Curso de Simulacin
Leccin 25 Clasificacin de los modelos de Inventarios

TEORA DE INVENTARIOS
Un Sistema de Inventarios se refiere al mantenimiento de cantidades
suficientes de bienes (refacciones, materias primas) que garanticen una
operacin fluida en un sistema de produccin o una actividad comercial.
ADMINISTRACIN CIENTFICA DE INVENTARIOS
Formular un modelo matemtico que describa el comportamiento del

sistema de inventarios.
Derivar una poltica optima de inventarios respecto a este modelo.
Utilizar un sistema de procesamiento de informacin computarizado para

mantener un registro de los niveles del inventario.
A partir de los registros de los niveles de inventario, utilizar la poltica

optima de inventarios para sealar cuando y cuanto conviene
reabastecer.
Un modelo de inventarios es la abstraccin matemtica o lgica que

se hace de un sistema de inventarios real para dar respuesta a dos
preguntas fundamentales:
- Qu Cantidad de artculos deben pedirse?

- Cundo deben pedirse?
Los Modelos de Inventarios se clasifican en:
- Modelos Determinsticos
- Modelos Estocsticos
Curso de Simulacin
El objetivo de un modelo de inventarios es buscar un equilibrio entre un

conjunto de costos que aumenta con los inventarios y otro conjunto de costos
que disminuye con los inventarios. En trminos matemticos es minimizar la
suma de los siguientes costos:
Leccin 26 COMPONENTES DE LOS MODELOS DE INVENTARIOS

2. Demanda: Tasa de consumo (artculos/tiempo).
3. Puede ser determinstica o estocstica.
4. Tiempo de adelanto: Tiempo que transcurre entre el momento de la
requisicin y la llegada de mercanca. Puede ser determinstico o
estocstico.
5. Poltica de pedidos: Es la manera como se realizan los pedidos y se
clasifican principalmente en punto de pedido, revisin peridica.
COMPONENTES DE LOS MODELOS DE INVENTARIOS
1. Costo de Ordenar o Fabricar
2. Costo de mantener o almacenar
3. Costo por Demanda Insatisfecha
Otros costos relevantes incluyen:
4.
Costo por Salvamento (Almacenar)
5.
Los ingresos
6.
Los costos de recuperacin
7.
Las tasas de descuento
C (Z): COSTO DE ORDENAR O PRODUCIR Z UNIDADES
Curso de Simulacin
DETERMINSTICOS O ESTOCSTICOS
Segn si se conoce la demanda para el periodo o si se trata de una

variable aleatoria que tiene una distribucin de probabilidad conocida.
Otra componente del modelo de inventarios es el Tiempo de entrega.
Otra clasificacin posible se relaciona con la forma en que se revisa el

inventario, ya sea continua o peridicamente.
Leccin 27 Modelo Determinstico

MODELOS DETERMINSTICOS DE REVISIN CONTINUA
MODELO EOQ BSICO

- Se conoce la tasa de demanda de a unidades por unidad de tiempo.
- La cantidad ordenada Q para reabastecer el inventario llega toda junta
cuando se desea.
- No se permite planear faltantes
MODELOS DETERMINSTICOS DE REVISIN PERIDICA
MODELO EOQ
Curso de Simulacin
Nivel de
inventarios
Q
t
L
T
MODELO EOQ original con stock de seguridad

Nivel de
inventarios
Q+
K
Q
K
MODELO EOQ con faltantes por surtir

Nivel de
inventarios
Q-S
Q-S
Q
S
T1
T2
T
MODELO EOQ con descuentos por cantidad
Curso de Simulacin
Costo
Anual
CT (SD)
CT (CD)
CT (B SD)
CT (Q*SD)
CT (B CD)
CT (Q*CD)
Q
B
Q*(SD)
Q*(CD)
Leccin 28 Modelos Estocasticos

MODELO ESTOCSTICO CON REVISIN CONTINUA
Cada aplicacin se refiere a un solo producto
El nivel de inventario esta bajo revisin contina por lo que su valor

actual se conoce.
Existe un tiempo de entrega entre la colocacin de una orden y la

recepcin de la cantidad ordenada
Debe usarse una poltica R,Q
La demanda para retirar unidades del inventario y venderlas es incierta,

pero sin embargo se conoce su distribucin de probabilidad.
Si ocurren faltantes el exceso de demanda queda pendiente
Se incurre en costo de preparacin cada vez que se coloca una orden
Se incurre en costo de mantener, por cada unidad de inventario por

unidad de tiempo
Cuando ocurren faltantes se incurre en el costo de faltantes, por cada

unidad que falta.
Curso de Simulacin
Leccin 29 Polticas de gestin

La Poltica de Gestin se refiere a la forma como la organizacin

asume sistemas para el control de inventarios.
El sistema debe reconocer la variabilidad inherente que tienen la

demanda, los tiempos entre demandas y los tiempos de entrega del
pedido para predecir la forma en que variaran los inventarios.
Existen tcnicas comunes para las polticas de gestin de los inventarios.

Que son:
1. Sistemas de Cantidad Fija de Reorden: Se pide un lote de tamao fijo
cada vez que el inventario desciende por debajo de un determinado nivel
(PUNTO DE PEDIDO).
2. Sistemas de Ciclo Fijo de Reorden: Se pide peridicamente un lote de
tamao variable
3. Sistemas de Reabastecimiento Optativo( s y S ): Se pide cuando se
alcanza el nivel mnimo hasta completar el nivel mximo de inventario.
Sistemas de Reabastecimiento Optativo( s y S )
Establece un mximo de inventario en existencias y pedido.
Combina los mecanismos esenciales de Control de los Sistemas de

Cantidad Fija de Reorden y de Ciclo Fijo de Reorden.
Mantiene vigilancia estrecha sobre los niveles de inventarios y las tasas

de demanda relacionadas con el sistema de Ciclo Fijo de Reorden
La optimidad de la poltica s-S depende principalmente del hecho que la

funcin de costo es convexa.
Curso de Simulacin
APLICACIN INVENTARIOS
Curso de Simulacin
Tiempo Entre Demandas:

Sigue una D. Uniforme (a= 0.033 b=0.133)
Tiempo de Pedido:
Sigue una D. Uniforme (a=0.033 b=0.133)
Inventarios
Parmetros:
k = $400000 / pedido
h = $ 50 / articulo
ci = $ 2700 / articulo
e = $ 100000 / articulo
Inv_inicial : 6000 articulos
n_politicas = 5
s
9000
18000
9000
27000
9000
35000
18000
27000
18000
35000
Proceso siguiente: simular
Curso de Simulacin
CONCLUSIONES
La posibilidad que ofrece la SIMULACIN en la proyeccin de control de

inventarios a n periodos es indispensable en la TOMA DE DECISIONES
no solo por el hecho de arrojar datos sino por la comparacin de
polticas que establece. Siendo el modelo diseado, de naturaleza
probabilstica,
analticamente
es
casi
imposible
conocer
el
comportamiento del inventario en por ejemplo 10 aos. La simulacin

nos permite llegar a estas proyecciones.
Podemos observar que cuando el costo de escasez se decrementa,

aumenta el costo de almacenamiento.
En cuanto al modelo practico, las polticas de gestin de inventarios de

ARTCULOS que compiten por ser las ms optimas son la Primera y la
Segunda con una diferencia que varia entre 2 y 5 %. Es tarea del
Gerente analizar estas polticas y tomar la decisin.
Es importante observar el alto costo de escasez que origina no haber

existencias de ARTCULOS en la planta, debido a que la produccin
depende en gran medida de este elemento.
Curso de Simulacin
CAPITULO 7
SISTEMAS BASADOS EN
AGENTES
Curso de Simulacin
Leccin 30 Dimensiones de los agentes
INTRODUCCIN
Los agentes son objetos con un conjunto de estados asociados.
Estn situados dentro de un ambiente computacional en el cual pueden
sentir y actuar recprocamente.
Las transiciones entre estados son especificadas por una red de
comportamiento probabilstica.
Aunque cada agente slo tenga un repertorio relativamente pequeo de
comportamientos, cuando varios agentes actan recprocamente la
apariencia externa es de un sistema complejo que evoluciona con el tiempo.
COMPORTAMIENTO EMERGENTE
Los agentes actan recprocamente con su ambiente por medio de
acciones.
Un sistema de agentes consta principalmente de las tres siguientes partes:
Los Agentes
El Ambiente
Las Acciones, el Arbitro y los Comportamientos
Ejemplos
Cadenas de suministro: productos, almacenes
Estrategias: el dilema del prisionero
Monitoreo y control de las condiciones ambientales en un edificio de oficinas:
aire, temperatura, iluminacin.
Agentes: personas con preferencias.
Curso de Simulacin
Entrenamiento en polticas para que los funcionarios desarrollen habilidades

de gerencia.
Leccin 31 Dimensiones de los Agentes
Interaccin: desde lo colaborativo a la no interaccin.
Lenguaje de comunicacin: seales simples a ninguna en modo alguno.
Control/autonoma: desde cada agente como un proceso separado (o en
hilo) hasta un proceso simple.
Pro-activos: desde proactivos a reactivos.
Claridad espacial: cada agente se le asigna una localizacin en el espacio
hasta la no nocin de espacio.
Movilidad: cada agente movindose alrededor en un espacio fsico
simulado hasta todos estando en estados estacionarios.
Adaptatividad: desde el aprendizaje a lo esttico.
La SBA parece apropiada para la simulacin de situaciones donde hay un gran
nmero de individuos heterogneos quienes pueden comportarse cada uno de
modo diferente.
Heterogneos
Vehculos y peatones en situaciones de trfico.
Actores en mercados financieros.
Comportamiento de consumidores.
Humanos y mquinas en campos de batalla.
Animales y/o plantas en eco-sistemas.
Criaturas artificiales en juegos de computador.
Curso de Simulacin
Leccin 32
Agentes Software
Name
CA/Agent URL
Plataform Licensing
DUEM
CA
http://ceita.acad.emich.edu
C++
JCASim CA
http://www.sc.cs.tu-bs.de/~weimar/jcasim/
Java
ZEUS
Agent
http://innovate.bt.com/projects/agent.htm
EOS
Swarm
agent
http://swarm.org
Kange
CA
http://nr.usu.edu/swarm
RePast
Agent
http://www.spc.uchicago.edu/src.cgi?csshome
Java
GNU
Aglets
Agent
http://www.trl.ibm.co.jp/aglets/
Java
GNU
JADE
Agent
http://sharon.cselt.it/projects/jade/
Java
GNU
StarLogo CA-Agent http://www.media.mit.edu/starlogo/home.htm

IMT
Ascape
MAML
Agent
CAAgent
Agent
ObjetiveC
ObjetiveC
(Java)
http://flock.cbl.umces.edu/imt/
http://www.brook.edu/es/dynamics/models/ascape/default.htm Java
http://www.syslab.ceu.hu/maml
Leccin 33
ObjetiveC
Sistema Multiagente
El dominio del sistema multiagente o de inteligencia artificial distribuida es una

ciencia y una tcnica que trata con los sistemas de inteligencia artificial en red.
El bloque fundamental de construccin de un sistema multiagente, como es de
esperarse, son los agentes.
Aunque no existe una definicin formal y precisa de lo que es un agente, stos
son por lo general vistos como entidades inteligentes, equivalentes en trminos
computacionales a un proceso del sistema operativo, que existen dentro de
GNU
GNU
Curso de Simulacin
cierto contexto o ambiente, y que se pueden comunicar a travs de un

mecanismo de comunicacin inter-proceso, usualmente un sistema de red,
utilizando protocolos de comunicacin.
En cierto modo, un sistema multiagente es un sistema distribuido en el cual los
nodos o elementos son sistemas de inteligencia artificial, o bien un sistema
distribuido donde la conducta combinada de dichos elementos produce un
resultado en conjunto inteligente.
Hay que notar que los agentes no son necesariamente inteligentes. Existen
como en todo el resto del dominio de la inteligencia artificial, dos enfoques para
construir sistemas multiagentes:
El enfoque formal o clsico, que consiste en dotar de los agentes de la

mayor inteligencia posible utilizando descripciones formales
del
problema a resolver y de hacer reposar el funcionamiento del sistema en

tales capacidades cognitivas. Usualmente la inteligencia es definida
utilizando un sistema formal (por ejemplo, sistemas de inferencia lgica)
para la descripcin, raciocinio, inferencia de nuevo conocimiento y
planificacin de acciones a realizar en el medio ambiente.
El enfoque constructivista, que persigue la idea de brindarle inteligencia

al conjunto de todos los agentes, para que a travs de mecanismos
ingeniosamente elaborados de interaccin, el sistema mismo genere
comportamiento inteligente que no necesariamente estaba planeado
desde un principio o definido dentro de los agentes mismos (que pueden
ser realmente simples). Este tipo de conducta es habitualmente llamado
comportamiento emergente.
Curso de Simulacin
Leccin 34
Automtas Celulares
Historia
Los autmatas celulares son mquinas discretas que pueden realizar cierto tipo
de cmputos. Fueron inventados en la dcada de 1940 por John von Neumann.
Definicin
Los Autmatas Celulares son universos lgicos de tiempo y espacio discreto,
que cumplen su propia fsica local.
Estructura de entes comunicados entre s de forma regular de manera que el
comportamiento de cada uno est afectado por el de sus vecinos.
Es esencial fijar una estructura regular o topologa en la que se distribuyen
uniformemente los entes. El Espacio es particionado en elementos discretos
llamados celdas y el tiempo progresa en pasos discretos.
Cada celda del espacio est en uno de un nmero finito de estados (posibles
estados) en cualquier tiempo
Autmata Celular
Todas las celdas son idnticas
Cada celda est interconectada solo con sus vecinas
La operacin de todas las celdas es sncrona
No hay ningn control centralizado
Utilidad
Los autmatas celulares han sido estudiados y son de inters en diferentes
disciplinas
Simulacin de sistemas complejos,
Como alternativa al enfoque tradicional de expresin de los sistemas mediante
las ecuaciones diferenciales que describen el comportamiento de sus variables.
Curso de Simulacin
Incluso en algunos trabajos se ha propuesto su uso como herramienta para la

solucin de las ecuaciones asociadas a ciertos sistemas [Boo96])
Informtica terica,
Alguno de ellos es computacionalmente completo, y como cualquier otra
arquitectura abstracta discreta, son objeto de estudio de la Informtica Terica
Como un nuevo sistema complejo:
El estudio de los autmatas celulares tambin ha sido abordado por algunos
autores como si fueran otros sistemas complejos fsicos ms ([Wol94])
Caractersticas
Los AC existen en algn espacio.
En un contexto urbano, cualquier nmero de ambientes artificiales pueden ser
diseado para agentes que habiten, desde espacios pequeos hasta ciudades.
Los agentes tienen atributos que describen su condicin y las caractersticas
que gobiernan su comportamiento.
Los agentes poseen algn lmite discreto que los separa del ambiente en el
cual existen.
Pueden ser diseados para imitar cualquier entidad urbana como por ejemplo,
habitantes, negocios, vehculos, etc.
Los agentes tienen conjuntos de atributos o estados que describen sus
caractersticas.
Los estados pueden ser formulados para representar los atributos de
organizaciones urbanas reales:
por ejemplo, un agente es diseado para imitar un grupo familiar que puede
tener atributos tales como un ingreso medio, carro propio, etc.
El intercambio de informacin es realizado a travs de las vecindades.
El comportamiento de los agentes est dirigido por reglas de transicin.
Cualquier nmero de reglas pueden ser diseadas para gobernar las
actividades de los agentes:
objetivos que los agentes buscan satisfacer (por ej., minimizar distancias de
viaje en el algoritmo del vendedor viajero),
preferencias que podran estar considerando disfrutar: ej: gustos o
repugnancia por ciertos espacios, etc.
Curso de Simulacin
Tipos de Autmatas Celulares

Algunas familias interesantes son las siguientes:
Autmatas celulares no deterministas.
La funcin de transicin especifica un conjunto de posibles estados siguientes
para cada configuracin de los vecinos.
Autmatas celulares probabilistas. y la de los
La funcin de transicin especifica un conjunto de posibles estados siguientes
para cada configuracin de los vecinos y define, adems, una distribucin de
probabilidades discreta para asociar una probabilidad a cada opcin.
Curso de Simulacin
CAPITULO 8
INTRODUCCION A LOS SISTEMAS
BASADOS EN EL CONOCIMIENTO
Curso de Simulacin
Leccin 35 Modulos bsicos de Representacin del Conocimiento
Representacin del Conocimiento

Dado
que
el
conocimiento
es
importante
primordial
para
el
comportamiento inteligente, su representacin constituye una de las

mximas prioridades de la investigacin en IA. El conocimiento puede ser
representado como imgenes mentales en nuestros pensamientos, como
palabras habladas o escritas en algn lenguaje, en forma grfica o en
imgenes, como cadenas de caracteres o colecciones de seales elctricas
o magnticas dentro de un computador. En nuestro estudio de IA,
consideraremos las representaciones escritas y sus correspondientes
estructuras de datos utilizadas para su almacenamiento en un computador.
La forma de representacin que se escoja depender del tipo de problema a
ser resuelto y de los mtodos de inferencia disponibles.
Una representacin del conocimiento puede ser un esquema o dispositivo
utilizado para capturar los elementos esenciales del dominio de un
problema. Una representacin manipulable es aquella que facilita la
computacin. En representaciones manipulables, la informacin es
accesible a otras entidades que usan la representacin como parte de una
computacin.
Debido a la variedad de formas que el conocimiento puede asumir, los
problemas involucrados en el desarrollo de una representacin del
conocimiento son complejos, interrelacionados y dependientes del objetivo.
El trminos generales, se debe tratar que el conocimiento est representado
de tal forma que:
Capture generalizaciones.
Pueda ser comprendido por todas las personas que vayan a

proporcionarlo y procesarlo.
Pueda ser fcilmente modificado.
Pueda ser utilizado en diversas situaciones an cuando no sea

totalmente exacto o completo.
Curso de Simulacin
Pueda ser utilizado para reducir el rango de posibilidades que

usualmente debera considerarse para buscar soluciones.
El conocimiento declarativo puede ser representado con modelos

relacionales y esquemas basados en lgica. Los modelos relacionales
pueden representar el conocimiento en forma de rboles, grafos o redes
semnticas. Los esquemas de representacin lgica incluyen el uso de
lgica proposicional y lgica de predicados.
Los modelos procedimentales y sus esquemas de representacin
almacenan conocimiento en la forma de cmo hacer las cosas. Pueden
estar caracterizados por gramticas formales, usualmente implantadas por
sistemas o lenguajes procedimentales y sistemas basados en reglas
(sistemas de produccin).
Las representaciones declarativas son usualmente ms expansivas y
costosas, en el sentido que la enumeracin puede ser redundante e
ineficiente.
Sin
embargo,
la
modificacin
de
las
representaciones
declarativas es usualmente muy fcil; simplemente se agrega o se elimina

conocimiento. Las representaciones procedimentales, en cambio, pueden
ser ms compactas, sacrificando flexibilidad. Representaciones prcticas
pueden incluir elementos tanto declarativos (listado de hechos conocidos),
como procedimentales (un conjunto de reglas para manipular los hechos).
Manipulacin del conocimiento

Existen
tres
paradigmas
que
los
investigadores
han
utilizado
tradicionalmente para la resolucin de problemas de IA:

Programacin
Heurstica.-
Est
basado
en
el
modelo
de
comportamiento humano y su estilo para resolver problemas complejos.

Existen diversos tipos de programas que incluyen algoritmos heursticos.
Varios de ellos son capaces de aprender de su experiencia.
Curso de Simulacin
Redes Neuronales Artificiales.- Es una representacin abstrada del

modelo neuronal del cerebro humano. Las redes estn formadas por un
gran nmero de elementos simples y por sus interconexiones. Una red
neuronal artificial puede ser simulada o ser real. Al elemento procesador de
la red, se lo denomina neurona artificial.
Evolucin Artificial.- Su modelo est basado en el proceso gentico de
evolucin natural, propuesto por Charles Darwin. Se utilizan sistemas
simulados en computador que evolucionan mediante operaciones de
reproduccin, mutacin y cruce (Algoritmos Genticos).
Cada paradigma comprende una coleccin de mtodos, configuraciones y
tcnicas desarrolladas para manipular el conocimiento. En general, una
tcnica de IA est caracterizada por incluir los siguientes componentes:
Procesos de Bsqueda.- Proporciona una forma de resolver problemas
para los cuales no hay un mtodo ms directo, as como tambin se
constituye en un marco de trabajo dentro del cual cualquier tcnica directa
puede ser incorporada.
Uso del Conocimiento.- Proporciona una forma de resolver problemas
explotando las estructuras de los objetos involucrados.
Abstraccin.- Proporciona una forma de separar rasgos importantes y
variaciones, de los tantos que no tienen importancia.
La manipulacin del conocimiento involucra adems la seleccin de objetos,
entidades y rasgos que son claves para las representaciones. Al nivel ms
bajo de representacin del conocimiento, estas entidades pueden consistir
de simples datos de entrada, por ejemplo: grabaciones cuantizadas y
digitalizadas de audio, datos de una imagen, valores captados por un
sensor, informacin de interruptores o hechos elementales. Estos bloques
constructivos de la representacin se los denomina comnmente primitivas.
La representacin escogida para las primitivas, puede determinar las
Curso de Simulacin
capacidades del sistema, el xito, la correccin y sus posibilidades de

expansin.
Leccin 36
Lenguajes para la representacin del conocimiento
En el caso de los sistemas basados en conocimiento, el lenguaje en el que

se expresa la ontologa debe reunir caractersticas que a veces
(dependiendo del dominio) no es fcil compatibilizar:
Sintaxis formalizada, para poder disear sobre bases slidas un

procesador (lo que en sistemas expertos se llama tradicionalmente
motor de inferencias.
Semntica bien definida y que permita la implementacin procedimental

en el procesador de algoritmos de razonamiento eficientes.
Desde el punto de vista pragmtico, expresividad suficiente para

representar de la manera menos forzada posible el conocimiento. Esto
significa que, para una determinada conceptuacin, el lenguaje con el
que se construyen los modelos en el nivel simblico debe permitir una
interpretacin declarativa que represente todos los aspectos de esa
conceptuacin. En la prctica puede ocurrir que no encontremos el
lenguaje ideal , y tengamos que forzar la conceptuacin para que
se ajuste al lenguaje elegido.
Hay lenguajes formales, o tericos , que satisfacen en mayor o menor

grado esas condiciones y lenguajes de implementacin, o prcticos , que,
siguiendo el modelo de algn lenguaje formal, estn adaptados para
mecanizar la construccin de ontologas. Nos centraremos en los primeros,
que son relativamente estables , y sobre los que se basan los segundos,
algunos muy voltiles . Por ejemplo:
Curso de Simulacin
Prolog es un lenguaje de implementacin de la lgica de primer orden,

que en sus versiones ms recientes incluye tambin construcciones para
la programacin con restricciones.
OWL (Web Ontology Language) es un lenguaje de ontolologas para la

web basado en una lgica de descripciones (en realidad, son tres
sublenguajes). Procede de la fusin de otros dos elaborados
independientemente alrededor del ao 2000: DAML (DARPA Agent
Markup Language, de la Agencia de proyectos del Ministerio de Defensa
U.S.A) y OIL (Ontology Inference Layer, de un consorcio formado en el
marco de los programas de la U.E.). En 2001 se form un comit
conjunto que hizo una propuesta al Consorcio Web (W3C), y ste
public el estndar (Proposed Recommendation en la terminologa del
W3C) en 2003, modificado el 10 de febrero de 2004. Existen numerosas
propuestas de mejoras y modificaciones.
Hasta la segunda mitad de los aos 80 se estaban utilizando diversos

lenguajes que podan clasificarse en dos tipos:
Lenguajes basados en la lgica de predicados de primer orden, con

sintaxis y semntica formalizadas, con una base rigurosa para el
razonamiento,
pero
con
grandes
dificultades
para
implementar
algoritmos de razonamiento eficientes, con una rigidez sintctica que

impide ciertas conceptuaciones naturales y con pocas posibilidades
de modularizacin.
Lenguajes basados en modelos de psicologa que, al estar derivados del

estudio de la mente humana, permiten conceptuaciones ms naturales y
algoritmos de razonamiento ms eficientes, pero que tienen una sintaxis
menos formalizada y carecen de una definicin semntica precisa (a
pesar de que uno de ellos se llama redes semnticas ).
Como es natural, diversos investigadores trataron de elaborar propuestas

para aunar las ventajas de unos lenguajes y otros (Hayes, 1979, Nilsson,
1982, Brachman y Levesque, 1985), pero no fue hasta el final de los 90
cuando quedaron relativamente establecidas las llamadas lgicas de
Curso de Simulacin
descripciones , que en el momento actual son los lenguajes por

antonomasia para la representacin del conocimiento.
la lgica clsica de primer orden sigue siendo la base fundamental de

las dems formulaciones de la lgica
en
el diseo de muchos
sistemas
basados
en
conocimiento,
especialmente los que no son muy complejos, se siguen utilizando

algunos de esos lenguajes;
las ideas originales ayudan a entender y justifican ciertas decisiones de

diseo, y la naturaleza interdisciplinaria de estos primeros trabajos hace
muy interesante su estudio.
Empezaremos precisamente con un breve apunte para mostrar cmo

algunos modelos elaborados en psicologa se han aplicado luego en
ingeniera, por ejemplo, en la programacin orientada a objetos y en RDF.
Leccin 37
Eficiencia en Sistemas de Reconocimiento de
patrones
El reconocimiento de patrones, tambin llamado lectura de patrones,
identificacin de figuras y reconocimiento de formas Ernesto A. Meyer
Glosario de trminos tcnicos, Entrada pattern recognition Grupo de
Informtica Aplicada al Ingls Tcnico, la Argentina, 1995, bajo la licencia
de documentacin libre es el reconocimiento de patrones. No slo es un
campo de la informtica sino un proceso fundamental que se encuentra en
casi todas las acciones humanas.
El punto esencial del reconocimiento de patrones es la clasificacin: se
quiere clasificar un seal dependiendo de sus caractersticas. Seales,
caractersticas y clases pueden ser de cualquiera forma, por ejemplo se
puede clasificar imgenes digitales de letras en las clases A a Z
dependiente de sus pxeles o se puede clasificar ruidos de cantos de los
pjaros en clases de rdenes aviares dependiente de las frecuencias.
Curso de Simulacin
El objetivo es clasificar patrones con base en un conocimiento a priori o

informacin estadstica extrada de los patrones. Los patrones a clasificar
suelen ser grupos de medidas u observaciones, definiendo puntos en un
espacio multidimensional apropiado.
Un sistema de reconocimiento de patrones completo consiste en un sensor
que recoge las observaciones a clasificar, un sistema de extraccin de
caractersticas que transforma la informacin observada en valores
numricos o simblicos, y un sistema de clasificacin o descripcin que,
basado en las caractersticas extradas, clasifica la medicin.
La clasificacin utiliza habitualmente uno de las siguientes procedimientos:
clasificacin estadstica (o teora de la decisin), clasificacin sinttica (o
estructural). El reconocimiento estadstico de patrones est basado en las
caractersticas estadsticas de los patrones, asumiendo que han sido
generados por un sistema probabilstico. El reconocimiento estructural de
patrones est basado en las relaciones estructurales de las caractersticas.
Para la clasificacin se puede usar un conjunto de aprendizaje, del cual ya
se conoce la clasificacin de la informacin a priori y se usa para entrenar al
sistema, siendo la estrategia resultante conocida como aprendizaje
supervisado. El aprendizaje puede ser tambin no supervisado, el sistema
no tiene un conjunto para aprender a clasificar la informacin a priori, sino
que se basa en clculos estadsticos para clasificar los patrones.
Entre
las
aplicaciones
del
reconocimiento
de
patrones
son
el
reconocimiento de voz, la clasificacin de documentos (por ejemplo

spam/no spam), el reconocimiento de escritura, reconocimiento de caras
humanas y muchas ms. Los dos ltimos ejemplos son representativos del
anlisis de imgenes, un subconjunto del reconocimiento de patrones que
toma imgenes digitales como entradas del sistema.
El reconocimiento de patrones es ms complejo cuando se usan plantillas
para generara variantes. Por ejemplo, en castellano, las frases a menudo
siguen el patrn "sujeto-predicado", pero se requiere cierto conocimiento de
Curso de Simulacin
la lengua para detectar el patrn. El reconocimiento de patrones se estudia

en muchos campos, incluyendo psicologa, etologa, informtica y
procesado digital de la seal.
Leccin 38
rboles de Decisin
Un rbol de decisin es un modelo de prediccin utilizado en el mbito de

la inteligencia artificial, dada una base de datos se construyen estos
diagramas de construcciones lgicas, muy similares a los sistemas de
prediccin basados en reglas, que sirven para representar y categorizar una
serie de condiciones que suceden de forma sucesiva, para la resolucin de
un problema.
Un rbol de decisin tiene unas entradas las cuales pueden ser un objeto o
una situacin descrita por medio de un conjunto de atributos y a partir de
esto devuelve una respuesta la cual en ltimas es una decisin que es
tomada a partir de las entradas. Los valores que pueden tomar las entradas
y las salidas pueden ser valores discretos o continuos. Se utilizan ms los
valores discretos por simplicidad, cuando se utilizan valores discretos en las
funciones de una aplicacin se denomina clasificacin y cuando se utilizan
los continuos se denomina regresin.
Un rbol de decisin lleva a cabo un test a medida que este se recorre
hacia las hojas para alcanzar as una decisin. El rbol de decisin suele
contener nodos internos, nodos de probabilidad, nodos hojas y arcos. Un
nodo interno contiene un test sobre algn valor de una de las propiedades.
Un nodo de probabilidad indica que debe ocurrir un evento aleatorio de
acuerdo a la naturaleza del problema, este tipo de nodos es redondo, los
dems son cuadrados. Un nodo hoja representa el valor que devolver el
rbol de decisin. y finalmente la ramas brindan los posibles caminos que
se tienen de acuerdo a la decisin tomada.
Curso de Simulacin
Leccin 39
Representacin de Conocimientos
La representacin del conocimiento tiene como objetivos principales ayudar

a la resolucin de problemas y el aprendizaje.
La definicin de conocimiento es que el conocimiento es un grupo

organizado de informacin estructurada ( grupos de datos obtenidos de un
cierto problema partiendo de abstracciones de la realidad ) acerca de un
tema.
Hay tres tipos de conocimiento : de tipo procedimiento , descriptivo y
metaconocimiento.
El conocimiento descriptivo son objetos y relaciones entre ellos.
El conocimiento de tipo procedural es como usamos el conocimiento
descriptivo.
El metaconocimiento es informacin acerca de nuestro conocimiento.
La resolucin de problemas es responder a una serie de preguntas a partir
de algunos datos especficos.
El proceso de resolucin de problemas consisten en dos partes : en la
primera hacemos abstracciones del problema ( extraccin de la informacin
relevante ) y generamos un modelo conceptual.
En la segunda hacemos la aplicacin del modelo o hacemos inferencias
sobre el modelo para obtener la solucin.
El aprendizaje es un proceso de almacenaje de conocimiento en nuestra

memoria.
Existen 4 requerimientos para el aprendizaje : motivacin, tiempo,
preparacin y mtodo.
Curso de Simulacin
Hay dos tipos tipos de aprendizaje : de primera mano y de segunda mano.

El aprendizaje de primera mano consiste en que experimentas con
pruebas de tipo tentativa y error.
El aprendizaje de segunda mano consiste en que te crees las cosas que te
cuentan.
La representacin del conocimiento se realiza por medio del lenguage
natural o por medio de lenguajes graficos formales ( diagramas, grafos, etc
).
El lenguaje natural tiene la desventaja de que es ambiguio y lineal
mientras que el lenguaje formal da un visin clara de las cosas. El lenguaje
formal grafico hace que no se tenga porque seguir un orden lineal y coge la
ventaja de aprovechar todas las capacidades corticales del cerebro humano
(por lo tanto todo el potencial de la mente humana).
Sistemas Basados en Conocimiento

Un sistema experto o sistema basado en conocimiento se puede definir como:
``...sistema que resuelve problemas utilizando una representacin simblica del
conocimiento humano'' [Jackson].
Caractersticas importantes:
Representacin explcita del conocimiento.
Capacidad de razonamiento independiente de la aplicacin especfica.
Capacidad de explicar sus conclusiones y el proceso de razonamiento.
Alto rendimiento en un dominio especfico.
Uso de heursticas vs. modelos matemticos.
Uso de inferencia simblica vs. algoritmo numrico.
Curso de Simulacin
Algunas de estas propiedades se deben a la separacin entre:

1. Conocimiento especfico del problema - Base de Conocimiento.
2. Metodologa para solucionar el problema - Mquina de Inferencia.
Importancia del Conocimiento
Los sistemas basados en conocimiento basan su rendimiento en la cantidad y
calidad del conocimiento de un dominio especfico y no tanto en las tcnicas de
solucin de problemas.
Diferencia de sistemas basados en conocimiento con otras tcnicas:
En matemticas, teora de control y computacin, se intenta resolver el

problema mediante su modelado (Modelo del problema).
En sistemas expertos se ataca el problema construyendo un modelo del

``experto'' o resolvedor de problemas (Modelo del experto).
Curso de Simulacin
CAPITULO 8
MICROMUNDOS
Curso de Simulacin
Leccin 40 Introduccin, Definicin y elementos
DEFINICIN
Es un concepto desarrollado por Marvin Misnky y Seymour Papert, como un
modelo para realizar representaciones de una realidad inmediata sobre un
tema, que ser refinado o pulido por los alumnos, iniciando con un punto de
partida que les permita crear sus propias "extensiones".
Se puede considerar como un laboratorio de estudio que ayuda a comprender y
crear nuevos conceptos.
Son construibles con la ayuda de una computadora debido a la posibilidad que
presenta esta de simular procesos y sobre todo procesos abstractos y ficticios.
La investigacin viene mostrando consistentemente que el aprendizaje en
condiciones de amplia libertad es proporcional al desarrollo intelectual y a la
madurez de los estudiantes.
ELEMENTOS
Argumento e historia.
Variables de Control.
Variables de Resultado.
Mundo (Escenarios).
Retos (Implcitos / explcitos).
Personajes y Roles.
Objetos (Herramientas).
Zonas de Comunicacin.
Mecanismos de Comunicacin.
Usuario(Aplicacin).
Ambientacin.
Recuperacin de estados anteriores.

Curso de Simulacin
Niveles de Dificultad,
Manejo de informacin del usuario.
Mecanismos para Anlisis de desempeo.
Ampliacin de las posibilidades del micromundo.
Personalizacin del ambiente.
Soporte al trabajo en grupo.
Algunos de estos elementos son necesarios y otros por ahora deseables.
PRINCIPIOS
1.
Poder o dominio: el alumno debe "poder hacer", adquirir dominio o
pericia en la resolucin de conflictos de modo autnomo, y al mismo tiempo,

sentir que se fortalece la visin de s mismo como constructor de estructuras
intelectuales, y no como mero observador pasivo.
2- Resonancia cultural: se refiere a la posibilidad de que las producciones de
quienes lo utilizan respondan a modelos culturales propios.
3- Continuidad cognoscitiva: implica la necesidad de que un material
informtico respete los tiempos evolutivos de quien aprende, y que los nuevos
aprendizajes se integren a los anteriores de manera armnica y organizada
OBJETIVOS
Los micromundos aplicados a la educacin deben cumplir los siguientes
objetivos:
Favorecer el aprendizaje significativo de los contenidos.
Ejercitar habilidades relacionadas con el tema simulado.
Curso de Simulacin
Ejercitar el uso de los principios en los que se funda el pensamiento lgico.

Desarrollar la creatividad a travs de la construccin de aplicaciones.
Implementar estrategias metodolgicas de tipo social.
CARACTERISTICAS
Tienen tres caractersticas importantes:
Se
presenta
ante
el
aprendiz
en
forma
simple:
debe propiciar la expansin de las ideas del aprendiz a medida que este est
preparado para ellas, dndole la posibilidad de modificar y explorar el
micromundo sin que requiera mucho entrenamiento; el aprendiz autoregula su
propio aprendizaje.
Debe estar de acuerdo con el estado afectivo y cognitivo del estudiante, con
caractersticas motivacionales que lo pongan ante situaciones de desafo que
incentiven su curiosidad y su fantasa en ambientes, que de acuerdo con sus
capacidades y habilidades, lo guen, le den la oportunidad de descubrir y a la
vez sea l quien lleve el control.
Debe promover la construccin activa del conocimiento por parte de los
estudiantes. Utilizar algn software de simulacin para elaborar y comprobar
hiptesis; Establecen mediante la prctica en los laboratorios virtuales, nuevas
relaciones entre las variables del sistema que se estudia.
Curso de Simulacin
Leccin 41 Sistemas Complejos, Agentes y Algoritmos Bioinspirados
Cuando los requerimientos de un sistema de computo crecen demasiado es

muy difcil construir sistemas con paradigmas clsicos.
Un ejemplo de esto se ve en la ingeniera de software orientada a objetos.
El problema se presenta cuando se tienen una gran cantidad de
programadores.
Afortunadamente existen propuestas como UML.
Un sistema es considerado complejo cuando est compuesto de un gran
nmero de elementos los cuales interactan entre s.
Por ejemplo, una clula est compuesta de molculas y protenas. Decimos
que la clula est viva, pero no que sus componentes lo estn.
En computacin, Internet cuenta con propiedades que una computadora no
tiene.
AGENTES
Son procesos con propsito dado por el programador.
Los agentes le dan una visin dinmica a los objetos.
En sistemas multi - agentes, cada agente hace su tarea independientemente
de lo que hagan los otros agentes.
Hay una gran variedad de agentes: racionales, emocionales, de bsqueda, de
interfaz.
Los demonios de los sistema UNIX son agentes.
Curso de Simulacin
La fuerza detrs del paradigma de agentes es la del principio divide y

vencers.
La diferencia entre agentes y objetos es el aspecto dinmico de los primeros.
ALGORITMOS BIOINSPIRADOS
Se basa en emplear analogas con sistemas naturales.
Tienen como caractersticas ser auto - adaptativos, auto-organizados y ser
capaz de auto-aprender.
Un sistema es adaptativo si mejora su desempeo en el tiempo.
Un sistemas es auto organizativo si aumenta su organizacin con el tiempo.
Debido a su capacidad de resolver problemas complejos se utiliza
actualmente en muchos campos como logistica, diseo en ingeniera, etc.
Entre los algoritmos bio inspirados podemos citar:
Computacin evolutiva
Sistemas basados en agentes
Redes neuronales
Chip ADN
Algunas de las ventajas de los algoritmos bio inspirados son:

Proporciona una alta probabilidad de encontrar un optimo global.
Son capaces de funcionar bien en entornos dinmicos.
Se pueden optimizar mltiples criterios simultneamente.
Son algoritmos simples.
Curso de Simulacin
Leccin 42 Inteligencia de Enjambres
QUE ES INTELIGENCIA DE ENJAMBRES?

La inteligencia de enjambres es una propiedad de sistemas de robots
(agentes)
no
inteligentes
(o
simples) exhibiendo
colectivamente
un
comportamiento inteligente.
ENJAMBRES
o Desarrollado hacia 1994 en el Santa Fe Institute en Nuevo
Mxico, conducido por Crhis Langton.
o Inspirados en la organizacin y conducta de insectos sociales.
o Un enjambre es un agente con muchas otras cualidades.
EJEMPLOS DE ENJAMBRES NATURALES
AVES
ABEJAS
HORMIGAS
ALGUNAS CARACTERSTICAS
Es verstil.
Es robusto.
Es una aproximacin basado en una poblacin.
Curso de Simulacin
Distribuido.
No hay modelo del ambiente (explicito).
Habilidad para cambiar el ambiente.
Leccin 43 Colonias de Hormigas, Modelo Real, Modelo Virtual
COLONIAS DE HORMIGAS
Individuos torpes, apropiadamente comunicados en un enjambre, ofrecen

soluciones inteligentes a sus problemas.
GENERALIDADES
Tienen la capacidad de encontrar los caminos ms cortos entre el
hormiguero y la comida.
Comunicacin de forma indirecta, por medio del ambiente.
Basados en la simulacin del
comportamiento de las hormigas.
Ideal para solucionar problemas de optimizacin y simulaciones.
COLONIAS DE HORMIGAS: Modelo Real
Uno de sus objetivos es servir a la colonia con el aporte de comida.
Curso de Simulacin
Disponen de una sustancia (feromona) que les permite seguir el rastro desde
la colonia hasta la comida y viceversa.
La hormiga decide un camino de forma probabilstica en funcin de la cantidad
de feromona
COLONIA DE HORMIGAS MODELO REAL

La accin continuada de la colonia hace que los caminos mas cortos
acumulen mayor cantidad de feromona y por lo tanto sean los mas utilizados.
Los caminos menos utilizados pierden feromona por la evaporacin.
COLONIA DE HORMIGAS MODELO VIRTUAL

Los algoritmos de optimizacin basados en colonias de hormigas simulan el
comportamiento del modelo real con hormigas artificiales.
Curso de Simulacin
Aplicable a problemas que puedan ser representados mediante un grafo.

Cada arco guarda informacin:
o Sobre la cantidad de feromona.
o Coste o heurstica de su recorrido.
En cada iteracin las hormigas artificiales recorren un camino del grafo (una
solucin al problema), asignando feromona segn la bondad de la solucin al
problema.
Se utiliza un algoritmo de evaporacin que simula el proceso real.
ALGUNAS APLICACIONES
Agente viajero.
Organizacin de iguales.
Telecomunicaciones.
PROBLEMA DEL AGENTE VIAJERO

Elige un pueblo para ir con una probabilidad que es funcin de la
distancia del pueblo y de la cantidad de feromona.
Se desaprueban las transiciones a los pueblos que ya han sido visitados
por esa hormiga en el mismo ciclo.
La hormiga completa el recorrido, dejando la sustancia en cada ciudad
visitada.
Curso de Simulacin
APLICACIN A UN PROBLEMA SIMPLE CON 10 CIUDADES
DISTRIBUCIN DEL RASTRO AL PRINCPIO DE

LA BSQUEDA
DISTRIBUCIN DEL RASTRO DESPUS DE

100 CICLOS
VENTAJAS SOBRE LOS ALGORITMOS CLSICOS

Al ser un algoritmo distribuido, la fuente de datos no est centralizada.
Ejecucin de tareas de forma paralela.
Optimizacin del tiempo.
ORGANIZACIN DE IGUALES
Cuentan con personal especializado para ejecutar labores.
Forman pilas de elementos, tales como cuerpos muertos, larvas o granos de
arena.
Los elementos aislados deben recogerse y son dejados en algn otro lugar
donde ms elementos de este tipo estn presentes.
ORGANIZACIN DE IGUALES CLUESTERIZACION DE CUERPOS
Hormigas depositadas randomicamente al principio del experimento.
Curso de Simulacin
Despus de muchas horas, las hormigas han ordenado los elementos de

acuerdo a caractersticas de estos.
TELECOMUNICACIONES
En holanda es usado un algoritmo de colonia de hormigas para el problema de
balanceo de carga en redes de telecomunicaciones, aunque su implementacin
difiere en muchos detalles dadas las diferentes caractersticas del problema.

Modulo Simulacion Unad

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Modulo Simulacion Unad

Hochgeladen von

Copyright:

Verfügbare Formate

Curso de Simulacin

CARLOS ANDRES RUIZ ROMERO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Ing. Carlos Andres Ruiz Romero

INTRODUCCIN Y CONCEPTOS FUNDAMENTALES

Leccin 1 Sistemas parte I

Leccin 2 Sistemas parte II

Leccin 3 Conceptos Elementales de Sistemas

Leccin 4 Introduccin a la simulacin

Leccin 5 Modelado de sistemas

Ing. Carlos Andres Ruiz Romero

SIMULACIN DETERMINISTA Y ALEATORIA

Leccin 6 Simulacin aleatoria discreta

Generacin de nmeros pseudoaleatorios

Leccin 8 Generadores Congruenciales lineales

Leccin 9 Pruebas Estadisticas para Nmeros Pseudoaleatorios

Leccin 10 Simulacin Discreta

SIMULACIN EN HOJAS DE CLCULO Y LENGUAJES

Simulacin en Hojas de Clculo

LNEAS DE ESPERA Y DINAMICA DE SISTEMAS

Leccin 15 Introduccin a las Lneas De Espera

Ing. Carlos Andres Ruiz Romero

Clasificacin de las Lneas De Espera

CAPITULO 5: DINAMICA DE SISTEMAS Y TEORIA DE INVENTARIOS

Historia de Dinmica de Sistemas

Diagramas Causales o Influencia

Metodologia para construccin de un modelo Dinmico de

Clasificacin de los modelos de Inventarios

CComponentes de los modelos de Inventarios

SISTEMAS BASADOS EN AGENTES

Dimensiones de los agentes

Arquitectura de sistemas de agentes

INTRODUCCION A LOS SISTEMAS BASADOS EN EL

Leccin 35 Modulos basicos de Representacin del Conocimiento

Lenguajes para la representacin del conocimiento

Eficiencia en Sistemas de Reconocimientote patrones

Leccin 40 Introduccion, Definicin y elementos

Leccin 41 Sistemas Complejos, Agentes y Algoritmos

Leccin 42 Intiligencia de Enjambres

Leccin 43 Colonias de Hormigas, Modelo Real, Modelo Virtual

Ing. Carlos Andres Ruiz Romero

Ing. Carlos Andres Ruiz Romero

1. SISTEMAS MODELOS Y SIMULACIN

Ing. Carlos Andres Ruiz Romero

Para el anlisis de cualquier sistema, se recurre a los siguientes conceptos:

Ing. Carlos Andres Ruiz Romero

1.2.3 Estructura de un sistema

(universo del discurso del sistema) corresponde a las entidades

y sus relaciones la estructura

corresponde a los posibles estados y

Ing. Carlos Andres Ruiz Romero

Representacin grfica para sistemas complejos

El lenguaje grfico que se presenta a continuacin es una adaptacin de las

Ing. Carlos Andres Ruiz Romero

La Figura 3 muestra el formato de los nodos del actigrama.

Entradas controles mecanismos salidas La intensidad del color de la flecha

DATAGRAMA: Diagramas de datos

Ing. Carlos Andres Ruiz Romero

La Figura 4 muestra el formato caracterstico de un nodo de diagrama de

es la entrada externa al diagrama y

control externo, la salida de la actividad

es una entrada para las

pueden llevarse a cabo en

Ing. Carlos Andres Ruiz Romero