04/12/2017

SIMULACION
Investigacin Unidad 4: Lenguajes de simulacin

5 Semestre Grupo S-501

Instituto Tecnolgico Superior de Panuco
Ingeniera en Sistemas Computacionales
Alumno: Roque Oswaldo Cazares Garca, Karina Leonardo Azuara,
Mauricio Trejo Castillo.
Docente: MC. Enrique Ponce Rivera
 LENGUAJES DE SIMULACION.
ndice

Introduccin.3

4.1 Lenguajes de simulacin y simuladores..3

4.2. Aprendizaje y Uso de un Simulador..9

4.3 Casos prcticos de simulacin.13

4.3.1 Problemas con lneas de espera ..15

4.3.2 Problemas con sistemas de inventario.16

4.4 Validacin de un simulador18

4.4.1 Pruebas paramtricas (Validacin del modelo, pruebas de hiptesis y pruebas de

estimacin) ..18

4.4.2 Pruebas no paramtricas25

Conclusin..26

Bibliografa.26

2
Unidad 4 Lenguajes de simulacin.

Introduccin

Un lenguaje de simulacin es un software de simulacin de naturaleza general y posee algunas

caractersticas especiales para ciertas aplicaciones, tal como ocurre con SLAM 11 y SIMAN
(software para simular) con sus mdulos de manufactura. El modelo es desarrollado usando las
instrucciones adecuadas del lenguaje y permitiendo al analista un gran control para cualquier
clase de sistema.

Un simulador (o de propsitos especiales) es un paquete de computadoras que permite realizar

la simulacin para un ambiente especfico, no requiriendo esfuerzo en programacin. Hoy en da
existen simuladores para ambientes de manufactura y sistemas de comunicacin permitiendo un
menor tiempo en el desarrollo del modelo, as como tambin contar con el personal sin
experiencia en simulacin.

Los simuladores son actualmente muy utilizados para anlisis en alto nivel, requirindose
nicamente agregar detalles en un cierto nivel, puesto que lo dems es estndar.

4.1 Lenguajes de simulacin y simuladores.

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

propsito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la dcada de 1960
hacen su aparicin los lenguajes especficos para simulacin como GPSS, GASP, SIMSCRIPT, SLAM.

En la ltima dcada del siglo pasado la aparicin de las interfaces grficas revolucion el campo
de las aplicaciones en esta rea, y ocasionaron el nacimiento de los simuladores

Es importante utilizar la aplicacin que mejor se adece al tipo de sistema a simular, ya que de
la seleccin del lenguaje o simulador depender el tiempo de desarrollo del modelo de
simulacin.

Las opciones van desde las hojas de clculo, lenguajes de tipo general (como Visual Basic, C++ o
Fortan), lenguajes especficos de simulacin (como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y SSED),
hasta simuladores especficamente desarrollados para diferentes objetivos (como SIMPROCESS,
ProModel, Witness, Taylor II y Cristal Ball).

3
Un simulador (o de propsitos especiales) es un paquete de computadoras que permite realizar
la simulacin para un ambiente especfico, no requiriendo esfuerzo en programacin. Hoy en da
existen simuladores para ambientes de manufactura y sistemas de comunicacin permitiendo un
menor tiempo en el desarrollo del modelo, as como tambin contar con el personal sin
experiencia en simulacin.

Los simuladores son actualmente muy utilizados para anlisis en alto nivel, requirindose
nicamente agregar detalles en un cierto nivel, puesto que lo dems es estndar.

La importancia de escribir modelos de simulacin en lenguajes de propsitos generales como

FORTRAN radica en:

Permite conocer los detalles ntimos de la simulacin.

Es imprescindible, cuando no se dispone de software de simulacin.
Algunos modelos en lenguajes de simulacin permiten interfaces con lenguajes generales,
especficamente FORTRAN (ocurre con SLAM ll, SIMAN, GPSS).

Por otra parte, los lenguajes de simulacin ofrecen mayores ventajas, porque:

Automticamente proveen muchas de las facilidades necesarias en la simulacin del

modelo.
Proveen un natural ambiente para modelamiento de la simulacin.
Son fciles de usar.

Proveen una gran interaccin entre edicin, depuracin y ejecucin. Alcanzando algunos de ellos
implantacin de la ingeniera de software.

4.1.1 Caractersticas, aplicacin y uso lenguajes: SLAM, ECSL, SIMAN, GPSS, etc.

Los lenguajes de simulacin facilitan enormemente el desarrollo y ejecucin de simulaciones de

sistemas complejos del mundo real. Los lenguajes de simulacin son similares a los lenguajes de
programacin de alto nivel, pero estn especialmente preparados para determinadas
aplicaciones de la simulacin. As suelen venir acompaados de una metodologa de
programacin apoyada por un sistema de smbolos propios para la descripcin del modelo por

4
ejemplo mediante diagramas de flujo u otras herramientas que simplifican notablemente la
modelizacin y facilitan la posterior depuracin del modelo.

Caractersticas de los lenguajes de simulacin:

Los lenguajes de simulacin proporcionan automticamente las caractersticas necesarias

para la programacin de un modelo de simulacin, lo que redunda en una reduccin
significativa del esfuerzo requerido para programar el modelo.
Proporcionan un marco de trabajo natural para el uso de modelos de simulacin. Los
bloques bsicos de construccin del lenguaje son mucho ms afines a los propsitos de
la simulacin que los de un lenguaje de tipo general.
Los modelos de simulacin son mucho ms fcilmente modificables.
Proporcionan muchos de ellos una asignacin dinmica de memoria durante la ejecucin.
Facilitan una mejor deteccin de los errores.
Los paquetes de software especialmente diseados para simulacin contienen
aplicaciones diversas que facilitan al simulador las tareas de comunicaciones, la
depuracin de errores sintcticos y de otro tipo de errores, la generacin de escenarios,
la manipulacin on-line de los modelos, etc.
Son muy conocidos y en uso actualmente
Aprendizaje lleva cierto tiempo
Simuladores de alto nivel
Muy fciles de usar por su interface grfica
Restringidos a las reas de manufactura y comunicaciones
Flexibilidad restringida puede afectar la validez del modelo

Entre estos lenguajes especficos podemos nombrar los siguientes: MIDAS, DYSAC, DSL, GASP,
MIMIC, DYNAMO, GPSS, SIMULA, CSSL ( Continuous System Simulation Language) , CSMP, ACSL
( Advanced Conrinuous Simulation Language), DARE-P and DARE-Interactive, C-Simscript, SLAM,
SIMAN, SIMNON, SIMSCRIPT-II-5, ADA, GASP IV, SDL.

Muchos de estos lenguajes dependen fuertemente de los lenguajes de propsito general como
es el caso de SLAM o SIMAN que dependen de Fortran para las subrutinas.

Por otro lado, el GPSS es un caso especial de un lenguaje de simulacin de propsito especial,
altamente estructurado que est orientado a la transaccin, un caso especial de una orientacin

5
basada en procesos ms general. El GPSS fue diseado para la simulacin simple de sistemas de
colas tales como trabajos de taller.

A diferencia de los otros lenguajes de simulacin, GPSS tiene varias implementaciones incluyendo
GPSS/H y GPSS/PC, ambos de los cuales sern discutidos ms adelante. El SIMAN V, SIMSCRIPT
II.5, y el SLAM son lenguajes de simulacin de alto nivel que tienen constructor especialmente
diseados para facilitar la construccin de modelos.

Estos lenguajes proveen al analista de simulacin con una opcin orientacin basada en procesos
o basada en eventos, o un modelo usando una mezcla de las dos orientaciones. A diferencia del
FORTRAN, estos tres lenguajes proveen la administracin de la lista de eventos futuros,
generador interno de variables aleatorias, y rutinas internas para la obtencin de estadsticas
(estas caractersticas para las implementaciones del GPSS mencionadas previamente.

El SIMAN V puede ser acezado directamente, o a travs del medio ambiente del ARENA. El
SLAMSYSTEM contiene al lenguaje de simulacin SLAM II. El SLAM II est basado en el FORTRAN
y contiene al lenguaje GASP como un subconjunto. El GASP es un conjunto de subrutinas en
FORTRAN para facilitar las simulaciones orientadas al objeto escritas en FORTRAN.

El SIMSCRIPT II.5 por otro lado, contiene un subconjunto de un completo lenguaje cientfico de
simulacin comparable con el FORTRAN, C o C++. El MODSIM III es un descendiente del lenguaje
que la compaa de productos CACI originalmente diseado por la armada de los Estados Unidos.
Hereda mucha de su sintaxis del MODULA-2 y del ADA, ciertas caractersticas del ADA y sus
conceptos de simulacin del SIMSCRIPT y el SIMULA. Algunas de las caractersticas de la
simulacin orientada al objeto fueron originalmente vistas en el SIMULA y el SMALLTALK.

4.1.2 Simuladores: PROMODEL, TAYLOR ED, ARENA, WITNESS, etc.

PROMODEL

ProModel es un programa de simulacin de procesos industriales, permite simular cualquier

tipo de proceso de manufactura, adems de procesos logsticos, procesos de manejos de
materiales y contiene excelentes simulaciones de talleres, gras viajeras, bandas de transporte y
mucho ms.

En teora, cualquier sistema de procesos puede ser modelado en computadora, solo se necesita
de esfuerzo e ingenio, adems de las herramientas que nos permitan plasmar nuestro

6
pensamiento en un modelo computarizado, una de esas herramientas es ProModel, en el cual
se puede crear un modelo computarizado de todo proceso de manufactura y una vez realizado
el modelado, se podr simular sobre l una gran cantidad de situaciones como Justo a Tiempo,
Teora de Restricciones, Sistemas de Empujar y Jalar, Logstica y muchas otras ms. Adems de
permitir el simulado de acciones, nos ensea como optimizar los procesos en la misma, y as
obtener los mejores con el consumo mnimo de recursos, para dicha tarea, el sistema cuenta con
2 optimizadores.

ProModel es un paquete de simulacin que no realiza solamente el simulado, sino tambin

optimiza los modelos ingresados. Corre bajo el sistema operativo Windows y sus requerimientos
mnimos son un procesador 486, 32 MB de RAM, 2 MB de espacio en Disco Duro.

TAYLOR ED

El Taylor Ed es un paquete de software desarrollado por la compaa fabricante de software

FLEXIM. El precursor del Taylor Ed fue el Taylor II, pero los desarrolladores hicieron la nueva
versin partiendo de desperdicio.

A pesar de esto, existen similitudes entre los dos paquetes, tales como la visin del usuario y la
arquitectura del software. El precio del Taylor ED es la mitad del precio del WITNESS y cinco veces
ms que el SIMUL8 y el EXTEND. La integracin del Taylor Ed con otro software es manejado por
un encadenamiento DDE, el cual distribuye la informacin hacia y desde el EXCEL, por ejemplo,
u otro software para el manejo de datos estructurados. Este DDE usa diferentes formatos de ases
de datos, tales como SQL o XML. Esto es continuo las conexiones pueden tomar lugar antes o
despus que la simulacin es realizada. El concepto de modelacin en el Taylor ED es el mismo
que el desarrollador uso en el Taylor II. Es indispensable para modelar modelos complejos que
son susceptibles de fallar, ser interrumpidos y tener cuellos de botella. A travs de la modelacin
de sistemas en avance de mltiples escenarios que tal s pueden ser explorados sin
interrumpirlos, costos o riesgos que esto significa en la vida real.

ARENA

Este software de Systems Modeling Corporation es una gran herramienta para simular procesos
de cualquier tipo. Desde simples colas hasta procesos con gran cantidad de variables involucradas.
Este tipo de software es de gran utilidad para visualizar y estudiar de qu modo se estn llevando
a cabo diferentes procesos. Puede utilizarse para simular procesos tan variados como:

La disponibilidad de camas en un hospital

7
 Llenado de lquidos en una planta embotelladora
Produccin de cobre

Arena cuenta con un sistema de animacin llamado Cinema Animation System, el que nos ayuda
a comprender y visualizar los procesos en forma clara. Adems, Arena nos entrega la capacidad
de disear ambientes de simulacin y adems nos da la posibilidad de crear diferentes Templates
(barras de herramientas) para una empresa especfica, departamento o tarea usando el lenguaje
e imgenes para facilitar el trabajo y comprensin de la simulacin.

Aplicaciones empresariales de la simulacin.

Procesos de fabricacin. Fue una de las primeras reas beneficiadas por estas tcnicas. La
simulacin se emplea tanto para el diseo como para la ayuda a la toma de decisiones
operacionales.

WITNESS

EL software Witness fue desarrollado durante los 1970s por AT&T Istel y es ahora distribuido por
el Grupo Lanner (establecido en 1996) del Reino Unido. El paquete usa ahora una base ms
madura, lo cual probablemente sufre del dilema del innovador. El WITNESS fue previo, y
posiblemente todava es el lder en el mercado, aunque solamente en el nmero de los modelos
producidos. El costo de lla licencia del WITNESS es 10 veces ms que el costo de compra del
EXTEND o SIMUL8. El soporte es de alguna forma ms costoso en el caso del WITNESS,
aproximadamente tanto como una nueva licencia del paquete. Por otro lado WITNESS es uno de
los ms usados, ms confiables y mejor conocidos entre los softwares SED (Simulacin de eventos
discretos). El concepto de construccin de modelos en WITNESS consiste en la construccin de
bloques similares a los de SIMUL8 excepto por los bloques Inicial y Terminal.

El WITNESS contiene muchos elementos para manufactura discreta de partes y es fuertemente

orientado a mquinas. Por ejemplo, las mquinas pueden ser sencillas, en lotes, produccin,
ensamble, multi-estaciones, o multi-cclo. Las bandas transportadoras pueden acumular o no
acumular. Existen opciones para la mano de obra, vehculos, y cuadrillas de trabajo. El WITNESS
tambin contiene elementos para procesamiento continuo incluyendo flujo de fluidos a travs
de procesadores, tanques y pipas. Se pueden especificar variables y atributos. Las partes que
llegan pueden ser programadas usando un archivo. Se pueden usar funciones y distribuciones
para especificar tiempos de operacin y para otros propsitos. Los tiempos muertos de las
mquinas pueden programarse sobre la base de operacin, tiempo de uso, o tiempo disponible.

8
4.2. Aprendizaje y Uso de un Simulador

4.2.1 Caractersticas del software.

ProModel es un paquete de simulacin que no requiere programacin, aunque s lo permite.

Corre en equipos 486 en adelante y utiliza la plataforma Windows.

Tiene la combinacin perfecta entre facilidad de uso y flexibilidad para aplicaciones complejas.

Puedes simular Justo a Tiempo, Teora de Restricciones, Sistemas de Empujar, Jalar, Logstica, etc.
Prcticamente, cualquier sistema puede ser modelado.

Una vez hecho el modelo, ste puede ser optimizado para encontrar los valores ptimos de los
parmetros claves del modelo. Algunos ejemplos incluyen determinar la mejor combinacin de
factores para maximizar produccin minimizando costo, minimizar el nmero de camiones sin
penalizar el servicio, etc.

4.2.2 Elementos del modelo.

Entidades (flujos del sistema): artculos que fluyen a travs del sistema.

Estados del sistema: Condicin del sistema en un momento t. Las actividades encajan aqu.

Evento: Cambios en los estados del sistema.

Recursos: Son los elementos del sistema que no son entidades.

Localizaciones: Lugares por donde deben esperar o fluir las entidades (Son los recursos fijos).

Atributos: Caractersticas de una entidad.

Variables: condiciones cuyos valores se crean y modifican.

Controles: Reglas que gobiernan al sistema.

4.2.3 Mens principales.

Este va a depender del tipo de programa de simulacin que se est ocupando.

4.2.4 Construccin del modelo.

Promodel contiene una pantalla muy familiar e intuitiva para todas las personas que alguna vez
han utilizado una PC con sistema operativo. La pantalla de inicio cuenta con una barra de
herramientas que contiene 9 opciones.

9
Opcin File

Para iniciar un modelo nos vamos a la opcin FILE en el men de herramientas de la primera
pantalla, y damos click al primer mdulo que dice NEW esto para crear un modelo nuevo; ah
aparecer un pantalla donde tenemos que darle ttulo a nuestro modelo as como las unidades
de tiempo y de distancia.

Siguiendo con la opcin file podemos encontrar dentro, los mdulos ms comunes para el
manejo de archivo, como son nuevo, abrir, guardar, salir y por ltimo en promodel viene una
opcin que es Create Model Package que sirve para crear un paquete de nuestro modelo que sea
transportable con nuestras grficas, as como con los dibujos insertados.

10
Opcin View

En esta opcin de vistas nos puede mostrar la pantalla de inicio para trabajar con el Stat Fit o
bien ir a las opciones que presenta el men. VIEW Como su palabra lo dice contiene mdulos
para crear una vista y/o ambiente de trabajo a nuestra preferencia; como es hacer ms grande
la pantalla o reducirla, que nos muestre cuadricula o bien que la oculte, para cambiar el color de
las pantallas, ver las rutas (path networks) as como los procesos.

Opcin Build

Son lugares fijos en el sistema (mquinas, colas, almacenes, estaciones de trabajo, etc.) donde
las entidades transitan para procesarse.

11
Las locaciones pueden ser editadas (cambiar su tamao, apariencia y color), existen dos formas:

la primera es utilizar los botones que estn a la izquierda de la barra de locaciones, y la segunda

es que demos clic al botn derecho del mouse sobre la entidad y ah podemos elegir una de las

opciones; podemos borrar la imagen, borrar toda la entidad, o bien editarla.

12
4.3 Casos prcticos de simulacin

Un caso prctico de una simulacin podemos decir en esta parte, la simulacin del Mtodo de
Monte Carlo.

ALGORITMOS

El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de

nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las distribuciones
acumuladas de frecuencias:

Determinar la/s V.A. y sus distribuciones acumuladas(F)

Generar un nmero aleatorio uniforme (0,1).
Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases
que tengamos.
Calcular media, desviacin estndar error y realizar el histograma.
Analizar resultados para distintos tamaos de muestra.

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

Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias relevantes
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el
resultado
Repetir el proceso hasta tener una muestra estadsticamente representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados

Las principales caractersticas para tener en cuenta para la implementacin o utilizacin del
algoritmo son:

El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad (fdp)

13
 Generador de nmeros aleatorios: como se generan los nmeros aleatorios es
importante para evitar que se produzca correlacin entre los valores mustrales.
Establecer lmites y reglas de muestreo para las fdp: conocemos que valores pueden
adoptar las variables.
Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular.
Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para que
una corrida sea vlida?
Tcnicas de reduccin de varianza.
Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia trabajar
con varios procesadores paralelos para realizar la simulacin.

EJEMPLO PRACTICO

Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y queremos ver
qu sucede con el promedio de la demanda en varias iteraciones:

Utilizando la distribucin acumulada(F(x) es la probabilidad que la variable aleatoria tome valores

menores o iguales a x) podemos determinar cul es el valor obtenido de unidades cuando se
genera un nmero aleatorio a partir de una distribucin continua uniforme. Este mtodo de
generacin de variable aleatoria se llama Transformacin Inversa.

Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada
da, interesndonos en este caso como es el orden de aparicin de los valores. Se busca el nmero
aleatorio generado en la tabla de probabilidades acumuladas, una vez encontrado( si no es el
valor exacto, ste debe ser menor que el de la fila seleccionada pero mayor que el de la fila

14
anterior), de esa fila tomada como solucin se toma el valor de las unidades (Cuando trabajamos
en Excel debemos tomar el lmite inferior del intervalo para busca en las acumuladas, para poder
emplear la funcin BUSCARV(), para 42 sera 0, para 43 0,100001 y as sucesivamente). Ejemplo:
Supongamos que el nmero aleatorio generado sea 0,52, a qu valor de unidades corresponde?
Nos fijamos en la columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente
mayor es 0,70 y corresponde a 48 unidades. Se puede apreciar mejor en el grfico, trazando una
recta desde el eje de la frecuencia hasta que intersecta con la lnea de la funcin acumulada,
luego se baja a la coordenada de unidades y se obtiene el valor correspondiente; en este caso 48.

Cuando trabajamos con variables discretas la funcin acumulada tiene un intervalo o salto para
cada variable (para casos prcticos hay que definir los intervalos y luego con una funcin de
bsqueda hallar el valor). Para funciones continuas se puede hallar la inversa de la funcin
acumulada. De esta forma logramos a partir de la distribucin de densidad calcular los valores de

la variable aleatoria dada.

En la siguiente tabla, vemos como a medida que aumenta el nmero de simulaciones, el valor
simulado se acerca al valor original de la media y desviacin estndar, adems de la disminucin
del error tpico.

4.3.1 Problemas con lneas de espera

Un sistema de colas estar definido cuando tengamos la siguiente informacin acerca de este:

Distribucin de probabilidad de los tiempos de servicio

Distribucin de probabilidad de los tiempos entre llegadas

15
 Numero de servidores

Numero de filas

Conexiones entre servidores y filas

Disciplinas y restricciones de los servidores y filas (en caso de que existan)

Una lnea de espera es el efecto resultante en un sistema cuando la demanda de un servicio

supera la capacidad de proporcionar dicho servicio. Este sistema est formado por un conjunto
de entidades en paralelo que proporcionan un servicio a las transacciones que aleatoriamente
entran al sistema. Dependiendo del sistema que se trate, las entidades pueden ser cajeras,
mquinas, semforos, gras, etctera, mientras que las transacciones pueden ser: clientes,
piezas, autos, barcos, etctera. Tanto el tiempo de servicio como las entradas al sistema son
fenmenos que generalmente tienen asociadas fuentes de variacin que se encuentran fuera del
control del tomador de decisiones, de tal forma que se hace necesaria la utilizacin de modelos
estocsticos que permitan el estudio de este tipo de sistemas. Una lnea de espera puede
modelarse como un proceso estocstico en el cual la variable aleatoria se define como el nmero
de transacciones en el sistema en un momento dado; el conjunto de valores que puede tomar
dicha variable es{O, 1, 2, . . . , N\ y cada uno de ellos tiene asociada una probabilidad de ocurrencia.

4.3.2 Problemas con sistemas de inventario.

Un inventario es un recurso empleado pero til que posee valor econmico. El problema se
plantea cuando una empresa expendedora o productora de bienes y servicios no produce en un
momento determinado la cantidad suficiente para satisfacer la demanda, por lo que debe realizar
un almacenamiento protector contra posibles inexistencias. El objetivo estriba en definir el nivel
de inventario. Estas decisiones consisten en dar normas que nos precisen en que instante se
deben efectuar los pedidos del producto considerado y la cantidad que se debe pedir.

En trminos generales un inventario es un conjunto de recursos tiles que se encuentran ociosos

en algn momento. El objetivo de los problemas de inventario es minimizar los costes (totales o
esperados) del sistema sujetos a la restriccin de satisfacer la demanda (conocida o aleatoria).
Entre los diferentes costes que puede haber en un problema de inventario estn:

16
1.- Costes de fabricacin.

2.- Costes de mantenimiento o almacenamiento.

3.- Costes de penalizacin o rotura por no satisfacer la demanda.

4.- Rendimientos o ingresos. (Puede o no incluirse en el modelo).

5.- Costes de recuperacin o salvamento. (El valor de recuperacin representa el valor de

desecho del artculo para la empresa, quiz a travs de una venta con descuento).

6.- Tasa de descuento. La tasa de descuento toma en cuenta el valor del dinero en el tiempo.
Cuando una empresa compromete capital en inventarios, no puede usar este dinero para otros
fines. El problema bsico es determinar cunto y cundo hay que producir.

Los problemas de inventarios suelen clasificarse en:

Determinsticos: demanda fija.

Aleatorios: demanda es una variable aleatoria con distribucin conocida.

Otra clasificacin tiene en cuenta la forma de revisin del inventario:

Modelos de revisin continua: se hacen pedidos cuando el inventario baja de cierto lmite.
Modelos de revisin peridica: si los pedidos se hacen a intervalos de tiempo discretos.

EJEMPLO 1 Revisin continua, demanda uniforme.

Un problema de inventario bastante frecuente es aquel en el que el inventario se reduce con el

tiempo y despus se reabastece con la llegada de nuevos productos. El modelo de lote econmico
representa esta situacin. Los elementos del modelo son:

Se requieren a unidades del articulo por unidad de tiempo.

Se piden o producen Q unidades a la vez en el momento que sea necesario.

Los costes que se consideran son:

El coste fijo de preparacin de un pedido es k.

El coste de producir comprar una unidad del artculo es c.
El coste del inventario de una unidad del artculo durante una unidad de tiempo es h.

17
El problema consiste en determinar la frecuencia con la que hay que hacer los pedidos y el
nmero de unidades a pedir para que el coste por unidad de tiempo sea mnimo.

Se supone revisin continua, por lo que el inventario se puede reabastecer cuando el inventario
baje lo suficiente.

4.4 Validacin de un simulador

A travs de esta etapa es valorar las diferencias entre el funcionamiento del simulador y el sistema
real que se est tratando de simular.3 Las formas ms comunes de validar un modelo son:

1. La opinin de 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.

4.4.1 Pruebas paramtricas (Validacin del modelo, pruebas de hiptesis y

pruebas de estimacin)

Validacin del modelo

Etapas en el desarrollo de un simulador.

Recordemos que las etapas nombradas para desarrollar un simulador son:

1) Identificacin del problema

2) Delimitacin del sistema

3) Formulacin del modelo

4) Preparacin de datos

5) Construccin del modelo

6) Validacin

18
7) Diseo de experimentos

8) Ejecucin de experimentos

9) Interpretacin (Inferencia)

10) Documentacin

V) Etapa IV: Preparacin de datos, o bien obtencin de datos.

Consiste en la identificacin y captacin de los datos que requiere el modelo, de acuerdo a la

formulacin que se haya hecho en las etapas anteriores del diseo.

Los datos son para:

Las relaciones funcionales, ya sea para determinar la forma de stas, completar su forma
o expresin, o para precisar algn parmetro que en ella se tenga.
Las variables estocsticas, que de ellas se deber determinar su funcin de distribucin
de probabilidades, tanto para variables continuas como discretas.
Las relaciones funcionales podran ser, rectas obtenidas por regresin lineal o ajuste de
curvas.
En las relaciones funcionales se debe fijar todos los parmetros que tenga; a menos que
se haya dejado como una variable de entrada al simulador.

Los datos para usar pueden ser:

Datos empricos
Datos obtenidos con distribucin tericas.

El usar datos empricos es en general ms conveniente, pero puede implicar que el modelo quede
influido por factores que se dieron en el tiempo de gestacin de ellos y no vuelvan a repetirse.

V. Construccin del modelo

Es llevar el modelo que se tiene del simulador a un lenguaje de programacin disponible en el

computador a usar o en las configuraciones disponibles, y que debe conocer su programacin.
Luego que se tiene el programa fuente del modelo, escrito en el lenguaje elegido, probarlo y
depurarlo desde el punto de vista computacional, hasta obtener una versin satisfactoria.

19
VI. Validacin

Es esta etapa se trata de establecer, y si es posible aumentar, el nivel aceptable de confiabilidad

de las inferencias efectuadas sobre el sistema real.

La validacin tiene el concepto de grado, no es un resultado dicotmico, no es un si o no, no es

vlido o invlido, no es correcto o incorrecto.

Fuentes de error

En la formulacin del modelo:

Que se excluya variables relevantes, o un atributo (esto es ms dramtico).

Que se incluya variables irrelevantes (es menos dramtico).
Mala eleccin de una funcin de distribucin de probabilidad para una variable.
Mal establecimiento de alguna relacin funcional o de los parmetros del modelo.
En los datos usados
Toma de datos con margen de error relativo importante.
Tcnica de muestreo mal aplicada. Ejemplo: Tomar todos los datos de un sector no
representativo.
Datos mal digitados o mal almacenados.

El analista hace un acto de confianza en el equipo que tena los datos.

En la construccin
Errores en los programas (de lgica, mal uso del lenguaje).
El tiempo real se simula mal.

Uso de una imagen no adecuada del mundo real. (Usar matrices de punto para territorios, lagos,
bosque, cardumen, conglomerados; en lugar del espacio R2 por ej.)

La validacin consiste en 2 etapas:

Validacin de los modelos de procesos simples; esto es validar la estructura interna del modelo.

Se valida la salida de los procesos simples y en ello se hace uso de tcnicas de estadstica. Las
relaciones funcionales tambin deben validarse. Puede hacerse cuando se establece el modelo o
en la toma de datos. No debe tomarse relaciones funcionales desconocidas, o que no tengan ya
un grado de validez aceptable. Siempre ser posible validar las componentes o subsistemas

20
porque se habrn construido de manera modular para formar el modelo. En esta etapa se
observar el comportamiento del modelo en cada uno de esos procesos simples para asegurarse
que cada componente o subsistema est bien simulado.

Validar el modelo de simulacin en su entorno, esto es validar los datos de salida.

Puede ser que la validez de la estructura sea buena, pero el resultado combinado de los
procesos simples sea casi malo.
Confrontar los resultados de la simulacin con las experiencias pasadas y con teoras
existentes al respecto:
No tomar posturas como: los resultados no me parecen correctos, pero si el modelo lo
dice yo lo acepto.
Si los resultados son absurdos, no tiene sentido continuar; cualquier otro anlisis no
convencer a los usuarios. Ningn modelo se ha aceptado si los resultados van contra la
teora.
Para modelos de importancia, de envergadura deber consultarse la opinin de expertos.

Anlisis de sensibilidad

En las 2 etapas de la validacin (de estructura y de los datos de salida) se debe hacer anlisis de
sensibilidad.

Para ello, se vara los valores de 1 o 2 variables de entrada y se observa la respuesta del modelo.
Es de cuidado cuando el modelo es muy sensible a una pequea variacin de una variable, y en
general el modelo no es bueno cuando ello ocurre.

Efectuar anlisis de sensibilidad de las variables dependientes ante cambios de las variables
independientes.

Con un simulador se puede realizar muchos anlisis de sensibilidad por el grado de control
sobre las variables de entrada (Mtodo Turing ). Luego consultar a expertos, si es posible.
Anlisis de la capacidad de replicar los datos que se us en su construccin. Esta rplica
no es tan importante ya que si replica los datos usados no significa que el modelo sea
bueno; y, si ni siquiera replica los datos usados es porque el modelo de simulacin
obtenido es malo.
Anlisis de la capacidad de predecir usando datos crticos no incluidos en los datos, o usar
datos histricos o datos que se obtienen del sistema real o de otro simulador ya probado.

21
 Se espera que estas salidas no sean absurdas comparadas con la experiencia y la teora.
Se consulta la opinin de expertos en esta confrontacin del modelo con la realidad
presente.
Ej. Simular la evolucin de una poblacin de chinchillas dndole poblacin mxima
altsima, y datos de poblacin existentes. Consulta a expertos en chinchillas.
El modelo debe correrse muchas veces antes de llegar a tener una probabilidad de
distribucin de la respuesta de un variable de salida.

VII Diseo de experimentos

Aqu se usan las reglas y los procedimientos que la estadstica considera para el diseo de
experimentos en general y que se aplica a disear experimentos a efectuar con el simulador.

El diseo se har orientado principalmente a los objetos que tiene el estudio o el

programa en que se inserta la construccin del simulador, o los objetivos de los usuarios
que utilizarn el simulador, y para lo cual ste fue diseado.
Se puede distinguir una etapa estratgica donde se decide el diseo de experimentos a
usar por ser el ms adecuado, y la etapa tctica donde se decide el cmo se llevar a la
prctica los experimentos del diseo a aplicar. Se ve aqu la distribucin de recursos, el
uso del tiempo y del personal.

VIII Ejecucin de los experimentos

Corresponde a la etapa operacional del diseo de experimentos.

IX Interpretacin

Se hacen las inferencias sobre el sistema real de los datos generados por el simulador.

X. Documentacin

Se debe indicar por escrito puntos tales como: los objetivos, las componentes y subsistemas,
variables de entrada y de salida, relaciones funcionales, el modelo formulado, la funcin de
desempeo, y lo pertinente hasta aqu (Diseo lgico del simulador).

Se debe documentar el programa computacional, los mdulos o las subrutinas, las inter-
relaciones entre mdulos y la conclusin de la etapa de validacin (Diseo fsico del simulador).

Confeccionar un manual de procedimiento para el uso del simulador. Este resultar ms breve
cuanto ms amigable sea el ingreso y manejo del simulador. Deber contener alcances que
faciliten la inferencia al sistema real.

22
XII. Explotacin

Es dejar el simulador con los manuales y documentacin a disposicin del o los usuarios.

Pruebas de hiptesis

Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en parmetro

poblacional. Despus de recolectar una muestra aleatoria, se compara la estadstica muestral,
as como la media (x), con el parmetro hipottico, se compara con una supuesta media
poblacional. Despus se acepta o se rechaza el valor hipottico, segn proceda. Se rechaza el
valor hipottico slo si el resultado muestral resulta muy poco probable cuando la hiptesis es
cierta.

Etapas Para La Prueba De Hiptesis.

Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0) es el valor
hipottico del parmetro que se compra con el resultado muestral resulta muy poco probable
cuando la hiptesis es cierta.

Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia del 5%,
entonces se rechaza la hiptesis nula solamente si el resultado muestral es tan diferente del valor
hipottico que una diferencia de esa magnitud o mayor pudiera ocurrir aleatoria mente con una
probabilidad de 1.05 o menos.

Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la estadstica muestral
(el estimador no segado del parmetro que se prueba) o una versin transformada de esa
estadstica muestral. Por ejemplo, para probar el valor hipottico de una media poblacional, se
toma la media de una muestra aleatoria de esa distribucin normal, entonces es comn que se
transforme la media en un valor z el cual, a su vez, sirve como estadstica de prueba.

Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba. Habiendo especificado
la hiptesis nula, el nivel de significancia y la estadstica de prueba que se van a utilizar, se
produce a establecer el o los valores crticos de estadstica de prueba. Puede haber uno o ms de
esos valores, dependiendo de si se va a realizar una prueba de uno o dos extremos.

Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al probar un valor
hipottico de la media poblacional, se toma una muestra aleatoria y se determina el valor de la

23
media muestral. Si el valor crtico que se establece es un valor de z, entonces se transforma la
media muestral en un valor de z.

Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica muestral con el valor
(o valores) crticos de la estadstica de prueba. Despus se acepta o se rechaza la hiptesis nula.
Si se rechaza sta, se acepta la alternativa; a su vez, esta decisin tendr efecto sobre otras
decisiones de los administradores operativos, como, por ejemplo, mantener o no un estndar de
desempeo o cul de dos estrategias de mercadotecnia utilizar.

La distribucin apropiada de la prueba estadstica se divide en dos regiones: una regin de

rechazo y una de no rechazo. Si la prueba estadstica cae en esta ltima regin no se puede
rechazar la hiptesis nula y se llega a la conclusin de que el proceso funciona correctamente.

Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor crtico en la
distribucin estadstica que divide la regin del rechazo (en la cual la hiptesis nula no se puede
rechazar) de la regin de rechazo. A hora bien el valor crtico depende del tamao de la regin
de rechazo.

PASOS DE LA PRUEBA DE HIPTESIS

1. Expresar la hiptesis nula

2. Expresar la hiptesis alternativa

3. Especificar el nivel de significancia

4. Determinar el tamao de la muestra

5. Establecer los valores crticos que establecen las regiones de rechazo de las de no rechazo.

6. Determinar la prueba estadstica.

7. Coleccionar los datos y calcular el valor de la muestra de la prueba estadstica apropiada.

8. Determinar si la prueba estadstica ha sido en la zona de rechazo a una de no rechazo.

9. Determinar la decisin estadstica.

10. Expresar la decisin estadstica en trminos del problema.

24
Errores de tipo I y de tipo II.

Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se ha cometido un error
de tipo I. Por otra parte, si aceptamos una hiptesis que debiera ser rechazada, diremos que se
cometi un error de tipo II. En ambos casos, se ha producido un juicio errneo.

Para que las reglas de decisin (o no contraste de hiptesis) sean buenos, deben disearse de
modo que minimicen los errores de la decisin; y no es una cuestin sencilla, porque para
cualquier tamao de la muestra, un intento de disminuir un tipo de error suele ir acompaado
de un crecimiento del otro tipo. En la prctica, un tipo de error puede ser ms grave que el otro,
y debe alcanzarse un compromiso que disminuya el error ms grave.

La nica forma de disminuir ambos a la vez es aumentar el tamao de la muestra que no siempre
es posible.

4.4.2 Pruebas no paramtricas

Las pruebas estadsticas no paramtricas son las que, a pesar de basarse en determinadas
suposiciones, no parten de la base de que los datos analizados adoptan una distribucin normal.

Tcnica estadstica que no presupone ninguna distribucin de probabilidad terica de la

distribucin de nuestros datos.

Se denominan pruebas no paramtricas aquellas que no presuponen una distribucin de

probabilidad para los datos, por ello se conocen tambin como de distribucin libre (distribucin
free).

En la mayor parte de ellas los resultados estadsticos se derivan nicamente a partir de

procedimientos de ordenacin y recuento, por lo que su base lgica es de fcil comprensin.

Cuando trabajamos con muestras pequeas (n < 10) en las que se desconoce si es vlido suponer
la normalidad de los datos, conviene utilizar pruebas no paramtricas, al menos para corroborar
los resultados obtenidos a partir de la utilizacin de la teora basada en la normal.

En estos casos se emplea como parmetro de centralizacin la mediana, que es aquel punto para
el que el valor de X est el 50% de las veces por debajo y el 50% por encima.

25
Las pruebas no paramtricas no requieren asumir normalidad de la poblacin y en su mayora se
basan en el ordenamiento de los datos, la poblacin tiene que ser continua.

El parmetro que se usa para hacer las pruebas estadsticas es la Mediana y no la Media.

Son tcnicas estadsticas que no presuponen ningn modelo probabilstico terico.

Son menos potentes que las tcnicas paramtricas, aunque tienen la ventaja que se pueden
aplicar ms fcilmente.

Conclusin

La simulacin como la conocemos comenz a finales del ao 50, iniciando leguajes con propsitos
generales, estos nos permitan analizar y modelar en forma ms sencilla o menos sencilla como
todo la simulacin tambin tiene defectos, de costo, de tiempo etc., los programadores tienen
que tener conocimiento del lenguaje que se est usando, debemos de generar una clara precisin,
para esos existen los mtodos y pruebas que hemos visto as como la prctica de las hiptesis
para ver que nuestras variables aleatoria nos seas de uniformidad o que nos permiten acabar la
tarea de un evento que pasa en la vida real abstrayndolo a un lenguaje simulado esto nos genera
una gua conceptual, colaborando con las entradas y salidas de entidades en el sistema, algunos
nos manejan una cierta facilidad para los cambios pues con estos podemos ver el
comportamiento de nuestro medios simulado. Esto pues nos ayuda analizar y a determinar
nmero de posibles entidades en el sistema.

Bibliografa

http://www.tesoem.edu.mx/alumnos/cuadernillos/2009.021.pdf

http://simulacionkarla.blogspot.mx/p/unidad-iv-lenguajes-de-simulacion.html

"Tcnicas Estadsticas Paramtricas y No Paramtricas Equivalentes: Resultados Comparativos

Por Simulacin"

26