Beruflich Dokumente
Kultur Dokumente
Vicerrectorado Académico
Coordinación General de Pregrado
Proyecto de Carrera: Ingeniería Industrial
Asignatura: Simulación
MODELOS
Profesor: Alumnos:
Guaita Wilfredo Garnier Vicmar 24.412.346
Martínez Alejandro 24.559.433
Cuando alguien tiene la responsabilidad de conducir un sistema dado, como por ejemplo:
un banco, una ciudad, un sistema de transporte, etc., debe tomar continuamente
decisiones acerca de las acciones que ejecutará sobre el sistema. Estas decisiones
deben ser tales que la conducta resultante del sistema satisfaga de la mejor manera
posible los objetivos planteados.
Para poder decidir correctamente es necesario saber cómo responderá el sistema ante
una determinada acción. Esto podría hacerse por experimentación con el sistema mismo;
pero factores de costos, seguridad y otros hacen que esta opción generalmente no sea
viable. A fin de superar estos inconvenientes, se reemplaza el sistema real por otro
sistema que en la mayoría de los casos es una versión simplificada. Este último sistema
es el modelo a utilizar para llevar a cabo las experiencias necesarias sin los
inconvenientes planteados anteriormente.
Un modelo puede ser entendido como una representación, bien sea abstracta, análoga,
fenomenológica o idealizada, de un objeto que puede ser real o ficticio.
Objetivo de un modelo
Modelado
El modelado es un arte. Cualquier conjunto de reglas para desarrollar modelos tiene una
utilidad limitada y sólo puede servir como una guía sugerida. El arte de modelar consiste
en la habilidad para analizar un problema, resumir sus características esenciales,
seleccionar y modificar las suposiciones básicas que caracterizan al sistema, y luego
enriquecer y elaborar el modelo hasta obtener una aproximación útil. Los pasos
sugeridos para este proceso son:
Modelado de datos
Tradicionalmente, los modelos de datos se han construido durante las fases de análisis
y diseño de un proyecto, para asegurar que los requisitos para una nueva aplicación se
entienden completamente. Un modelo de datos puede ser pensado como un diagrama
de flujo que ilustra las relaciones entre los datos. A pesar de que la captura de todas las
posibles relaciones en un modelo de datos puede consumir mucho tiempo, es un paso
importante que no debería ser apresurado. Los modelos de datos físicos, lógicos y
conceptuales bien documentados permiten que las partes interesadas identifiquen
errores y hagan cambios antes de que cualquier código de programación se haya escrito.
Los modeladores de datos suelen utilizar varios modelos para ver los mismos datos y
garantizar que todos los procesos, entidades, relaciones y flujos de datos han sido
identificados. Hay varios enfoques diferentes para el modelado de datos, incluyendo:
Modelado conceptual de datos: Identifica las relaciones de más alto nivel entre
diferentes entidades.
Modelado de datos empresariales: Similar al modelado de datos conceptuales,
pero se dirige a los requisitos únicos de un negocio específico.
Modelado lógico de datos: Ilustra las entidades, atributos y relaciones específicas
que participan en una función de negocios. Sirve como base para la creación del
modelo de datos físico.
Modelado de datos físicos: Representa una aplicación e implementación
específica de base de datos de un modelo de datos lógicos.
Las herramientas de modelado, permiten crear un "simulacro" del sistema, a bajo costo
y riesgo mínimo. A bajo costo porque, al fin y al cabo, es un conjunto de gráficos y textos
que representan el sistema, pero no son el sistema físico real (el cual es más costoso).
Además minimizan los riesgos, porque los cambios que se deban realizar (por errores o
cambios en los requerimientos), se pueden realizar más fácil y rápidamente sobre el
modelo que sobre el sistema ya implementado.
Cada diagrama "ayuda" al otro, permitiendo una mejor comprensión de la parte del
sistema que modela. El balanceo entre diagramas es la tarea de comprobar la
consistencia entre los distintos diagramas del sistema. Esta tarea puede ser manual o
automática. Cuando está comprobada, se dice que los diagramas están balanceados.
El balanceo de diagramas permite descubrir y corregir errores, inconsistencias o
faltantes.
Consiste en estudiar el contexto del problema, identificar los objetivos del proyecto,
especificar los índices de medición de la efectividad del sistema, establecer los objetivos
específicos del modelamiento y definir el sistema que se va a modelar un sistema de
simulación.
Formulación de un modelo
Una vez definidos con exactitud los resultados que se espera obtener del estudio, se
define y construye el modelo con el cual se obtendrán los resultados deseados. En la
formulación del modelo es necesario definir todas las variables que forman parte de él,
sus relaciones lógicas y los diagramas de flujo que describan en forma completa el
modelo.
Colección de datos
Es importante que se definan con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados.
Con el modelo definido, el siguiente paso es decidir qué lenguaje de programación (como
Fortran, Algol, Lisp, etc.) o qué paquete de software se va a utilizar para procesar el
modelo en la computadora y obtener los resultados deseados.
Verificación
A través de esta etapa se valoran las diferencias entre el funcionamiento del simulador y
el sistema real que se está tratando de simular. Las formas más comunes de validar un
modelo son:
Experimentación
La experimentación con el modelo se realiza después que este haya sido validado. La
experimentación consiste en comprobar los datos generados como deseados y en
realizar un análisis de sensibilidad de los índices requeridos.
Interpretación
En esta etapa del estudio, se interpretan los resultados que arroja la simulación y con
base a esto se toma una decisión. Es obvio que los resultados que se obtienen de un
estudio de simulación colaboran a soportar decisiones del tipo semi-estructurado.
Documentación
Dos tipos de documentación son requeridos para hacer un mejor uso del modelo de
simulación. La primera se refiere a la documentación del tipo técnico y la segunda se
refiere al manual del usuario, con el cual se facilita la interacción y el uso del modelo
desarrollado.
Diferencia entre modelo y simulación
Tipos de modelo
Modelo matemático
Modelos físicos
Clasificación de modelos
Modelos estadísticos
Modelos dinámicos
Es aquel el cual sus valores internos cambian con el pasar del tiempo y es utilizado para
especificar e implementar los aspectos de control del sistema. Este puede ser
representado a través de diagramas de estado, en los cuales los nodos son estados y
los arcos son transiciones entre estados causados por sucesos.
Modelos determinísticos
Son los modelos en donde cada variable de entrada producirá únicamente un resultado,
son útiles en los modelos dinámicos en los cuales los estados cambian con el pasar del
tiempo y es posible conocer su información a partir de los valores.
Modelos estocásticos
Este tipo de modelos tienen como objetivo generar datos y pronósticos a partir de
modelos no determinísticos, esto a través de propiedades estadísticas que involucran
aleatoriedad.
Modelos discretos
Modelos continuos
Los modelos continuos son aquellos en los cuales los cambios que afectan al sistema
suceden de manera continua, este modelo se utiliza cuando se necesita saber el valor
de salida de un sistema en cualquier instante del tiempo que lo conforma.
Modelo de comportamiento
Un modelo de flujo de datos puede ser todo lo que se necesite para representar el
comportamiento de estos sistemas. Por el contrario, los sistemas de tiempo real a
menudo están dirigidos por eventos con un mínimo procesamiento de datos. Un modelo
de máquina de estados es la forma más efectiva de representar su comportamiento.
Otras clases de sistemas pueden estar dirigidas tanto por datos como por eventos. En
estos casos se puede desarrollar ambos tipos de modelos.
Los modelos de flujo de datos son una forma intuitiva de mostrar como los datos son
procesados por un sistema. A nivel de análisis, deberían usarse para modelar la forma
en la que los datos son procesados en el sistema existente. El uso de modelos de flujo
de datos para análisis comenzó a usarse ampliamente después de la publicación del libro
de DeMarco (DeMarco, 1978) sobre análisis de sistemas estructurados. Estos modelos
son una parte intrínseca de los métodos estructurados. La notación usada en ellos
representa el procesamiento funcional (rectángulos redondeados), los almacenes de
datos (rectángulos) y el flujo de datos entre funciones (flechas etiquetadas).
Los modelos de flujo de datos son valiosos debido a que realizan un seguimiento y
documentan como los datos asociados con un proceso particular fluyen a través del
sistema, y esto ayuda a los analistas a comprender el proceso. Los diagramas de flujo
de datos tienen la ventaja de que, a diferencia de otras notaciones de modelado, son
sencillos e intuitivos. Normalmente es posible explicarlos a los usuarios potenciales del
sistema, quienes pueden entonces participar en la validación del análisis.
Los modelos de flujo de datos muestran una perspectiva funcional en donde cada
transformación representa un único proceso o función. Son particularmente útiles durante
el análisis de requerimientos ya que pueden usarse para mostrar el procesamiento desde
el principio hasta el final en un sistema. Es decir, muestra la secuencia completa de
acciones que tienen lugar a partir de una entrada que se está procesando hasta la
correspondiente salida que constituye la respuesta del sistema.
Los modelos de máquina de estados son una parte integral de los métodos de diseño de
tiempo real tales como los propuestos por Ward y Mellor (Ward and Mellor, 1985), y Harel
(Harel, 1987). El método de Harel usa una notación denominada diagramas de estado
que fue la base para la notación del modelado de máquina de estados en UML.
La notación UML utilizada para describir los modelos de máquina de estados está
diseñada para modelar el comportamiento de los objetos. Sin embargo, es una notación
de propósito general que se puede utilizar para cualquier tipo de modelado de máquina
de estados. Los rectángulos redondeados en un modelo representan los estados del
sistema. Incluyen una breve descripción de las acciones realizadas en ese estado. Las
flechas etiquetadas representan estímulos que fuerzan transiciones de un estado a otro.
Modelo teórico
El modelo teórico debe contener los elementos que se precisen para la simulación. Un
ejemplo con trabajo de laboratorio es un programa de estadística con ordenador que
genere números aleatorios y que contenga los estadísticos de la media y sus diferentes
versiones: cuadrática- aritmética-geométrica-armónica. Además debe ser capaz de
determinar la normalidad en términos de probabilidad de las series generadas. La
hipótesis de trabajo es que la media y sus versiones también determinan la normalidad
de las series. Es un trabajo experimental de laboratorio. Si es cierta la hipótesis podemos
establecer la secuencia teorema, teoría, ley. Es el modelo principal de todo una
investigación científica, gracias a ello podemos definir o concluir la hipótesis, las
predicciones, etc.
Modelo conceptual
Modelo sistémico
El concepto de sistema de evento discreto tiene por finalidad identificar a sistemas en los
que los eventos que cambian el estado del mismo ocurren en instantes espaciados en el
tiempo, a diferencia de los sistemas cuyo estado puede cambiar continuamente en el
tiempo (como la posición de un vehículo en movimiento). Aunque aparentemente
simples, los sistemas de eventos discretos, pueden modelar muchos de los fenómenos
que enfrentan los responsables de la administración de los procesos productivos en una
empresa. Por ejemplo, los inventarios de cualquier producto sólo se alteran ante la
ocurrencia de alguno de dos eventos: (1) ingreso de un lote de abastecimiento, o (2)
retiro de cierta cantidad del producto para satisfacer el pedido de un cliente, de la misma
manera como el dinero disponible en cualquier cuenta bancaria sólo puede cambiar a
consecuencia de un depósito, o a consecuencia de un retiro Rico (1992)
Los primeros intentos para simular sistemas de eventos discretos, datan de la década de
los años 60, donde se desarrollan las primeras simulaciones en ordenador para planear
proyectos de gran envergadura, aunque a un costo alto y utilizando lenguajes de
propósito general (a menudo FORTRAN). Las primeras herramientas para facilitar el uso
de la simulación de evento discreto aparecen en la forma de lenguajes de simulación en
la década de los años 70, aunque la programación en estos lenguajes se realiza todavía
por medio de comandos escritos en un archivo. Lenguajes como GPSS, SIMSCRIPT,
SLAM y SIMAN tienen una amplia difusión en los años 80, paralela a una gran producción
científica relacionada con las posibles aplicaciones de la simulación de evento discreto,
y el desarrollo de métodos para el análisis de experimentos por simulación, para generar
por ordenador la ocurrencia de eventos siguiendo patrones probabilísticos, y para
permitir que el motor del lenguaje pueda modelar una gama amplia de aplicaciones.
Cuando la misma acción tiene efectos distintos a corto y a largo plazo, hay complejidad
dinámica. Cuando la misma acción tiene consecuencia en un punto y otras
consecuencias en otra parte del sistema hay complejidad dinámica. Los modelos
gerenciales adaptados para guiar a la dirección sobre decisiones oportunas y pertinentes
que tienen efectos en el corto, medio y largo plazo tienen complejidad dinámica, Sterman
(2000).
Los datos que alimentan y los que se obtienen de un modelo se definen de la siguiente
manera.
Variables de entrada.
Las variables de entrada son todos aquellos datos de entrada sobre los cuales el decisor
no tiene control. Por ejemplo: la frecuencia con la que llegan las llamadas de a un centro
de atención telefónica, el tiempo entre averías de una máquina, la demanda de un
determinado producto, etc.
Parámetros.
Los parámetros son aquellos datos de entrada sobre los cuales el decisor tiene control.
Típicamente, en un estudio de simulación se trata de obtener un conjunto de valores de
los parámetros (es decir, una configuración del sistema) satisfactoria o buena de acuerdo
con algún criterio. Por ejemplo: el número de puestos de atención al cliente en una
oficina, la cantidad de operarios con los que se cuenta en el sistema, el orden en que se
realiza un conjunto de operaciones (el embarque a un avión), etc.
Variables de salida.
Las variables de salida son todos aquellos valores que permiten conocer la bondad del
funcionamiento del sistema estudiado.
Por último, conviene notar que según un el estudio del que se trata un mismo elemento
puede ser o bien una variable de entrada o bien un parámetro. Para desarrollar de forma
correcta un estudio completo de simulación, es importante, en cada caso, identificar
cuáles son las variables de cada tipo y cuáles son los parámetros.
Si el modelo que se construye sólo se orienta a reproducir las salidas del sistema real
sin intentar modelar su comportamiento interno; entonces, será un modelo experimental
o de caja negra. En cambio, si el modelo también intenta reproducir las relaciones
funcionales del sistema será un modelo con base teórica. Un modelo experimental
requiere una gran cantidad de datos para poder calibrarlo o ajustarlo correctamente, y su
rango de validez está limitado a este conjunto de datos. En contraposición, un modelo
teórico requiere una cantidad menor de datos y puede ser utilizado fuera del rango de
los mismos ya que el rango de validez del modelo está dado por la teoría utilizada y no
por los datos.
Conclusión
Un modelo es una representación de una situación real, y se utiliza a menudo en los
proceso de toma de decisiones. La representación puede ser mental o puede adoptar
otras formas. Este “modelo mental” constituye la base de sus decisiones, tales modelos
mentales son de extraordinaria utilidad cuando los factores que interviene no son
numerosos ni complicados.
Los modelos mentales son, pues, de gran utilidad hasta que la propia magnitud del
problema sobrepasa la capacidad del modelo mental.
Así pues, los datos de salida del proceso constituyen la clave de la simulación. Las
comparaciones pueden señalar la solución más conveniente.
Bibliografía
http://www.utadeo.edu.co/es/link/maestria-en-modelado-y-simulacion-
mms/26106/layout-1/que-es-modelado-y-simulacion-ms
https://es.wikipedia.org/wiki/Simulaci%C3%B3n#Modelos_de_simulaci%C3%B3
n
http://www.elconspirador.com/2013/12/15/diferencia-entre-modelo-y-simulacion/
http://www.elconspirador.com/2013/12/09/clasificacion-y-tipos-de-modelos/
http://cuadernos.uma.es/pdfs/papeles22.pdf
http://dinamica-de-sistemas.com/revista/0608o.htm
http://www.alegsa.com.ar/Dic/herramienta_de_modelado.php
http://www.econ.unicen.edu.ar/attachments/1051_TecnicasIISimulacion.pdf