TEMA: CLASIFICACIÓN DE LOS MODELOS DE SIMULACIÓN.

DESARROLLO.

Concepto de simulación Numérica.

La solución numérica de una ecuación diferencial es un esencial ingrediente de la simulación

numérica.

Hay varias maneras de encontrar soluciones de aproximación numérica para las ecuaciones
diferenciales. Los métodos son basados en la idea de reemplazar las ecuaciones diferenciales
por una ecuación de diferencia. El método de Euler es basado en aproximación de la derivativa
por una diferencia de primer orden. Hay técnicas más eficientes tales como Runge-Kutta y
métodos de múltiples pasos. Estos métodos fueron muy conocidos cuando emergieron los
simuladores digitales en el año de 1960. El campo de las matemáticas numéricas experimentó
un renacimiento debido al impacto de las computadoras digitales.

Concepto de modelos de simulación.

Modelo es una representación de un objeto, sistema o idea de forma diferente a la de identidad

misma. Por lo general el modelo nos ayuda a entender y mejorar un sistema El modelo de un
objeto puede ser una réplica exacta de este. Con la diferencia del material que lo compone o de
su escala, inclusive puede ser una abstracción de las propiedades dominantes del objeto. Su
función es Comparar y Predecir.

En cierto modo, todos los modelos se valen del proceso de simulación en el sentido que imitan
la realidad. Sin embargo, los modelos de simulación están diseñados específicamente para
emplearse en los problemas cuya complejidad impide describirlos o resolverlos con las
ecuaciones matemáticas ordinarias. Tratan de reproducir una parte de las operaciones de la
organización a fin de no ver lo que sucederá en ella con el tiempo, o de ensayar con esa parte
modificando algunas variables. (así pues, los modelos de simulación son descriptivos no
normativos).
Elementos de un modelo de simulación.

Un modelo de simula consta al menos de tres conjuntos básicos de elementos:

 Variables de decisión y parámetros.

Las variables de decisión son incógnitas que deben ser determinadas a partir de la
solución del modelo. Los parámetros representan los valores conocidos del sistema o
bien que se pueden controlar.

 Restricciones.

Las restricciones son relaciones entre las variables de decisión y magnitudes que dan
sentido a la solución del problema y las acotan a valores factibles. Por ejemplo, si una
de las variables de decisión representa el número de empleados de un taller, es evidente
que el valor de esa variable no puede ser negativo.

 Función Objetivo

La función objetivo es una relación matemática entre las variables de decisión,

parámetros y una magnitud que representa el objetivo o producto del sistema.

Clasificación de los modelos de simulación

La simulación se puede aplicar a una gran variedad de campos y esto se debe principalmente a
que no hay un único tipo de modelo simulación, si no que existen varios tipos que se dividen
en diferentes clasificaciones. La variedad de modelos de simulación se debe a la combinación
de diferentes características que lo definen. Algunas de estas clasificaciones son la siguientes:

 Clasificación según evolución de tiempo.

Estáticos: Un modelo de simulación estática, se entiende como la representación de un

sistema para un instante (en el tiempo) en particular o bien para representar un sistema
 en el que el tiempo no es importante, representan un sistema en un instante particular.
A menudo se le llama simulación de Monte Carlo.

Ejemplo: El costo para cantidad de camas reservadas (en un hospital)

Dinámicos: Un modelo dinámico representa a un sistema en el que el tiempo es una

variable de interés. Representan un sistema que evoluciona con el tiempo.

Ejemplo: El crecimiento poblacional de un país.

 Clasificación según la aleatoriedad.

Deterministas: Si un modelo de simulación no considera ninguna variable importante,

comportándose de acuerdo con una ley probabilística, se le llama un modelo de
simulación determinista. En estos modelos la salida queda determinada una vez que se
especifican los datos y relaciones de entrada al modelo, tomando una cierta cantidad de
tiempo de cómputo para su evaluación. Es decir, no existe una variable aleatoria.

Ejemplo: Un sistema de inventarios de una fábrica.

Estocásticos o probabilistas: Los valores de las variables dentro de este modelo sufren
modificaciones aleatorias con respecto a un valor promedio; dichas variaciones pueden
ser manejadas mediante distribuciones de probabilidad.
 Clasificación según las variables de estado.

Analíticos: Están basados en técnicas asociadas a la teoría de colas, consistiendo

esencialmente en nódulos ensamblados entre sí en una red multinivel. La simulación
analítica pone de manifiesto múltiples aspectos ligados a la complejidad dinámica de
los procesos en los que varios agentes compiten por un mismo recurso, así como la
variabilidad asociada a procesos de entrada-salida. Los modelos analíticos proporcionan
estimaciones sobre hechos agregados estables con más precisión que el análisis
proporcionado por series de datos.
 Continuos: En estos modelos, el comportamiento de los procesos se simula utilizando
ecuaciones diferenciales que reflejan la variación en el tiempo de cada variable de
estado. Una variable de estado podría ser la tasa de llegada de órdenes o la tasa de
procesamiento de un recurso. Estos modelos son apropiados para modelizar procesos de
gran volumen o producciones continuas. Evidentemente, se ha de suponer que las
variables de estado varían de forma continua y diferenciable en el tiempo (generalmente,
las ecuaciones diferenciales se utilizan cuando el tamaño del paso del tiempo es
pequeño). Se trata de determinar los valores corrientes de las variables de estado hasta
el momento en el cual se alcanza un umbral que pone en marcha ciertas acciones.

Discretos: En este tipo de simulación, las variables de estado del modelo evolucionan
sobre un conjunto discreto de puntos, quizás aleatorio, del eje de tiempos. En estos
modelos, los flujos temporales entre los puntos del mencionado conjunto compiten unos
con otros por el uso de los recursos escasos.

 Clasificación según la simulación.

Modelos icónicos: Son los modelos físicos que se asemejan al sistema real,
generalmente manejados en otra escala.

Modelos Análogos: Son los modelos en los que una propiedad del sistema real se puede
sustituir por una propiedad diferente que se comporta de manera similar.

Modelos Simbólicos: Son aquellos en los que se utiliza un conjunto de símbolos en

lugar de una entidad física para representar a la realidad.

Modelos Estáticos: Utilizados para representar sistemas cuyo estado es invariable a

través del tiempo.

Modelos Matemáticos: Representan la realidad en forma abstracta de muy diversas

maneras.
 Modelos Físicos: Son aquellos en que la realidad es representada por algo tangible,
construido en escala o que por lo menos se comporta en forma análoga a esa realidad
(maquetas, prototipos, modelos analógicos, etc.).

Ventajas de los modelos de simulación.

 Pueden ser aplicados en la fase de diseño de un sistema o bien cuando la producción

está en marcha, con el fin plantear alternativas y del mismo modo mejorar ciertos
aspectos.

 Permiten evaluar tantos escenarios como se requieran, es decir, se pueden simular

diferentes alternativas aplicables al sistema real hasta dar con la mejor solución.

 Permiten conocer en profundidad el comportamiento del sistema con rapidez, sin

necesidad de realizar una gran inversión. Además, no interfiere en la producción, ya que
la experimentación se realiza en el modelo creado a partir del sistema real.

 Poseen una gran flexibilidad para modelizar cualquier tipo de sistema, por muy
complejo que este pueda llegar a ser. De esta manera permite que un problema complejo,
pueda ser resuelto de manera matemática a través del software de simulación.

 Los grandes avances en la informática garantizar mejores softwares de simulación, y

por lo tanto la capacidad de estos para resolver problemas cada vez más complejos y en
periodos de tiempo más reducidos.

Desventajas de los modelos de simulación.

 En ocasiones se hace un uso incorrecto de los modelos de simulación, es decir, si un

modelo analítico es válido, es preferible debido a que la solución será más acertada que
la ofrecida por la simulación.

 La simulación no proporciona soluciones exactas, los resultados que ofrece son

estimaciones acotadas dentro de un margen de confianza.
  Al tratarse en la mayoría de las ocasiones de simulaciones estocásticas, que como ya se
ha explicado consiste en la introducción de la aleatoriedad en el modelo, los resultados
también serán aleatorios. Pero dentro de este inconveniente, aparece una ventaja, y es
que la simulación posee una incertidumbre, pero se puede llegar a acotar ese ruido
mediante técnicas de reducción de varianza o realización de muestreos secuenciales.

 En ciertas ocasiones y dependiendo de la complejidad del sistema, no es posible tener

la certeza de que el modelo de simulación sea válido.

Importancia de los modelos de simulación.

En la actualidad, la modelización y la simulación es una actividad indispensable cuando nos

enfrentamos con el análisis y diseño de sistemas multi disciplinares de cierta complejidad.

El objetivo es ayudar o dar el soporte necesario al diseñador durante el proceso de diseño,

análisis y diagnosis de sistemas o procesos. El software debe complementar el talento del
diseñador para que éste pueda modelar y simular de forma lo más eficientemente posible.