INSTITUTO TECNOLGICO SUPERIOR DE MARTNEZ DE

LA TORRE
ING. EN SISTEMAS COMPUTACIONALES
CATEDRTICO:
MLL. CESAR ARGELLES LPEZ
EXPOSICION:
SIMULACIN
INTEGRANTES:
ALEXIS TAPIA PAZOS 150I0248
ALBERTO ARMANDO ORTIZ GASCA 150I0069
JESS ESTEBAN VEGA BARRALES 150I0065
KEVIN ROGELIO MARTINEZ PREZ 150I0101
JOVANI GARCA PREZ 150I0242
PASOS PARA REALIZAR UN ESTUDIO DE SIMULACIN
 PASOS PARA REALIZAR UN ESTUDIO DE SIMULACIN

Definicin del sistema bajo estudio.

En esta etapa es necesario conocer el sistema a modelar. Para ello se requiere saber qu origina el
estudio de simulacin y establecer los supuestos del modelo: es conveniente definir con claridad las
variables de decisin del modelo, determinar las interacciones entre stas y establecer con precisin
los alcances y limitaciones que aquel podra llegar a tener.
 Generacin del modelo de simulacin base.
La siguiente etapa del estudio consiste en la generacin de un modelo de simulacin base. No es
preciso que este modelo sea demasiado detallado, pues se requiere mucha ms informacin
estadstica sobre el comportamiento de las variables de decisin del sistema. La generacin de este
modelo es el primer reto para el programador de la simulacin, toda vez que debe traducir a un
lenguaje de simulacin la informacin que se obtuvo en la etapa de definicin del sistema, incluyendo
las interrelaciones de todos los posibles subsistemas que existan en el problema a modelar.
 Recoleccin y anlisis de datos.
De manera paralela a la generacin del modelo base, es posible comenzar la recopilacin de la
informacin estadstica de las variables aleatorias del modelo. En esta etapa se debe determinar qu
informacin es til para la determinacin de las distribuciones de probabilidad asociadas a cada una de
las variables aleatorias innecesarias para la simulacin. Aunque en algunos casos se logra contar con
datos estadsticos, suele suceder que el formato de almacenamiento o de generacin de reportes no es
el apropiado para facilitar el estudio.
 Generacin del modelo preliminar.
En esta etapa se integra la informacin obtenida a partir del anlisis de los datos, los supuestos del
modelo y todos los datos que se requieran para tener un modelo lo ms cercano posible a la realidad
del problema bajo estudio. En algunos casos sobre todo cuando se trata del diseo de un nuevo
proceso o esquema de trabajo no se cuenta con informacin estadstica, por lo que debe estimarse un
rango de variacin o determinar (con ayuda del cliente) valores constantes que permitan realizar el
modelado.
 Verificacin del modelo.
Una vez que se han identificado las distribuciones de probabilidad de las variables del modelo y se han
implantado los supuestos acordados, es necesario realizar un proceso de verificacin de datos para
comprobar la propiedad de la programacin del modelo, y comprobar que todos los parmetros usados
en la simulacin funcionen correctamente. Ciertos problemas, en especial aquellos que requieren
muchas operaciones de programacin o que involucran distribuciones de probabilidad difciles de
programar, pueden ocasionar que el comportamiento del sistema sea muy diferente del que se
esperaba.
 Validacin del modelo.
El proceso de validacin del modelo consiste en realizar una serie de pruebas al mismo, utilizando
informacin de entrada real para observar su comportamiento y analizar sus resultados.
Si el problema bajo simulacin involucra un proceso que se desea mejorar, el modelo debe someterse
a prueba con las condiciones actuales de operacin, lo que nos dar como resultado un
comportamiento similar al que se presenta realmente en nuestro proceso. Por otro lado, si se est
diseando un nuevo proceso la validacin resulta ms complicada. Una manera de validar el modelo en
este caso, consiste en introducir algunos escenarios sugeridos por el cliente y validar que el
comportamiento sea congruente con las expectativas que se tienen de acuerdo con la experiencia.
 Generacin del modelo final.
Una vez que el modelo se ha validado, el analista est listo para realizar la simulacin y estudiar el
comportamiento del proceso. En caso de que se desee comparar escenarios diferentes para un mismo
problema, ste ser el modelo raz; en tal situacin, el siguiente paso es la definicin de los escenarios
a analizar.
 Determinacin de los escenarios para el anlisis.
Una manera muy sencilla de determinarlos consiste en utilizar un escenario pesimista, uno optimista y
uno intermedio para la variable de respuesta ms importante. Sin embargo, es preciso tomar en cuenta
que no todas las variables se comportan igual ante los cambios en los distintos escenarios, por lo que
tal vez sea necesario que ms de una variable de respuesta se analice bajo las perspectivas pesimista,
optimista e intermedia.
 Anlisis de sensibilidad.
Una vez que se obtienen los resultados de los escenarios es importante realizar pruebas estadsticas
que permitan comparar los escenarios con los mejores resultados finales. Si dos de ellos tienen
resultados similares ser necesario comparar sus intervalos de confianza respecto de la variable de
respuesta final. Si no hay interseccin de intervalos podremos decir con certeza estadstica que los
resultados no son iguales; sin embargo, si los intervalos se traslapan ser imposible determinar,
estadsticamente hablando, que una solucin es mejor que otra.
 Documentacin del modelo, sugerencias y conclusiones.
Esta documentacin es muy importante, pues permitir el uso del modelo generado en caso de que se
requieran ajustes futuros. En ella se deben incluir los supuestos del modelo, las distribuciones
asociadas a sus variables, todos sus alcances y limitaciones y, en general, la totalidad de las
consideraciones de programacin. Tambin es importante incluir sugerencias tanto del uso del modelo
como sobre los resultados obtenidos, con el propsito de realizar un reporte ms completo. Por ltimo,
debern presentarse asimismo las conclusiones del proyecto de simulacin, a partir de las cuales es
posible obtener los reportes ejecutivos para la presentacin final.
 SIMULACIN DE MONTE CARLO

La simulacin de Monte Carlo es un mtodo que emplea nmeros aleatorios uniformemente

distribuidos en el intervalo [0,1] que es utilizado para resolver problemas donde la
evolucin con el tiempo no es de importancia.
DETERMINACIN DEL REA DE UNA FIGURA

Cuando se desea calcular el rea de un crculo de radio r = 10 cm no existen mayores

problemas, ya que tanto el rea a como su permetro p pueden evaluarse analticamente
con las siguientes frmulas:
a = n 2
p = 2n r
En este caso la solucin es a = 314.16 cm2 y p= 62.83 cm.
 Sin embargo, cuando se desea determinar el rea de una forma irregular, por ejemplo la
superficie plana de Argentina, el problema debe necesariamente ser resuelto con un mtodo
numrico; es decir, simulacin. La determinacin del rea del crculo utilizando la simulacin
de Monte Carlo implica la siguiente secuencia:
1. Crear un cuadrado de lado 2.r que encierre al crculo (ilustracin 2).
2. Colocar n puntos al azar dentro del cuadrado.
3. Asignar a c el nmero de puntos que quedaron dentro del crculo.
4. Como la probabilidad de colocar un punto dentro del crculo es igual al cociente del
rea del crculo dividida el rea del cuadrado, el rea del crculo se puede estimar en funcin del
rea del cuadrado (fcilmente calculable) con:
= 4 2
 Es importante notar que, para un dado n, el resultado ser distinto cada vez que se realice la
simulacin. Es decir, que el resultado ser un nmero aleatorio. A medida que n aumente, la
varianza del resultado disminuir y el valor medio se aproximar a la solucin analtica. Para un n
= 100, el resultado de una simulacin es 320 cm2; mientras que para n = 10000, un resultado es
313 cm2.

El mismo principio se puede aplicar para figuras complejas como se muestra en la ilustracin 3.
Conociendo la escala, se puede fijar un cuadrado arbitrario y calcular el rea de Argentina.
Sin embargo, la determinacin del permetro de la figura es un problema de mayor magnitud
para el cual se necesita recurrir a la teora de fractales.
EVALUACIN DE INTEGRALES

Suponga que se desea evaluar la siguiente integral que no tiene solucin analtica:

I=

Si bien para este caso en particular existen mejores mtodos para hacerlo, cuando se deben
resolver integrales mltiples con integrando mal condicionados la simulacin de Monte
Carlo puede ser una buena alternativa.
Suponga que x es un nmero aleatorio con distribucin uniforme continua en el intervalo
[a,b], f(x) es la correspondiente funcin de densidad de probabilidad que es igual a 1/(b-a);
entonces, el nmero y = g(x) es tambin un nmero aleatorio cuyo valor medio (E(y) o y)
est dado por:
1 1 1
= = = =

 Por lo tanto:
I = (b - a)E(y)

()
= =
= = ( )

Note que E(Y) = I y Var(Y) = (b-a).Var(y)/n, donde Var(y) (o y ) es la varianza de y.

La Tabla 1 muestra los resultados obtenidos para la siguiente integral:

= 0

La solucin analtica es igual a 2. n 10 20 40 80 160

Y 2.213 1.951 1.948 1.989 1.993

EJEMPLO DE CONSTRUCCIN DE UN MODELO DE
SIMULACIN.

Se propone una estacin de gasolina con una sola bomba con un servicio manual. Suponer que los
arribos de carros como tambin su tiempo de servicio son aleatorios.
Al principio identifiquemos los parmetros siguientes:
Estado: nmero de carros que esperan servicio y nmero de carros servidos al momento.
Eventos: arribo de carros, inicio del servicio, fin del servicio
Entidades: carros
Cola: la fila de carros enfrente de la bomba.
Variables aleatorias: tiempos entre llegadas, tiempos del servicio
Distribuciones: asumiremos distribuciones exponenciales para ambos tiempo entre llegadas y tiempo
de servicio.
 Despus, especifique qu hacer en cada evento. Para el ejemplo esto puede plantearse as:
En el evento de llegada de la entidad:
Crear la siguiente llegada.
Si el servidor est libre, enviar la entidad al inicio del servicio.
Si no est libre formar la cola.
En el evento de inicio del servicio:
El servidor se ocupa.
Programar fin de servicio para esa entidad.
En el evento de fin de servicio:
El servidor se desocupa.
 Si alguna entidad espera en la cola: remover la primera entidad de la cola: enviarla al inicio del servicio.
Todava se requiere inicializar el proceso. Por ejemplo, crear el primer arribo.
Finalmente es necesario trasladar todas las operaciones identificadas a cdigo de lenguaje de
computadora. Esto es fcil con una librera apropiada que tenga subrutinas para crear, programar,
tiempo de eventos, manipulaciones de colas, generacin de variacin aleatoria y colecciones
estadstica.
Cmo sera en este caso el proceso de simular?. El programa graba el nmero de carros en el
sistema antes y despus de cada cambio de estado adems del tiempo de ese evento.
QU ES LA SIMULACIN BASADA EN EL WEB?

La simulacin basada en el Web rpidamente emergi como un rea de inters significativa tanto para
investigadores de simulacin como para practicantes de la simulacin. Este inters en Simulacin
basada en el Web es un efecto natural de la proliferacin de la World-Wide Web y sus tecnologas
relacionadas, por ejemplo HTML, HTTP, CGI, etc. la agitada popularidad de, y seguridad sobre,
simulacin computacional como una herramienta para resolver problemas y soportar decisiones.
La apariencia red-amigable del lenguaje programacin Java, y de las tecnologas de objetos
distribuidos como la Architecture Comn Object Request Broker (CORBA) y el Object Linking y
Embedding / Component Object Model (OLE/COM) particularmente, han tenido efectos agudos sobre el
estado de la practica de la simulacin.
Actualmente, los investigadores en el campo de la simulacin basada en el Web estn interesados en
tratar con tpicos tales como metodologas para desarrollo de modelos web-based, desarrollo de
modelos colaborativos sobre Internet, modelacin y simulacin basada en Java, modelacin distribuida
y simulacin usando tecnologas Web y nuevas aplicaciones.
 Bibliografa

Banks J., C. J. (1996). Discrete-Event System Simulation (segunda ed.). New Jersey: Prentice-Hall.
GARCIA DUNNA EDUARDO, G. R. (2006). Simulacin y anlisis de sistemas con ProModel (Primera ed.). MEXICO: PEARSON EDUCACIN.