CARRERA: Ingeniería en Informática

UCSE - DASS
CÁTEDRA: Modelos y Simulación
Área Matemática Aplicada
Año:2014

UNIDAD 1: FUNDAMENTOS DE LA SIMULACIÓN:

1.1. Modelos – Definiciones

Estamos interesados en imitar y simular procesos reales. Por ahora enfocados hacia
los Sistemas.
Realizamos una serie de suposiciones sobre “X” Sistema y su comportamiento
(¿Cómo Trabaja?).
El conjunto de todas las suposiciones está formado por las relaciones matemáticas y
lógicas.  MODELO.
Un modelo es un sustituto simplificado del sistema que tiene por objetivo el estudio
de un aspecto particular del mismo
El modelo es una “imitación” del sistema original, como para poder imitar algo
o alguien es necesario conocerlo bien, será necesario reunir información precisa
respecto al original si queremos que el modelo sea bueno.

1.2. Precisión y Exactitud de los Modelos

Si las relaciones son sencillas, será posible utilizar métodos Matemáticos (ej:
técnicas de estadística y probabilidad, cálculo diferencial e integral). La información
que se obtiene es EXACTA. Esto se denomina SOLUCIÓN ANALÍTICA.
Sin embargo los sistemas con los que nos encontramos en la realidad son
complejos, y no es posible evaluarlos analíticamente. Por lo tanto, a estos eventos
debemos estudiarlos mediante métodos de SIMULACIÓN.  Una computadora
genera datos para estimar las características.

Ejemplo: Planta

Mat. Prima.

Producto
La ampliación de la planta ¿será conveniente?

Una Simulación, puede ayudar a resolver algunas preguntas. (¿Resuelve?, ¿Que

pasa si? (What if?))

Aplicaciones
 Diseño y Análisis de FMS (Sistemas de Manufacturas)
 Evaluación de Hardware y Software
 Definición de Políticas de Ordenamiento de Inventarios.
 Sistemas de Comunicación y los Protocolos.
 Facilidades (Aeropuertos)
 Organizaciones Públicas (Hospitales, etc)

Página 1
 CARRERA: Ingeniería en Informática
UCSE - DASS
CÁTEDRA: Modelos y Simulación
Área Matemática Aplicada
Año:2014

1.3. Sistemas
La definición básica de Sistema nos dice que se trata de un conjunto de elementos
que se interrelacionan para funcionar como un todo

Estado del Sistema: es la colección de variables necesarias para describir el sistema

en un instante (determinado) particular del tiempo.

1.3.1. Clasificación general

Sistemas Discretos: las variables de estado cambian constantemente en puntos

separados en el tiempo.
Sistemas Continuos: las variables cambian de forma continua en el tiempo.

Ejemplos:

(Sistema Discreto)
Un banco, las variables de estado cambian solo cuando llega un cliente o cuando se
termina de atender al cliente y sale. Estos cambios tienen lugar en puntos discretos del
tiempo.

(Sistema Continuo)
Un proceso químico: el estado del sistema va cambiando en forma continua con el
tiempo.. Estos sistemas por lo general se modelan mediante ecuaciones diferénciales.

1.4. Métodos para estudiar un sistema

Sistema
s

Experimentar con
Experimentar
un modelo del
con el sistema
REAL Sistema

Modelo
Matemático Modelo
Físico

Solución
Simulación
Analítica

1.5. Clasificación de los modelos para Simulación

Modelos Estáticos vs Modelos Dinámicos
ESTATICOS: representa las relaciones del sistema cuando el mismo está quieto o
en equilibrio, es decir bajo un conjunto de situaciones o condiciones determinadas. El

Página 2
 CARRERA: Ingeniería en Informática
UCSE - DASS
CÁTEDRA: Modelos y Simulación
Área Matemática Aplicada
Año:2014

modelo no muestra las etapas intermedias ni cómo se desarrollan, solo el principio y el

final. Por ejemplo: al lanzar un dado los únicos valores posibles a obtener son: 1, 2, 3, 4,
5 y 6 de tal forma que el resultado de la simulación será alguno de los valores posibles,
este tipo de Simulación se conoce con el nombre de Simulación de Monte Carlo
DINÁMICOS: refleja los cambios en el sistema a través del tiempo, muestra la
evolución desde el principio hasta el final. Por ejemplo: El número de personas que
hace fila para entrar en una sala de cine varía con el tiempo.

Modelos deterministas vs Modelos Estocásticos

DETERMINISTICO: Un cambio en el modelo produce uno y solo un resultado. El
modelo de simulación no posee componentes probabilísticos es decir que no contiene
variables aleatorias. Ejemplo: un modelo que represente un cambio en la temperatura
del agua. Pongo agua para el mate, la saco de la canilla o de la heladera, siempre se va a
calentar-
ESTOCASTICO: Un cambio en el modelo produce resultados aleatorios es decir
que contiene una o más variables aleatorias. Por ejemplo: un modelo para estudiar los
problemas de seguridad de una planta industrial (las reacciones de los operarios frente a
la misma citación son impredecibles por mas entrenados que estén)

Modelos continuos vs Modelos Discretos

CONTINUOS: concierne al modelado en el tiempo de un sistema en el que las
variables cambian continuamente respecto al tiempo. Por ejemplo la descripción de la
trayectoria de un avión en vuelo donde el mismo cambia continuamente la posición y la
velocidad.
DISCRETO: es el modelado de un sistema en el tiempo donde las variables de
estado cambian instantáneamente en puntos separados en el tiempo. En cada punto
ocurren los eventos. Ejemplo: representación de un sistema electrónico digital, la
entrada de una persona a un negocio.

Cuando los modelos son dinámicos, discretos y estocásticos se denomina

“Modelo Orientado a Eventos” (Discret Event Model)

1.6. Características de un buen modelo

 Fácil de entender por el usuario.

 Dirigido a objetivos claros.
 No debe dar respuestas absurdas.
 De fácil comunicación.
 Debe describir todo lo importante.
 Adaptable, y por consiguiente, fácil de modificar.
 Evolutivo: implica sencillo al principio y cada vez más complejo (a medida que
el usuario aprenda a manejarlo)

1.7. Funciones de un modelo

 Ayuda a pensar.

Página 3
 CARRERA: Ingeniería en Informática
UCSE - DASS
CÁTEDRA: Modelos y Simulación
Área Matemática Aplicada
Año:2014

 Ayuda a comunicarse.
 Entrenamiento e instrucción (simuladores de vuelo).
 Predicción.
 Experimentación (sistema eléctrico).

1.8. Estructura de los modelos de Simulación

Existen dos puntos de vista diferentes para estructurar modelos para Simulación, una
más sencilla de aplicar a sistemas continuos y otra más sencilla de aplicar a sistemas
discretos. Con la primera se obtienen modelos determinísticos y con la segunda modelos
estocásticos.

Metodología aplicable más fácilmente a sistemas continuos:

La estructura del modelo está compuesta por:
 Componentes: son las partes constituyentes del sistema. También llamados
elementos o subsistemas
 Variables: asociadas al concepto matemático de variable
o Exógenas de entrada o independientes: son las que afectan al sistema,
pero éste no puede modificarlas. Pueden modificarse arbitrariamente
desde el medio ambiente.
o Endógenas o dependientes: Son variables del sistema que se modifican
de acuerdo a relaciones, no pueden ser modificadas arbitrariamente.
o De estado: Es el conjunto mínimo de variables dependientes que
permiten describir el sistema en t + Dt si se conocen sus valores más los
valores independientes de t.
o De salida: conjunto mínimo de variables de estado que permiten evaluar
los objetivos del modelo.
 Parámetros: están asociados al concepto de variable matemática, por lo tanto no
cambian su valor en una corrida de simulación
 Relaciones funcionales: muestran el comportamiento de variables y parámetros
 Restricciones: son las limitaciones
o Naturales: son las que físicamente no pueden violarse
o Autoimpuestas: limitaciones que se ponen para acotar el estudio
 Funciones Objetivos: objetivos y metas del modelo y como se evaluaran.
Implica definir para que se modela y simula y como se evaluaran los factores
que intervienen en la experiencia

Ejemplo: supongamos un recipiente cerrado con agua que se está calentando, se desea
obtener un modelo que permita representar a que temperatura comienza a hervir.

Sistema: recipiente cerrado con agua.

Medio ambiente: aire, fuego
Variables independientes: el calor del fuego, la temperatura del aire, la presión
atmosférica, la altura sobre el nivel del mar.
Variables dependientes; masa de agua líquida, volumen de agua líquida,
densidad de agua líquida, temperatura del agua, cantidad de agua total, presión de
vapor, masa de vapor, volumen de vapor, densidad de vapor
Variables de estado: temperatura, presión. Recordando que densidad = masa /
volumen entonces para describir el sistema basta con dos de las tres. En cada instante la

Página 4
 CARRERA: Ingeniería en Informática
UCSE - DASS
CÁTEDRA: Modelos y Simulación
Área Matemática Aplicada
Año:2014

cantidad total de agua será igual a la cantidad de agua como vapor más la cantidad de
agua como líquido
Si la intención es conocer la temperatura a la que hierve el agua, la temperatura
será necesariamente la variable de estado que se escoja como variable de salida
Parámetros: cambiar la cantidad inicial de agua en el recipiente, cambiar a otro
recipiente.
Restricciones naturales: si la olla esta herméticamente cerrada en ningún
momento podrá variar la cantidad de agua total
Restricciones autoimpuestas: por ejemplo la temperatura inicial del agua será
siempre de 30 grados.
Funciones objetivo: por ejemplo se desea conocer la temperatura máxima
solamente o además en que tiempo alcanza esa temperatura. La evaluación se hará por
comparación entre dos valores sucesivos.

Metodología más fácilmente aplicable a sistemas discretos

La estructura del modelo está compuesta por:
 Entidades: objetos de interés en el sistema bajo estudio. Es el elemento
responsable de que el estado del sistema cambie. Ejemplo: clientes que llegan a
la caja de un banco, una pieza que llega a un proceso.
 Atributos: propiedades o características de las entidades. Son las que permiten
describir cuantitativamente al sistema. Por ejemplo si la entidad es un motor, los
atributos serían su color, peso, tamaño o cilindraje. Los atributos son útiles para
diferenciar entidades. Pueden asignarse al momento de la creación de la entidad
y/o cambiarse durante el proceso.
 Variables: son condiciones cuyos valores se crean y modifican por medio de
ecuaciones matemáticas y relaciones lógicas. Pueden ser continuas (por
ejemplo: el costo promedio de operación de un sistema) o discretas (por
ejemplo: el número de unidades que deberá empacarse en un contenedor)
 Estado: es la condición que guarda el sistema bajo estudio en un momento
determinado. Estado se compone de variables o características de operación
puntuales ( digamos el número de piezas que hay en ese momento) y de
variables o características de operación acumuladas (como podría ser el tiempo
promedio de permanencia de una entidad en el sistema)
 Evento: cambio instantáneo en el estado actual del sistema. Por ejemplo: la
entrada o salida de una entidad. Los eventos se pueden catalogar de dos tipos:
eventos actuales que son aquellos que están sucediendo en el sistema en un
momento dado y eventos futuros que son cambios que se presentarán en el
sistema después del tiempo de simulación, de acuerdo con una programación
especificada. Por ejemplo: cierta pieza que ingresa en una máquina para que ésta
realice un proceso. El evento actual sería precisamente que la entidad llamada
“pieza” se encuentra en la máquina. El evento futuro podría ser el momento en
que la máquina concluirá su trabajo con la pieza y esta seguirá su camino hacia
el siguiente proceso.
 Actividad: operación que produce transformaciones a los estados del sistema.
Las actividades comienzan y terminan con eventos.
 Funciones: establecen relaciones entre los atributo.
 Localizaciones: son aquellos lugares en los que la entidad puede detenerse para
ser transformada o esperar a serlo. Por ejemplo: para una pieza tenemos los
almacenes, las bandas transportadoras, máquinas, etc.

Página 5
 CARRERA: Ingeniería en Informática
UCSE - DASS
CÁTEDRA: Modelos y Simulación
Área Matemática Aplicada
Año:2014

 Recursos: son aquellos dispositivos (diferentes a las localizaciones) necesarios

para llevar a cabo una operación. Por ejemplo: un montacargas que transporta
una pieza de un lugar a otro o una persona que realiza la inspección en una
estación.
 Reloj de Simulación: es el contador del tiempo de la simulación y su función
consiste en responder preguntas tales como cuánto tiempo se ha utilizado el
modelo en la simulación, y cuanto tiempo en total se quiere que dure esta última.
Podemos hablar de dos tipos de relojes de simulación: el reloj de simulación
absoluto que parte desde cero y termina en un tiempo de simulación definido y
el reloj de simulación relativo que solo considera el lapso de tiempo que
transcurre entre dos eventos.

Ejemplo: Un taller recibe ciertas piezas, las cuales son acumuladas en un almacén
temporal en donde esperan a ser procesadas. Esto ocurre cuando un operario transporta
las piezas del almacén a un torno. Desarrolle el modelo que incluya el número de piezas
que hay en el almacén esperando a ser atendidas en todo momento, y el número de
piezas procesadas en el torno.

Esta imagen muestra cómo se vería el modelo de simulación para el ejemplo:

Figura 1.9: Modelo de Simulación para el ejemplo

Podemos identificar algunos elementos que participan en un modelo de

simulación, de acuerdo con las definiciones anteriores:

Sistema: el sistema está conformado por el conjunto de elementos interrelaciones: las

piezas, el almacén, el operario, el torno
Entidades: para este ejemplo solo tenemos una entidad: las piezas.
Estado del sistema: Podemos decir que hay 9 piezas en el almacén esperando a ser
procesadas. Que el torno en este momento no está trabajando pero que lleva procesadas
4 piezas. El operario esta transportando una pieza para ser procesada. Podemos también
llevar un control de otras estadísticas como el tiempo promedio de permanencia de las
piezas en el almacén o en el sistema.
Eventos: podríamos como eventos para el sistema en estudio: el tiempo de descanso del
operario, la salida de una pieza tras ser procesada por el torno, el ingreso de la pieza al

Página 6
 CARRERA: Ingeniería en Informática
UCSE - DASS
CÁTEDRA: Modelos y Simulación
Área Matemática Aplicada
Año:2014

torno. Además es posible identificar un evento futuro: la llegada de la siguiente pieza al

sistema.
Localizaciones: Tenemos el almacén al que llegan las piezas y en el que esperan a ser
procesadas así como el torno en donde esto ocurrirá.
Recursos: en este modelo, un recurso es el operario, que transporta las piezas del
almacén al torno.
Atributos: Podríamos decir que (aunque en el ejemplo no se menciona) las piezas
pueden ser de tres tamaños diferentes. En este caso el atributo llamado tamaño podría
agregarse a la información de cada pieza que llega al sistema, para posteriormente
seleccionar el tipo de operación que deberá realizarse y el tiempo necesario para llevarla
a cabo de acuerdo con dicho atributo.
Variables: tenemos dos variables en este caso: el número de piezas en el almacén y el
número de piezas procesadas en el torno.

1.9. Otras definiciones

Otro concepto importante que vale la pena definir es el de réplica o corrida de
la simulación. Cuando se ejecuta el modelo en una ocasión, los valores que obtenemos
de las variables y parámetros al final del tiempo de simulación generalmente serán
diferentes de los que se producirían si volvemos a correr usando diferentes números
pseudo aleatorios. Por ello, es necesario efectuar más de una réplica del modelo que se
está analizando, con la finalidad de obtener estadísticas de intervalos que nos den una
mejor estimación del verdadero valor de las variables bajo diferentes escenarios que se
presentan al modificar los números pseudo aleatorios en cada oportunidad.
La pregunta es entonces ¿Cuánto tiempo se debe simular un modelo para obtener
resultados confiables? Podemos decir que las variables que se obtienen en términos de
promedio presentan diferentes etapas: un estado transitorio y un estado estable. El
primero se presenta al principio de la simulación (por ejemplo en el arranque de una
planta cuando no tiene material en proceso). En este estado hay mucha variación entre
los valores promedios de las variables de decisión del modelo, con lo que formular
conclusiones en base a ellos sería muy arriesgado, lo que difícilmente nos daría una
representación fiel de la realidad.
En el estado estable los valores de las variables de decisión permanecen muy
estables, presentando solo variaciones muy significativas. En este momento las
decisiones serán mucho más confiables.

Figura 1.10: Gráfica de estabilización de una variable

Página 7
 CARRERA: Ingeniería en Informática
UCSE - DASS
CÁTEDRA: Modelos y Simulación
Área Matemática Aplicada
Año:2014

1.10. Elementos Constitutivos de los Modelos para Simulación

Todos los modelos de Simulación Discretos, comparten un número de

componentes comunes que promueven la codificación, depuración y los futuros
cambios del programa de simulación.

Componentes
 Estado del Sistema: Colección de variables de estado necesarias para describir al
Sistema en el tiempo t.
 Reloj de Simulación (Simulation Clock): Es una variable que posee el valor del
tiempo simulado.
 Lista de Sucesos (Event List): Es una lista que posee la siguiente vez cuando
cada evento ocurrirá.
 Contadores Estadísticos (Stadistical Counters): Son variables utilizadas para
almacenar información estadística sobre la performance del sistema.
 Rutina de Inicialización (Initialization Routine): Es un subprograma para
inicializar el modelo a tiempo 0.
 Rutina de Timming: Es un subprograma que determina el próximo evento de la
lista de eventos, y luego avanza el reloj de simulación al tiempo del evento que
está por ocurrir.
 Rutina de Eventos o Sucesos: Es un subprograma que actualiza el estado del
sistema cuando un evento ocurre o se produce.
 Biblioteca de Rutinas
 Generador de Reportes
 Programa Principal

Página 8
 CARRERA: Ingeniería en Informática
UCSE - DASS
CÁTEDRA: Modelos y Simulación
Área Matemática Aplicada
Año:2014

Diagrama de Flujo de Control

De avance de tiempo por evento próximo (“Next – event time advance
approach”)

Inicio

Rutina de inicialización MAIN Rutina Timming

1. Clock = 0 0. Invocar la Inicialización.

2. inicializa estado del 1. Invocar rutina Timming. 1. Determina el próximo
sistema y contadores 2. Invocar la rutina del evento. evento y su tipo i.
estadísticos 2. Avanza el reloj o
3. Inicializa lista de clock
eventos. Ultimo evento i
1. Actualiza estado del sistema. Genera variable
2. Actualiza contador estadístico. aleatoria
3. Genera eventos futuros y
adiciona a la lista de eventos.

¿Simulación No
Terminada?

Si

Reporte

Página 9