qwertyuiopasdfghjklzxcvbnmqwertyui opasdfghjklzxcvbnmqwertyuiopasdfgh jklzxcvbnmqwertyuiopasdfghjklzxcvb nmqwertyuiopasdfghjklzxcvbnmqwer Modelacin y simulacin de operaciones y procesos tyuiopasdfghjklzxcvbnmqwertyuiopas dfghjklzxcvbnmqwertyuiopasdfghjklzx cvbnmqwertyuiopasdfghjklzxcvbnmq wertyuiopasdfghjklzxcvbnmqwertyuio pasdfghjklzxcvbnmqwertyuiopasdfghj klzxcvbnmqwertyuiopasdfghjklzxcvbn mqwertyuiopasdfghjklzxcvbnmqwerty

uiopasdfghjklzxcvbnmqwertyuiopasdf ghjklzxcvbnmqwertyuiopasdfghjklzxc vbnmqwertyuiopasdfghjklzxcvbnmrty uiopasdfghjklzxcvbnmqwertyuiopasdf ghjklzxcvbnmqwertyuiopasdfghjklzxc

Modelos de Optimizacin de Recursos 27/05/2013

INTRODUCCION

El trabajo que a continuacin les presentamos consta principalmente del proceso de simulacin nos informa que es, como se formula, que tipo de modelos de simulacin existen, nos dice cuales podemos usar en determinados momentos, ya que se usan de acuerdo a la aplicacin que deseamos realizar. Las aplicaciones que se mencionan en este documento son las aplicaciones en lneas de espera e inventarios Lo primero que tenemos que hacer es estudiar nuestro problema y ver cul es el objetivo que deseamos alcanzar en el proyecto deseado, luego pasamos a formular nuestro modelo. Con estos datos nos podemos utilizar un software que nos ayude a realizar el modelo de simulacin ya que en la actualidad existen varios software para la simulacin cada uno para distintas aplicaciones. Tambin se habla de las tcnicas de Montecarlo, que son unos mtodos simplificados de simulacin, que incluye factores de probabilidad. Esta simulacin funciona de manera guiada por un muestreo al azar para tomar en cuenta la probabilidad de que el evento suceda. Estas tcnicas nos sirven para simular sucesos naturales con el fin de determinar la probabilidad de los eventos bajo estudio. Este es un trabajo he recopilado informacin distinta de varias fuentes, para comparar y analizar el contenido de la informacin para luego poner los puntos ms importantes de cada uno y se pueda entender con ms claridad todos los temas que abarcaremos.

EL PROCESO DE SIMULACION

Simulacin es la experimentacin con un modelo de una hiptesis o un conjunto de hiptesis de trabajo. Thomas T. Goldsmith Jr. y Estle Ray Mann la define as: "Simulacin es una tcnica numrica para conducir experimentos en una computadora digital. Estos experimentos comprenden ciertos tipos de relaciones matemticas y lgicas, las cuales son necesarias para describir el comportamiento y la estructura de sistemas complejos del mundo real a travs de largos perodos". Una definicin ms formal formulada por R.E. Shannon1 es: "La simulacin es el proceso de disear un modelo de un sistema real y llevar a trmino experiencias con l, con la finalidad de comprender el comportamiento del sistema o evaluar nuevas estrategias -dentro de los lmites impuestos por un cierto criterio o un conjunto de ellos - para el funcionamiento del sistema". TIPOS DE SIMULACIN Existen dos tipos distintos de modelos de simulacin. Los modelos continuos se ocupan de sistemas cuyo comportamiento cambia contiguamente con el tiempo. Estos modelos suelen utilizar ecuaciones diferenciales para describir las interacciones entre los diferentes elementos del sistema. Los modelos discretos tienen que ver principalmente con el estudio de lneas de espera con el objetivo de determinar medidas como el tiempo de espera promedio y la longitud de cola. ELEMENTOS DE LA SIMULACIN DE EVENTOS DISCRETOS El objetivo final de la simulacin es estimar algunas medidas de desempeo deseables que describan el comportamiento del sistema simulado. Por ejemplo, en una instalacin de servicio, las medidas de desempeo asociadas pueden incluir el tiempo de espera promedio hasta que un cliente es atendido, la longitud promedio de la cola y la utilizacin promedio de la instalacin de servicio. Todas las simulaciones de eventos discretos describen, directamente o indirectamente, simulaciones de colas en las que los clientes llegan (para servicio), esperan en la cola (si es necesario) y luego reciben servicio antes de salir de la instalacin de servicio.

La aleatoriedad de la simulacin surge cuando el intervalo t, entre los eventos sucesivos es probabilstico. Esta seccin presenta tres mtodos para generar muestras aleatorias sucesivas (t=t1,t2) de una distribucin de probabilidad f(t). Mtodo inverso Mtodo de convolucin Mtodo de aceptacin y rechazo MTODO INVERSO Suponga que se desea obtener una muestra aleatoria x de la funcin de densidad de probabilidad f(x) (continua o discreta). El mtodo inverso determina primero la expresin de forma cerrada de la funcin de densidad acumulada F(x) = P{y x}, donde 0 F(x )1, para todos los valores definidos de y. Se puede demostrar que la variabilidad aleatoria z=F(x) est distribuida de modo uniforme en el intervalo 0 z 1. Con base en este resultado, se determina una muestra aleatoria de f(x) mediante los siguientes pasos (F-1 es la inversa de F). Paso 1: Genere un nmero aleatorio 0-1,R. Paso 2: Calcule la muestra deseada x = F-1 (R). MTODO DE CONVOLUCIN La idea bsica del mtodo de convolucin es expresar la muestra deseada como la suma estadstica de otras variables aleatorias fciles de muestrear. Tpicas entre estas distribuciones estn las de Erland y la de Poisson, cuyas muestras pueden obtenerse con las muestras de la distribucin exponencial. MODELOS DE SIMULACION La experimentacin puede ser un trabajo de campo o de laboratorio. El modelo de mtodo usado para la simulacin seria terico, conceptual o sistmico. Despus de confirmar la hiptesis podemos ya disear un teorema. Finalmente si ste es admitido puede convertirse en una teora o en una ley. Modelo terico El 'modelo terico' debe contener los elementos que se precisen para la simulacin. Un ejemplo con trabajo de laboratorio es un programa de estadstica con ordenador que genere nmeros aleatorios y que contenga los estadsticos de

la media y sus diferentes versiones : cuadrtica- aritmtica-geomtrica-armnica. Adems debe ser capaz de determinar la normalidad en trminos de probabilidad de las series generadas. La hiptesis de trabajo es que la media y sus versiones tambin determinan la normalidad de las series. Es un trabajo experimental de laboratorio. Si es cierta la hiptesis podemos establecer la secuencia teorema, teora, ley. Es el modelo principal de todo una investigacin cientfica, gracias a ello podemos definir o concluir la hipotesis, las predicciones, etc. Modelo conceptual El modelo conceptual desea establecer por un cuestionario y con trabajo de campo, la importancia de la discriminacin o rechazo en una colectividad y hacerlo por medio de un cuestionario en forma de una simulacin con una escala de actitud. Despus de ver si la poblacin es representativa o adecuada, ahora la simulacin es la aplicacin del cuestionario y el modelo es el cuestionario para confirmar o rechazar la hiptesis de si existe discriminacin en la poblacin y hacia que grupo de personas y en que cuestiones. Gran parte de las simulaciones son de este tipo con modelos conceptuales. Modelo Sistmico El modelo sistmico es ms pretencioso y es un trabajo de laboratorio. Se simula el sistema social en una de sus representaciones totales. El anlisis de sistemas es una representacin total. Un plan de desarrollo en el segmento de transportes con un modelo de ecologa humana, por ejemplo. El nfasis en la teora general de sistemas es lo adecuado en este tipo de simulaciones. Este mtodo, que es para un Sistema complejo, es sumamente abstracto, no se limita a la descripcin del sistema, sino que debe incluir en la simulacin las entradas y salidas de energa y procesos de homeostasis, autopoiesis y retroalimentacin. Tanto el programa de estadstica, como la escala de actitud, como el sistema total, son perfectas simulaciones de la realidad y modelizan todos los elementos en sus respectivas hiptesis de trabajo. Son tambin un microclima y el ambiente o el escenario en los procesos de simulacin/experimentacin. Otras propiedades que deben contener las simulaciones es que sean repetibles indefinidamente. Que eviten el efecto de aprendizaje que incita al encuestador a rellenar l mismo los cuestionarios y que se podr evitar con algn control, que sean flexibles o mejorables y que no sea invasivo o cambiar la poblacin de las muestras sucesivas.

SIMULACION POR COMPUTADORA Es un intento de modelar situaciones de la vida real por medio de un programa de computadora, lo que requiere ser estudiado para ver cmo es que trabaja el sistema. Ya sea por cambio de variables, quizs predicciones hechas acerca del comportamiento del sistema. La simulacin por computadora se ha convertido en una parte til del modelado de muchos sistemas naturales en fsica, qumica y biologa, y sistemas humanos como la economa y las ciencias sociales (sociologa computacional),3 as como en dirigir para ganar la penetracin su comportamiento cambiar cada simulacin segn el conjunto de parmetros iniciales supuestos por el entorno. Las simulaciones por computadora son a menudo consideradas seres humanos fuera de un loop de simulacin. Tradicionalmente, el modelado formal de sistemas ha sido a travs de un modelo matemtico, que intenta encontrar soluciones analticas a problemas que permiten la prediccin del comportamiento de un sistema de un conjunto de parmetros y condiciones iniciales. La simulacin por computadora es frecuentemente usada como un accesorio para, o sustitucin de, sistemas de modelado para los cuales las soluciones analticas de forma cerrada simple no son posibles. Ah se encuentran muchos tipos diferentes de simulacin por computadora, la caracterstica comn que todas ellas comparten es el intento por generar una muestra de escenarios representativos para un modelo en que una enumeracin completa de todos los estados posibles seran prohibitivos o imposibles. Varios paquetes de software existen para modelar por computadora en el funcionamiento de la simulacin se realiza sin esfuerzo y simple (por ejemplo: la simulacin Montecarlo y el modelado estocstico como el Simulador de Riesgo). Es cada vez ms comn escuchar acerca de simulaciones a muchas clases designadas como "ambientes sintticos". Esta etiqueta ha sido adoptada al ampliar la definicin de "simulacin", que abarca virtualmente cualquier representacin computarizada. LA TCNICA MONTECARLO Es un mtodo simplificado de simulacin, pero tambin incluye factores de probabilidad. La simulacin es guiada por un muestreo al azar para tomar en cuenta la probabilidad de que el evento suceda. El muestreo al azar se usa para simular sucesos naturales con el fin de determinar la probabilidad de los eventos bajo estudio. Se emplea una tabla de nmeros al azar para obtener la muestra al azar. El Montecarlo es un medio de tanteo para ver que sucedera cuando ciertos eventos,

normales y anormales, se presenten. Este enfoque es productivo y dice lo que probablemente suceder en los eventos reales sin analizar los eventos comprobables existentes. Las aplicaciones posibles son muy numerosas. Pueden usarse para resolver problemas con estas preguntas tpicas: Cul es la probabilidad de un evento o combinacin de eventos, que ocurran en un proceso dado? Qu decisin debe tomarse en base a las alternativas posibles? Lneas de espera ( Filas ): Se presentan problemas administrativos debido a: Se hace esperar a empleados, mquinas o materiales debido a instalaciones insuficientes para manejarlos de inmediato. Ocurre la utilizacin de las instalaciones a menos del mximo a causa de la secuencia de la llegada de recursos que emplean las instalaciones. Hay prdidas de tiempo, mano de obra no utilizada y costos excesivos causados por las lneas de espera o filas. Minimizar estas prdidas es el objetivo de esta tcnica. Las filas estn relacionadas con el flujo; Ejemplo: el material que espera ser procesado por una mquina, los aviones que dan crculos sobre un aeropuerto en espera de instrucciones, incluyen el flujo de la combinacin y de los materiales. Los mtodos de Montecarlo abarcan una coleccin de tcnicas que permiten obtener soluciones de problemas matemticos o fsicos por medio de pruebas aleatorias repetidas. En la prctica, las pruebas aleatorias se sustituyen por resultados de ciertos clculos realizados con nmeros aleatorios. A lo largo de varias pginas se estudiar el concepto de variable aleatoria y la transformacin de una variable aleatoria discreta o continua. Empezaremos a estudiar esta tcnica por los ejemplos ms sencillos: el mecanismo bsico de la difusin y el establecimiento del equilibrio trmico entre dos sistemas que se ponen en contacto a distinta temperatura. Estos dos ejemplos nos mostrarn el significado de proceso irreversible y fluctuacin alrededor del estado de equilibrio. Se incluyen entre otros ejemplos, la explicacin de la ley exponencial decreciente en la desintegracin de una sustancia radioactiva en otra estable. Comprender, a partir de un modelo simple de ncleo radioactivo, que su desintegracin es un

suceso aleatorio, con mayor o menor probabilidad dependiendo de la anchura de las barreras de potencial que mantienen confinadas a las partculas que componen el ncleo. Otros ejemplos relevantes son: el estudio de un sistema con un nmero pequeo de estados como paso previo al estudio del comportamiento de un material paramagntico bajo la accin de un campo magntico y a una determinada temperatura, dos ejemplos de aplicacin de la transformacin de una variable discreta. Por ltimo, estudiaremos el comportamiento de un material dielctrico como ejemplo de aplicacin de transformacin de una variable aleatoria continua.

FASE TRANSITORIA FASE ESTABLE EL nmero de llegadas a la Poisson. Si no es as, puede ser necesario buscar otros mtodos de anlisis para completar el estudio: La simulacin es muy adecuada para investigar situaciones de mal comportamiento en filas que no se pueden analizar por medio de los modelos tericos estndar de lneas de espera.

PROCEDIMIENTO DE SIMULACION PASO 1: DEFINICION DE LOS OBJETIVOS

Una simulacin puede llevarse a cabo como ayuda para entender un sistema existente o como apoyo para disear un nuevo sistema. Es importante que los objetivos estn definidos con claridad, Los objetivos influyen en el diseo del experimento. PASO 2: FORMULACION DEL MODELO

La tarea es desglosar en trminos lgico matemticos precisos: Las componentes que deben incluirse. Comportamiento de las componentes Sus relaciones

La meta es formular un modelo vlido y seguro con un mnimo de complejidad.

PASO 3: DISEO DEL EXPERIMENTO

Se ahorra mucho tiempo y esfuerzo, si se trabaja en los procedimientos experimentales antes de correr el modelo. Qu medidas se tiene que tomar? Qu incrementos de tiempo se usaran? Cul ser la duracin total? Deben tomarse en cuenta las respuestas a estas y otras preguntas al desarrollar un plan para el experimento. PASO 4: REALIZACION DEL EXPERIMENTO

Esto es de hecho correr el modelo. Aqu se debe marcar el tiempo apropiado, hacer las observaciones necesarias y registras los datos para el anlisis.

PASO 5: EVALUACION DE LOS RESULTADOS

Casi siempre la simulacin da resultados estadsticos: promedios y distribuciones de probabilidad. En la prctica, estos 5 pasos se traslapan considerablemente. El orden de los pasos es menos significativo que el que se ejecuten por completo.