4.1 lenguajes de simulación y simuladores.
En un principio,
los programas de simulación se elaboraban utilizando algún lenguaje de
propósito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la década
de 1960 hacen su aparición los lenguajes específicos para simulación como GPSS,
GASP, SIMSCRIPT, SLAM. En la última década del siglo pasado la aparición de las
interfaces gráficas revolucionaron el campo de las aplicaciones en esta área, y
ocasionaron el nacimiento de los simuladores.
En lo
práctico, es importante utilizar la aplicación que mejor se adecúe al tipo de
sistema a simular, ya que de la selección del lenguaje o simulador dependerá el
tiempo de desarrollo del modelo de simulación. Las opciones van desde las hojas
de cálculo, lenguajes de tipo general (como Visual Basic, C++ o Fortan),
lenguajes específicos de simulación (como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y
SSED), hasta simuladores específicamente desarrollados para diferentes
objetivos (como SIMPROCESS, ProModel, Witness, Taylor II y Cristal Ball).
4.2 aprendisaje y uso de un lenguaje de simulacion o simuladores.
Los lenguajes de
simulación facilitan enormemente el desarrollo y ejecución de simulaciones de
sistemas complejos del mundo real. Los lenguajes de simulación son similares a
los lenguajes de programación de alto nivel pero están especialmente preparados
para determinadas aplicaciones de la simulación.
Los lenguajes de
simulación son similares a los lenguajes de programación de alto nivel pero están
especialmente preparados para determinadas aplicaciones de la simulación.
Características de los lenguajes de simulación:
·
Los lenguajes de simulación proporcionan
automáticamente las características necesarias para la programación de un
modelo de simulación, lo que redunda en una reducción significativa del
esfuerzo requerido para programar el modelo.
·
Proporcionan un marco de trabajo natural para
el uso de modelos de simulación. Los bloques básicos de construcción del
lenguaje son mucho más afines a los propósitos de la simulación que los de un
lenguaje de tipo general.
·
Los modelos de simulación son mucho más
fácilmente modificables.
·
Proporcionan muchos de ellos una asignación
dinámica de memoria durante la ejecución.
·
Facilitan una mejor detección de los errores.
4.3 casos practicos de simulación.
Un caso práctico de
una simulación podemos decir en esta parte, la simulación del Método de Monte
Carlo.
ALGORITMOS
El algoritmo de
Simulación Monte Carlo Crudo o Puro está fundamentado en la generación de
números aleatorios por el método de Transformación Inversa, el cual se basa en
las distribuciones acumuladas de frecuencias:
·
Determinar
la/s V.A. y sus distribuciones acumuladas(F)
·
Generar
un número aleatorio uniforme Î (0,1).
·
Determinar
el valor de la V.A. para el número aleatorio generado de acuerdo a las clases
que tengamos.
·
Calcular
media, desviación estándar error y realizar el histograma.
·
Analizar
resultados para distintos tamaños de muestra.
4.3.1 problemas con línea de espera.
Simulación de
una línea de espera con una fila y un servidor
Un sistema de
colas estará definido cuando tengamos la siguiente información acerca de este:
• Distribución de probabilidad de los
tiempos de servicio
• Distribución de probabilidad de los
tiempos entre llegadas
• Numero de servidores
• Numero de filas
• Conexiones entre servidores y filas
• Disciplinas y restricciones de los
servidores y filas (en caso de que existan)
Para este primer
ejemplo se utilizara el modelo de líneas de espera que se muestra en la figura
siguiente. Como se puede apreciar, es un modelo bastante simple donde la
disciplina de atención es FIFO (primero en llegar, primero en salir).
4.3.2 problemas con sistema de inventario.
Las Ciencias
Administrativas han evolucionado de manera vertiginosa en conceptos y técnicas
para optimizar los resultados gerenciales, esto sumado a la tecnología
informática dinamiza aún más la operatividad de las organizaciones y la rápida
reacción ante los nuevos paradigmas generados en los mercados. En este contexto
el modelamiento de realidades empresariales hace posible a los Administradores provocar escenarios simulados en su proceso de
toma de decisiones en las diversas áreas funcionales de la organización
integrando las variables implicadas en cada caso. Una de las herramientas más utilizada para tal fin son
las hojas de cálculo Excel que permiten cuantificar, integrar y configurar
modelos ordenadamente propuestos con efectos visuales y gráficos atractivos para
cualquier persona que desee analizarlos.
4.4 validacion de un simulador.
Los programas de
simulación pueden ser aplicados en diversos ámbitos, por ejemplo, en el de la
educación, la forma de enseñar está cambiando, y ya sea a través de casos
prácticos que complementen las clases magistrales o de simuladores de gestión,
pocos son ya los departamentos que no hayan incorporado alguna herramienta de
mejora de la formación. Ambos métodos tienen ventajas y desventajas pero un
simulador de calidad permite una mayor visión global de una organización
compleja que incorpora todas las grandes áreas funcionales, mayor
interactuación ya que permite a las empresas simuladas competir entre ellas
creando un verdadero entorno competitivo, y una mejoría notable en la capacidad
para tomar decisiones.
4.4.1 pruebas paramétricas (validación del modelo, pruebas de hipótesis y pruebas de estimacion).
1. Validación de
los modelos de procesos simples; esto es validar la estructura interna del
modelo.
Se valida la salida
de los procesos simples y en ello se hace uso de técnicas de estadística. Las
relaciones funcionales también deben validarse. Puede hacerse cuando se
establece el modelo o en la toma de datos .No debe tomarse relaciones
funcionales desconocidas, o que no tengan ya un grado de validez aceptable.
Siempre será posible validar las componentes o subsistemas porque se habrán
construido de manera modular para formar el modelo.
2. Análisis de
sensibilidad
En las 2 etapas de
la validación (de estructura y de los datos de salida) se debe hacer análisis
de sensibilidad.
Para ello, se varía
los valores de 1 o 2 variables de entrada y se observa la respuesta del modelo.
Es de cuidado cuando el modelo es muy sensible a una pequeña variación de una
variable, y en general el modelo no es bueno cuando ello ocurre.
Prueba de Hipótesis:
Una hipótesis estadística es una afirmación o
conjetura acerca de la distribución o del valor de los parámetros de la
distribución de una o más variables aleatorias o poblaciones.
4.4.2 pruebas no paramétricas.
Cuando se analizan
datos medidos por una variable cuantitativa continua, las pruebas estadísticas
de estimación y contraste frecuentemente empleadas se basan en suponer que se
ha obtenido una muestra aleatoria de una distribución de probabilidad de tipo
normal o de Gauss. Pero en muchas ocasiones esta suposición no resulta válida,
y en otras la sospecha de que no sea adecuada no resulta fácil de comprobar,
por tratarse de muestras pequeñas. En estos casos disponemos de dos posibles
mecanismos: los datos se pueden transformar
de tal manera que sigan una distribución normal, o bien se puede acudir a
pruebas estadísticas que no se basan en ninguna suposición en cuanto a la
distribución de probabilidad a partir de la que fueron obtenidos los datos, y
por ello se denominan pruebas no
paramétricas (distribución free),
mientras que las pruebas que suponen una distribución de probabilidad
determinada para los datos se denominan pruebas paramétricas.
Dentro de las
pruebas paramétricas, las más habituales se basan en la distribución de probabilidad normal, y al estimar los parámetros
del modelo se supone que los datos constituyen una muestra aleatoria de esa
distribución, por lo que la elección del estimador y el cálculo de la precisión
de la estimación, elementos básicos para construir intervalos de confianza y
contrastar hipótesis, dependen del modelo probabilístico supuesto.
