RESUMEN: UNIDAD IV.LENGUAJE DE SIMULACIÓN

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.