Simulacin de Sistemas Unidad 7: Proyecto de Simulacin

Unidad 7. Proyecto de Simulacin

Unidad 7. Proyecto de Simulacin 1 El Proyecto De Simulacin 3 1. Anlisis de Objetivos y Criterio 3 1.1 Formulacin precisa del problema 4 1.2 Recoleccin de Datos Reales 4 1.3 Formulacin del Modelo 4 1.4 Estimacin de Parmetros y Anlisis Estadstico. 5 1.5 Validacin del Modelo y sus parmetros 5 2 Implementacin del Procesamiento 6 2.1 Codificacin del Modelo: Diagramas de Flujo, Programacin, Compilacin 6 2.2 Validacin de los Programas: Estimacin de variables de entrada y condiciones iniciales. 6 2.3 Diseo de Experimentos de Simulacin: Valores de Inputs, Orden de corridas, extensin 7 2.4 Simulacin: Ejecucin del Modelo de Simulacin 7 3 Anlisis de Resultados 8 Costo De Simulacin 8 Costo Del Detalle 9 Riesgos de la elaboracin de modelos. 10 Bibliografa 10

El Proyecto De Simulacin

L Simulacin consta de las siguientes etapas:

a Experiencia sugiere que el Proyecto de

Debe comprenderse que el orden en que se realizan estas 10 etapas permanece abierto a discusin.

La Estructura de la Secuencia de Etapas que se presenta obedece a los resultados de la experiencia. Con toda seguridad, cualquier procedimiento de este tipo resulta sumamente arbitrario en su naturaleza y la posibilidad de juzgarlo slo existe en un plano puramente pragmtico.

1. Anlisis de Objetivos y Criterio

En esta Primera Fase, se agrupan el conjunto de tareas que tiene por fin definir el Marco del Problema y sus mbitos de validez. Disear el Modelo y Validarlo.

1.1 Formulacin precisa del problema

Es necesario en primer lugar definir claramente los objetivos de nuestra investigacin, antes de hacer cualquier intento encaminado a planear la realizacin de un experimento en simulacin. Encontraremos que la exposicin original del problema vara considerablemente de su versin final, ya que la formulacin del problema es un proceso secuencial que

generalmente requiere de una formulacin continua y progresiva de refinamiento de los objetivos de experimento durante su realizacin: Los tems a trabajar en esta etapa son: Definicin de hiptesis Causas y Efectos que deben predecirse, estimarse y evaluarse. Conjunto de criterios para evaluar los resultados. Decisin si es o no la Simulacin la herramienta para estudiar.

1.2 Recoleccin de Datos Reales

Necesitaramos colectar y procesar una cierta cantidad de datos cualitativos y cuantitativos antes de que exista la posibilidad de definir algn modelo. Para nuestros propsitos, resulta completamente irrelevante que los requerimientos para el procesamiento de datos procedan la formulacin del problema o viceversa; si hemos de dirigir experimentos de simulacin, es importante que ambas funciones se lleven a cabo. Es necesario un sistema eficiente para la recoleccin de datos por: 1. Se requiere informacin descriptiva y cuantitativa. 2. Los datos puedan sugerir hiptesis de cierta validez. 3. Los datos pueden sugerir, mejorar o refinar los modelos. 4. Es necesario que los datos, reducidos a una forma final, se utilicen para estimar los parmetros de las caractersticas disponibles de operacin relativa a las variables endgenas, exgenas y de estado del sistema. 5. Sin tales datos, seran imposibles probar la validez de un modelo para la simulacin. La recoleccin de datos es el proceso de captacin de los hechos disponibles, con los cuales pueden ser procesados posteriormente, cuando sean necesarios.

1.3 Formulacin del Modelo

La formulacin de los modelos consiste en tres pasos: i. Especificacin de los componentes ii. Especificacin de las variables y los parmetros que se deben incluir en el modelo. iii. Especificacin de las relaciones funcionales. Por lo general, estamos interesados en al formulacin de modelos que produzcan descripciones o predicciones, razonablemente exactas, referentes al comportamiento de un sistema dado y reduzca a la vez, el tiempo de computacin y programacin. Sin embargo, no es posible establecer con exactitud, la interdependencia de las caractersticas de los modelos, ya que tanto l numero de variables en un modelo, como su complejidad, se encuentran directamente relacionadas con los tiempos de programacin, cmputo y validez. Si alteramos cualquiera de las citadas caractersticas, alteramos a su vez el resto de ellas.

Hay que tener en consideracin en la formulacin del modelo la eficiencia de computacin, es decir, la complejidad del algoritmo. El tiempo consumido para la programacin de la computadora, constituye una cuarta consideracin al formular modelos para simulacin.

1.4 Estimacin de Parmetros y Anlisis Estadstico.

Una vez que hemos recolectado los datos apropiados del sistema que describen su comportamiento es necesario estimar los valores de los parmetros para el modelo y probar su significacin estadstica.

1.5 Validacin del Modelo y sus parmetros

Es necesario hacer un juicio del valor inicial de la suficiencia de nuestro modelo, para probarlo. Esto se logra haciendo una comparacin de las mediciones iniciales obtenidas por nuestro modelo de simulacin con las obtenidas de la realidad. Este paso representa slo la primera etapa en la prueba de un modelo de simulacin previa a las corridas reales en la computadora, por lo que en este punto nuestro inters reside en probar las suposiciones o entradas que se programarn en la computadora. En caso de que las caractersticas operacionales tomen la forma de distribuciones de probabilidad, ser necesario aplicar pruebas de bondad de ajuste que determinen qu tambin se ajusta una distribucin hipottica de probabilidad a los datos del mundo real. Deseamos tambin probar la importancia estadstica de nuestras estimaciones de los valores esperados, variancias y otros parmetros de estas distribuciones de probabilidad. Estas pruebas podran comprender: 1. Prueba d referente a las medidas: Prueba de una muestra relativa a las medidas, Diferencias entre medias 2. Prueba referentes a las variancias: ji cuadrada, Prueba F 3. Pruebas basadas sobre el conteo de datos: Prueba referente a las proporciones, Diferencias entre K proporciones, Pruebas de bondad de ajuste 4. Pruebas no paramtricas: Pruebas basadas en suma de rangos, Pruebas de la mediana, Pruebas de corridas, Prueba de correlacin en serie. De entre las preguntas que nos interesa formular durante esta etapa del procedimiento, se encuentran las siguientes: Incluimos algunas variables que no sean pertinentes, en el sentido de que contribuyen muy poco a nuestra capacidad para predecir el comportamiento de las variables endgenas de nuestro sistema? omitimos la inclusin de una o ms variables exgenas que pudieran afectar el comportamiento de las variables endgenas en nuestro sistema? Formulamos incorrectamente una o ms relaciones funcionales entre las variables endgenas y exgenas de nuestro sistema? Apreciamos debidamente las estimaciones de los parmetros de los caractersticos operacionales de nuestro sistema?

 Cmo se comportan los valores tericos de las variables endgenas de nuestro sistema con los valores histricos o reales basados en clculos manuales? (ya que an no formulamos un programa para computadora).

2 Implementacin del Procesamiento

En esta Segunda Fase, se agrupan el conjunto de tareas que tiene por fin obtener una versin del Modelo de Cmputo y sus Experimentos.

2.1 Codificacin del Modelo: Diagramas de Flujo, Programacin, Compilacin

La formulacin de un programa para computadoras, cuyo propsito sea dirigir los experimentos de simulacin con nuestros modelos del sistema bajo estudio, requiere que se considere especialmente las siguientes actividades: Al escribir un programa de simulacin para computadora la primera etapa requiere la formulacin de un diagrama de flujo que bosqueje la secuencia lgica de los eventos que realizar la computadora, al generar los tiempos planificados para las variables endgenas de nuestro modelo. Podemos escribir nuestro programa en un lenguaje de propsitos generales como BASIC, PASCAL, C++ o sus visuales o bien emplear un lenguaje de simulacin como STELLA, DINAMO, entre otros. Depender de la aplicacin, el uso del lenguaje adecuado.

2.2 Validacin de los Programas: Estimacin de variables de entrada y condiciones iniciales.

Las Pruebas del software son tareas tpicas que se integran dentro de las diferentes fases del Ciclo del software dentro de la Ingeniera de software. La idea principal es ejecutar un programa y mediante tcnicas experimentales tratar de descubrir que errores tiene. La calidad de un sistema software es algo subjetivo que depende del contexto y del objeto que se pretenda conseguir. Para determinar dicho nivel de calidad se deben efectuar pruebas que permitan comprobar el grado de cumplimiento respecto de las especificaciones iniciales del sistema. Bsicamente es una fase en el desarrollo de software consistente en probar las aplicaciones construidas: es un proceso de evaluacin desde un punto de vista crtico, donde el "tester" (persona que realiza el testeo) somete el Modelo de Software a una serie de acciones inquisitivas, y el producto responde con su comportamiento como reaccin. La validacin de un Modelo de Computo puede dejar a dicho Soft, al menos, en 3 estados:

 Aceptacin: El Programa hace lo que tiene hacer y los resultados que entrega el modelo son los esperables. Pasa a la Tarea 2.3: Diseo de Experimentos. Rechazo Por Cdigo: Existen errores de codificacin interna del Programa. Ya sea de lgica computacional, de sintaxis, semntica, el programa se cuelga, nunca termina o arroja resultados errneos y/o descabellados. Solucin: Analizar la Codificacin Modelo de Computo. Vuelve a 2.1: Codificacin del Modelo Rechazo Por Estructura: Existen errores en la Lgica Interna del Modelo que se intenta Programar. Faltan variables o las variables no tiene precisin, Sobran datos, no se comprende el resultado que arroja. No se manifiestan relaciones que se deben observar. Por lo general estn relacionados con la lgica interna del Modelo y su forma de describir el mundo que intenta modelar. Solucin: Analizar la estructura del Modelo. Vuelve a 1.3: Formulacin del Modelo Hay veces en que los motivos por los cuales un modelo fue rechazado no estn claros para los Codificadores ni para los Modeladores. La clave para analizar este asunto est en que si no hay evidencia de Falla Estructural, se comienza con un anlisis de la codificacin del Software. Pero si luego de estudiada la estructura del Programa se valida que Hace lo que Deba Hacer, entonces no quedara otra opcin que estudiar las caractersticas Estructurales del Modelo.

2.3 Diseo de Experimentos de Simulacin: Valores de Inputs, Orden de corridas, extensin

Una vez que estemos satisfechos con la validez de nuestro modelo para la computadora, estaremos en posibilidad de considerar su uso para dirigir efectivamente, los experimentos de simulacin. De hecho, como ya hemos definido nuestro problema experimental, las variables endgenas y lo factores (variables exgenas y parmetros), deberemos interesarnos ahora por los detalles de diseo experimental. En esta fase, es posible identificar dos metas importantes: en primer lugar, seleccionaremos las variables iniciales y aquellas que se definan por Interfase al momento de la Simulacin, o bien sus rangos de variacin para la simulacin.

2.4 Simulacin: Ejecucin del Modelo de Simulacin

Este es el momento de conducir los experimentos mediante el modelo de Simulacin en corridas sucesivas y planificadas.

Este proceso puede tardar algn tiempo o bien arrojar resultados inmediatos. De cualquier manera se debern almacenar los valores de Salida de la Simulacin del modelo para su estudio y anlisis en la etapa siguiente.

3 Anlisis de Resultados
La etapa final en el procesamiento requiere un anlisis de los datos generados por la computadora, a partir del modelo que simular. Tal anlisis consiste de tres pasos: 1.- Recoleccin y procesamiento de los datos simulados. 2.- Clculo de la estadstica de las pruebas. 3.- Interpretacin de los resultados. El anlisis de los datos de simulacin en computadora es, segn los expertos, considerablemente ms difcil que el anlisis de los datos del mundo real.

Costo De Simulacin

El costo de un Proyecto de Simulacin es la resultante de un conjunto agregado de Costos. Estos Costos oscilan de acuerdo a las decisiones de Modelado y Simulacin que se tomen durante el Proyecto de Simulacin. Estudiemos entonces cuales son los Principales Determinantes del Costo Total de la Simulacin Costo Operativo: Hace referencia a los Costos asociados al Proceso de Construir el Modelo, Codificarlo y Simularlo. Como se comprender, al agregarle informacin y grado de detalle al modelo, ya sea cuantitativa y/o cualitativa, entonces mayor ser el costo de Modelado, Programacin y Simulacin. Se debe tener en cuenta que este incremento es exponencial y esta correlacionado a la Complejidad del Software resultante. Costo de Imprecisin: La precisin de un Modelo esta directamente relacionada a al cantidad de informacin (ya sea cuantitativa y/o cualitativa) relevante y su grado de detalle dentro del modelo. As, cuanta mayor precisin tenga un modelo, minimizar el Riesgo de que no se utilice la herramienta de Simulacin creada. Un menor Riesgo representa un menor costo, pero este aumenta a medida que disminuye la informacin utilizada (Continua el anlisis en el apartado Costo del Detalle). Costo Mnimo y Total de la Simulacin: Cantidad ptima de Informacin para los Fines de Estudio del Proyecto de Simulacin. Los Mtodos de Simulacin no deben ser utilizados si sus Costos superan los mtodos analticos o numricos, por complicados que pueda resultar su implementacin. Durante las ltimas dcadas se pudo advertir que el costo operativo (anlisis y procesamiento) disminuye ao por ao. Esto nos habilita a modelizar con igual precisin a menor costo.

Costo Del Detalle

Cuando se construye un modelo, un investigador se enfrenta constantemente al problema de equilibrar la necesidad del detalle estructural con la de hacer manejable el problema para las tcnicas de solucin aplicables al problema. Siendo un formalismo, un modelo es necesariamente una abstraccin. Sin embargo, cuanto ms detallado sea un modelo en forma explcita, mejor ser la semejanza del modelo con la realidad. Adems, cuantos ms detalles tenga un modelo, tendremos mayores oportunidades para estudiar su respuesta cuando una relacin estructural se altera con el propsito de investigacin. Y en Sentido general, cuanto mayor grado de detalle posea un modelo, podrn considerarse un mayor nmero de combinaciones en sus cambios estructurales y podrn estudiarse un mayor nmero de aspectos en sus respuestas. Por otra parte, el detalle por lo general dificulta la solucin de los problemas. Tambin aumenta el costo de la solucin pues se requiere ms tiempo de Anlisis, Diseo, Implementacin y Validacin. Sin embargo, el factor que sirve de lmite en la utilizacin del detalle, es que a menudo no se tiene suficiente informacin sobre el sistema que se estudia, como para poder especificar otras caractersticas que no sean las obvias.

Riesgos de la elaboracin de modelos.

Mencionamos a continuacin 4 riesgos clsicos en la elaboracin de Modelos que representen aspectos de la realidad. 1. La tendencia del investigador de defender su representacin particular de un problema (su Modelo) como la mejor que existe de la realidad. Esta situacin ocurre a menudo despus de que ha invertido mucho tiempo y trabajo esperando resultados tiles. Un ejemplo claro de este riesgo lo tenemos en la edad media cuando se defenda el modelo de Sistema Planetario donde el centro del sistema era el planeta Tierra. 2. Utilizar el modelo para predecir ms all del intervalo de aplicacin sin la debida especificacin. Omitir una especificacin apropiada con respecto a un modelo de extrapolacin da como resultado la mayor causa de la mala aplicacin prctica de los Modelos. Por ejemplo Puede disearse un modelo para analizar la conducta de un grupo de personas en un Shopping de Tokio y luego querer utilizarlo en Argentina. Se usa un Modelo Hidrolgico diseado para un determinado Ro, en otro que no es similar. 3. No existe garanta alguna de que el modelo de como resultado algo til. El fracaso suele ocurrir porque el nivel de recursos es demasiado bajo o los conocimientos insuficientes. Ejemplo: en EEUU se invierten millones de dlares en Modelos Climticos pero el Missisipi y los Tornados siguen destruyendo la Economa regional de sus zonas de afeccin.

4. A menudo los investigador se basan ms en el mtodo que en el ingenio Un balance apropiado de ambos componentes conducir a la mayor probabilidad de xito.

Bibliografa
Modelos y simulacin de Guido J. Pace (UNNE FCENA)., 1993. wikipedia.org Simulacin de Sistemas Discretos. Jaime Barcelo, ISDEFE 1996.

Rolando Titiosky - 11 -