La simulación construye un modelo de un sistema y lo ejecuta en una computadora para ver cómo se comporta, cuando los experimentos son demasiado lentos, caros o peligrosos: tráfico, epidemias, redes, circuitos, clima. Un modelo es una simplificación hecha a propósito. El oficio está en decidir qué dejar fuera y en mostrar que el resultado es creíble.
Conceptos clave
- Propósito del modelo: la pregunta decide el detalle; un modelo sin pregunta crece sin límite.
- Simulación de eventos discretos: un reloj salta de evento en evento, como las llegadas y salidas de una cola.
- Modelos basados en agentes: muchos individuos simples que siguen reglas locales, de las que surgen patrones globales.
- Modelos continuos: ecuaciones diferenciales avanzadas en el tiempo, con cuidado por el tamaño del paso y la estabilidad.
- Métodos de Monte Carlo: muestreo aleatorio repetido para estimar cantidades difíciles de calcular directamente.
Vocabulario
- Verificación y validación: si el código hace lo que querías y si el modelo es un retrato justo del sistema real.
- Semilla aleatoria: el valor inicial que hace reproducible una secuencia aleatoria.
- Calentamiento: el periodo inicial de una ejecución, que se descarta porque el sistema aún no está en un estado típico.
- Réplica: ejecutar el mismo modelo muchas veces con distintos flujos aleatorios para medir la variabilidad.
Qué estudiar, en orden
- Estima pi con Monte Carlo y observa cómo se encoge el error al aumentar las muestras.
- Escribe una simulación de eventos discretos de una cola con una lista de eventos y compárala con la teoría.
- Construye un modelo sencillo basado en agentes, como un rumor que se propaga, y varía sus parámetros.
- Avanza una ecuación diferencial, como un péndulo, y prueba distintos tamaños de paso.
- Calibra con datos, ejecuta réplicas con semillas fijas e informa de intervalos, no de una sola ejecución.
Etiquetas relacionadas
#probability #operations-research #numerical-analysis #physics-simulation #computational-science