Universidad Nacional Experimental de Guayana

Vicerrectorado Académico
Coordinación General de Pregrado
Proyecto de Carrera: Ingeniería Industrial
Asignatura: Simulación

MODELOS

Profesor: Alumnos:
Guaita Wilfredo Garnier Vicmar 24.412.346
Martínez Alejandro 24.559.433

Puerto Ordaz, Enero 2018

 Introducción

Cuando alguien tiene la responsabilidad de conducir un sistema dado, como por ejemplo:
un banco, una ciudad, un sistema de transporte, etc., debe tomar continuamente
decisiones acerca de las acciones que ejecutará sobre el sistema. Estas decisiones
deben ser tales que la conducta resultante del sistema satisfaga de la mejor manera
posible los objetivos planteados.

Para poder decidir correctamente es necesario saber cómo responderá el sistema ante
una determinada acción. Esto podría hacerse por experimentación con el sistema mismo;
pero factores de costos, seguridad y otros hacen que esta opción generalmente no sea
viable. A fin de superar estos inconvenientes, se reemplaza el sistema real por otro
sistema que en la mayoría de los casos es una versión simplificada. Este último sistema
es el modelo a utilizar para llevar a cabo las experiencias necesarias sin los
inconvenientes planteados anteriormente.

Al proceso de experimentar con un modelo se denomina simulación. Al proceso de

diseñar el plan de experimentación para adoptar la mejor decisión se denomina
optimización. Si el plan de experimentación se lleva a cabo con el solo objeto de aprender
a conducir el sistema, entonces se denomina entrenamiento o capacitación.

En este punto, es conveniente plantear las siguientes definiciones:

 Sistema: Conjunto de objetos o ideas que están interrelacionados entre sí como

una unidad para la consecución de un fin (Shannon, 1988). También se puede
definir como la porción del Universo que será objeto de la simulación.
 Modelo: Un objeto X es un modelo del objeto Y para el observador Z, si Z puede
emplear X para responder cuestiones que le interesan acerca de Y (Minsky).
 Simulación: Simulación es el proceso de diseñar un modelo de un sistema real y
llevar a cabo experiencias con él, con la finalidad de aprender el comportamiento
del sistema o de evaluar diversas estrategias para el funcionamiento del sistema
(Shannon, 1988).
¿Qué es un modelo?

Un modelo puede ser entendido como una representación, bien sea abstracta, análoga,
fenomenológica o idealizada, de un objeto que puede ser real o ficticio.

Mediante el modelado se busca mejorar el conocimiento y la comprensión de un

fenómeno o proceso y ello involucra el estudio de la interacción entre las partes de un
sistema y el sistema como un todo.

El modelado permite, al nivel de la teoría, acercar el formalismo científico a su

interpretación con el fin de lograr una mejor comprensión, explicación y descripción de
los sistemas estudiados. Sin embargo, uno de los desafíos más grandes de la ciencia en
general, tal como lo refiere el documento Science2020, es el de integrar las teorías, sus
modelos y la experimentación.

Objetivo de un modelo

El objetivo inmediato de un modelo es representar esquemáticamente, pero de manera

precisa y útil, la historia y estado actual de un sistema. Sin embargo, el fin último del
modelado es proyectar hacia el futuro cuales pueden ser los diferentes estados del
sistema ante diferentes hipótesis.

Modelado

Modelado es el proceso de construcción de un modelo. Un modelo es una representación

de un objeto, sistema, o idea. Usualmente, su propósito es ayudar explicar, entender o
mejorar un sistema (Shannon, 1988). Los modelos son útiles para:

 El pensamiento: Al construir un modelo necesariamente se debe ordenar y

completar el conocimiento que del sistema real se posee.
 La comunicación: Un modelo elimina la ambigüedad del lenguaje para
comunicarse con expertos.
 El entrenamiento y la instrucción: Un modelo puede ser utilizado para entrenar
con costo y riesgo casi nulos. Por ejemplo, los submarinos a escala utilizados por
la marina alemana para entrenar en secreto antes de la segunda guerra mundial;
 o también, el sistema de barcos a escalas utilizados actualmente en Francia para
entrenar a los capitanes de barcos petroleros.
 La predicción: Un modelo sirve para predecir la conducta del sistema real. Es el
caso de los modelos utilizados para predecir, mediante simulación, la evolución
del clima mundial. El modelo de la teoría de la relatividad predice, sin hacer una
simulación, que no es posible superar la velocidad de la luz.
 La experimentación: La experimentación con un modelo es barata y segura. Se
emplea frecuentemente en el diseño de un sistema; por ejemplo, las pruebas que
se realizan en un túnel de viento con un modelo a escala de un avión o de un
automóvil.

El modelado es un arte. Cualquier conjunto de reglas para desarrollar modelos tiene una
utilidad limitada y sólo puede servir como una guía sugerida. El arte de modelar consiste
en la habilidad para analizar un problema, resumir sus características esenciales,
seleccionar y modificar las suposiciones básicas que caracterizan al sistema, y luego
enriquecer y elaborar el modelo hasta obtener una aproximación útil. Los pasos
sugeridos para este proceso son:

1. Establecer una definición clara de los objetivos.

2. Analizar el sistema real.
3. Dividir el problema del sistema en problemas simples.
4. Buscar analogías.
5. Considerar un ejemplo numérico específico del problema.
6. Determinar las variables de interés.
7. Escribir los datos obvios.
8. Escribir las ecuaciones teóricas o empíricas que describen los fenómenos
presentes y relacionan las variables de interés.
9. Si se tiene un modelo manejable, enriquecerlo. De otra manera, simplificarlo.

Generalmente, simplificar un modelo implica:

 Convertir variables en constantes.

 Eliminar o combinar variables.
 Suponer linealidad.
  Agregar suposiciones más potentes y restricciones.
 Restringir los límites del sistema.

Para enriquecerlo se procede de la forma contraria. Durante el proceso de modelado se

debe alcanzar un equilibrio entre el grado de detalle y el riesgo de falta de exactitud. El
mejor modelo, es el modelo más simple que puede resolver el problema con el grado de
exactitud requerido.

Un modelo debe ser:

 Fácil de entender por parte del usuario.

 Dirigido a metas u objetivos.
 Sensato, en cuanto no de respuestas absurdas.
 Fácil de manipular y controlar por parte del usuario. Es decir, debe ser sencillo
comunicarse con el modelo.
 Completo, en lo referente a asuntos importantes.
 Adaptable, con un sencillo procedimiento para modificar o actualizar el modelo.
 Evolutivo, debe ser sencillo al principio y volverse más complejo en el tiempo.

Modelado de datos

El modelado de datos es el proceso de documentar un diseño de sistema de software

complejo como un diagrama de fácil comprensión, usando texto y símbolos para
representar la forma en que los datos necesitan fluir. El diagrama se puede utilizar como
un mapa para la construcción de un nuevo software o para la reingeniería de una
aplicación antigua.

Tradicionalmente, los modelos de datos se han construido durante las fases de análisis
y diseño de un proyecto, para asegurar que los requisitos para una nueva aplicación se
entienden completamente. Un modelo de datos puede ser pensado como un diagrama
de flujo que ilustra las relaciones entre los datos. A pesar de que la captura de todas las
posibles relaciones en un modelo de datos puede consumir mucho tiempo, es un paso
importante que no debería ser apresurado. Los modelos de datos físicos, lógicos y
conceptuales bien documentados permiten que las partes interesadas identifiquen
errores y hagan cambios antes de que cualquier código de programación se haya escrito.

Los modeladores de datos suelen utilizar varios modelos para ver los mismos datos y
garantizar que todos los procesos, entidades, relaciones y flujos de datos han sido
identificados. Hay varios enfoques diferentes para el modelado de datos, incluyendo:

 Modelado conceptual de datos: Identifica las relaciones de más alto nivel entre
diferentes entidades.
 Modelado de datos empresariales: Similar al modelado de datos conceptuales,
pero se dirige a los requisitos únicos de un negocio específico.
 Modelado lógico de datos: Ilustra las entidades, atributos y relaciones específicas
que participan en una función de negocios. Sirve como base para la creación del
modelo de datos físico.
 Modelado de datos físicos: Representa una aplicación e implementación
específica de base de datos de un modelo de datos lógicos.

Herramientas del modelado

Las herramientas de modelado de sistemas informáticos, son herramientas que se

emplean para la creación de modelos de sistemas que ya existen o que se desarrollarán.

Las herramientas de modelado, permiten crear un "simulacro" del sistema, a bajo costo
y riesgo mínimo. A bajo costo porque, al fin y al cabo, es un conjunto de gráficos y textos
que representan el sistema, pero no son el sistema físico real (el cual es más costoso).
Además minimizan los riesgos, porque los cambios que se deban realizar (por errores o
cambios en los requerimientos), se pueden realizar más fácil y rápidamente sobre el
modelo que sobre el sistema ya implementado.

Las herramientas de modelado, permiten concentrarse en ciertas características

importantes del sistema, prestando menos atención a otras. Los modelos resultados, son
una buena forma de determinar si están representados todos los requerimientos del
sistema, como también saber si el analista comprendió qué hará el sistema.
Un sistema informático puede requerir diferentes herramientas de modelado, que
resultarán en diferentes tipos de modelos. Las herramientas de modelado utilizadas
dependen del analista, del tipo de sistema, de los requerimientos, etc.

Algunas herramientas de modelado:

 Diagrama de flujo de datos.

 Diagrama de entidad relación.
 Diagrama de transición de estados.
 Diccionario de datos.
 Especificación de procesos.
 Diagramas HIPO e IPO.
 Diagrama de clases.

Características esperables de una herramienta de modelado

Las buenas herramientas de modelado cumplen con determinadas características:

 Permiten una visión descendente del sistema.

 Permiten particionar el sistema.
 Poseen componentes gráficos con algo de apoyo textual.
 El modelo resultado debe ser transparente (fácil de comprender).
 Poseen mínima redundancia (el aumento de redundancia, disminuye la
transparencia del modelo y aumenta las tareas de mantenimiento).
Balanceo

Un sistema puede modelarse empleando múltiples herramientas de modelado. Cada

herramienta resulta en uno o más diagramas (o esquemas) que representan el sistema
completo o parte del sistema.

Cada diagrama "ayuda" al otro, permitiendo una mejor comprensión de la parte del
sistema que modela. El balanceo entre diagramas es la tarea de comprobar la
consistencia entre los distintos diagramas del sistema. Esta tarea puede ser manual o
automática. Cuando está comprobada, se dice que los diagramas están balanceados.
El balanceo de diagramas permite descubrir y corregir errores, inconsistencias o
faltantes.

Etapas para realizar un modelo

Definición del sistema

Consiste en estudiar el contexto del problema, identificar los objetivos del proyecto,
especificar los índices de medición de la efectividad del sistema, establecer los objetivos
específicos del modelamiento y definir el sistema que se va a modelar un sistema de
simulación.

Formulación de un modelo

Una vez definidos con exactitud los resultados que se espera obtener del estudio, se
define y construye el modelo con el cual se obtendrán los resultados deseados. En la
formulación del modelo es necesario definir todas las variables que forman parte de él,
sus relaciones lógicas y los diagramas de flujo que describan en forma completa el
modelo.

Colección de datos

Es importante que se definan con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados.

Implementación del modelo en la computadora

Con el modelo definido, el siguiente paso es decidir qué lenguaje de programación (como
Fortran, Algol, Lisp, etc.) o qué paquete de software se va a utilizar para procesar el
modelo en la computadora y obtener los resultados deseados.

Verificación

El proceso de verificación consiste en comprobar que el modelo simulado cumple con

los requisitos de diseño para los que se elaboró. Se trata de evaluar que el modelo se
comporta de acuerdo a su diseño.
 Validación del sistema

A través de esta etapa se valoran las diferencias entre el funcionamiento del simulador y
el sistema real que se está tratando de simular. Las formas más comunes de validar un
modelo son:

 La opinión de expertos sobre los resultados de la simulación.

 La exactitud con que se predicen datos históricos.
 La exactitud en la predicción del futuro.
 La comprobación de falla del modelo de simulación al utilizar datos que hacen
fallar al sistema real.
 La aceptación y confianza en el modelo de la persona que hará uso de los
resultados que arroje el experimento de simulación.

Experimentación

La experimentación con el modelo se realiza después que este haya sido validado. La
experimentación consiste en comprobar los datos generados como deseados y en
realizar un análisis de sensibilidad de los índices requeridos.

Interpretación

En esta etapa del estudio, se interpretan los resultados que arroja la simulación y con
base a esto se toma una decisión. Es obvio que los resultados que se obtienen de un
estudio de simulación colaboran a soportar decisiones del tipo semi-estructurado.

Documentación

Dos tipos de documentación son requeridos para hacer un mejor uso del modelo de
simulación. La primera se refiere a la documentación del tipo técnico y la segunda se
refiere al manual del usuario, con el cual se facilita la interacción y el uso del modelo
desarrollado.
Diferencia entre modelo y simulación

Un modelo es la abstracción de un sistema, construyendo únicamente lo que es de

interés para la solución del problema por el cual fue creado. En cambio la simulación es
la imitación de un sistema a través del tiempo con el objetivo de predecir y describir
comportamientos.

Tipos de modelo

Modelo matemático

Expresa relaciones, proposiciones sustantivas de hechos, variables, parámetros y

relaciones entre variables y/o entidades u operaciones que ocurren fuera del campo de
las matemáticas. Es decir que consiste en la construcción del suceso a un lenguaje
matemático a través del análisis. Su objetivo es aplicar los conocimientos aprendidos al
objeto estudiado.

Modelos físicos

Un modelo físico consiste en la aplicación de la teoría del modelo matemático

construyendo un sistema físico que reproducirán el comportamiento del modelo
estudiado. Esta construcción se realiza utilizando objetos similares al real y puede ser a
escala.

Clasificación de modelos

Modelos estadísticos

Consiste en obtener la variable respuesta a través de una ecuación la cual ha sido

analizada para utilizar los datos suministrados, es decir las variables que forman parte
de la ecuación que se ha obtenido para obtener la mejor exactitud en el resultado
obtenido de un determinado fenómeno.

Modelos dinámicos

Es aquel el cual sus valores internos cambian con el pasar del tiempo y es utilizado para
especificar e implementar los aspectos de control del sistema. Este puede ser
representado a través de diagramas de estado, en los cuales los nodos son estados y
los arcos son transiciones entre estados causados por sucesos.

Modelos determinísticos

Son los modelos en donde cada variable de entrada producirá únicamente un resultado,
son útiles en los modelos dinámicos en los cuales los estados cambian con el pasar del
tiempo y es posible conocer su información a partir de los valores.

Modelos estocásticos

Este tipo de modelos tienen como objetivo generar datos y pronósticos a partir de
modelos no determinísticos, esto a través de propiedades estadísticas que involucran
aleatoriedad.

Modelos discretos

Un modelo discreto es aquel en el cual suceden cambios de manera discreta, es decir

que los cambios suceden en intervalos duraderos de tiempo y es fácil observar cuando
suceden.

Modelos continuos

Los modelos continuos son aquellos en los cuales los cambios que afectan al sistema
suceden de manera continua, este modelo se utiliza cuando se necesita saber el valor
de salida de un sistema en cualquier instante del tiempo que lo conforma.

Modelo de comportamiento

Los modelos de comportamiento se utilizan para describir el comportamiento del sistema

en su totalidad. Entre los modelos de comportamiento existentes se distinguen dos de
estos: modelos de flujo de datos, que modelan el procesamiento de los datos en el
sistema, y modelos de máquinas de estado, que modelan como el sistema reacciona a
los eventos. Estos modelos pueden usarse de forma separada o conjuntamente,
dependiendo del tipo de sistema que se esté desarrollando.
La mayoría de los sistemas de negocio están fundamentalmente dirigidos por los datos.
Están controlados por las entradas de datos al sistema con relativamente poco
procesamiento de eventos externos.

Un modelo de flujo de datos puede ser todo lo que se necesite para representar el
comportamiento de estos sistemas. Por el contrario, los sistemas de tiempo real a
menudo están dirigidos por eventos con un mínimo procesamiento de datos. Un modelo
de máquina de estados es la forma más efectiva de representar su comportamiento.
Otras clases de sistemas pueden estar dirigidas tanto por datos como por eventos. En
estos casos se puede desarrollar ambos tipos de modelos.

Modelos de flujo de datos

Los modelos de flujo de datos son una forma intuitiva de mostrar como los datos son
procesados por un sistema. A nivel de análisis, deberían usarse para modelar la forma
en la que los datos son procesados en el sistema existente. El uso de modelos de flujo
de datos para análisis comenzó a usarse ampliamente después de la publicación del libro
de DeMarco (DeMarco, 1978) sobre análisis de sistemas estructurados. Estos modelos
son una parte intrínseca de los métodos estructurados. La notación usada en ellos
representa el procesamiento funcional (rectángulos redondeados), los almacenes de
datos (rectángulos) y el flujo de datos entre funciones (flechas etiquetadas).

Los modelos de flujo de datos son valiosos debido a que realizan un seguimiento y
documentan como los datos asociados con un proceso particular fluyen a través del
sistema, y esto ayuda a los analistas a comprender el proceso. Los diagramas de flujo
de datos tienen la ventaja de que, a diferencia de otras notaciones de modelado, son
sencillos e intuitivos. Normalmente es posible explicarlos a los usuarios potenciales del
sistema, quienes pueden entonces participar en la validación del análisis.

Los modelos de flujo de datos muestran una perspectiva funcional en donde cada
transformación representa un único proceso o función. Son particularmente útiles durante
el análisis de requerimientos ya que pueden usarse para mostrar el procesamiento desde
el principio hasta el final en un sistema. Es decir, muestra la secuencia completa de
acciones que tienen lugar a partir de una entrada que se está procesando hasta la
correspondiente salida que constituye la respuesta del sistema.

Modelos de máquina de estados

Un modelo de máquinas de estados describe cómo responde un sistema a eventos

internos o externos. El modelo de máquina de estados muestra los estados del sistema
y los eventos que provocan las transiciones de un estado a otro. No muestra el flujo de
datos dentro del sistema. Este tipo de modelos se utiliza a menudo para modelar
sistemas de tiempo real debido a que estos sistemas suelen estar dirigidos por estímulos
procedentes del entorno del sistema.

Los modelos de máquina de estados son una parte integral de los métodos de diseño de
tiempo real tales como los propuestos por Ward y Mellor (Ward and Mellor, 1985), y Harel
(Harel, 1987). El método de Harel usa una notación denominada diagramas de estado
que fue la base para la notación del modelado de máquina de estados en UML.

Un modelo de máquina de estados de un sistema supone que, en cualquier momento, el

sistema está en uno de varios estados posibles. Cuando se recibe un estímulo, este
puede disparar una transición a un estado diferente.

La notación UML utilizada para describir los modelos de máquina de estados está
diseñada para modelar el comportamiento de los objetos. Sin embargo, es una notación
de propósito general que se puede utilizar para cualquier tipo de modelado de máquina
de estados. Los rectángulos redondeados en un modelo representan los estados del
sistema. Incluyen una breve descripción de las acciones realizadas en ese estado. Las
flechas etiquetadas representan estímulos que fuerzan transiciones de un estado a otro.

El problema con la aproximación de la máquina de estados es que el número de posibles

estados crece rápidamente. Por lo tanto, para los modelos de sistemas grandes, es
necesaria una cierta estructuración de estos modelos de estados. Una forma de hacer
esto es mediante la noción de un superestado que encierra a varios estados separados.
Este superestado se asemeja a un único estado de un modelo de alto nivel.
Modelos de simulación

La experimentación puede ser un trabajo de campo o de laboratorio. El modelo de

método usado para la simulación seria teórico, conceptual o sistémico. Después de
confirmar la hipótesis podemos ya diseñar un teorema. Finalmente si este es admitido
puede convertirse en una teoría o en una ley

Modelo teórico

El modelo teórico debe contener los elementos que se precisen para la simulación. Un
ejemplo con trabajo de laboratorio es un programa de estadística con ordenador que
genere números aleatorios y que contenga los estadísticos de la media y sus diferentes
versiones: cuadrática- aritmética-geométrica-armónica. Además debe ser capaz de
determinar la normalidad en términos de probabilidad de las series generadas. La
hipótesis de trabajo es que la media y sus versiones también determinan la normalidad
de las series. Es un trabajo experimental de laboratorio. Si es cierta la hipótesis podemos
establecer la secuencia teorema, teoría, ley. Es el modelo principal de todo una
investigación científica, gracias a ello podemos definir o concluir la hipótesis, las
predicciones, etc.

Modelo conceptual

El modelo conceptual desea establecer por un cuestionario y con trabajo de campo, la

importancia de la discriminación o rechazo en una colectividad y hacerlo por medio de
un cuestionario en forma de una simulación con una escala de actitud. Después de ver
si la población es representativa o adecuada, ahora la simulación es la aplicación del
cuestionario y el modelo es el cuestionario para confirmar o rechazar la hipótesis de si
existe discriminación en la población y hacia qué grupo de personas y en que cuestiones.
Gran parte de las simulaciones son de este tipo con modelos conceptuales.

Modelo sistémico

El modelo sistémico se construye utilizando como metodología la dinámica de sistemas.

Se simula el sistema social en una de sus representaciones totales. El análisis de
sistemas es una representación total. Un plan de desarrollo en el segmento de
transportes con un modelo de ecología humana, por ejemplo. El énfasis en la teoría
general de sistemas es lo adecuado en este tipo de simulaciones. Este método, que es
para un sistema complejo, es sumamente abstracto, y no se limita a la descripción del
sistema, sino que debe incluir en la simulación las entradas y salidas de energía y los
procesos de homeostasis, de autopoiesis y de retroalimentación.

Tanto el programa de estadística como la escala de actitud y el sistema total, son

perfectas simulaciones de la realidad y modelizan todos los elementos en sus respectivas
hipótesis de trabajo. Son también un microclima y el ambiente o el escenario en los
procesos de simulación/experimentación. Otras propiedades que deben contener las
simulaciones es que sean repetibles indefinidamente. Que eviten el efecto de aprendizaje
que incita al encuestador a rellenar él mismo los cuestionarios y que se podrá evitar con
algún control, que sean flexibles o mejorables y que no sea invasivo o cambiar la
población de las muestras sucesivas.

Modelos de Simulación de Eventos Discretos

La simulación de eventos discretos, es una herramienta de análisis que se difunde

rápidamente en el ambiente empresarial, comprobando su utilidad para apoyar la toma
de decisiones relacionadas con la planeación de la producción y los inventarios, y con el
diseño de los sistemas de producción y sus cadenas de suministro, Guasch, Piera, y
Figueras (2003).

El concepto de sistema de evento discreto tiene por finalidad identificar a sistemas en los
que los eventos que cambian el estado del mismo ocurren en instantes espaciados en el
tiempo, a diferencia de los sistemas cuyo estado puede cambiar continuamente en el
tiempo (como la posición de un vehículo en movimiento). Aunque aparentemente
simples, los sistemas de eventos discretos, pueden modelar muchos de los fenómenos
que enfrentan los responsables de la administración de los procesos productivos en una
empresa. Por ejemplo, los inventarios de cualquier producto sólo se alteran ante la
ocurrencia de alguno de dos eventos: (1) ingreso de un lote de abastecimiento, o (2)
retiro de cierta cantidad del producto para satisfacer el pedido de un cliente, de la misma
manera como el dinero disponible en cualquier cuenta bancaria sólo puede cambiar a
consecuencia de un depósito, o a consecuencia de un retiro Rico (1992)

Los primeros intentos para simular sistemas de eventos discretos, datan de la década de
los años 60, donde se desarrollan las primeras simulaciones en ordenador para planear
proyectos de gran envergadura, aunque a un costo alto y utilizando lenguajes de
propósito general (a menudo FORTRAN). Las primeras herramientas para facilitar el uso
de la simulación de evento discreto aparecen en la forma de lenguajes de simulación en
la década de los años 70, aunque la programación en estos lenguajes se realiza todavía
por medio de comandos escritos en un archivo. Lenguajes como GPSS, SIMSCRIPT,
SLAM y SIMAN tienen una amplia difusión en los años 80, paralela a una gran producción
científica relacionada con las posibles aplicaciones de la simulación de evento discreto,
y el desarrollo de métodos para el análisis de experimentos por simulación, para generar
por ordenador la ocurrencia de eventos siguiendo patrones probabilísticos, y para
permitir que el motor del lenguaje pueda modelar una gama amplia de aplicaciones.

En la década de los 90, la difusión de los ordenadores personales, y la aparición de

paquetes de simulación que se programan en ambientes gráficos, y con capacidades de
animación, permite que la simulación se difunda ampliamente como herramienta para el
diseño y análisis en diversos sectores tanto de la industria de manufacturas como de
servicios (por ejemplo, telecomunicaciones, salud, transporte y cadenas de
restaurantes).

Actualmente se pueden distinguir en el mercado dos tipos de paquetes para simulación

de evento discreto: los de propósito general y los orientados hacia alguna aplicación o
sector industrial específico. Entre los paquetes más conocidos de propósito general, se
pueden mencionar a Arena, Simul8, GPSS/H, AweSim, y MODSIM III, mientras que entre
los paquetes con orientación hacia alguna aplicación se puede mencionar a AutoMod,
ProModel, SIMFACTORY II.5, QUEST y Arena Packaging Edition para manufactura,
COMNET III y OPNET Modeler para redes de comunicaciones, SIMPROCESS,
ProcessModel, ServiceModel y Arena Business Edition para analizar flujos en procesos
de negocios, y MedModel para servicios del cuidado de la salud. Los paquetes
mencionados permiten la programación en un ambiente gráfico por medio de módulos, y
pueden incorporar animación a sus modelos, lo que además de facilitar la programación
del modelo de simulación, se constituye en una herramienta valiosa para la verificación
y demostración de las capacidades del modelo.

Elementos de un modelo de simulación de eventos discretos

Un modelo de simulación consta de:

 El estado de sistema, es decir, un conjunto de variables que permitan describir el

estado de los diferentes elementos del sistema
 El reloj de la simulación, que es un contador que guarda registro del instante en
el que se encuentra la simulación.
 La lista de eventos, donde se almacenan los eventos que deben tener lugar y
cuando deben ocurrir.
 Un procedimiento de inicialización, es decir, un programa para que el estado del
modelo de simulación sea el deseado.
 Un procedimiento de actualización del reloj, para gobernar como avanza el reloj
de la simulación.
 Un procedimiento para la generación de eventos, para generar eventos a partir de
la ejecución de eventos previos y del cambio de estado de los elementos del
sistema.
 Procedimientos para la generación de valores de variables aleatorias.
 Un generador de informes, que por defecto ofrece información sobre el
comportamiento del sistema (contadores, niveles de ocupación, etc.)
 El programa principal, que gobierna la ejecución de todo el modelo e invoca,
cuando corresponde, a cada uno de los elementos interiores.

Modelo de Simulación de Procesos Continuos

El análisis de sistemas ayuda a resolver situaciones complejas, ubicando los puntos de

apalancamiento más convenientes. Para ellos es necesario ver el total en vez de las
partes. En vez de ver los elementos de una organización en forma aislada conviene
verlos como elementos parciales de la realidad industrial. Es obvio que esta realidad
industrial es mucho más compleja que alguna individualidad en particular. Sin embargo,
es útil conocer que hay dos tipos de complejidades: una relativa a los detalles y otra
relativa a la dinámica. Esta última está presente en situaciones donde la causa y el efecto
son sutiles, y donde el efecto de la intervención a través del tiempo no es obvia. Por
ejemplo, las técnicas de pronósticos, planificación o algún método analítico convencional
no están equipadas para afrontar la complejidad dinámica. Un conjunto complejo de
industrias para ensamblar un equipo, o el inventario de una fábrica supone complejidad
dinámica.

Cuando la misma acción tiene efectos distintos a corto y a largo plazo, hay complejidad
dinámica. Cuando la misma acción tiene consecuencia en un punto y otras
consecuencias en otra parte del sistema hay complejidad dinámica. Los modelos
gerenciales adaptados para guiar a la dirección sobre decisiones oportunas y pertinentes
que tienen efectos en el corto, medio y largo plazo tienen complejidad dinámica, Sterman
(2000).

La ubicación de los puntos de apalancamiento más consistentes en muchas situaciones

industriales obliga a comprender la complejidad dinámica, no la complejidad de los
detalles. El equilibrio entre un modelo gerencial y el clima organizacional a la calidad de
los productos son problemas con características dinámicas. Mejorar continuamente la
calidad, reducir costos y satisfacciones de las necesidades y deseos del cliente, es un
problema dinámico.

El concepto de dinámica de sistemas se orienta a ver la organización como un todo y las

interacciones de las partes relacionadas Aracil y Gordillo (1997). Y el pensamiento
sistémico según Sterman (2000), es una disciplina para ver las estructuras que subyacen
en las situaciones complejas, y para discernir cambios de alto y bajo apalancamiento.
Para ubicar puntos de alto apalancamiento hay que comprender la complejidad dinámica,
que normalmente está presente cuando la misma acción tiene efectos distintos a corto y
a largo plazo o cuando una acción tiene un conjunto de consecuencias locales y otro
conjunto de consecuencias distintas en otra parte del sistema, según Senge (1992).

Una de las herramientas básicas en análisis de sistemas es el concepto de

retroalimentación, donde el control procura mantener el funcionamiento del sistema en
consideración al medio.
Un modelo es cualquier representación simplificada de la realidad. La modelación
informática no necesariamente significa producir estructuras impenetrables. No puede
alimentarse un modelo con todo lo que se sabe. Sólo debe introducirse lo que es
relevante para el objetivo. El arte de los modelos de este tipo como el arte de la poesía,
de la arquitectura o del diseño de la ingeniería es incluir sólo lo necesario para lograr el
objetivo, y nada más. Por lo tanto para comprender un modelo y juzgar su validez se
necesita comprender su objetivo.

Variables de entrada. Variables de salida. Parámetros

Los datos que alimentan y los que se obtienen de un modelo se definen de la siguiente
manera.

Variables de entrada.

Las variables de entrada son todos aquellos datos de entrada sobre los cuales el decisor
no tiene control. Por ejemplo: la frecuencia con la que llegan las llamadas de a un centro
de atención telefónica, el tiempo entre averías de una máquina, la demanda de un
determinado producto, etc.

Parámetros.

Los parámetros son aquellos datos de entrada sobre los cuales el decisor tiene control.
Típicamente, en un estudio de simulación se trata de obtener un conjunto de valores de
los parámetros (es decir, una configuración del sistema) satisfactoria o buena de acuerdo
con algún criterio. Por ejemplo: el número de puestos de atención al cliente en una
oficina, la cantidad de operarios con los que se cuenta en el sistema, el orden en que se
realiza un conjunto de operaciones (el embarque a un avión), etc.

Variables de salida.

Las variables de salida son todos aquellos valores que permiten conocer la bondad del
funcionamiento del sistema estudiado.

Como se ha dicho, con el desarrollo de un estudio de simulación se pretende obtener

una buena solución con respecto a algún criterio. Los valores de las variables de salida
permiten evaluar el sistema. Por ejemplo: el beneficio derivado de una nueva instalación,
el nivel de saturación de los controladores aéreos, la productividad de una línea de
montaje, etc.

Por último, conviene notar que según un el estudio del que se trata un mismo elemento
puede ser o bien una variable de entrada o bien un parámetro. Para desarrollar de forma
correcta un estudio completo de simulación, es importante, en cada caso, identificar
cuáles son las variables de cada tipo y cuáles son los parámetros.

Modelos teóricos vs. Experimentales

Si el modelo que se construye sólo se orienta a reproducir las salidas del sistema real
sin intentar modelar su comportamiento interno; entonces, será un modelo experimental
o de caja negra. En cambio, si el modelo también intenta reproducir las relaciones
funcionales del sistema será un modelo con base teórica. Un modelo experimental
requiere una gran cantidad de datos para poder calibrarlo o ajustarlo correctamente, y su
rango de validez está limitado a este conjunto de datos. En contraposición, un modelo
teórico requiere una cantidad menor de datos y puede ser utilizado fuera del rango de
los mismos ya que el rango de validez del modelo está dado por la teoría utilizada y no
por los datos.
 Conclusión
Un modelo es una representación de una situación real, y se utiliza a menudo en los
proceso de toma de decisiones. La representación puede ser mental o puede adoptar
otras formas. Este “modelo mental” constituye la base de sus decisiones, tales modelos
mentales son de extraordinaria utilidad cuando los factores que interviene no son
numerosos ni complicados.

Los modelos mentales son, pues, de gran utilidad hasta que la propia magnitud del
problema sobrepasa la capacidad del modelo mental.

El modelo de simulación puede superar muchos de los problemas inherentes al modelo

mental. Por medio de un estudio o un análisis profundos, la situación real se puede
transformar sobre el papel en un modelo que represente con exactitud aquellos sectores
de la empresa relacionados con los propósitos. De este modo, el modelo refleja la
situación real y tiene además en cuenta las interrelaciones estructurales que resultan
afectadas por cualesquiera cambios propuestos.

Una vez que se ha descrito el sistema, se instala el modelo en la computadora y se

prueba para verificar la exactitud con que presenta la situación. La exactitud del modelo
determinará la exactitud de los resultados que han de evaluarse: cuanto más exacto sea
el modelo, más exactos serán los resultados.

Las transacciones que entran en el modelo están obligadas a desplazarse a través de él

de la misma forma en que se desplazarán en la situación real. Esto no implica que cada
una haga exactamente el mismo recorrido: las transacciones se pueden desplazar en
secuencias variables o requiriendo unos periodos de tiempo igualmente variables.

Una vez preparado el modelo e introducido en la computadora, se procesa la simulación

basándose en la situación existente. Al final del proceso, se analizan los datos
recopilados para comprobar el comportamiento del modelo en relación con la situación
real. Esto es necesario para garantizar la validez del modelo antes de efectuar cambio
alguno.
En ciertos casos se prepara el modelo sin que exista una situación real en la que basarlo,
como en el caso del proyecto de una nueva empresa. Entonces, los datos de salida
deben compararse con el comportamiento previsto para la nueva empresa.

Así pues, los datos de salida del proceso constituyen la clave de la simulación. Las
comparaciones pueden señalar la solución más conveniente.
 Bibliografía
 http://www.utadeo.edu.co/es/link/maestria-en-modelado-y-simulacion-
mms/26106/layout-1/que-es-modelado-y-simulacion-ms
 https://es.wikipedia.org/wiki/Simulaci%C3%B3n#Modelos_de_simulaci%C3%B3
n
 http://www.elconspirador.com/2013/12/15/diferencia-entre-modelo-y-simulacion/
 http://www.elconspirador.com/2013/12/09/clasificacion-y-tipos-de-modelos/
 http://cuadernos.uma.es/pdfs/papeles22.pdf
 http://dinamica-de-sistemas.com/revista/0608o.htm
 http://www.alegsa.com.ar/Dic/herramienta_de_modelado.php
 http://www.econ.unicen.edu.ar/attachments/1051_TecnicasIISimulacion.pdf