OBJETIVO.

- El estudiante identificará los elementos principales y las principales

aplicaciones en simulación.

UNIDAD 1: INTRODUCCION A LA SIMULACION

1.1.- DEFINICIÓN E IMPORTANCIA DE LA SIMULACIÓN DE LA

INGENIERÍA.
Definición de Simulación:
 Es un proceso a diseñar y desarrollar un modelo de un sistema o proceso
real y conducir experimentar con el propósito de entender el
comportamiento del sistema a evaluar varias.
 Es una técnica numérica para conducir experimentos en una computadora
digital, los cuales requieren ciertos tipos de modelos lógicos y matemáticos
que describen el comportamiento de un negocio o un sistema económico (o
algún componente de ellos) en periodos extensos de tiempo real.

IMPORTANCIA DE LA SIMULACIÓN EN LA INGENIERÍA.

Recientes avances en las metodologías de simulación y la gran

disponibilidad de software que actualmente existe en el mercado, han hecho que
la técnica de simulación sea una de las herramientas más ampliamente usadas en
el análisis de sistemas.

La simulación es muy importante para la ingeniería de sistemas porque

presenta las siguientes ventajas :

A través de un estudio de simulación, se puede estudiar el efecto de

cambios internos y externos del sistema, al hacer alteraciones en el modelo del
sistema y observando los efectos de esas alteraciones en el comportamiento del
sistema.

1.2.- CONCEPTOS BÁSICOS DE MODELACIÓN.

Definición de modelo:

Es la representación simplificada de un sistema elaborada para

comprender, predecir y controlar el comportamiento de dicho sistema.

La construcción de los modelos proporciona una manera sistemática y

eficiente para ayudar a tomar decisiones

FUNCIÓN DE LOS MODELOS

Elmaghaby reconoce algunos usos legítimos y comunes de los modelos:

a) una ayuda para el pensamiento: los modelos pueden ayudarnos a organizar y
clasificar conceptos confusos e inconsistencias.

b) una ayuda para la comunicación: los modelos pueden ayudar ambigüedad y

proporcionan un modo de comunicación mas eficiente y efectivo.

c) Una herramienta de predicción: el uso mas importante de los modelos es la

predicción de las características del comportamiento de la entidad modelada.

d) Para entrenamiento e instrucción: los modelos son ideales para entrenar a una
persona para que afronte varias eventualidades antes de que ocurran.

CLASIFICACIÓN DE LOS MODELOS

Algunos de estos esquemas de clasificación son los siguientes:

a) estático

b) determinanticos

c) discreto

d) Icónico

Los modelos físicos y estáticos, ayudan a visualizar las relaciones

especiales tales como modelos arquitectónicos o los modelos de diseño de
plantas.

MODELOS MATEMÁTICOS

Consta de 4 elementos:

Componentes como variables, parámetros y relaciones funcionales.

Variables: se clasifican en exógenas, de estado y endógenas.

VARIABLES EXÓGENAS: Son independientes o de entrada del modelo

previamente proporcionadas y predeterminadas independientemente del sistema
que se modela.

VARIABLES DE ESTADO: Describen el estado de un sistema o de uno de

sus componentes; estas variables interaccionan con las exógenas y endógenas.

VARIABLES ENDÓGENAS: Son las dependientes o de salida del sistema

se generan por la interacción de las endógenas con las del estado.

1.3.- METODOLOGÍA DE LA SIMULACIÓN.

 La simulación como tal es un proceso y en general consta de las siguientes
etapas:

DEFINICION DEL SISTEMA

Para tener una definición exacta del sistema que se desea simular, es
necesario hacer primeramente un análisis preliminar de este, con el fin de
determinar la interacción con otros sistemas, las restricciones del sistema, las
variables que interactuan dentro del sistema y sus interrelaciones, las medidas de
efectividad que se van a utilizar para definir y estudiar el sistema y los resultados
que se esperan obtener del estudio.

FORMULACIÓN DEL PROBLEMA

Una vez definidos con exactitud los resultados que se esperaban 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 formulan 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 si se utiliza algún

lenguaje como el fortran, algol, lisp, etc., o se utiliza algún paquete como Vensim,
Stella y iThink, GPSS, simula, simscript, Rockwell Arena etc., para procesarlo en
la computadora y obtener los resultados deseados.

VALIDACIÓN

A través de esta etapa es posible detallar deficiencias en la formulación del

modelo o en ocasiones los datos alimentados al modelo. Las formas más
comunes de validar un modelo son:

1.- La opinión de expertos sobre los resultados de simulación.

2.- La exactitud con que se predicen datos históricos.
3.- La exactitud en la predicción del futuro.
4.- La comprobación de falla del modelo de simulación al utilizar datos que hacen
fallar al sistema real.
5.- 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 éste haya sido

validado. La experimentación consiste en generar los datos deseados y en realizar
un análisis de sensibilidad de los índices requeridos.

IMPLEMENTACIÓN

En esta etapa del estudio, se interpretan los resultados que arroja la

simulación y con base a esto se tomo una decisión. Es obvio que los resultados
que se obtienen de un estudio de simulación ayuda a soportar decisiones del tipo
semiestructurado.

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 de usuario, con el cual se facilita la interacción y el
uso del modelo desarrollado.

1.4.- SISTEMAS, MODELOS Y CONTROL.

ENFOQUE DE SISTEMAS

El enfoque de sistemas establece que "el mundo y cualquiera de sus partes

puede visualizarse como un conjunto de sistemas en interacción dinámica". Es un
punto de vista, una forma de pensar, que en la confrontación de una situación
problemática, busca no ser reduccionista. Es decir visualizar la situación desde un
punto en donde se consideren todos los elementos que intervienen en un
problema.

CONCEPTO DE SISTEMAS.

Por sistema; se entiende una colección de entidades relacionadas, cada

una de las cuales se caracteriza por atributos o características que pueden estar
relacionados entre sí. Los objetivos que se persiguen al estudiar uno o varios
fenómenos en función de un sistema son aprender cómo cambian los estados,
predecir el cambio y controlarlo.

Todo sistema consta de tres características. Tienen fronteras, existe dentro

de un medio ambiente y tiene subsistemas. El medio ambiente es el conjunto de
circunstancias dentro de las cuales está una situación problemática, mientras que
las fronteras distinguen las entidades dentro de un sistema de las entidades que
constituyen su medio ambiente. Por lo tanto podemos definir a un sistema como:

UNA ESTRUCTURA DINÁMICA DE PERSONAS, OBJETOS Y

PROCEDIMIENTOS ORGANIZADOS PARA EL PROPÓSITO DE LOGRAR
CIERTAS FUNCIONES".

EL CONJUNTO DE ELEMENTOS QUE FORMAN UN SISTEMA TIENE LAS

SIGUIENTES TRES PROPIEDADES:

• Las propiedades o el comportamiento de cada elemento del conjunto

tienen un efecto en las propiedades o el comportamiento del conjunto
como un todo.

• Las propiedades y comportamiento de cada elemento y la forma en

que se afectan al todo, dependen de las propiedades y
comportamiento al menos de otro elemento en el conjunto. En
consecuencia, no hay parte alguna que tenga un efecto
independiente en el todo y cada una está afectada al menos por
alguna otra.

• Cada subgrupo posible de elementos del conjunto tienen las dos

primeras propiedades: cada uno tiene efecto no interdependiente en
el total. En consecuencia no se puede descomponer el total en
subconjuntos independientes. No se puede subdividir un sistema en
subsistemas independientes.

CONCEPTOS BÁSICOS DE SISTEMAS.

ENTIDAD.
"Una entidad es algo que tiene realidad física u objetiva y distinción de ser o de
carácter". Las entidades tienen ciertas propiedades que las distinguen a unas de
otras.

RELACIÓN.
"Relación es la manera en la cual dos o más entidades dependen entre sí".
Relación es la unión que hay entre las propiedades de una o más entidades; por
consiguiente, el cambio en alguna propiedad de una entidad ocasiona un cambio
en una propiedad de otra entidad.

ESTRUCTURA.
Una estructura es un conjunto de relaciones entre las entidades en la que cada
entidad tiene una posición, en relación a las otras, dentro del sistema como un
todo.
ESTADO.
"El estado de un sistema en un momento del tiempo es el conjunto de propiedades
relevantes que el sistema tiene en este momento. Cuando se habla del estado de
un sistema, se entiendes los valores de los atributos de sus entidades. Analizar un
sistema supone estudiar sus cambios de estado conforme transcurre el tiempo.

JERARQUIA DE SISTEMAS

SUBSISTEMAS.

Un subsistema es "Un elemento o componente funcional de un sistema mayor que

tiene las condiciones de un sistema en sí mismo, pero que también tiene un papel
en la operación de un sistema mayor”

SUPRASISTEMA.

El suprasistema es un sistema mayor a cuya función global el sistema está

contribuyendo y del cual forma parte.

FRONTERA.

La frontera de un sistema representa el límite de acción en donde tiene autoridad

la persona que toma decisiones en ese sistema. La frontera delimita lo que es y lo
que no es el sistema.

AMBIENTE.

El ambiente de un sistema es todo lo está situado fuera de su frontera.

SISTEMA PARCIAL.

Un sistema parcial es una visión del sistema en la cual parte de las relaciones,
aquellas que no son relevantes al aspecto del sistema que se está estudiando, son
eliminadas.

COMO SE DEFINE UN SISTEMA EN SIMULACIÓN. Colección de entradas que

pasan a través de las fases de cierto proceso, produciendo respuestas. Por
ejemplo:

EL PORQUE DE LOS MODELOS SE DEBE A LAS SIGUIENTES

CONDICIONES:

♦ Complejidad de la interrelación entre factores que definen un sistema.

♦ Preparación del tomador de decisiones.
♦ Incapacidad de clasificar los hechos relevantes e irrelevantes y cómo pueden
afectarse al implementar decisiones.
♦ Diseño o modificación de sistemas evaluando diferentes alternativas.
♦ Menor costo que en sistemas reales la toma de decisiones.
♦ La inexistencia del sistema real.
♦ Implementar sistemas para tomar decisiones genera grandes atrasos y se
incurre en la posibilidad que el sistema implementado sea insatisfactorio.

CARACTERÍSTICAS DESEABLES DE UN MODELO DE SIMULACIÓN

1. Que sea completo

2. Adaptabilidad
3. Credibilidad
4. Simplicidad (menor número de parámetros)
5. Factible tanto en Información como en recursos
6. Económico (EL COSTO MÁXIMO DEL MODELO DEBE SER EL MÍNIMO
BENEFICIO QUE SE OBTIENE)

CLASIFICACIÓN DE LOS MODELOS

Los modelos pueden clasificarse de diversas maneras. Existen

muchos modelos físicos tales como el modelo de un avión o, más
generalmente, una réplica a escala de un sistema. Existen modelos
esquemáticos que abarcan dibujos, mapas y diagramas. Existen
modelos simbólicos, de los cuales los que están basados en las
matemáticas o en un código de computadora son simbólicos
desempeñan funciones importantes en el diseño de los estudios de
simulación de sistemas por medio de computadora.

Algunos modelos son estáticos; otros, dinámicos. Un modelo

estático omite ya sea un reconocimiento del tiempo o describe un
instante del estado de un sistema en determinado momento. En
contraste, un modelo dinámico reconoce explícitamente el transcurso
del tiempo. Además de proporcionar una secuencia de instantes del
sistema en el transcurso del tiempo, algunos modelos dinámicos
especifican relaciones entre los estados de un sistema en diferentes
momentos.

Otra distinción es la referente a los modelos deterministas contra

modelos estocásticos. En los primeros, todas las entidades establecen
relaciones matemáticas o lógicas constantes. Como consecuencia, estas
relaciones determinan soluciones. En un modelo estocástico, por lo
menos una parte de la variación tiene una naturaleza casual. Por tanto,
un investigador puede, a lo sumo, obtener soluciones promedio
mediante modelos estocásticos para resolver los problemas. El presente
libro se concentra exclusivamente en modelos estocásticos.

NECESIDAD Y 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 técnicas de solución aplicables al
problema. Siendo un formalismo, un modelo es necesariamente una abstracción.
Sin embargo, cuanto más detallado sea un modelo en forma explícita, mejor será
la semejanza del modelo con la realidad. Otra razón para incluir el detalle es que
se ofrecen mayores oportunidades para estudiar la respuesta del sistema cuando
una relación estructural dentro del modelo altera con el propósito de investigación.
Primero, puede considerarse un mayor número de combinaciones de los cambios
estructurales y, segundo, puede estudiarse un mayor número de aspectos de la
respuesta.

Por otra parte, el detalle por lo general dificulta la solución de los

problemas. A menudo los detalles agregados cambian el método para resolver un
problema de un método analítico a otro numérico, de manera que se pierde la
generalidad de una solución analítica. El detalle también puede aumentar el costo
de la solución. Sin embargo, el factor que sirve de límite en la utilización del
detalle, es que a menudo no se tiene suficiente información sobre el sistema que
se estudia, como para poder especificar otras características que no sean las
obvias.

Todo modelo debe limitar el detalle en algún aspecto. Al hacer la

descripción de un sistema en lugar del detalle, se hacen suposiciones sobre el
comportamiento del sistema. Como se desea que estas suposiciones no
contradigan el comportamiento observable del sistema, siempre que se pueda, se
deben probar comparándolas con la observación.

CRITERIOS PARA REALIZAR UN BUEN MODELO.

Se ha definido a la simulación como el proceso del diseño de un modelo de

un sistema real y la realización de experimentos con el mismo, con el propósito de
entender ya sea el comportamiento del sistema o la evaluación de varias
estrategias que se consideran para la operación del sistema. Esto implica el
establecer ciertos criterios que debe cumplir todo buen modelo de simulación:

 Fácil de entender por parte del usuario.

 Dirigido a metas u objetivos.
 No dé respuestas absurdas.
 Fácil de controlar y manipular por parte del usuario.
 Completo, en lo referente a asuntos importantes.
 Evolutivo, es decir, que debe ser sencillo al principio y volverse más complejo,
de acuerdo con el usuario.

RIESGOS DE LA ELABORACIÓN DE MODELOS.

 Primero, no existe garantía alguna de que el tiempo y el trabajo dedicados a
establecer el modelo tendrán como resultado algo útil así como beneficios
satisfactorios. El fracaso suele ocurrir porque el nivel de recursos es demasiado
bajo. Sin embargo, a menudo el investigador se ha basado más en el método y no
suficientemente en el ingenio cuando el balance apropiado entre conducirá a la
mayor probabilidad de éxito.

La segunda advertencia se refiere a la tendencia del investigador de

defender su representación particular de un problema como la mejor que existe de
la realidad. Esta situación ocurre a menudo después de que ha invertido mucho
tiempo y trabajo esperando resultados útiles.

La tercera advertencia es la referente a la utilización del modelo para

predecir más allá del intervalo de aplicación sin la debida especificación. Por
ejemplo, puede diseñarse un modelo para pronosticar el comportamiento del
sistema para un periodo futuro. Si se toma el mismo modelo para predecir en dos
periodos futuros, debe especificarse de manera explícita a quienes lo utilizan en el
sentido de que en estas predicciones el periodo futuro de predicción no es tan
exacto como en el caso de la predicción para determinado periodo. Omitir una
especificación apropiada con respecto a un modelo de extrapolación da como
resultado quizás la única y mayor causa de la mala aplicación práctica.

1.5.- ESTRUCTURA Y ETAPAS DE UN ESTUDIO DE SIMULACIÓN.

Los componentes son las partes constituyentes del sistema. También
se les denomina elementos o subsistemas.

Las variables son aquellos valores que cambian dentro de la simulación

y forman parte de funciones del modelo o de una función objetivo.

Los parámetros son cantidades a las cuales se les asignar valores, una
vez establecidos los parámetros, son constantes y no varían dentro de la
simulación.

Las relaciones funcionales muestran el comportamiento de las

variables y parámetros dentro de un componente o entre componentes de un
sistema. Estas características operativas pueden ser de naturaleza
determinística o estocástica. Las relaciones determinísticas son identidades o
definiciones que relacionan ciertas variables o parámetros, donde una salida
de proceso es singularmente determinada por una entrada dada. Las
relaciones estocásticas son aquellas en las que el proceso tiene de manera
característica una salida indefinida para una entrada determinada.

Las restricciones son limitaciones impuestas a los valores de las

variables o la manera en la cual los recursos pueden asignarse o consumirse.

En las funciones de objetivos se definen explícitamente los objetivos

del sistema y cómo se evaluarán, es una medida de la eficiencia del sistema.
1.6.- ETAPAS DE UN PROYECTO DE SIMULACIÓN.

Pasos en la simulación

Aunque se van a presentar una serie de pasos de forma secuencial,

realmente es un proceso iterativo.

Formulación del problema

Se definen las cuestiones para las que se buscan las respuestas, las
variables implicadas y las medidas de ejecución que se van a usar.

Esta fase es muy importante para poder alcanzar un modelo válido, se

puede dividir a su vez en 5 fases

Identificación del Problema

Se hace una abstracción del tipo de problema que se va a tratar. Se

identifican los recursos a utilizar, los requisitos que se van a exigir (relaciones
a establecer).

• Introducción a la Simulación
• Formulación del problema
• Implantación de los resultados de la Simulación
• Experimentación y Análisis de las Salidas
• Verificación y Validación del modelo
• Desarrollo del modelo
• Recolección de datos y análisis

Reconocer las variables del sistema

Se han de identificar las variables que interviene en el sistema y que son de

interés para nuestro modelo, éstas se pueden clasificar en:

Variables exógenas: Son variables externas al modelo y existen con

independencia de él. Se consideran variables de entrada. Éstas a su vez se
pueden dividir en dos grupos:

Variables controlables o de decisión (factores): son aquellas sobre las

que el analista puede decidir su valor dentro de ciertos límites.

Variables incontrolables o parámetros: sus valores no se pueden decidir

sino que vienen fijados. Las variables serán controlables o incontrolables
dependiendo de quién las defina

Variables endógenas: Son variables internas y las variables de salida del

modelo. Son función de las variables exógenas y de la estructura del modelo.

Especificación de las restricciones de las variables de decisión:

Incluso en el caso de que las variables sean controlables, están limitadas o
restringidas a ciertos límites dentro de los cuales se pueden modificar.

Es importante considerar cuidadosamente las restricciones sobre las

variables de decisión, ya que definen el posible espacio de soluciones dentro del
cual se buscará una buena solución o la óptima usando el modelo de simulación.

DESARROLLAR UNA ESTRUCTURA PRELIMINAR DEL MODELO QUE

INTERRELACIONE LAS VARIABLES DEL SISTEMA Y LAS MEDIDAS DE
EJECUCIÓN.

Para evaluar la efectividad de un sistema, se debe identificar una medida o

medidas de comportamiento (o ejecución) para juzgarlo. Estas medidas se
seleccionan del conjunto de variables endógenas. La medida o medidas que se
pretenden optimizar se conocen como función objetivo.

Hay veces en las que existe una única función objetivo dominante y
entonces se intenta optimizar ésta sin tener en cuenta las otras variables, aunque
siempre considerando las restricciones.

En otras ocasiones existe más de una función dominante, en este caso, hay
que estudiar las distintas funciones objetivo e intentar encontrar valores para los
cuales las funciones son óptimas.

Cuando se quiere tener en cuenta varias medidas de comportamiento, a

menudo no se podrán optimizar simultáneamente. Lo ideal sería hacer mínimas
ambas medidas, el tiempo de espera y el costo de tener los empleados, pero si se
minimiza una de ellas la otra aumenta. Se tienen tres formas de abordar este
problema:

Establecer compromisos implícitos entre las medidas. Esta aproximación es

muy subjetiva y no se va a considerar. Se dan los resultados a quién tenga que
tomar la decisión y él será quien establezca la relación entre las variables
conflictivas.

Establecer compromisos explícitos, realizando una combinación de todas

las medidas usando una dimensión común tal como el costo. A estas técnicas se
les suele conocer como análisis de toma de decisiones multiatributo u
multiobjetivo. Para realizar esta técnica se tiene que decidir una dimensión común
para todas las medidas, factores pesos, y formar una función que las combine.
 Restricción y corte: seleccionar una medida como la que más interesa
optimizar y hacer que las otras estén dentro de un rango de valores aceptable.
Esto reduce la posibilidad de encontrar un óptimo, o al menos las mejores
soluciones.

Desarrollo de un modelo apropiado

Los modelos son abstracciones de las partes esenciales del sistema. Se ha

de intentar ver si con las variables que se han especificado se tiene suficiente para
describir estos aspectos importantes del sistema (si no se tienen suficientes
entonces el modelo no será una buena representación del sistema), o por el
contrario se han definido más de las necesarias (esto puede oscurecer las
relaciones entre las variables realmente importantes). En resumen, lo que se tiene
que fijar en este paso es el nivel de detalle al que se debe llegar en el modelo. El
nivel de detalle depende de:

1 Propósito del modelo.

2 Contribución de las variables al modelo.

No es igual si lo que se desea hacer es un modelo para una previsión a

largo plazo, en cuyo caso la precisión puede ser menor, debido a que al transcurrir
el tiempo las variables van a cambiar e incluso podrán aparecer otras nuevas, que
si se desea una previsión a corto plazo, entonces se deberá profundizar más en el
nivel de detalle.

Colección de datos y Análisis

Aunque la recogida de datos se va a ver como el segundo paso, es

bastante posible que se hayan tenido que recoger datos para la formulación del
problema. Sin embargo, durante este paso se recoge el mayor volumen de
datos, se reduce y se analiza.

Los métodos de recogida de datos son tan variados como los problemas a los
que éstos se pueden aplicar. Si se clasifican por su sencillez, se puede ir
desde las aproximaciones manuales hasta las técnicas más sofisticadas de
alta tecnología. En la selección de un método se pueden tener en cuenta los
siguientes factores:

• Capacidad de quien recoja los datos.

• El impacto que pueda producir el proceso de recolección sobre el
comportamiento del sistema real. Puede producir perturbaciones
reales o físicas en el sistema o psicológicas.
• La facilidad de conversión de los datos a una representación
procesable por el ordenador.
• El coste del método.

En muchas situaciones es suficiente con la observación directa y la

recogida manual de los atributos de interés. Pero si la medida que se quiere
observar depende de una persona, su comportamiento se puede ver afectado
por estar siendo observada. Otras veces puede ocurrir que la acción que se
quiere observar sea muy rápida y que no sea posible realizar una observación
humana.

Para decidir el número de muestras necesarias, se ha de establecer una

relación costo-exactitud y hacer una optimización de dicha relación.

Una vez realizado el muestreo, los datos se han de analizar e introducir

en el modelo.

Los datos usados para definir el modelo pueden ser de dos tipos:

Deteminísticos: son datos conocidos con certeza. Éstos se pueden

introducir fácilmente en el modelo.

Probabilísticos: hay dos formas de incluirlos en el modelo.

Usar la muestra de datos recogida para representar la distribución de

probabilidades.

Determinar una distribución probabilística teórica que se comporte como

la muestra y usar ésta en el modelo. Esto permite tener una mejor
comprensión (generalización) del modelo.

Desarrollo del modelo

Incluye la construcción y depuración del modelo del sistema real,

incluyendo la selección de un lenguaje de programación, codificación del
modelo. Esta etapa se va a dividir en dos partes:

Comprensión del sistema y Construcción del modelo.

Comprensión del sistema

Una de las tareas más difíciles en el análisis de simulación es adquirir el

suficiente conocimiento del sistema para poder desarrollar un modelo
apropiado, es decir, conocer el comportamiento del sistema. Dos técnicas
comúnmente usadas son la aproximación de flujo físico y la aproximación de
cambio de estado.

Aproximación de Flujo Físico. Se ha de identificar las entidades cuyo

procesamiento o transformación constituye el propósito principal del sistema.
Estas entidades pueden tomar diferentes caminos en el sistema, las rutas que
siguen se determinan mediante reglas de decisión. La representación del
sistema vendrá dada mediante un diagrama de flujo de entidad y los
elementos de procesamiento del sistema.

Aproximación de Cambio de Estado. Para describir esta aproximación, se

debe definir unas variables endógenas adicionales que son las variables de
estado e introducir un nuevo concepto, el de suceso o evento. Las variables de
estado describen el estado del sistema en cada momento. Dados los valores
actuales de las variables de estado, las variables exógenas y la estructura del
modelo, se puede determinar el estado futuro del sistema. Un evento es un
instante particular en el tiempo en el que el sistema cambia de estado. La
evolución del sistema se puede representar mediante un grafo de sucesos.

En el ejemplo del supermercado, si se sigue la primera aproximación,

hay dos posibilidades para la traza de entidades: clientes y cajas. Sin embargo
los clientes son el interés principal, mientras que las cajas tienen una
importancia secundaria. Comienza la traza de un cliente cuando éste se
aproxima a la caja. En este instante el cliente decide en qué cola se situará,
basándose en algo como en elegir la más corta. Esta decisión determina la ruta
que va a seguir por el sistema. El cliente queda esperando en la cola hasta que
sea atendido (hasta que se le asigne el elemento cajero). Aquí ocurren tres
procesos: se hace la cuenta de los productos comprados, se paga por ellos, se
embolsan. Entonces, el cliente abandona el sistema.

En la segunda aproximación, se pueden considerar como variables de

estado el número de clientes en cola o el número de clientes que están siendo
servidos actualmente. Tales variables se pueden utilizar para calcular medidas
de comportamiento, tales como el tiempo de espera de los clientes. Cuando un
cliente llega a una de las colas en el supermercado, el estado varía ya que se
ve alterado el número de clientes en dicha cola, con lo que la llegada se
considera un evento. Se puede describir completamente el comportamiento del
sistema incorporando al modelo la capacidad de modificar las variables de
estado conforme van ocurriendo los eventos. Para el ejemplo del supermercado
la atención se puede fijar en una caja particular, pues la operación es idéntica
en todas.

La principal variable de estado es el número de clientes en el

supermercado y el número de clientes en cada una de las colas. Otras
variables de estado son las que indican los estados de los cajeros y
empaquetadores, si en él están ocupados o no. Algunos eventos que cambian
el estado del sistema, y por tanto las variables de estado, son una llegada al
sistema, la selección de una cola y el añadirse a ella, salida del sistema una
vez que ha pagado los productos.

Ej: Suponemos una sola caja en el supermercado

Variables de estado:
Número de consumidores en el sistema (N).
Número de consumidores en cola (M).

Sucesos:
Llegada de un consumidor a la cola.
Consumidor empieza a ser servido.
Consumidor sale de caja.
Cambios provocados en las variables por estos sucesos:
 Suceso 1: N N+1, M M+1
Elección de Cola
Cliente en cola
Cliente en cola
Recuento compra Pago Embolsar
Cajero y empaquetador
Recuento compra Pago Embolsar
Cajero y empaquetador

Suceso 2: N N, MM-1

Suceso 3: NN-1, MM

Resulta útil representar esto de forma gráfica mediante el grafo de sucesos.

Los eventos se representan mediante nodos y la progresión de los eventos
mediante flechas

Sucesos
1. Llegada del Cliente.
2. Cliente selecciona caja.
3. Cajero empieza.
4. Cajero termina.
5. Empaquetador empieza.
6. Empaquetador termina.
7. Salida del Cliente.

~ =Enlace condicional.

Construcción del Modelo

Las tareas principales en la construcción de un modelo son:

Elección Mecanismo de avance del tiempo. Este dependerá de la

aproximación elegida para describir el comportamiento del sistema.

Si se eligió la aproximación de flujo físico, este diagrama de flujo podría

refinarse para convertirse en el diagrama de flujo del programa.

Si se siguió la aproximación de cambio de estado, el diagrama de flujo

desarrollado debería describir el procedimiento que efectúa los cambios de
estado en el tiempo.

Otros dos factores inciden en la construcción del diagrama de flujo del

programa: elegir un mecanismo de avance del tiempo y el lenguaje de
programación que se seleccione. Hay fundamentalmente dos formas de
considerar el avance del tiempo en un modelo de simulación:

Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el

estado del modelo se comprueba después de transcurrido cada uno de estos
incrementos constantes.

Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las
comprobaciones y modificaciones de las variables afectadas se realizan sólo
después de la ocurrencia de un evento. Aquí el incremento de tiempo es
variable, va desde la ocurrencia de un evento a otro.

El avance del tiempo de simulación depende de cuál de las

aproximaciones se elija. Si se elige el incremento por eventos, el reloj se
inicializa a 0, y se incrementa al siguiente tiempo en que vaya a ocurrir un
suceso, en ese momento, en este momento de actualización del reloj se
modifican las variables que se vean afectadas por la ocurrencia del suceso. Si
por el contrario se elige un incremento de tiempo fijo, el reloj se inicia a 0 y se
va actualizando cada vez que pase el incremento de tiempo fijado. En esos
instantes se observará el sistema para realizar los cambios. En ese momento
puede ocurrir que no haya sucedido ningún cambio o que por el contrario que
hayan ocurrido más de un suceso con lo cual se tendrá que decidir cuál
atender antes (por ejemplo dando prioridad a los sucesos). En esta
aproximación pueden ocurrir “errores de redondeo”, que hacen referencia a la
diferencia de tiempo que pasa desde que sucede un suceso hasta que éste se
computa (cuando el reloj se incrementa).

Hay que tener cuidado en la elección del incremento de tiempo. Si éste

es demasiado pequeño se realizará trabajo inútil, ya que se comprobarán
cambios cuando en realidad no ha ocurrido ningún suceso. Por el contrario si es
demasiado grande se producirán muchos errores de redondeo y la dinámica
del modelo será ineficiente.

Elección de un Lenguaje de programación. Hay un creciente número de

lenguajes de programación disponibles para la implementación de modelos de
simulación.

Entre los lenguajes de simulación destacan:

GPSS (General Purpose Simulation System),
SLAM (Simulation Language for Alternative Modeling),
SIMAN (Simulation Analysis),
SIMSCRIPT.

Muchos lenguajes de propósito general son completamente adecuados

para la simulación, por ejemplo, FORTRAM, PASCAL,…, pero los lenguajes de
simulación proporcionan una serie de características que hacen la
programación, depuración y experimentación más eficientes en tiempo y
esfuerzo, aunque consuman más tiempo en la ejecución. Quizás la más
importante ventaja de los lenguajes de simulación es la correspondencia entre
los elementos del sistema y los elementos del lenguaje. Por ejemplo, en GPSS
hay bloques de diagramas de flujo y conjuntos de sentencias de programa
llamados QUEUE que procesan entidades a través de una cola de espera y
acumulan datos de variables de salida tales como tiempo de espera en la cola.

El lenguaje seleccionado puede influir en la forma exacta del diagrama

de flujo del programa de computador.

Generación de números y variables aleatorias. Se van a necesitar

muestras aleatorias para representar valores de variables de entrada
probabilísticas. Utilizando estos números aleatorios podemos obtener valores
de variables aleatorias que sigan ciertas distribuciones de probabilidad.

Aunque se ha hecho referencia a que los números usados en simulación

son aleatorios, no lo son totalmente, ya que se producen a partir de algoritmos
determinísticos. Sin embargo las propiedades de los números producidos se
pueden hacer lo suficientemente cerradas de forma que éstos sean
completamente utilizables para la simulación. Si el modelo se implementa con
un lenguaje de propósito general, se puede seleccionar e incluir algoritmos
necesarios para generar las variables aleatorias requeridas. Pero si se utiliza un
lenguaje de simulación estos algoritmos están incluidos y pueden ser
fácilmente accesibles por el usuario.

mplementación y depuración del modelo. La facilidad o dificultad en esta

etapa dependen en gran medida del lenguaje de programación que se haya
elegido.

Verificación y Validación del modelo

La Verificación del modelo consiste en ver cuál es la consistencia interna

del modelo.

La Validación consiste en asegurar que existe la una correspondencia

entre el sistema real y el modelo. Un buen método para la validación es hacer
un test para ver cómo el modelo predice el comportamiento del sistema ante
determinadas entradas.

La verificación y validación del modelo se realiza en todas los niveles de

modelización:

Modelo conceptual, modelo lógico y un modelo de ordenador.

La verificación se centra en la consistencia interna del modelo, mientras

que la validación se interesa por la correspondencia entre el modelo y la
realidad.

Se dice que un modelo es válido si sus medidas de salida tienen una

correspondencia apropiada con las mismas medidas en el sistema real. La
comprobación última para la validez de un modelo es ver cómo el modelo
puede predecir un comportamiento futuro del sistema ante unas determinadas
entradas.

Experimentación y Análisis de las salidas

 Se han de diseñar los experimentos que se van a llevar a cabo sobre el
modelo y luego analizar las salidas obtenidas, de forma que podamos
responder a las cuestiones que se plantearon.

Experimentación con el modelo

El propósito último de la experimentación con el modelo es obtener

información acerca del comportamiento del sistema para que esto nos ayude
en la toma de decisiones. Cuando consideramos la ejecución de un sistema se
puede desear conocer cómo se comporta dicho sistema en sentido absoluto, o
comparativamente, para poder contrastar varias configuraciones alternativas
del sistema. O se podrían considerar dos medidas simultáneamente.

Es evidente que el número de exploraciones que se tendrían que realizar

es extremadamente largo. Hasta para los diseños de experimentos más
modestos, la exploración de todas las posibles soluciones en la búsqueda de la
mejor solución, no es algo factible. Se necesita una aproximación estructurada
más directa para encontrar una solución que merezca la pena. Podemos
considerar dos aproximaciones diferentes para abordar este problema:
conjunto predeterminado de experimentos y técnicas de búsqueda de óptimos.

Conjunto de experimentos predeterminado: esta aproximación impone

identificar factores que podrían afectar a la medida de salida y ejecutar los
experimentos con los factores puestos a determinados valores. Una vez
realizados los experimentos se aplicarían unas técnicas estadísticas
denominadas análisis de la varianza (ANOVA), para decidir cuál o cuáles de los
factores seleccionados tiene realmente algún impacto en la medida de salida.
Las medidas de salida se pueden adaptar de forma que las suposiciones
estadísticas de esta técnica se satisfagan de forma razonable y puedan ser
aplicadas en la experimentación del modelo.

Un diseño experimental particularmente general es el diseño factorial.

Se consideran dos o más factores pudiendo estar cada uno a dos o más
niveles.

El uso de un conjunto predeterminado de experimentos es efectivo para

encontrar buenas soluciones si se puede aproximar una región de optimalidad
con experimentos previos o con la experiencia que se tenga sobre el problema.
Sin embargo esta técnica no puede conducir a la mejor solución global, ni
siquiera puede garantizar un óptimo local.

Técnicas de búsqueda de óptimos: un conjunto de estas técnicas se

conoce como Metodología de Superficie de Respuesta (RSM). La superficie de
respuesta es la función que describe las relaciones de las medidas de ejecución
con los factores o variables de decisión. Dos factores definen una superficie de
3 dimensiones, la cual puede ser vista como un terreno en donde se puede
escalar. De hecho, la representación en 2 dimensiones de la respuesta de
superficie es como las líneas de contorno de un mapa topográfica.
 Usando varias estrategias se pueden alcanzar puntos altos en el terreno,
y quizás llegar a la cumbre. Una estrategia es el método de escalado
ascendente. Esta requiere que el modelo se ejecute suficientemente para
hacer que se pueda determinar qué dirección (qué cambios en los valores de
los factores) parece conducir a un incremento en la altitud (incremento en la
medida de salida). Las variables de decisión se van cambiando de esta forma y
el proceso continúa hasta que ya no se puede llegar más alto, en ese momento
se ha alcanzado un óptimo local o global.

Variable de decisión 1
Variable de decisión 2

Análisis de las salidas

En la interpretación de las salidas del modelo, hay algunos aspectos que

son únicos de la simulación. Mientras que los modelos analíticos proporcionan
soluciones con medidas de ejecución completamente definidas, los modelos de
simulación producen estimaciones de las medidas que están sujetas a error.

Las salidas del modelo de simulación se consideran muestras. Los

principales cuestiones en la obtención de estimaciones útiles a partir de
muestras son: que la muestra sea representativa del comportamiento del
sistema, y que el tamaño de la muestra sea lo suficientemente grande para
que las estimaciones de las medidas de ejecución alcancen un buen nivel de
precisión. El tamaño de la muestra es algo que está bien definido, pero la
representatividad del comportamiento del sistema depende de la naturaleza de
las cuestiones que tienen que ser contestadas por el modelo.

Se pueden realizar dos tipos de análisis con un modelo de simulación:

Análisis para sistemas con final definido: la ejecución del modelo finaliza
cuando ocurre un evento específico. Se tomaría una muestra por ejecución.

Análisis para sistemas con final no definido (sistemas en estado de

equilibrio o estacionario): el interés está en medias de las medidas de
comportamiento de ejecuciones largas, después de que el sistema ha pasado
por algún periodo de comportamiento transitorio. Las medidas en estado
estacionario se pueden definir como el valor de las medidas en el límite,
cuando la longitud de la ejecución tiende a infinito.

En ambos casos, las condiciones inicia les (estado del sistema el

empezar la ejecución) pueden influir en la estimación de las medidas de
comportamiento.

El tamaño de la muestra es importante ya que la precisión de las

estimaciones depende de la varianza de la media de la muestra, y la varianza
cambia de forma inversamente proporcional al tamaño de la muestra (si se
cuadriplica el tamaño de la muestra la desviación estándar se reduce a la
mitad). La definición de tamaño de muestra para simulación depende del tipo
de análisis que se haya hecho. Para el análisis de un sistema con final definido
se podría reproducir el periodo de interés, con las condiciones iniciales
apropiadas, un determinado número de veces hasta conseguir la precisión
deseada de la estimación. En cada ejecución de obtendrá un elemento de la
muestra. Con un análisis en estado estacionario el tamaño de la muestra está
estrechamente enlazado con el tamaño de la ejecución del modelo o cantidad
de tiempo de simulación.

Implantación de los resultados de la Simulación

Se ha de asegurar que los resultados son aceptados por el usuario.

Este paso final es uno de los más importantes y el que más se descuida
de todo el proceso.

Parece obvio que los beneficios de un largo y costoso análisis no se

realizarán sin una implementación apropiada y una aceptación por parte de los
usuarios.

Entre las razones por las que los esfuerzos de implantación son a
menudo inútiles, se incluyen las siguientes:

Existe un vacío de comunicación entre el analista de la simulación y los

encargados y usuarios del sistema.

Falta de entendimientos por parte de los encargados del sistema debido

a los tecnicismos utilizados.

El compromiso de implementación es tardío.

Resistencia al cambio.

Falta de coincidencia entre el personal disponible y los objetivos

marcados por el modelo.

Hay aproximaciones que tratan estos obstáculos potenciales. Estas

aproximaciones requieren que los usuarios y los analistas estén implicados
desde el comienzo en el proyecto simulación.

VENTAJAS Y DESVENTAJAS DE SIMULACIÓN

VENTAJAS

No es necesario interrumpir las operaciones de la compañía.

Proporciona muchos tipos de alternativas posibles de explorar.

La simulación proporciona un método más simple de solución cuando los
procedimientos matemáticos son complejos y difíciles.

La simulación proporciona un control total sobre el tiempo, debido a que un

fenómeno se puede acelerar.

Auxilia el proceso de innovación ya que permite al experimentador observar y

jugar con el sistema.

Una vez construido el modelo se puede modificar de una manera rápida con el
fin de analizar diferentes políticas o escenario. Permite análisis de sensibilidad

Generalmente es más barato mejorar el sistema vía simulación que hacerlo en

el sistema real.
Es mucho más sencillo visualizar y comprender los métodos de simulación que
los métodos puramente analíticos. Da un entendimiento profundo del sistema

Los métodos analíticos se desarrollan casi siempre relativamente sencillos

donde suele hacerse un gran número de suposiciones simplificaciones,
mientras que en los métodos de simulación es posible analizar sistemas de
mayor complejidad o con menor detalle.

En algunos casos, la simulación es el único medio para lograr una solución.

Da soluciones a problemas "sin" solución analítica.

Aunque la simulación es un planteamiento muy valioso y útil para
resolver problemas, no es una panacea para todos los problemas
administrativos y presenta algunas desventajas como:

La simulación es imprecisa, y no se puede medir el grado de su imprecisión.

Los resultados de simulación son numéricos; por tanto, surge el peligro de

atribuir a los números un grado mayor de validez y precisión.

Los modelos de simulación en una computadora son costosos y requieren

mucho tiempo para desarrollarse y validarse.

Se requiere gran cantidad de corridas computacionales para encontrara

soluciones, lo cual representa altos costos.

Es difícil aceptar los modelos de simulación y difícil de vender

Los modelos de simulación no dan soluciones óptimas.

La solución de un modelo de simulación puede dar al análisis un falso sentido

de seguridad.

Requiere "largos" periodos de desarrollo

PELIGROS Y PROBLEMAS EN SIMULACIÓN

Definir los límites y nivel de detalles del sistema.

Subestimar el tiempo y costos involucrados en el proceso de modelación.

Fallar en la selección del más simple y económico de los modelos para el fin
establecido.

Ausencia o pérdida de metodología estadística.

Considerar como aproximados algunos atributos de un sistema que no existe.

Entendimiento superficial del sistema a ser modelado.

Poca destreza para comunicarse con administradores y staff que financiarán el

proyecto.

ÁREAS DE APLICACIÓN DE SIMULACIÓN

La simulación es una técnica que puede ser aplicada a una gran cantidad
de áreas, debido a que los avances tecnológicos y la disponibilidad de software
que existen actualmente, hacen de ella una herramienta muy útil. Los
siguientes son algunos ejemplos de las aplicaciones de la simulación en
algunas áreas de estudio:

Sistema de colas.
Sistema de inventarios
Proyecto de inversión.
Sistemas económicos
Estados financieros.
Problemas industriales.
Problemas económicos
Problemas conductuales y sociales
Sistemas biomédicos
Sistemas Justo a tiempo
Sistemas de Logística

LA SIMULACIÓN ES UN PROCESO ITERATIVO

Un experimento de simulación da el valor de los parámetros durante y al final

de la simulación. El análisis de los resultados sugiere modificaciones a la
estrategia, cambios tales como prioridades o reglas de secuencia. Así, paso a
paso, ganamos conocimiento sobre el sistema y su comportamiento hasta que
se tiene suficiente información para hacer recomendaciones finales sobre el
sistema a ser implementado.

LA SIMULACIÓN NO SE USA NORMALMENTE PARA ENCONTRAR

SOLUCIÓN ÓPTIMA DEL PROBLEMA.

En contraste con simulación, una técnica de programación matemática, tal

como programación lineal, proporciona una solución óptima, sí existe. (La
desventaja de tal técnica, sin embargo, es que permanece estática para cada
conjunto de datos). Puede parecer que la simulación es menos poderosa que la
programación matemática u otro método matemático. Sin embargo, la
simulación es una excelente técnica cuando otros métodos fallan.

POR OTRA PARTE NO SIMULE CUANDO SE TENGA LAS SIGUIENTES

CONDICIONES:

1. El problema puede resolverse usando “análisis de sentido común”.

2. El problema puede resolverse analíticamente (usando una forma
cerrada).
3. Es más fácil cambiar o ejecutar experimentos directamente en el
sistema real.
4. El costo de la simulación excede el posible ahorro.
5. No hay recursos disponibles para el proyecto.
6. No hay tiempo suficiente para los resultados del modelo para usarse.
7. No hay información o ni siquiera datos estimados.
8. El modelo no puede ser verificado o validado
9. Las expectativas del modelo no pueden ser alcanzadas

El comportamiento del sistema es demasiado complejo o no puede ser

definido.