Los modelos de simulacin no se disean para encontrar soluciones ptimas.

Es una
tcnica de experimentacin (eventos aleatorios), se evalan diversas alternativas y se
toman decisiones con base en la comparacin de resultados.
Puesto que los modelos de simulacin suelen ser utilizados para estudiar sistemas complejos, por
lo general pueden emplearse modos numricos de anlisis en vez de los analticos. En su
mayora, los modelos de simulacin son probabilsticos y estn hechos a la medida del cliente.
Con relacin a la simulacin los modelos de inters pueden ser:
En cuanto al tiempo:
1) Estticos: Representacin de un sistema en un instante particular del tiempo.
2) Dinmicos: Representacin de un sistema a lo largo de un periodo de tiempo.
En cuanto a las variables:
1) Determinsticos: Si no contiene variables aleatorias.
2) Estocsticos: Si contiene una o ms variables aleatorias.
Tambin pueden ser discretos o continuos, cuyas caractersticas ya se definieron para los
sistemas.
La simulacin es una herramienta de la investigacin de operaciones que nos permite
conocer y analizar el comportamiento de un sistema real o propuesto para decidir
cursos de accin: modificarlo, aceptarlo o rechazarlo.
Se considera a la Simulacin como un proceso que consiste en construir un modelo descriptivo de
un sistema real, con el propsito de estudiar el comportamiento de dicho sistema a travs del
tiempo; con la ventaja de que no es necesario interrumpirlo (si es muy costoso), destruirlo (si se
desea saber sus lmites mximos de resistencia) o construirlo (si es slo un propuesto).
El proceso para el desarrollo exitoso de un modelo de simulacin, consiste en empezar con un
modelo simple, el cual puede ser enriquecido de una manera evolutiva para satisfacer los
requerimientos de solucin de un problema. A. M. Law y M.G. McComas (Hctor Vargas."
Simulacin: Mucho ms que una herramienta". Revista Vanguardia de Agosto de 1994. Facultad
de Ingeniera del CETYS) mencionan los siguientes elementos para el xito de un proyecto de
simulacin:
* Conocimiento de la metodologa de la simulacin, modelos probabilsticos de investigacin de
operaciones, teora de probabilidad y estadstica.
* Formulacin correcta del problema.
* Informacin adecuada sobre la operacin del sistema.
* Modelacin adecuada de la aleatoreidad del sistema.
* Escoger el software adecuado y utilizarlo correctamente.
* Validar el modelo y su credibilidad.
* Utilizar los procedimientos estadsticos adecuados para interpretar los resultados de la
simulacin.
* Utilizar tcnicas adecuadas de administracin de proyectos.
Los pasos que a continuacin se presentan son una gua para desarrollo de un estudio de
simulacin. Cabe aclarar que el tiempo requerido para cada paso depende del sistema a modelar;
asimismo, algunos proyectos de simulacin pueden requerir algunos pasos no incluidos.
Pasos del Proceso de Simulacin:
1. Planeacin estratgica y Tctica Establecer las condiciones experimentales para el uso del
modelo.2. Formulacin del Problema Definicin del problema y enunciado del objetivo3.
Construccin del Modelo Abstraccin matemtica del problema4. Obtencin de Informacin
Identificacin, especificacin y obtencin de datos 5. Desarrollo del Programa Preparar el modelo
para su procesamiento6. Verificacin Asegurar el correcto funcionamiento del programa 7.
Validacin Correspondencia entre el modelo y la realidad8.ExperimentacinUso del modelo para

obtencin de resultados9.Anlisis de Resultados Inferencias y recomendaciones basadas en el

modelo10.Implementacin y Documentacin Usar resultados para toma de decisiones y
documentar el funcionamiento y uso del modelo
Aplicaciones y Usos de la Simulacin
Hoy en da existe una gran variedad de aplicaciones de la simulacin debido a las diferentes
ventajas que sta ofrece sobre otras herramientas utilizadas. Algunas de estas aplicaciones son:
En la reduccin de costos.
En un sistema:
En el desarrollo del mtodo de anlisis, ya que con los mtodos existentes para resolver
problemas se invierte un tiempo considerable en poder desarrollar el mtodo de anlisis.
En la Programacin computacional.
En la modelacin de un sistema.
En la experimentacin de prueba y error.
En la industria:
En la capacitacin del personal.
En la aviacin:
En el entrenamiento de pilotos.
En finanzas: Puede usarse para calcular presupuestos, analizar alternativas de inversin, flujo de
efectivo.
En mercadotecnia: El analista debe tomar decisiones para colocar la promocin de un producto
en diferentes medios de comunicacin: peridico, radio, televisin, etc.
En Recursos Humanos: Beneficios de la movilidad en el trabajo, del tipo de personas para un
determinado empleo, de las diferentes estructuras jerrquicas y de relacin dentro de una
empresa.
As tambin, la simulacin ha sido empleada en sistemas tales como: biolgicos, econmicos, de
la salud, de negocios, de produccin, de transportacin, sociales, urbanos, etc.
Con el transcurso del tiempo el uso de la simulacin como una herramienta de trabajo ha
aumentado, Algunos de los factores que han acentuado el uso son:
- El constante desarrollo de lenguajes y simuladores computacionales.
- La flexibilidad del modelaje va simulacin.
La simulacin es una herramienta verstil que ha sido usada de diferentes maneras, incluyendo:
* Diseo de sistemas
* Administracin de sistemas
* Entrenamiento y capacitacin
* Comunicacin
* Relaciones pblicas
Esto ha hecho de la simulacin la tcnica ms utilizada dentro de la Administracin
Cientfica/Investigacin de Operaciones y la herramienta de excelencia de la Ingeniera Industrial.
Cundo es adecuado usar la simulacin?
Paul Fishwick ("Simulation Model Design and Execution: Building Digital Worlds." Prentice-Hall.
Estados Unidos, 1995) seala que la simulacin es recomendable cuando:
(1) El modelo que representa al sistema bajo estudio es muy complejo, posee muchas variables y
componentes que interactan.
(2) Las relaciones entre las variables son no lineales.
(3) El modelo contiene variables aleatorias.
(4) Se requiere una visin animada de los resultados arrojados por el modelo.
No obstante que la simulacin es por mucho la mejor herramienta para estudiar y observar el
comportamiento o la operacin de un sistema, es necesario hacer algunas advertencias relativas

a su uso:
? En ocasiones los proyectos de simulacin consumen mucho tiempo.
? Por lo general los modelos de simulacin requieren de muchos datos.
? Los resultados pueden ser malinterpretados.
? Algunos factores tcnicos y humanos pueden ser ignorados.
? La validacin de los modelos de simulacin suele ser difcil.
Generacin de Nmeros Aleatorios: Los modelos de simulacin se usan con frecuencia para
analizar una decisin bajo incertidumbre, es decir, un problema en el que el comportamiento de
uno o ms factores puede representarse mediante una distribucin de probabilidad. Este tipo de
simulacin a veces se llama Mtodo de Monte Carlo.
Simulacin Monte Carlo: Histricamente el Mtodo Monte Carlo se consideraba como una
tcnica para solucionar modelos utilizando nmeros aleatorios o pseudoaleatorios. Los nmeros
aleatorios son bsicamente variables aleatorias independientes uniformemente distribuidas en un
intervalo de 0 a 1. Realmente, lo que podemos conseguir con una computadora electrnica es
generar una secuencia de nmeros pseudoaleatorios (aparentemente aleatorios, donde cada
dgito del 0 al 9 ocurren casi con la misma probabilidad).
El trmino "Monte Carlo" fue introducido por Von Neumann y Ulam durante la Segunda Guerra
Mundial como un cdigo para una misin secreta en Los lamos. Monte Carlo es una ciudad
dentro de Mnaco famosa por sus casas de juego, de ah que se les ocurriera ese nombre. En ese
entonces, el mtodo fue aplicado en los problemas relacionados a la bomba atmica, cuyas
pruebas experimentales se hicieron precisamente en Los lamos, Nuevo Mxico.
El mtodo Monte Carlo se usa no solamente para problemas estocsticos sino tambin
determinsticos. Este Mtodo es actualmente la tcnica ms poderosa y comnmente usada para
analizar problemas complejos.
Es importante sealar algunas diferencias entre el mtodo Monte Carlo y la simulacin
estocstica:
En el Mtodo Monte Carlo el tiempo no juega un papel tan importante como en la simulacin
estocstica.
En el Mtodo Monte Carlo las observaciones son independientes. En cambio, en la simulacin
estocstica las observaciones son serialmente correlacionadas, ya que se experimenta en
relacin al tiempo.
En el Mtodo Monte Carlo es posible expresar los resultados simplemente en funcin de
variaciones estocsticas de entrada. En cambio, en simulacin estocstica la respuesta por lo
general es muy complicada y puede ser expresada slo por el propio programa.
Generacin de nmeros aleatorios: Para generar nmeros aleatorios, al principio se utilizaban
mtodos manuales como lanzar una moneda, una ruleta, entre otros. Estos mtodos fsicos eran
lentos para uso general, ms an, las secuencias generadas por ellos no podan ser reproducidas.
Con la llegada de las computadoras fue ms fcil obtener nmeros aleatorios. John Von Neumann
sugiri el mtodo "mid-square" (el cuadrado medio), usando las operaciones aritmticas de una
computadora. Su idea fue tomar el cuadrado del nmero aleatorio precedente y tomar los dgitos
ubicados en medio. Por ejemplo, si tenemos el nmero 3456, lo elevamos al cuadrado y
obtenemos 11943936; ahora nuestro nuevo nmero ser 9439, y as sucesivamente. Estos
nmeros no son realmente aleatorios, simplemente aparentan serlo, y se denominan
pseudoaleatorios o quasi-aleatorios. Esperemos no encontrarnos con ceros porque entonces
estaramos en aprietos.
La eficiencia de un mtodo para generar nmeros aleatorios se puede medir dependiendo de la
ocurrencia de los nmeros, si son uniformemente distribuidos, estadsticamente independientes y
reproducibles. Ms an, un mtodo ser bueno si el generador es rpido y ocupa poco espacio de
memoria. El siguiente ejemplo ilustra la aplicacin del Mtodo Monte Carlo.