TABLA DE CONTENIDO

1 INTRODUCCION A LA SIMULACION ................................................................................................................ 1

1.1 INTRODUCCION ......................................................................................................................................... 1
1.2 SISTEMAS, MODELOS Y SIMULACION ........................................................................................................ 2
1.2.1 CLASIFICACION DE LOS MODELOS .......................................................................................... 5
1.3 APLICACIONES DE LA SIMULACION ........................................................................................................... 6
1.4 VENTAJAS Y DESVENTAJAS DE LA SIMULACION FRENTE A LA SOLUCION ANALITICA ............................... 7
1.4.1 MODELO ANALITICO ................................................................................................................... 7
1.4.2 MODELO DE SIMULACION.......................................................................................................... 8
1.5 CUANDO UTILIZAR SIMULACION? ............................................................................................................ 8
1.6 PASOS EN LA SIMULACION ........................................................................................................................ 9
1.6.1 FORMULACION DEL PROBLEMA ............................................................................................. 10
1.6.1.1 Identificacin del problema.......................................................................................................................10
1.6.1.2 Reconocer las variables del sistema..........................................................................................................11
1.6.1.3 Especificacin de las restricciones de las variables de decisin...............................................................11
1.6.1.4 Desarrollar una estructura preliminar del modelo que interrelacione las variables del sistema y las
medidas de ejecucin ................................................................................................................................................11
1.6.1.5 Desarrollo de un modelo apropiado..........................................................................................................12
1.6.2 COLECCIN DE DATOS Y ANALISIS......................................................................................... 12
1.6.3 DESARROLLO DEL MODELO .................................................................................................... 13
1.6.3.1 Comprensin del sistema...........................................................................................................................13
1.6.3.2 Construccin del Modelo...........................................................................................................................16
1.6.4 VERIFICACION Y VALIDACION DEL MODELO....................................................................... 17
1.6.5 EXPERIMENTACION Y ANALISIS DE LAS SALIDAS ................................................................ 18
1.6.5.1 Experimentacin con el modelo.................................................................................................................18
1.6.5.2 Anlisis de las salidas ...............................................................................................................................19
1.6.6 IMPLANTACION DE LOS RESULTADOS DE LA SIMULACION .............................................. 20
1 INTRODUCCION A LA SIMULACION

Las primeras referencias sobre simulacin se encuentran hacia el ao 1940, cuando Von
Neumann y Ullman trabajaron sobre la simulacin del flujo de neutrones para la construccin
de la bomba atmica en el proyecto Montecarlo. Desde entonces se conocan las tcnicas de
simulacin como procesos Montecarlo, aunque en la actualidad se diferencian ambas cosas,
siendo los segundos un tipo particular de simulacin. Tambin se realiz un proceso de
simulacin para el proyecto APOLLO dentro del plan espacial de la N.A.S.A, acerca del
movimiento dentro de la atmsfera de la luna.

1.1 INTRODUCCION

Actualmente, la simulacin es una poderosa tcnica para la resolucin de problemas. Sus

orgenes estn en la teora de muestreo estadstico y anlisis de sistemas fsicos
probabilsticos complejos. El aspecto comn de ambos es el uso de nmeros y muestras
aleatorias para aproximar soluciones.

Una de las ms famosas aplicaciones de muestras aleatorias, ocurre durante la segunda guerra
mundial, cuando la simulacin se utiliz para estudiar el flujo de neutrones dentro del
desarrollo de la bomba atmica. Esta investigacin era secreta y le dieron un nombre en
cdigo: Monte Carlo. Este nombre se mantiene, y durante mucho tiempo se usaba para hacer
referencia a algunos esfuerzos en simulacin. Pero el trmino mtodos Monte Carlo, se refiere
actualmente a una rama de las matemticas experimentales que trata con experimentos de
nmeros aleatorios, mientras que el trmino simulacin, o simulacin de sistemas, cubre una
tcnica de anlisis ms prctico, y es lo que vamos a estudiar.

Vamos a ver tcnicas que utilizan los computadores para imitar, o simular, el comportamiento
de sistemas del mundo real. Para estudiar cientficamente estos sistemas, a menudo se han de
hacer una serie de suposiciones acerca de cmo trabaja ste. Estas suposiciones que
usualmente toman la forma de relaciones matemticas o lgicas, constituyen un modelo que
va a ser usado para intentar comprender el comportamiento del sistema correspondiente.

Si las relaciones que componen el modelo son suficientemente simples, es posible usar
mtodos matemticos (tales como lgebra, clculo o teora de la probabilidad) para obtener
una informacin exacta de las cuestiones de inters; a esto se le llama solucin analtica. Sin
embargo, la mayora de los sistemas del mundo real son demasiado complejos y normalmente
los modelos realistas de los mismos, no pueden evaluarse analticamente. Lo que se puede
hacer es estudiar dichos modelos mediante simulacin. En una simulacin se utiliza el
ordenador para experimentar con un modelo numricamente, de forma que con los resultados
obtenidos se haga una estimacin de las caractersticas del sistema.

1
1.2 SISTEMAS, MODELOS Y SIMULACION

Un Sistema se define como una coleccin de entidades (por ejemplo, personas, mquinas,
etc.) que actan e interactan juntas para lograr un fin comn. En la prctica qu se entiende
por sistema, depende de los objetivos del estudio particular que se pretenda hacer. El conjunto
de entidades u objetos que componen el sistema para un estudio puede ser slo un conjunto de
todas las entidades utilizadas para otro estudio.

Un sistema est formado por entidades, atributos, actividades, eventos y estado del sistema.
Se llama entidad a un objeto de inters dentro del sistema; atributo es una caracterstica o
propiedad de una entidad; actividad es un proceso con determinada duracin o proceso que
implique cambios con una duracin dentro del sistema; evento es un inicio o fin de una
actividad del sistema y estado del sistema es la descripcin de las entidades, atributos,
actividades segn su existencia en algn punto del tiempo.

Se puede definir el estado de un sistema con un conjunto de variables necesarias para

describir el sistema en un punto particular de tiempo, relativo a los objetivos del estudio.

Ejemplo:

Sistema: Banco
Entidad: Cliente
Atributos: Saldo, Crdito, #Cuenta, etc.
Actividades: Deposito, Retiro

Ejemplo:

Sistema: Supermercado
Entidades: Clientes, Carrito, Caja
Atributos: Artculos a comprar, Disponibilidad del carrito, Cantidad de
artculos a comprar, Nmero de caja, etc.
Actividades: Entrada, Compra, Pagar / Cobrar, Devolver el carrito, Salida, etc.

Existen actividades que influyen dentro del sistema para lo cual hay que definir las fronteras
como tal. El medio ambiente es todo lo que pasa fuera del sistema. La frontera es aquella que
separa al medio ambiente del sistema.

Las actividades que ocurren en el medio ambiente se llaman Exgenas y las que se desarrollan
dentro del sistema se llaman Endgenas.

Ejemplos de actividades exgenas: tiempo de arribo de los clientes al banco, cantidad de

personas que llegan, etc.

Ejemplos de actividades endgenas: atencin en la ventanilla del banco.

Cuando una actividad se conoce de antemano se dice que es determinstica y cuando no se

conoce el tiempo o resultado de una actividad se dice que es estocstica.

2
Los sistemas se pueden clasificar en dos tipos, discretos y continuos. Un sistema discreto es
aquel en el que las variables de estado cambian instantneamente en puntos separados en el
tiempo.

Un sistema continuo es aquel en el que las variables de estado cambian continuamente con
respecto al tiempo. En la prctica muchos sistemas no son completamente discretos o
continuos, usualmente es posible clasificarlos en base al tipo de cambios que predominen en
el mismo.

En algunos momentos en la vida de un sistema es necesario estudiar el mismo para entender

las relaciones entre sus componentes o predecir su comportamiento bajo nuevas condiciones
que se consideran. Existen diferentes formas de estudiar un sistema (Figura 1.1):

Experimentar sobre el sistema actual frente a experimentar con un modelo del sistema.
Lo primero es preferible siempre y cuando se pueda alterar el sistema con las nuevas
condiciones y no sea muy costoso. Sin embargo es muy raro que esto se pueda llevar a
cabo, ya que normalmente estos experimentos suelen ser muy costosos o muy
destructivos para el sistema. Incluso puede ocurrir que el sistema no exista pero se
quiera estudiar posibles alternativas de construccin del mismo (sistemas de
fabricacin, armas nucleares, etc.). Por estas razones es necesario construir un modelo
que represente al sistema y estudiar ste para poder responder a las cuestiones
planteadas sobre el sistema.

Modelo fsico frente a modelo matemtico: Para muchos la palabra modelo, evoca
imgenes de miniaturas, cabinas separadas de los aviones para el entrenamiento de los
pilotos, etc. Estos son ejemplos de modelos fsicos (tambin conocidos como modelos
icnicos). Sin embargo la mayora de los modelos construidos para estudiar los
sistemas son matemticos, los cuales representan un sistema en trminos de relaciones
cuantitativas y lgicas que pueden ser cambiadas para ver cmo el modelo reacciona y
ver as como debera comportarse el sistema, si el modelo es vlido.

Solucin Analtica frente a Simulacin: Una vez que se ha construido un modelo

matemtico, ste debe examinarse para poder concluir el comportamiento del sistema
y as responder a las cuestiones planteadas sobre el mismo. Si el modelo es simple, es
posible trabajar con estas cantidades y relaciones y obtener una solucin analtica
exacta. Sin embargo hay veces en las que obtener una solucin analtica resulta
complejo y necesita muchos recursos de computacin. En estos casos el modelo puede
ser estudiado por medio de simulacin, es decir, se ejercita el modelo numricamente
por medio de entradas para ver cmo stas afectan a las medidas de salida o ejecucin.

3
 Figura 1.1 Formas de estudiar un Sistema

Por tanto podemos definir la simulacin como la tcnica de resolucin de problemas

siguiendo en el tiempo los cambios de un modelo de un sistema 1o como el proceso de
disear un modelo de un sistema real y realizar experimentos con dicho modelo con el
propsito de comprender el funcionamiento del sistema o de evaluar diferentes estrategias
(dentro de los lmites impuestos por un criterio o conjunto de criterios) para la operacin del
sistema2, para este ltimo autor, simulacin incluye tanto la modelacin como el uso del
modelo para estudiar el sistema. Otra posible definicin es entender la simulacin como el
proceso de disear un modelo matemtico o lgico de un sistema real y realizar una serie de
experimentos con el ordenador sobre l para describir, explicar y predecir el comportamiento
del sistema real3.

Por modelo entendemos la representacin de un sistema, desarrollado con el propsito de

estudiar dicho sistema. Es un cuerpo de informacin relativa a un sistema con el objetivo de
realizar su estudio. Si un dato especfico no existe se denomina primario.

Los modelos deben contener slo los aspectos esenciales del sistema real que representan.
Aquellos aspectos del sistema que no contribuyen significativamente en su comportamiento
no se deben incluir, ya que lo que haran sera obscurecer las relaciones entre las entradas y
las salidas. En qu punto se debe parar de incluir realismo en el modelo? Esto depende del
propsito para el cual el modelo se haya desarrollado.

1
Gordon 1969
2
Shannon, 1975
3
Naylor y otros

4
A continuacin se detallan algunas caractersticas que deben presentar los modelos:

Deben ser fciles de entender y manejar.

Deben ser simples y de costo no excesivo.

Deben ser una buena aproximacin del sistema real, que controle el mayor nmero
posible de aspectos del mismo y que stos contribuyan de forma significativa al
sistema (hay relaciones en el sistema que no son significativas y pueden obviarse en el
modelo).

El diseo y control de modelos obliga a tener conocimientos de cuatro reas de conocimiento

distintas:

Modelacin: Necesarios para disear el modelo que permita dar respuestas vlidas del
sistema real que represente. El diseo es una fase muy importante, ya que los errores
proporcionarn modelos falsos.

Programacin: Ya que el modelo se ha de implementar con un lenguaje de

programacin.

Probabilidad y Estadstica: La probabilidad es necesaria para definir y estudiar las

variables aleatorias de las entradas, y la estadstica para permitir el diseo y anlisis de
los experimentos.

Mtodos Heursticos: Para permitir llegar a una solucin buena del problema
planteado.

1.2.1 CLASIFICACION DE LOS MODELOS

Los modelos pueden ser fsicos o matemticos. Los fsicos son aquellos que tienen un
comportamiento fsico, es decir, utilizando la fsica se representa un sistema. Los matemticos
son aquellos que utilizan mtodos de resolucin, variables, condiciones lgicas, con la
utilizacin de las matemticas obtenemos parmetros del modelo.

Nos vamos a centrar en los modelos matemticos y su estudio por medio de simulacin. Los
modelos se pueden clasificar en:

Estticos frente a Dinmicos: Un modelo esttico es una representacin de un sistema

en un punto particular del tiempo, o uno que representa un sistema en el cual el tiempo
no juega ningn papel; ejemplos de simulaciones estticas son los modelos Monte
Carlo. De otro lado, los modelos dinmicos representan sistemas que evolucionan con
el tiempo.

Determinsticos frente a Probabilsticos: Si un modelo no contiene ningn componente

probabilstico se conoce como determinstico (Ej. un complicado sistema de
ecuaciones diferenciales que describen una sustancia qumica). En un modelo
determinstico la salida es determinada una vez que se especifican las relaciones,

5
 cantidades y entradas. Sin embargo muchos sistemas tienen ciertos componentes
aleatorios de entrada y stos se representan mediante modelos probabilsticos (por
ejemplo la mayora de los sistemas de colas e inventarios). Los modelos de simulacin
probabilsticos producen salidas que son aleatorias y deben ser tratadas como tales, es
decir como una estimacin de las verdaderas caractersticas del modelo; esta es una de
las desventajas de la simulacin.

Continuos frente a Discretos: Los modelos de simulacin continuos y los discretos se

definen de forma anloga a la de los sistemas. Slo decir que no siempre es usado para
modelar un sistema discreto y viceversa. La decisin de utilizar un modelo discreto o
continuo para un sistema particular depende de los objetivos del estudio. Por ejemplo
un modelo del flujo de trfico en una autova podra ser discreto si son importantes las
caractersticas y movimientos de los coches individuales. Alternativamente, si los
coches se tratan en conjunto el flujo de trfico se puede describir mediante ecuaciones
diferenciales en un modelo continuo.

Prescriptivos frente a Descriptivos: Los primeros pretenden tomar decisiones sobre el

sistema; se utilizan cuando se desea responder y optimizar una cuestin acerca del
sistema, tratan de dar la mejor solucin. Los segundos se limitan a describir el
comportamiento del sistema y dejan la totalidad del proceso de optimizacin en manos
del analista.

De Ciclo Abierto frente a de Ciclo Cerrado: En los primeros no hay realimentacin, es

decir, las salidas no afectan a las entradas. En los segundos las salidas s afectan a las
entradas (Ej. un sistema de calefaccin).

1.3 APLICACIONES DE LA SIMULACION

La simulacin tiene numerosas aplicaciones por ejemplo (dadas por Hussey, 1972; Shannon,
1975), las que se describen a continuacin:

Experimentacin: Hay dos situaciones que requieren un modelo, cuando la

experimentacin directa sobre el sistema real es muy costosa o imposible; la otra es la
del diseo de un nuevo sistema, as el modelo puede ir modificndose fcilmente hasta
obtener el comportamiento deseado.

Prediccin: El modelo se puede usar para predecir el comportamiento del objeto real
bajo ciertos estmulos. Se puede hacer as una evaluacin de diferentes estrategias de
accin.

Enseanza y training: Se puede utilizar para el adiestramiento de astronautas, en los

juegos de negocios, etc.

Las reas de aplicacin de la simulacin son diversas y muy numerosas. A continuacin se

muestra un listado de algunas clases de problemas para los que la simulacin constituye una
poderosa herramienta:

6
 Diseo y anlisis en los sistemas de manufactura.

Evaluacin de los requerimientos hardware y software en un computador.

Evaluacin de nuevas armas o tcticas militares.

Determinacin de distintas polticas para sistemas de inventario.

Diseos de sistemas de comunicacin y protocolos de mensajes para ellos.

Diseo y operacin de sistemas de transporte tales como autopistas, aeropuertos,

puertos, ferrocarriles, etc.

Evaluacin de diferentes diseos para organizaciones de servicios tales como

hospitales, oficinas de correos, restaurantes de comida rpida, etc.

Anlisis financieros o sistemas econmicos.

Anlisis medioambientales.

Aunque la simulacin est ampliamente utilizada tambin presenta una serie de problemas.
Por un lado, los modelos usados para estudiar sistemas de larga escala de tiempo suelen ser
muy complicados y adems necesitan utilizar muchos recursos de computacin, aunque en la
actualidad y gracias al desarrollo de paquetes software que ofrecen automticamente muchas
de las caractersticas necesarias para codificar los modelos y al abaratamiento del costo de
computacin, estos inconvenientes estn disminuyendo.

1.4 VENTAJAS Y DESVENTAJAS DE LA SIMULACION FRENTE A LA SOLUCION

ANALITICA

1.4.1 MODELO ANALITICO

Ventajas:

Conciso en la descripcin del problema.

Conjunto de soluciones cerrado.
Permiten evaluar fcilmente el impacto producido por cambios en las entradas sobre
las medidas de salida.
Posibilidad de llegar a una solucin ptima.

Desventajas:

Las suposiciones hechas para describir el sistema puede ser poco realistas.
Las frmulas matemticas pueden ser muy complicadas impidiendo llegar a una
solucin.

7
1.4.2 MODELO DE SIMULACION

Ventajas:

Pueden describir sistemas que sean muy complejos.

Pueden ser usados para experimentar con sistemas que todava no existan, o para
experimentar con sistemas existentes sin que stos se alteren. (Esto tambin los
pueden hacer los mtodos analticos siempre y cuando el sistema no sea muy
complejo).

Desventajas:

No existe un conjunto de soluciones cerrado.

Cada cambio en las variables de entrada requiere una solucin separada o conjunto de
ejecuciones.

Los modelos de simulacin complejos pueden requerir mucho tiempo para

construirlos y ejecutarlos.

Puede resultar dificultoso establecer la validez del modelo (es decir, la

correspondencia con el sistema real).

1.5 CUANDO UTILIZAR SIMULACION?

Despus de ver estas ventajas e inconvenientes del uso de la simulacin puede no haber
quedado muy claro cundo se debe utilizar. El estudio de un sistema se va a realizar mediante
simulacin cuando se de una o varias de las condiciones siguientes establecidas por Shannon
en 1975:

No existe una formulacin matemtica del problema.

Existe un modelo matemtico, pero no mtodos analticos de resolucin del mismo.

Existen el modelo y los mtodos, pero los procedimientos son tediosos, por lo que
resulta ms sencilla y menos costosa la simulacin.

Se desea observar en el tiempo una historia simulada del sistema.

Se desea experimentar con un modelo antes de construir el sistema (Ej.: un avin en

un tnel aerodinmico).

Es imposible experimentar sobre el sistema real (Ej.: sistema solar).

8
 Puede experimentarse sobre el sistema, pero motivos ticos lo impiden (Ej.: sistemas
biolgicos humanos).

Se quiere observar un sistema de evolucin muy lenta, reduciendo la escala del tiempo
(Ej.: anlisis de sistemas ecolgicos).

Hasta ahora se ha presentado la simulacin y los mtodos analticos como mtodos

alternativos, sin embargo, hay veces en que resulta fructfero el uso conjunto de ambos
mtodos. Un estudio de planificacin de un ambulatorio usa una simulacin recursiva,
primero un modelo de programacin genera planificaciones y asignacin de personal ptimas
y entonces un modelo de simulacin evala su efectividad basndose en medidas tales como
tiempo de espera de los pacientes y utilizacin de los servicios del personal. Si las medidas no
son satisfactorias, se alteran las condiciones o se desarrolla un modelo de programacin
matemtico usando el anlisis de regresin, y ste se incorpora para una segunda ronda de
optimizacin. El proceso contina hasta que la solucin alcanzada sea aceptable.

Esta aproximacin mixta tiene la ventaja de los modelos analticos de producir soluciones
ptimas, mientras que con los modelos de simulacin refleja el grado apropiado de realismo y
precisin en la descripcin del sistema. Sin embargo, esta combinacin presenta la desventaja
de requerir un mayor nivel de familiaridad con los modelos analticos y ms ingenio que si se
usan slo modelos de simulacin.

1.6 PASOS EN LA SIMULACION

Aunque se van a presentar una serie de pasos de forma secuencial, realmente es un proceso
iterativo, tal y como se muestra en Figura 1.2.

9
 Figura 1.2 Pasos en la Simulacin

1.6.1 FORMULACION DEL PROBLEMA

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

Esta fase es muy importante para poder alcanzar un modelo vlido, se puede dividir a su vez
en 5 fases, las que se describen a continuacin.

1.6.1.1 Identificacin del problema

Se hace una abstraccin 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).

10
 1.6.1.2 Reconocer las variables del sistema

Se han de identificar las variables que interviene en el sistema y que son de inters para
nuestro modelo, stas se pueden clasificar en:

Variables exgenas: Son variables externas al modelo y existen con independencia de

l. Se consideran variables de entrada. stas a su vez se pueden dividir en dos grupos:

o Variables controlables o de decisin (factores): Son aquellas sobre las que el

analista puede decidir su valor dentro de ciertos lmites.

o Variables incontrolables o parmetros: Sus valores no se pueden decidir sino

que vienen fijados. Las variables sern controlables o incontrolables
dependiendo de quin las defina.

Variables endgenas: Son variables internas y las variables de salida del modelo.

1.6.1.3 Especificacin de las restricciones de las variables de decisin

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

Es importante considerar cuidadosamente las restricciones sobre las variables de decisin, ya

que definen el posible espacio de soluciones dentro del cual se buscar una buena solucin o
la ptima usando el modelo de simulacin.

1.6.1.4 Desarrollar una estructura preliminar del modelo que interrelacione las variables
del sistema y las medidas de ejecucin

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

comportamiento (o ejecucin) para juzgarlo. Estas medidas se seleccionan del conjunto de
variables endgenas. La medida o medidas que se pretenden optimizar se conocen como
funcin objetivo.

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

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

Cuando se quiere tener en cuenta varias medidas de comportamiento, a menudo no se podrn

optimizar simultneamente. Lo ideal sera hacer mnimas 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:

11
 Establecer compromisos implcitos entre las medidas. Esta aproximacin es muy
subjetiva y no se va a considerar. Se dan los resultados a quin tenga que tomar la
decisin y l ser quien establezca la relacin entre las variables conflictivas.

Establecer compromisos explcitos, realizando una combinacin de todas las medidas

usando una dimensin comn tal como el costo. A estas tcnicas se les suele conocer
como anlisis de toma de decisiones multiatributo u multiobjetivo. Para realizar esta
tcnica se tiene que decidir una dimensin comn para todas las medidas, factores
pesos, y formar una funcin que las combine.

Restriccin y corte: seleccionar una medida como la que ms interesa optimizar y

hacer que las otras estn dentro de un rango de valores aceptable. Esto reduce la
posibilidad de encontrar un ptimo, o al menos las mejores soluciones.

1.6.1.5 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 ser una buena
representacin del sistema), o por el contrario se han definido ms 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:

Propsito del modelo.

Contribucin de las variables al modelo.

No es igual si lo que se desea hacer es un modelo para una previsin a largo plazo, en cuyo
caso la precisin puede ser menor, debido a que al transcurrir el tiempo las variables van a
cambiar e incluso podrn aparecer otras nuevas, que si se desea una previsin a corto plazo,
entonces se deber profundizar ms en el nivel de detalle.

1.6.2 COLECCIN DE DATOS Y ANALISIS

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 formulacin del problema. Sin embargo, durante este
paso se recoge el mayor volumen de datos, se reduce y se analiza.

Los mtodos de recogida de datos son tan variados como los problemas a los que stos se
pueden aplicar. Si se clasifican por su sencillez, se puede ir desde las aproximaciones
manuales hasta las tcnicas ms sofisticadas de alta tecnologa. En la seleccin de un mtodo
se pueden tener en cuenta los siguientes factores:

Capacidad de quien recoja los datos.

12
 El impacto que pueda producir el proceso de recoleccin sobre el comportamiento del
sistema real. Puede producir perturbaciones reales o fsicas en el sistema o
psicolgicas.

La facilidad de conversin de los datos a una representacin procesable por el

ordenador.

El coste del mtodo.

En muchas situaciones es suficiente con la observacin directa y la recogida manual de los

atributos de inters. 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 accin que se quiere observar sea muy rpida y que no sea posible realizar una
observacin humana.

Para decidir el nmero de muestras necesarias, se ha de establecer una relacin costo-

exactitud y hacer una optimizacin de dicha relacin.

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:

Determinsticos: Son datos conocidos con certeza. Estos se pueden introducir

fcilmente en el modelo.

Probabilsticos: Hay dos formas de incluirlos en el modelo:

o Usar la muestra de datos recogida para representar la distribucin de

probabilidades.

o Determinar una distribucin probabilstica terica que se comporte como la

muestra y usar sta en el modelo. Esto permite tener una mejor comprensin
(generalizacin) del modelo.

1.6.3 DESARROLLO DEL MODELO

Incluye la construccin y depuracin del modelo del sistema real, incluyendo la seleccin de
un lenguaje de programacin, codificacin del modelo. Esta etapa se va a dividir en dos
partes: Comprensin del sistema y Construccin del modelo.

1.6.3.1 Comprensin del sistema

Una de las tareas ms difciles en el anlisis de simulacin es adquirir el suficiente

conocimiento del sistema para poder desarrollar un modelo apropiado, es decir, conocer el
comportamiento del sistema. Dos tcnicas comnmente usadas son la aproximacin de flujo
fsico y la aproximacin de cambio de estado.

13
 Aproximacin de Flujo Fsico: Se ha de identificar las entidades cuyo procesamiento
o transformacin constituye el propsito principal del sistema. Estas entidades pueden
tomar diferentes caminos en el sistema, las rutas que siguen se determinan mediante
reglas de decisin. La representacin del sistema vendr dada mediante un diagrama
de flujo de entidad y los elementos de procesamiento del sistema.

Aproximacin de Cambio de Estado: Para describir esta aproximacin, se debe

definir unas variables endgenas 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 exgenas 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 evolucin del sistema se puede representar mediante un
grafo de sucesos.

En el ejemplo del supermercado, si se sigue la primera aproximacin, hay dos posibilidades

para la traza de entidades: clientes y cajas. Sin embargo los clientes son el inters principal,
mientras que las cajas tienen una importancia secundaria. Comienza la traza de un cliente
cuando ste se aproxima a la caja. En este instante el cliente decide en qu cola se situar,
basndose en algo como en elegir la ms corta. Esta decisin 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). Aqu 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
Figura 1.3 se muestra el diagrama de flujo.

Figura 1.3 Diagrama de flujo de las entidades

En la segunda aproximacin, se pueden considerar como variables de estado el nmero de

clientes en cola o el nmero de clientes que estn 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 vara
ya que se ve alterado el nmero 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 atencin se puede fijar en una caja particular,
pues la operacin es idntica en todas. La principal variable de estado es el nmero de clientes
en el supermercado y el nmero de clientes en cada una de las colas. Otras variables de estado

14
son las que indican los estados de los cajeros y empaquetadores, si estn ocupados o no.
Algunos eventos que cambian el estado del sistema, y por tanto las variables de estado, son
una llegada al sistema, la seleccin de una cola y el aadirse a ella, salida del sistema una vez
que ha pagado los productos.

Ejemplo: Suponemos una sola caja en el supermercado.

Variables de estado:

Nmero de consumidores en el sistema (N).

Nmero 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

Suceso 2: N N, MM-1

Suceso 3: NN-1, MM

Resulta til representar esto de forma grfica mediante el grafo de sucesos. Los eventos se
representan mediante nodos y la progresin de los eventos mediante flechas (Figura 1.4).

Figura 1.4 Grafo de Sucesos

15
1.6.3.2 Construccin del Modelo

Las tareas principales en la construccin de un modelo son:

Eleccin del Mecanismo de avance del tiempo: Este depender de la aproximacin elegida
para describir el comportamiento del sistema. Si se eligi la aproximacin de flujo fsico, este
diagrama de flujo podra refinarse para convertirse en el diagrama de flujo del programa. Si se
sigui la aproximacin de cambio de estado, el diagrama de flujo desarrollado debera
describir el procedimiento que efecta los cambios de estado en el tiempo. Otros dos factores
inciden en la construccin del diagrama de flujo del programa: elegir un mecanismo de
avance del tiempo y el lenguaje de programacin que se seleccione. Hay fundamentalmente
dos formas de considerar el avance del tiempo en un modelo de simulacin:

Incrementos fijos de tiempo: Se considera un intervalo fijo de tiempo y el estado del

modelo se comprueba despus 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 slo despus
de la ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la
ocurrencia de un evento a otro.

El avance del tiempo de simulacin depende de cul 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 actualizacin 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 observar el sistema para realizar los
cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o que por el
contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender
antes (por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir
errores de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que
sucede un suceso hasta que ste se computa (cuando el reloj se incrementa).

Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo
se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido
ningn suceso. Por el contrario si es demasiado grande se producirn muchos errores de
redondeo y la dinmica del modelo ser ineficiente.

Figura 1.5 Avance del reloj de simulacin segn los sucesos

Figura 1.6 Avance del reloj de simulacin en incrementos fijos

16
Eleccin de un Lenguaje de Programacin: Hay un creciente nmero de lenguajes de
programacin disponibles para la implementacin de modelos de simulacin.

Entre los lenguajes de simulacin se destacan: GPSS (General Purpose Simulation System),
SLAM (Simulation Language for Alternative Modeling), SIMAN (Simulation Analysis), y
SIMSCRIPT. Muchos lenguajes de propsito general son completamente adecuados para la
simulacin, por ejemplo, FORTRAM, PASCAL,, pero los lenguajes de simulacin
proporcionan una serie de caractersticas que hacen la programacin, depuracin y
experimentacin ms eficientes en tiempo y esfuerzo, aunque consuman ms tiempo en la
ejecucin. Quizs la ms importante ventaja de los lenguajes de simulacin 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 travs 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.

Generacin de nmeros y variables aleatorias: Se van a necesitar muestras aleatorias para

representar valores de variables de entrada probabilsticas. Utilizando estos nmeros
aleatorios podemos obtener valores de variables aleatorias que sigan ciertas distribuciones de
probabilidad.

Aunque se ha hecho referencia a que los nmeros usados en simulacin son aleatorios, no lo
son totalmente, ya que se producen a partir de algoritmos determinsticos. Sin embargo las
propiedades de los nmeros producidos se pueden hacer lo suficientemente cerradas de forma
que stos sean completamente utilizables para la simulacin. Si el modelo se implementa con
un lenguaje de propsito general, se puede seleccionar e incluir algoritmos necesarios para
generar las variables aleatorias requeridas. Pero si se utiliza un lenguaje de simulacin estos
algoritmos estn incluidos y pueden ser fcilmente accesibles por el usuario.

Implementacin y depuracin del modelo: La facilidad o dificultad en esta etapa dependen

en gran medida del lenguaje de programacin que se haya elegido.

1.6.4 VERIFICACION Y VALIDACION DEL MODELO

La Verificacin del modelo consiste en ver cul es la consistencia interna del modelo.

La Validacin consiste en asegurar que existe la correspondencia entre el sistema real y el

modelo. Un buen mtodo para la validacin es hacer un test para ver cmo el modelo predice
el comportamiento del sistema ante determinadas entradas.

La verificacin y validacin del modelo se realiza en todas los niveles de modelacin: modelo
conceptual, modelo lgico y un modelo de ordenador. La verificacin se centra en la
consistencia interna del modelo, mientras que la validacin se interesa por la correspondencia
entre el modelo y la realidad.

17
Se dice que un modelo es vlido si sus medidas de salida tienen una correspondencia
apropiada con las mismas medidas en el sistema real. La comprobacin ltima para la validez
de un modelo es ver cmo el modelo puede predecir un comportamiento futuro del sistema
ante unas determinadas entradas.

1.6.5 EXPERIMENTACION Y ANALISIS DE LAS SALIDAS

Se han de disear 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.

1.6.5.1 Experimentacin con el modelo

El propsito ltimo de la experimentacin con el modelo es obtener informacin acerca del

comportamiento del sistema para que esto nos ayude en la toma de decisiones. Cuando
consideramos la ejecucin de un sistema se puede desear conocer cmo se comporta dicho
sistema en sentido absoluto, o comparativamente, para poder contrastar varias
configuraciones alternativas del sistema. O se podran considerar dos medidas
simultneamente.

Es evidente que el nmero de exploraciones que se tendran que realizar es extremadamente

largo. Hasta para los diseos de experimentos ms modestos, la exploracin de todas las
posibles soluciones en la bsqueda de la mejor solucin, no es algo factible. Se necesita una
aproximacin estructurada ms directa para encontrar una solucin que merezca la pena.
Podemos considerar dos aproximaciones diferentes para abordar este problema: conjunto
predeterminado de experimentos y tcnicas de bsqueda de ptimos.

Conjunto de experimentos predeterminado: Esta aproximacin impone identificar factores

que podran afectar a la medida de salida y ejecutar los experimentos con los factores puestos
a determinados valores. Una vez realizados los experimentos se aplicaran unas tcnicas
estadsticas denominadas anlisis de la varianza (ANOVA), para decidir cul o cules de los
factores seleccionados tiene realmente algn impacto en la medida de salida. Las medidas de
salida se pueden adaptar de forma que las suposiciones estadsticas de esta tcnica se
satisfagan de forma razonable y puedan ser aplicadas en la experimentacin del modelo.

Un diseo experimental particularmente general es el diseo factorial. Se consideran dos o

ms factores pudiendo estar cada uno a dos o ms niveles.

El uso de un conjunto predeterminado de experimentos es efectivo para encontrar buenas

soluciones si se puede aproximar una regin de optimalidad con experimentos previos o con
la experiencia que se tenga sobre el problema. Sin embargo esta tcnica no puede conducir a
la mejor solucin global, ni siquiera puede garantizar un ptimo local.

Tcnicas de bsqueda de ptimos: Un conjunto de estas tcnicas se conoce como

Metodologa de Superficie de Respuesta (RSM). La superficie de respuesta es la funcin que
describe las relaciones de las medidas de ejecucin con los factores o variables de decisin.
Dos factores definen una superficie de 3 dimensiones, la cual puede ser vista como un terreno

18
en donde se puede escalar. De hecho, la representacin en 2 dimensiones de la respuesta de
superficie es como las lneas de contorno de un mapa topogrfico (Figura 1.7).

Usando varias estrategias se pueden alcanzar puntos altos en el terreno, y quizs llegar a la
cumbre. Una estrategia es el mtodo de escalado ascendente. Esta requiere que el modelo se
ejecute suficientemente para hacer que se pueda determinar qu direccin (qu cambios en los
valores de los factores) parece conducir a un incremento en la altitud (incremento en la
medida de salida). Las variables de decisin se van cambiando de esta forma y el proceso
contina hasta que ya no se puede llegar ms alto, en ese momento se ha alcanzado un ptimo
local o global.

Figura 1.7 Respuesta en Superficie para dos variables de decisin

1.6.5.2 Anlisis de las salidas

En la interpretacin de las salidas del modelo, hay algunos aspectos que son nicos de la
simulacin. Mientras que los modelos analticos proporcionan soluciones con medidas de
ejecucin completamente definidas, los modelos de simulacin producen estimaciones de las
medidas que estn sujetas a error.

Las salidas del modelo de simulacin se consideran muestras. Las principales cuestiones en la
obtencin de estimaciones tiles a partir de muestras son: que la muestra sea representativa
del comportamiento del sistema, y que el tamao de la muestra sea lo suficientemente grande
para que las estimaciones de las medidas de ejecucin alcancen un buen nivel de precisin. El
tamao de la muestra es algo que est 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 anlisis con un modelo de simulacin:

Anlisis para sistemas con final definido: La ejecucin del modelo finaliza cuando ocurre
un evento especfico. Se tomara una muestra por ejecucin.

Anlisis para sistemas con final no definido (sistemas en estado de equilibrio o

estacionario): El inters est en medias de las medidas de comportamiento de ejecuciones
largas, despus de que el sistema ha pasado por algn periodo de comportamiento transitorio.
Las medidas en estado estacionario se pueden definir como el valor de las medidas en el
lmite, cuando la longitud de la ejecucin tiende a infinito.

19
En ambos casos, las condiciones iniciales (estado del sistema al empezar la ejecucin) pueden
influir en la estimacin de las medidas de comportamiento.

El tamao de la muestra es importante ya que la precisin de las estimaciones depende de la

varianza de la media de la muestra, y la varianza cambia de forma inversamente proporcional
al tamao de la muestra (si se cuadriplica el tamao de la muestra la desviacin estndar se
reduce a la mitad). La definicin de tamao de muestra para simulacin depende del tipo de
anlisis que se haya hecho. Para el anlisis de un sistema con final definido se podra
reproducir el periodo de inters, con las condiciones iniciales apropiadas, un determinado
nmero de veces hasta conseguir la precisin deseada de la estimacin. En cada ejecucin se
obtendr un elemento de la muestra. Con un anlisis en estado estacionario el tamao de la
muestra est estrechamente enlazado con el tamao de la ejecucin del modelo o cantidad de
tiempo de simulacin.

1.6.6 IMPLANTACION DE LOS RESULTADOS DE LA SIMULACION

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

Este paso final es uno de los ms importantes y el que ms se descuida de todo el proceso.
Parece obvio que los beneficios de un largo y costoso anlisis no se realizarn sin una
implementacin apropiada y una aceptacin por parte de los usuarios.

20