1.

- Introduccin a la Simulacin
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.- Introduccin
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.
Introduccin a la Simulacin

2
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.
1.2.- Sistemas, Modelos y Simulacin
Un Sistema se define como una coleccin de entidades (por ejemplo, personas, mquinas, ...)
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 que
componen el sistema para un estudio puede ser slo un conjunto de todas las entidades utilizadas para
otro estudio.
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.
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
Introduccin a la Simulacin

3
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.


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 (Gordon, 1969), o como el proceso
de disear un modelo de un sistema real y realizar experimentos con dicho modelo con el propsito de
Experimentacin
con el Sistema
Modelo
Fsico

Modelo
Matemtico
Experimentacin
con un Modelo
del Sistema
Solucin
Analtica

Simulacin

Sistema
Introduccin a la Simulacin

4
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 sistema (Shannon, 1975), para
este ltimo autor , simulacin incluye tanto la modelizacin 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 real (Naylor y otros).
Por modelo entendemos la representacin de un sistema, desarrollado con el propsito de
estudiar dicho sistema.
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.
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 de modelos obliga a tener conocimientos de cuatro reas de
conocimiento distintas:
Modelizacin: 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 implentar 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.- Clasificacin de los modelos
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
Introduccin a la Simulacin

5
Carlo. De otro lado, los modelos dinmicos representan sistemas que evolucionan con el
tiempo.
Determinsticos frente a Probabilsticos: Si un modelo no continene 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, 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 simulacin
La simulacin tiene numerosas aplicaciones por ejemplo (dadas por Hussey, 1972; Shannon,
1975):
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.
Introduccin a la Simulacin

6
Enseanza y training: as 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. Debajo hay un listado
de algunas clases de problemas para los que la simulacin constituye una poderosa herramienta:
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 codif icar los modelos y al abaratamiento del costo de computacin, estos
inconvenientes estn disminuyendo.
1.4.- Ventajas y desventajas de la simulacin frente solucin
analtica
1.4.1.- Modelo analtico
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.
Inconvenientes:
Las suposiciones hechas para describir el sistema puede ser poco realistas.
Introduccin a la Simulacin

7
Las frmulas matemticas pueden ser muy complicadas impidiendo llegar a una
solucin.
1.4.2.- Modelos de Simulacin
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).
Inconvenientes:
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.- Cundo utilizar simulacin
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 (Shannon, 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).
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).
Introduccin a la Simulacin

8
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 simulacin
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
1.6.1.- Formulacin 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
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).

Introduccin a la Simulacin

9
Formulacin del
problema
Implantacin de
los resultados
de la Simulacin
Experimentacin
y Anlisis de las
Salidas
Verificacin y
Validacin del
modelo
Desarrollo del
modelo
Recoleccin de
datos y anlisis


Figura 1.2. Pasos en la Simulacin
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:
Variables controlables o de decisin (factores) : son aquellas sobre las que el
analista puede decidir su valor dentro de ciertos lmites.
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. Son
funcin de las variables exgenas y de la estructura del modelo.
Introduccin a la Simulacin

10
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:
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 o 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
Introduccin a la Simulacin

11
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 Anlisis
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.
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:
Deteminsticos: son datos conocidos con certeza. stos se pueden introducir fcilmente
en el modelo.
Probabilsticos: hay dos formas de incluirlos en el modelo:
Usar la muestra de datos recogida para representar la distribucin de
probabilidades.
Introduccin a la Simulacin

12
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.
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 elque 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.
Introduccin a la Simulacin

13







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 son las que indican los estados de los cajeros y
empaquetadores, si el 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.
Ej: 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
Eleccin
de Cola
Cliente en cola
Cliente en cola
Recuento compra Pago Embolsar
Cajero y empaquetador
Recuento compra Pago Embolsar
Cajero y empaquetador
Introduccin a la Simulacin

14
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).

2
7
4
3 1
5 6

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.
Figura 1.4. Grafo de sucesos.

1.6.3.2.- Construccin del Modelo
Las tareas principales en la construccin de un modelo son:
Eleccin 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
Introduccin a la Simulacin

15
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.

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 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.
Introduccin a la Simulacin

16
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.- Verificacin y Validacin del modelo
La Verificacin del modelo consiste en ver cul es la consistencia interna del modelo.
La Validacin consiste en asegurar que existe la una 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 modelizacin:
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.
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.- Experimentacin y Anlisis 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
Introduccin a la Simulacin

17
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 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.
Variable de decisin 1
Variable
de decisin 2
Medida de ejecucin
Introduccin a la Simulacin

18
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. Los 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.
En ambos casos, las condiciones inicia les (estado del sistema el 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 de 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.- Implantacin de los resultados de la Simulacin
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.
Introduccin a la Simulacin

19
Entre las razones por las que los esfuerzos de implantacin son a menudo intiles, se incluyen
las siguientes:
Existe un vaco de comunicacin entre el analista de la simulacin 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 implementacin es tardo.
Resistencia al cambio.
Falta de coincidencia entre el personal disponible y los objetivos marcados por el
modelo.
Hay aproximaciones que tratan estos obstculos potenciales. Estas aproximaciones requieren
que los usuarios y los analistas estn implicados desde el comienzo en el proyecto simulacin.