LA SIMULACIN:

Es un mtodo numrico de resolucin de modelos lgico matemticos,

caracterizado por el hecho de ensayar en repetidas oportunidades el
sistema o proceso que se quiere estudiar a travs del modelo que lo
describe. Es decir, se experimenta sobre un modelo para poder inferir el
comportamiento del "mundo real". Los mtodos cuantitativos utilizados
ampliamente por la Investigacin de Operaciones para resolver
problemas, por el contrario, resuelven analticamente el modelo para
sacar entonces conclusiones y/o tomar decisiones con respecto a dicho
sistema o proceso. La simulacin, tambin llamada mtodo numrico,
imita el funcionamiento del mundo real mediante la utilizacin de un
modelo lgico- matemtico. La prctica de la simulacin de modelos
provee un marco adecuado para la formulacin y resolucin de
problemas en donde los mtodos cuantitativos dejan de ser eficaces
debido a su complejidad. En algunos casos, la formulacin analtica del
problema requiere una gran simplificacin para poder adaptar el mtodo
a la teora que sustenta la resolucin del problema, de manera que el
modelo no representara adecuadamente la realidad que se pretende
describir. La simulacin, en cambio, permite resolver problemas
complicados con una mnima simplificacin.
APLICACIONES La simulacin se utiliza para el estudio de todo tipo de
sistemas: productivos, econmico-financieros, militares, administrativos,
fsicos, qumicos, biolgicos, etc. Se ha prestado especial atencin de
esta herramienta para resolver problemas en las siguientes aplicaciones:
a) Planeamiento corporativo. La experimentacin sobre modelos de
planeamiento econmico-financiero para el anlisis de sistemas
corporativos, permite analizar proyectos de inversin y cuadros
proyectados (balances, resultados, etc.). Pueden explorarse las
alternativas propuestas, por ejemplo diferentes polticas de ventas,
efectuando anlisis marginales, respondiendo a preguntas del tipo "what
if..." ("qu pasara si...") o determinando los valores de algunos
parmetros para lograr valores prefijados de las variables ("goal
seaking"). Thomas H. Naylor ha sido un gran impulsor de la aplicacin de
la simulacin a los sistemas de empresas. Problemas complejos de flujo
de trnsito, de carga y descarga de caminos, de distribucin de
productos, de telecomunicaciones, de operaciones de terminales areas
o martimas, de aplicaciones financieras, etc. se resuelven tpicamente
con simulacin.
b) Administracin de inventarios. La simulacin se utiliza para evaluar
diferentes polticas relacionadas a la gestin de existencias. Se pueden

analizar, por ejemplo, los distintos criterios de reposicin (puntos de

reorden o intervalos fijos), la fijacin de niveles de stocks de seguridad o
la determinacin de lotes ptimos de compra, especialmente cuando la
demanda del producto es aleatoria. Tambin se utiliza en empresas
productivas en donde se aplican sistemas de Planeamiento de
Requisicin de Materiales (MRP), para evaluar cambios propuestos, por
ejemplo en el Plan Maestro de Produccin.
METODOS DE MOTECARLO

Los mtodos cuantitativos, en cambio, utilizan los procedimientos

"algortmicos" para resolver los modelos decisorios (u optimizantes),
asegurando la obtencin de la solucin ptima, si existe, entre las
alternativas posibles. Cabe destacar, sin embargo, que, a pesar de ser
un mtodo lento y costoso, la simulacin resulta ser en muchas
ocasiones el nico recurso disponible ya que una gran cantidad de
problemas, o bien no se encuadran en el contexto terico requerido que
los mtodos de solucin cuantitativa exigen, o bien son demasiado
complejos para formularlos y resolverlos analticamente. Se pueden
resumir las ventajas y desventajas de ambos mtodos, considerando
diferentes criterios comparativos en el Cuadro 1.

La primera etapa en el proceso Montecarlo consiste en la generacin de

nmeros aleatorios. stos son nmeros formados a partir de secuencias
aleatorias de dgitos del 0 al 9, extrados en forma totalmente aleatoria,
de manera que cada dgito que aparece en la secuencia tiene igual
probabilidad de ocurrencia y es estadsticamente independiente de los
otros nmeros de la sucesin. En consecuencia, la distribucin
estadstica de dgitos aleatorios resulta ser uniforme discretizada, con
valores enteros entre 0 y 9. Supongamos la siguiente secuencia de

dgitos aleatorios: 3; 6; 1; 0; 3; 7; 2; 9; 4; 5; 1; 5; 3; 7; 8; 6; 0; 1; 1; 4; 7;
2; 3; 2; 7; 0; 5; 5; 1; 7; 3; 8; 2; 4; 3; 1; 8; 6; ... A partir de ella se pueden
obtener, por ejemplo, nmeros aleatorios de dos dgitos, tomando de a
dos nmeros consecutivos de un dgito, como se indica a continuacin:
36; 10; 37; 29; 45; 15; 37; 86; 01; 14; 72; 32; 70; 55; 17; 38; 24; 31;
86; ... Si de aquella secuencia se extraen tres nmeros consecutivos, se
pueden formar secuencias de nmeros aleatorios de tres dgitos: 361;
037; 294; 515; 378; 601; 147; 232; 705; 517; 382; 431; ... En una
simulacin se emplean muy a menudo nmeros al azar en el intervalo
(0,1). Si se necesitara formar una secuencia de nmeros aleatorios de,
por ejemplo, 3 dgitos, habra que extraer de la secuencia tres dgitos
consecutivos y agregar una coma decimal antes de cada grupo: 0,361;
0,037; 0,294; 0,515; 0,378; 0,601; 0,147; 0,232; 0,705; 0,517; 0,382;
0,431; ... Una secuencia de nmeros aleatorios podran hacerse tomando
los cuatro ltimos dgitos de los nmeros de telfono de una gua
telefnica, siguiendo una secuencia determinada, por ejemplo
descendente. Otras formas, un poco ms prcticas, de obtencin de
secuencias de nmeros aleatorios son las que se basan en los
denominados mtodos fsicos, que utilizan dispositivos fsicos de
precisin tales como bolilleros con reposicin de bolillas, una con cada
uno de los dgitos del 0 al 9, ruletas, dispositivos de aleatorizacin
electrnicos, etc. A partir de alguno de estos procedimientos fsicos se
han generado tablas de nmeros al azar. La Rand Corporativo, cre una
tabla de ms de un milln de dgitos aleatorios utilizando equipamiento
fsico especial. 24 Generalmente, las tablas estn separadas en grupos
de cinco dgitos consecutivos horizontal y verticalmente, como se indica
en el siguiente ejemplo: 27572 65087 27395 39579 24428 04198 63971
18481 47608 74990 46661 20827 92087 64135 75427 91282 18405
99918 24189 28961 28814 13908 55773 59023 73009 00656 59825
83662 03325 36936 68707 25355 89168 39532 95797 24423 29149
73098 40859 07871 49908 46622 08686 86571 81180 42791 12826
18404 79944 65797 64418 81417 39085 55773 85879 07647 66877
82580 36623 03329 80160 83457 22572 32455 22569 43509 55816
57758 75176 75136 33951 41667 29256 33641 66889 63408 94529
74603 73271 89874 51421 22927 95549 83095 35892 19919 17465
91508 16420 20504 Para seleccionar la secuencia de nmeros, se puede
comenzar en cualquier lugar de la tabla; luego debe seguirse una nica
secuencia, ya sea sta extrada en forma horizontal, vertical u oblicua,
de manera ascendente o descendente. Por ejemplo, secuencias vlidas
de nmeros aleatorios pueden ser las siguientes: 2; 7; 5; 7; 2; 6; 5; 0; 8;
7; 2; 7; 3; 9; 5; 3;... (secuencia de un dgito comenzando por la primera
fila; de izquierda a derecha) 5; 8; 4; 8; 0; 5; 3; 6; 5; 7; 3; 7; 3; 9; 9;....
(Secuencia de un dgito comenzando por la segunda columna del

segundo grupo vertical en forma descendente) 0,291; 0,497; 0,309;

0,840; 0,859; 0,078; 0,714;.... (Secuencia de nmeros decimales de tres
dgitos, extrados a partir de la segunda fila del segundo grupo
horizontal, seleccionadas de izquierda a derecha) 29; 73; 40; 07; 49; 08;
86; 81; 42;...(secuencia de nmeros enteros de dos dgitos tomados a
partir de la segunda fila del segundo grupo horizontal, seleccionados en
forma horizontal de las dos primeras columnas de cada grupo de
columnas, de izquierda a derecha). Estas tablas pueden estar grabadas
en disquetes o en CDs, de manera que si se va a utilizar una
computadora para realizar la simulacin, se podra utilizar alguna de las
tablas disponibles en dichos medios, en forma externa o grabndola en
el disco rgido. Este 25 mtodo conocido como de "generacin externa"
consume bastante tiempo y espacio en la memoria de la computadora,
por lo que resulta imprctico e innecesario. Lo ms comn es que sea el
mismo equipo quien produzca los nmeros aleatorios; este
procedimiento se denomina de "generacin interna". A partir de las
experiencias de D. H. Lehmer en 1959, se han realizado muchos
estudios para efectuar la generacin de nmeros con las computadoras.
Expertos en sistemas han diseado generadores de dgitos que proveen
secuencias que satisfacen ampliamente las pruebas de aleatoriedad
sobre las propiedades estadsticas que deben tener los procesos
aleatorios. Los nmeros obtenidos a partir de estos generadores se
denominan "pseudoaleatorios", puesto que nos son aleatorios puros. Los
generadores deben ser rpidos, ya que en una corrida de simulacin van
a ser invocados varias miles de veces. Tambin es esencial que sean
recurrentes y que produzcan secuencias largas y no degeneradas. Todos
ellos producen secuencias que se repiten cclicamente, con cada ciclo
exactamente igual al anterior. Sin embargo, dentro de un ciclo, los
nmeros producidos se asemejan a nmeros aleatorios puros (igual
probabilidad de ocurrencia e independencia estadstica). Un ciclo o
perodo tpico excede el milln de nmeros de varios dgitos, de manera
que la repeticin del ciclo no resulta ser un inconveniente. La mayora de
las computadoras disponen de generadores aleatorios. Los fabricantes
de los sistemas han testeado ampliamente las secuencias producidas
por sus generadores, a fin de asegurar que las mismas sean de perodos
largos y que no se produzca degenera miento. Una secuencia de
nmeros con degeneracin implica que algunos dgitos, o todos, a partir
de determinado punto se repiten en ciclos cortos. Por ejemplo la
siguiente es una secuencia degenerada: 23, 42; 88; 02; 23; 12; 17; 74;
34; 25; 73; 46; 32; 90; 74; 34; 25; 73; 46; 32; 90; 74; 34; 25; 73; 46; 32;
90; 74; 34; 25; 73; 46; 32; 90;... ya que se puede observar la repeticin
del ciclo 74; 34; 25; 73; 46; 32; 90; luego del nmero 17. Tambin es una
secuencia degenerada la que se indica a continuacin: 70367 11981

33023 91098 74527 43501 77883 43668 61357 00181 26 55443 32368
04657......... En este caso, los dgitos de la derecha se repiten
cclicamente en perodos cortos: 7; 1; 3; 8;
Una de las ms famosas aplicaciones de muestras aleatoria s, 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.

LENGUAJE DE SIMULACION Y SIMULADORES

En un principio, los programas de simulacin se elaboraban utilizando
algn lenguaje de propsito general, como ASSEMBLER, FORTRAN,
ALGOL o PL/I. A partir de la dcada de 1960 hacen su aparicin los
lenguajes especficos para simulacin como GPSS, GASP, SIMSCRIPT,
SLAM. En la ltima dcada del siglo pasado la aparicin de las interfaces
grficas revolucionaron el campo de las aplicaciones en esta rea, y
ocasionaron el nacimiento de los simuladores.
En lo prctico, es importante utilizar la aplicacin que mejor se adece
al tipo de sistema a simular, ya que de la seleccin del lenguaje o
simulador depender el tiempo de desarrollo del modelo de simulacin.
Las opciones van desde las hojas de clculo, lenguajes de tipo general
(como Visual Basic, C++ o Fortan), lenguajes especficos de simulacin
(como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y SSED), hasta simuladores
especficamente desarrollados para diferentes objetivos (como
SIMPROCESS,
ProModel,
Witness,
Taylor
II
y
Cristal
Ball).
APRENDIZAJE

USO

LENGUAJE

DE

SIMULACINO

SIMULADOR

Los lenguajes de simulacin facilitan enormemente el desarrollo y

ejecucin de simulaciones de sistemas complejos del mundo real. Los
lenguajes de simulacin son similares a los lenguajes de programacin

de alto nivel pero estn especialmente preparados para determinadas

aplicaciones de la simulacin. As suelen venir acompaados de una
metodologa de programacin apoyada por un sistema de smbolos
propios para la descripcin del modelo por ejemplo mediante
diagramas de flujo u otras herramientas que simplifican notablemente
la modelizacin y facilitan la posterior depuracin del modelo.
Caractersticas de los lenguajes de simulacin:

Los lenguajes de simulacin proporcionan automticamente las

caractersticas necesarias para la programacin de un modelo de
simulacin, lo que redunda en una reduccin significativa del esfuerzo
requerido para programar el modelo.
Proporcionan un marco de trabajo natural para el uso de modelos
de simulacin. Los bloques bsicos de construccin del lenguaje son
mucho ms afines a los propsitos de la simulacin que los de un
lenguaje de tipo general.
Los modelos de simulacin son mucho ms fcilmente
modificables.
Proporcionan muchos de ellos una asignacin dinmica de
memoria durante la ejecucin,.
Facilitan una mejor deteccin de los errores.
Los paquetes de software especialmente diseados para
simulacin contienen aplicaciones diversas que facilitan al simulador las
tareas de comunicaciones, la depuracin de errores sintcticos y de otro
tipo de errores, la generacin de escenarios, la manipulacin on-line
de los modelos, etc.
Son muy conocidos y en uso actualmente

Aprendizaje lleva cierto tiempo

Simuladores de alto nivel

Muy fciles de usar por su interface grfica

Restringidos a las reas de manufactura y comunicaciones

Flexibilidad restringida puede afectar la validez del modelo

Entre estos lenguajes especficos podemos nombrar los siguientes:
MIDAS, DYSAC, DSL , GASP, MIMIC, DYNAMO, GPSS, SIMULA,
CSSL( Continuous System Simulation Language) , CSMP, ACSL
( Advanced Conrinuous Simulation Language), DARE-P and DAREInteractive, C-Simscript, SLAM, SIMAN, SIMNON, SIMSCRIPT-II-5, ADA,
GASP IV, SDL.
Muchos de estos lenguajes dependen fuertemente de los lenguajes de
propsito general como es el caso de SLAM o SIMAN que dependen de
Fortran para las subrutinas.

Por otro lado, el GPSS es un caso especial de un lenguaje de simulacin

de propsito especial, altamente estructurado que esta orientado a la
transaccin, un caso especial de una orientacin basada en procesos
ms general. El GPSS fue diseado para la simulacin simple de
sistemas de colas tales como trabajos de taller. A diferencia de los otros
lenguajes de simulacin, GPSS tiene varias implementaciones
incluyendo GPSS/H y GPSS/PC, ambos de los cuales sern discutidos mas
adelante. El SIMAN V, SIMSCRIPT II.5, y el SLAM son lenguajes de
simulacin de alto nivel que tienen constructor especialmente diseados
para facilitar la construccin de modelos. Estos lenguajes proveen al
analista de simulacin con una opcin orientacin basada en procesos o
basada en eventos, o un modelo usando una mezcla de las dos
orientaciones. A diferencia del FORTRAN, estos tres lenguajes proveen la
administracin de la lista de eventos futuros, generador interno de
variables aleatorias, y rutinas internas para la obtencin de estadsticas
(estas caractersticas para las implementaciones del GPSS mencionadas
previamente.) Se pueden lograr calculo complejos en ambas
implementaciones del GPSS y estos tres lenguajes. El SIMAN, SIMSCRIPT
II.5, y el SLAMSYSTEM proveen la capacidad de realizar simulacin
continua ( esto es, para modelar sistemas que tengan continuamente
cambios en sus variables de estado) pero este tema no esta dentro del
alance de este libro.
El SIMAN esta escrito en C, aunque las primeras versiones del lenguaje
fue escrito en FORTRAN.
El SIMAN V puede ser acezado directamente, o a travs del medio
ambiente del ARENA. El SLAMSYSTEM contiene al lenguaje de simulacin
SLAM II. El SLAM II esta basado en el FORTRAN y contiene al lenguaje
GASP como un subconjunto. El GASP es un conjunto de subrutinas en
FORTRAN para facilitar las simulaciones orientadas al objeto escritas en
FORTRAN. El SIMSCRIPT II.5 por otro lado, contiene un subconjunto de un
completo lenguaje cientfico de simulacin comparable con el FORTRAN,
C o C++. El MODSIM III es un descendiente del lenguaje que la compaa
de productos CACI originalmente diseado por la armada de los Estados
Unidos. Hereda mucha de su sintaxis del MODULA-2 y del ADA, ciertas
caractersticas del ADA y sus conceptos de simulacin del SIMSCRIPT y el
SIMULA. Algunas de las caractersticas de la simulacin orientada al
objeto fueron originalmente vistas en el SIMULA y el SMALLTALK.
CASOS PRACTICOS DE SIMULACIN
Un caso practico de una simulacin podemos decir en esta parte, la
simulacin del Mtodo de Monte Carlo.
ALGORITMOS

El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado

en la generacin de nmeros aleatorios por el mtodo de Transformacin
Inversa, el cual se basa en las distribuciones acumuladas de frecuencias:

Determinar la/s V.A. y sus distribuciones acumuladas(F)

Generar un nmero aleatorio uniforme (0,1).

Determinar el valor de la V.A. para el nmero aleatorio generado

de acuerdo a las clases que tengamos.
Calcular media, desviacin estndar error y realizar el histograma.
Analizar resultados para distintos tamaos de muestra.

Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria
no es directamente el resultado de la simulacin o tenemos relaciones
entre variables es la siguiente:

Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias
relevantes
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin)
y registrar el resultado
Repetir el proceso hasta tener una muestra estadsticamente
representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados
Las principales caractersticas a tener en cuenta para la implementacin
o utilizacin del algoritmo son:

El sistema debe ser descripto por 1 o ms funciones de distribucin

de probabilidad (fdp)

Generador de nmeros aleatorios: como se generan los nmeros

aleatorios es importante para evitar que se produzca correlacin entre
los valores mustrales.

Establecer lmites y reglas de muestreo para las fdp: conocemos que

valores pueden adoptar las variables.

Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el

modelo a simular.

Estimacin Error: Con que error trabajamos, cuanto error podemos

aceptar para que una corrida sea vlida?

Tcnicas de reduccin de varianza.

Paralelizacin y vectorizacin: En aplicaciones con muchas variables

se estudia trabajar con varios procesadores paralelos para realizar la
simulacin.
EJEMPLO PRACTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda
aleatoria y queremos ver que sucede con el promedio de la demanda en
varias iteraciones:
Utilizando la distribucin acumulada(F(x) es la probabilidad que la
variable aleatoria tome valores menores o iguales a x) podemos
determinar cual es el valor obtenido de unidades cuando se genera un
nmero aleatorio a partir de una distribucin continua uniforme. Este
mtodo de generacin de variable aleatoria se llama Transformacin
Inversa.
Generando los valores aleatorios vamos a ver como se obtiene el valor
de la demanda para cada da, interesndonos en este caso como es el
orden de aparicin de los valores. Se busca el nmero aleatorio
generado en la tabla de probabilidades acumuladas, unavez encontrado(
si no es el valor exacto, ste debe se menor que el de la fila
seleccionada pero mayor que el de la fila anterior), de esa fila tomada
como solucin se toma el valor de las unidades (Cuando trabajamos en
Excel debemos tomar el lmite inferior del intervalo para busca en las
acumuladas, para poder emplear la funcin BUSCARV(), para 42 sera 0,
para 43 0,100001 y as sucesivamente). Ejemplo: Supongamos que el
nmero aleatorio generado sea 0,52, a qu valor de unidades
corresponde? Nos fijamos en la columna de frecuencias acumuladas, ese
valor exacto no aparece, el siguiente mayor es 0,70 y corresponde a 48
unidades. Se puede apreciar mejor en el grfico, trazando una recta
desde el eje de la frecuencia hasta que intersecta con la lnea de la
funcin acumulada, luego se baja a la coordenada de unidades y se
obtiene el valor correspondiente; en este caso 48.
Cuando trabajamos con variables discretas la funcin acumulada tiene
un intervalo o salto para cada variable( para casos prcticos hay que
definir los intervalos y luego con una funcin de bsqueda hallar el
valor). Para funciones continuas se puede hallar la inversa de la funcin
acumulada. De esta forma logramos a partir de la distribucin de
densidad calcular los valores de
la variable aleatoria dada.
En la siguiente tabla, vemos como a medida que aumenta el numero de
simulaciones, el valor simulado se acerca al valor original de la media y
desviacin estndar, adems de la disminucin del error tpico.

PROBLEMAS CON LINEA DE ESPERA

Simulacin de una lnea de espera con una fila y un servidor
Un sistema de colas estara definido cuando tengamos la siguiente
informacion acerca de este:
Distribucion de probabilidad de los tiempos de servicio
Distribucion de probabilidad de los tiempos entre llegadas
Numero de servidores
Numero de filas
Conexiones entre servidores y filas
Disciplinas y restricciones de los servidores y filas (en caso de que
existan)
Para este primer ejemplo se utilizara el modelo de lineas de espera que
se muestra en la figura siguiente. Como se puede apreciar, es un modelo
bastante simple donde la disciplina de atencin es FIFO (primero en
llegar, primero en salir).
Tanto el tiempo de servicio como el tiempo entre llegadas siguen una
distribucion exponencial aunque con parametros diferentes, para el caso
del tiempo entre llegadas tenemos =15 y para el tiempo de servicio
tenemos =10.
Aplicando el metodo de la transformada inversa a la distribucion
exponencial (consultar Dyner etc. al, 2008), tenemos que:
Donde corresponde a una observacin de una variable exponecial, _ es
un numero aleatorio entre cero y uno y es la media de la distribucion.
Para la implementacion del sistema descrito en Excel, abra una nueva
hoja de calculo y configurela como se muestra en la figura.
En la celda B8 escriba la formula =ALEATORIO() y arrastre hasta la celda
B23. Repita este procedimiento para la columna G. En el paso anterior,
se definio los numeros aleatorios a partir de los cuales se generaran las
observaciones de variables aleatorias de la simulacion.
Ahora, en la celda C8 escribe la formula =-LN(1-B8)/$B$4, y arrastre
hasta la celda C23.
Como se puede apreciar, esta es la formula descrita anteriormente para
obtener observaciones de una variable exponencial. En este caso, se
estan generando observaciones para la variable aleatoria de tiempos
entre llegadas.
En la celda D8 escribe la formula =C8, lo anterior significa que como es
la primera llegada al sistema, su tiempo de llegada (en el instante de
tiempo en el que llego al sistema), sera igual a su tiempo entre llegadas.
Sin embargo, para la celda D9 la formula correspondiente es =C9+D8,

ahora arrastre la formula de D9 hasta D23; esta formula significa que

despues de que llega el primer cliente, el instante de tiempo en el que
cualquier otro cliente llega al sistema sera el instante de tiempo en el
que entro el penltimocliente sumado el tiempo entre llegadas
del ltimo cliente, es decir, si el penultimo cliente entro al sistema en el
instante t=4, y el tiempo entre llegadas del ultimo cliente es dt=2,
entonces este ultimo cliente entrara realmente al sistema en t=6.
La formula correspondiente a la celda E8 es =D8, esto significa que, al
ser primer cliente, el instante en el que llega al sistema sera el mismo
instante en el que comienza el servicio; mas adelante se presenta las
formulas correspondientes al resto de clientes del sistema en esta
columna. Ahora en la celda F8 escriba la formula =E8-D8 y arrastrela
hasta la celda F23, esto corresponde al tiempo de espera del cliente
antes de comenzar a ser atendido, note que D8 nunca sera mayor que
E8 ya que el valor minimo que puede tomar el tiempo de comienzo del
servicio es el tiempo de llegada, es decir, cuando un cliente llega al
sistema y no tiene que hacer fila.
En la celda H8 escribe la formula =-LN(1-G7)/$B$5, y arrastrela hasta la
celda H23, esta formula indica cuanto tiempo tardara el servidor
atendiendo al cliente actual. Ahora en la celda I8 escriba la
formula =E8+H8, esta formula indica el instante de tiempo en el que
servidor termina de atender al cliente actual y corresponde a la suma
entre el instante que comienza el servicio y la cantidad de tiempo que
este toma.
Retomemos ahora la columna E, notese que esta solo esta definida en su
posicion E8, esto porque primero se requeria definir otros valores antes
de poder determinar el instante en el que empieza realmente el servicio.
En un sistema como el aqui presentado se pueden tener dos casos para
el tiempo de comienzo del servicio, en primer lugar puede que el
servidor se encuentre desocupado, en este caso el tiempo de
comienzo del servicio sera igual al tiempo de llegada al sistema y no
habra tiempo de espera. Sin embargo, si el servidor se encuentra
ocupado, el tiempo de comienzo del servicio sera igual al maximo entre
el instante en que el servidor termine de atender al cliente actual y el
tiempo de llegada al sistema; por si el tiempo de fin del servicio del
cliente actual es igual a tfs=12 pero el tiempo de llegada del prximo
cliente es tll=14, el tiempo de comienzo del servicio del proximo cliente
sera t=14 y el servidor tendra un ocio dt=2; por otro lado, si tfs=13 para
el cliente actual y el proximo cliente tiene un tll=10, el servidor no
tendra ocio y el proximo cliente debera esperar un intervalo de tiempo
dt=3. De lo anterior se concluye que la formula para la celda E9 debe
ser=MAX(D9;I8), ahora arrastre esta formula hasta la celda E23.
Hasta este punto se tiene una simulacion de un sistema de lineas de
espera con una fila y un servidor, si se desea generar nuevas

observaciones presione la tecla F9; como tarea al lector se deja el

calculo de:
Tiempo promedio en el sistema
Tiempo promedio de espera (sin incluir ceros)
Tiempo promedio de espera (incluyendo ceros)
Tiempo promedio de servicio
Tiempo promedio de ocio
Adicionalmente se plantea al lector elaborar, una simulacion en Excel
que represente el sistema que se muestra en la figura siguiente, donde
p es la probabilidad de que un cliente se dirija a S1 o a S2. Tanto el
tiempo entre llegadas como los tiempos de servicio, se distribuyen
exponencial con los parametros que se muestran a continuacion.
Tiempo entre llegadas: =8
Tiempo de servicio S1: =13
Tiempo de servicio S2: =18
Probabilidad p: 0.63
VALIDACIN DE UN SIMULADOR
Aqu vamos a mostrar como se valido el correcto funcionamiento de un
simulador con demanda y tiempo de espera, determinsticos. Para ver
mas detalladamente sigue el enlace
propuesto: https://www.dropbox.com/s/d1i7ft47b6ubu1t/validacion
%20simulador.pdf?m
PRUEBAS PARAMETRICAS (VALIDACIN DEL MODELO, PRUEBAS DE
HIPOTESIS Y PRUEBAS DE ESTIMACIN)
Validacin del modelo
Etapas en el desarrollo de un simulador.
Recordemos que las etapas nombradas para desarrollar un simulador
son:
1) Identificacin del problema
2) Delimitacin del sistema
3) Formulacin del modelo
4) Preparacin de datos
5) Construccin del modelo
6) Validacin
7) Diseo de experimentos
8) Ejecucin de experimentos
9) Interpretacin (Inferencia)
10) Documentacin
IV) Etapa IV: Preparacin de datos, o bien obtencin de datos.

Consiste en la identificacin y captacin de los datos que requiere el

modelo, de acuerdo a la formulacin que se haya hecho en las etapas
anteriores del diseo.
Los datos son para:
Las relaciones funcionales, ya sea para determinar la forma de stas,
completar su forma o expresin, o para precisar algn parmetro que en
ella se tenga.
Las variables estocsticas, que de ellas se deber determinar su
funcin de distribucin de probabilidades, tanto para variables continuas
como discretas.
Las relaciones funcionales podran ser, rectas obtenidas por regresin
lineal o ajuste de curvas.
En las relaciones funcionales se debe fijar todos los parmetros que
tenga; a menos que se haya dejado como una variable de entrada al
simulador.
Los datos a usar pueden ser:
Datos empricos
Datos obtenidos con distribucin tericas.
El usar datos empricos es en general ms conveniente, pero puede
implicar que el modelo quede influido por factores que se dieron en el
tiempo de gestacin de ellos y no vuelvan a repetirse.
V. Construccin del modelo
Es llevar el modelo que se tiene del simulador a un lenguaje de
programacin disponible en el computador a usar o en las
configuraciones disponibles, y que debe conocer su programacin.
Luego que se tiene el programa fuente del modelo, escrito en el lenguaje
elegido, probarlo y depurarlo desde el punto de vista computacional,
hasta obtener una versin satisfactoria.
VI. Validacin
Es esta etapa se trata de establecer, y si es posible aumentar, el nivel
aceptable de confiabilidad de las inferencias efectuadas sobre el sistema
real.
La validacin tiene el concepto de grado, no es un resultado dicotmico,
no es un si o no, no es vlido o invlido, no es correcto o incorrecto.
Fuentes de error
En la formulacin del modelo:
Que se excluya variables relevantes, o un atributo (esto es ms
dramtico).
Que se incluya variables irrelevantes (es menos dramtico).
Mala eleccin de una funcin de distribucin de probabilidad para
una variable.
Mal establecimiento de alguna relacin funcional o de los
parmetros del modelo.
En los datos usados

Toma de datos con margen de error relativo importante.

Tcnica de muestreo mal aplicada. Ejemplo: Tomar todos los datos
de un sector no representativo.
Datos mal digitados o mal almacenados.
El analista hace un acto de confianza en el equipo que tena los datos.
En la construccin

Errores en los programas (de lgica, mal uso del lenguaje).

El tiempo real se simula mal.

Uso de una imagen no adecuada del mundo real. (Usar matrices

de punto para territorios, lagos, bosque, cardumen, conglomerados; en
lugar del espacio R2 por ej.)
La validacin consiste en 2 etapas:
1.
Validacin de los modelos de procesos simples; esto es validar
la estructura interna del modelo.
Se valida la salida de los procesos simples y en ello se hace uso de
tcnicas de estadstica. Las relaciones funcionales tambin deben
validarse. Puede hacerse cuando se establece el modelo o en la toma de
datos .No debe tomarse relaciones funcionales desconocidas, o que no
tengan ya un grado de validez aceptable. Siempre ser posible validar
las componentes o subsistemas porque se habrn construido de manera
modular para formar el modelo. En esta etapa se observar el
comportamiento del modelo en cada uno de esos procesos simples para
asegurarse que cada componente o subsistema esta bien simulado.
Validar el modelo de simulacin en su entorno, esto es validar los datos
de salida.
Puede ser que la validez de la estructura sea buena, pero el
resultado combinado de los procesos simples sea casi mala.
Confrontar los resultados de la simulacin con las experiencias
pasadas y con teoras existentes al respecto:
No tomar posturas como: los resultados no me parecen correctos,
pero si el modelo lo dice yo lo acepto.
Si los resultados son absurdos, no tiene sentido continuar;
cualquier otro anlisis no convencer a los usuarios. Ningn modelo se
ha aceptado si los resultados van contra la teora.
Para modelos de importancia, de envergadura deber consultarse
la opinin de expertos.
Anlisis de sensibilidad
En las 2 etapas de la validacin (de estructura y de los datos de salida)
se debe hacer anlisis de sensibilidad.
Para ello, se vara los valores de 1 o 2 variables de entrada y se observa
la respuesta del modelo. Es de cuidado cuando el modelo es muy

sensible a una pequea variacin de una variable, y en general el

modelo no es bueno cuando ello ocurre.
Efectuar anlisis de sensibilidad de las variables dependientes ante
cambios de las variables independientes.
Con un simulador se puede realizar muchos anlisis de
sensibilidad por el grado de control sobre las variables de entrada
(Mtodo Turing ). Luego consultar a expertos, si es posible.
Anlisis de la capacidad de replicar los datos que se uso en su
construccin. Esta rplica no es tan importante ya que si replica los
datos usados no significa que el modelo sea bueno; y, si ni siquiera
replica los datos usados es porque el modelo de simulacin obtenido, es
malo.
Anlisis de la capacidad de predecir usando datos crticos no
incluidos en los datos, o usar datos histricos o datos que se obtienen
del sistema real o de otro simulador ya probado.
Se espera que estas salidas no sean absurdas comparadas con la
experiencia y la teora. Se consulta la opinin de expertos en esta
confrontacin del modelo con la realidad presente.
Ej. Simular la evolucin de una poblacin de chinchillas dndole
poblacin mxima altsima, y datos de poblacin existentes. Consulta a
expertos en chinchillas.
El modelo debe correrse muchas veces antes de llegar a tener una
probabilidad de distribucin de la respuesta de un variable de salida.
VII Diseo de experimentos
Aqu se usan las reglas y los procedimientos que la estadstica considera
para el diseo de experimentos en general y que se aplica a disear
experimentos a efectuar con el simulador.
El diseo se har orientado principalmente a los objetos que tiene el
estudio o el programa en que se inserta la construccin del simulador, o
los objetivos de los usuarios que utilizarn el simulador, y para lo cual
ste fue diseado.
Se puede distinguir una etapa estratgica donde se decide el diseo de
experimentos a usar por ser el ms adecuado, y la etapa tctica donde
se decide el cmo se llevara a la prctica los experimentos del diseo a
aplicar. Se ve aqu la distribucin de recursos, el uso del tiempo y del
personal.
VIII Ejecucin de los experimentos
Corresponde a la etapa operacional del diseo de experimentos.
IX Interpretacin
Se hacen las inferencias sobre el sistema real de los datos generados
por el simulador.
X. Documentacin
Se debe indicar por escrito puntos tales como: los objetivos, las
componentes y subsistemas, variables de entrada y de salida, relaciones

funcionales, el modelo formulado, la funcin de desempeo, y lo

pertinente hasta aqu (Diseo lgico del simulador).
Se debe documentar el programa computacional, los mdulos o las
subrutinas, las inter-relaciones entre mdulos y la conclusiones de la
etapa de validacin (Diseo fsico del simulador).
Confeccionar un manual de procedimiento para el uso del simulador.
Este resultar ms breve cuanto ms amigable sea el ingreso y manejo
del simulador. Deber contener alcances que faciliten la inferencia al
sistema real.
XII. Explotacin
Es dejar el simulador con los manuales y documentacin a disposicin
del o los usuarios.
Pruebas de hiptesis
Una
Al realizar pruebas de hiptesis, se parte de un valor supuesto
(hipottico) en parmetro poblacional. Despus de recolectar
una muestra aleatoria, se compara la estadstica muestral, as como la
media (x), con el parmetro hipottico, se compara con una supuesta
media poblacional. Despus se acepta o se rechaza el valor hipottico,
segn proceda. Se rechaza el valor hipottico slo si el resultado
muestral resulta muy poco probable cuando la hiptesis es cierta.
Etapas Para La Prueba De Hiptesis.
Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis
nula (H0) es el valor hipottico del parmetro que se compra con el
resultado muestral resulta muy poco probable cuando la hiptesis es
cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El
nivel de significancia del 5%, entonces se rechaza la hiptesis nula
solamente si el resultado muestral es tan diferente del valor hipottico
que una diferencia de esa magnitud o mayor, pudiera ocurrir aleatoria
mente con una probabilidad de 1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba
puede ser la estadstica muestral (el estimador no segado del parmetro
que se prueba) o una versin transformada de esa estadstica muestral.
Por ejemplo, para probar el valor hipottico de una media poblacional, se
toma la media de una muestra aleatoria de esa distribucin normal,
entonces es comn que se transforme la media en un valor z el cual, a
su vez, sirve como estadstica de prueba.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de
prueba. Habiendo especificado la hiptesis nula, el nivel de significancia
y la estadstica de prueba que se van a utilizar, se produce a establecer
el o los valores crticos de estadstica de prueba. Puede haber uno o ms
de esos valores, dependiendo de si se va a realizar una prueba de uno o
dos extremos.

Etapa 5.- Determinar el valor real de la estadstica de prueba. Por

ejemplo, al probar un valor hipottico de la media poblacional, se toma
una muestra aleatoria y se determina el valor de la media muestral. Si el
valor crtico que se establece es un valor de z, entonces se transforma la
media muestral en un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la
estadstica muestral con el valor (o valores) crticos de la estadstica de
prueba. Despus se acepta o se rechaza la hiptesis nula. Si se rechaza
sta, se acepta la alternativa; a su vez, esta decisin tendr
efecto sobre otras decisiones de los administradores operativos,
como por ejemplo, mantener o no un estndar de desempeo o cul de
dos estrategias de mercadotecnia utilizar.
La distribucin apropiada de la prueba estadstica se divide en dos
regiones: una regin de rechazo y una de no rechazo. Si la prueba
estadstica cae en esta ltima regin no se puede rechazar la hiptesis
nula y se llega a la conclusin de que el proceso funciona
correctamente.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar
el valor crtico en la distribucin estadstica que divide la regin del
rechazo (en la cual la hiptesis nula no se puede rechazar) de la regin
de rechazo. A hora bien el valor crtico depende del tamao de la regin
de rechazo.
PASOS DE LA PRUEBA DE HIPTESIS
1. Expresar la hiptesis nula
2. Expresar la hiptesis alternativa
3. Especificar el nivel de significancia
4. Determinar el tamao de la muestra
5. Establecer los valores crticos que establecen las regiones de rechazo
de las de no rechazo.
6. Determinar la prueba estadstica.
7. Coleccionar los datos y calcular el valor de la muestra de la prueba
estadstica apropiada.
8. Determinar si la prueba estadstica ha sido en la zona de rechazo a
una de no rechazo.
9. Determinar
la
decisin
estadstica.
10 Expresar la decisin estadstica en trminos del problema.
Errores de tipo I y de tipo II.
Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que
se ha cometido un error de tipo I. Por otra parte, si aceptamos una

hiptesis que debiera ser rechazada, diremos que se cometi un error de

tipo II. En ambos casos, se ha producido un juicio errneo.
Para que las reglas de decisin (o no contraste de hiptesis)
sean buenos, deben disearse de modo que minimicen los errores de la
decisin; y no es una cuestin sencilla, porque para cualquier tamao de
la muestra, un intento de disminuir un tipo de error suele ir acompaado
de un crecimiento del otro tipo.