Simulacin

1 Introduccin

La Simulacin est dirigida muchos tipos de problemas, aunque los ms habituales son los llamados
problemas de colas o fenmenos de espera que en general tratan sobre el tiempo de espera de ciertos
objetos, mientras que esperan a ser procesados dentro del sistema.
La simulacin est basada en la aleatoriedad de procesos reales. Estudiaremos por tanto la forma de
generar algunas de las distribuciones ms usuales. Aunque tambin la tcnica Monte-Carlo puede servir
para abordar problemas tradicionalmente deterministas, reduciendo en ocasiones el costo computacional.
En los ltimos temas introduciremos a grandes rasgos los modelos de eventos discretos ms comunes y
profundizaremos en los aspectos prcticos de la simulacin como son la verificacin y validacin de los
modelos.

2 Generacin de Nmeros Aleatorios

La simulacin de cualquier sistema en el que se tengan en cuenta efectos no determinsticos necesita

disponer de una gran cantidad de nmeros aleatorios, y en general, de sucesiones de realizaciones de
variables aleatorias.
Existen muchos mtodos para generar una variable aleatoria con una determinada funcin de distribucin a
partir de una sucesin de nmeros aleatorios. Es conveniente, por tanto, encontrar mtodos eficientes para
generarlos. En primer lugar tenemos que tener en cuenta que se entiende por sucesin de nmeros
aleatorios. En teora, es una sucesin de variables aleatorias independientes distribuidas uniformemente
dentro del intervalo [0, 1).
Para que una sucesin se considere aleatoria tienen que cumplirse una serie de requisitos como que una
persona que no conozca el mtodo de generacin no pueda determinar el siguiente trmino, o que la
sucesin supere una serie de contrastes estadsticos adecuados al uso que se va a hacer de ella.

2.1 Mtodos mecnicos

La generacin de nmeros aleatorios de forma totalmente aleatoria, es muy sencilla con alguno de los
siguientes mtodos:
1. Mediante una ruleta. Si estamos interesados en obtener nmeros aleatorios discretos de una
cifra (0,1,2,. . .,9), se hace girar una ruleta numerando los sectores del 0 al 9 y posteriormente se
de1tiene anotndose el nmero de sector. La probabilidad de obtener cualquier nmero de la
secuencia anterior es 1/10.
Si en lugar de generar nmeros aleatorios de una cifra, necesitamos generar nmeros aleatorios
uniformes de k cifras, con valores de la variable aleatoria en el conjunto
, con
probabilidad 1/10 , no tenemos nada ms que partir de una tabla de nmeros aleatorios de una
cifra, y agruparlos de en ; los nmeros resultantes son aleatorios de cifras.
La generacin de nmeros aleatorios de una variable aleatoria uniforme (0, 1) constituye el paso
siguiente, ya que esa distribucin juega un papel fundamental en la generacin de variables
aleatorias con otras distribuciones. Supongamos que estamos interesados en la generacin de
nmeros aleatorios con cifras decimales y uniformes en el intervalo (0, 1). El primer paso ser
generar nmeros ( ), uniformes de cifras para posteriormente, a travs de una transformacin =
/10 , pasarlos al dominio (0, 1)
2. Mediante una moneda o un dado: Se lanza una moneda o un dado y se anota el resultado.
3. Uso de guas telefnicas: Coger la gua telefnica de una provincia, abrir una pgina al azar y
anotar de cada nmero de telfono las cuatro ltimas cifras.
4. Recurrir a tablas de nmeros aleatorios. La utilizacin de tablas de nmeros aleatorios tiene
lugar cuando se resuelven problemas de forma manual.
Obviamente, despus de obtener una sucesin de nmeros aleatorios resulta conveniente ver si se
comportan como tales, para ello se recurre a pruebas estadsticas.

2.2 Mtodos de generacin aritmticos

Los procedimientos de generacin de nmeros aleatorios ms utilizados son de tipo aritmtico y suelen ser
de tipo recursivo. Cada nmero aleatorio se obtiene en funcin del ltimo nmero obtenido, o de un nmero
relativamente pequeo de los nmeros obtenidos previamente. Si se considera el caso en el que cada
nmero depende exclusivamente del anterior, la frmula de generacin ser
donde incialmente se ha indicado el valor de , que se denomina semilla.
Pero la generacin de nmeros aleatorios mediante la ecuacin (1) no son aleatorios, ya que estamos
generando dichos nmeros de forma determinista, mediante una regla aritmtica. Este tipo de sucesiones
se denomina pseudoaleatoria. Se puede demostrar que la sucesin de nmeros generados mediante la
frmula (1) es necesariamente cclica.
Mtodo de los cuadrados medios
El primer mtodo aritmtico para generar nmeros aleatorios fue propuesto por Von Neumann en 1946 y se
conoce como mtodo de los cuadrados medios. Consiste en tomar un nmero de 2n dgitos y elevarlo al
cuadrado. El resultado tendr 4n dgitos (si no es as se completa con ceros a la izquierda). Los 2n dgitos
centrales de este producto se toman como el nmero aleatorio siguiente. Esto es, se eliminan los n dgitos
menos significativos y los n mas significativos (incluyendo ceros). El procedimiento se vuelve a repetir para
este nuevo nmero, y as sucesivamente.
Ejemplo Si tomamos

= 4879, el procedimiento sera el siguiente

Mtodo congruencia lineal

Para un nmero natural positivo m, al que llamaremos mdulo, se generan sucesiones de nmeros
utilizando la frmula de recurrencia:

donde (multiplicador), (incremento) (valor inicial o semilla) son nmeros naturales menores que m, se
dice en este caso que
es congruente con
. La frmula indica que
y
dan el
mismo resto al dividir por el nmero natural m; i.e., que
es un mltiplo de m. La sucesin
proporciona,
en
consecuencia,
nmeros
naturales
entre
0
y
m
1.
Para la eleccin de los parmetros

hay que tener en cuenta que en primer lugar que m tiene que ser tan grande como sea posible para evitar
la aparicin de ciclos tempranos, ya que el periodo es siempre menor o igual que m. Una opcin razonable
es tomar m tan grande como permita el ordenador en el que se va a trabajar, de manera que si el
ordenador es binario con una palabra de 32 bits, este nmero ser m = 232 = 42949 67296, o un valor
prximo a este.
Se demuestra que los mtodos congruenciales son los que producen sucesiones de nmeros aleatorios
que parecen estadsticamente aleatorios, siempre que y se elijan apropiadamente. No hay una regla
general para la eleccin de , m y . El mtodo depende de varios factores incluido el hardware y el
software disponible. La mayora de los lenguajes de programacin y simulacin proporcionan un generador
de nmeros aletorios.

3 Generacin de Variables Aleatorias

Los modelos que se construyen para poder simular situaciones reales de naturaleza aleatoria utilizan para
la modelizacin de fenmenos aleatorios una gran variedad de variables aleatorias, no slo variables
aleatorias uniformes.

A partir de un generador de nmeros aleatorios, y por tanto de un simulador de variables aleatorias

uniformes en [0, 1), podemos centrarnos en el problema de generar una muestra con una distribucin de
probabilidad especfica para nuestra simulacin.

3.1 Simulacin de variables aleatorias discretas

Aunque existen mtodos particulares para ciertas variables aleatorias discretas, el siguiente problema nos
proporciona un mtodo directo para simular cualquiera de ellas.
Mtodo de la transformacin inversa (v.a. Discreta) Sea U una variable aleatoria uniformemente distribuida
sobre el intervalo unidad, U (0, 1), y sea una variable aleatoria con funcin puntual de probabilidad
, = 1, 2, . . . ,. La variable aleatoria definida a partir de U, como
= si U
= si +
+
<U +
+
tiene la misma distribucin de probabilidad que .
Este mtodo proporciona un mtodo utilizable para simular cualquier variable aleatoria discreta.
Ejemplo Supongamos por ejemplo una variable aleatoria discreta , que toma los valores y probabilidades
asignados en la siguiente tabla
0
1
2
3
4

0.10
0.20
0.25
0.20
0.25

Intervalo
[0.00,0.10)
[0.10,0.30)
[0.30,0.55)
[0.55,0.75)
[0.75,1.00)

0.10
0.30
0.55
0.75
1.00

Ahora, considerando una secuencia de nmeros aleatorios generada mediante la frmula de congruencia
lineal (
),

Los valores de la variables

0
4
27
1
3
22
2
6
37
3
5
32
4
0
7
5
7
42
que se obtienen seran

0
1
2
3
4
5

3
6
5
0
7
2

0.375 [0.30, 0.55)

0.750 [0.75, 1.00)
0.625 [0.55, 0.75)
0.000 [0.00, 0.10)
0.875 [0.75, 1.00)
0.250 [0.10, 0.30)

0.375
0.750
0.625
0.000
0.875
0.250

2
4
3
0
4
1

y en la ltima columna tendramos la simulacin de una variable aleatoria con la misma distribucin que .
Algunas variables aleatorias discretas:
Variable aleatoria de Bernouilli
Variable aleatoria de Poisson
Variable aleatoria Geomtrica

3.3 Simulacin de variables aleatorias continuas

En este apartado seguimos un mtodo anlogo al del apartado anterior para el caso discreto, en concreto
se presenta el mtodo de la transformacin inversa.
Mtodo de transformacin Inversa (v.a. Continua) Sea U una variable aleatoria U (0, 1)
y una variable aleatoria absolutamente continua con funcin de densidad ( ) y funcin de distribucin
( ), . Supongamos que existe la funcin inversa
(u) para 0 u 1. Entonces la variable
aleatoria definida a partir de U como
tiene la misma distribucin de probabilidad que .
A diferencia del caso discreto, aqu este mtodo no siempre puede utilizarse para generar una variable
aleatoria continua puesto que puede que no exista la funcin . Podemos sin embargo utilizar el siguiente
mtodo alternativo:
Mtodo de rechazo con entorno finito (a, b) Sean U1 y U2 variables aleatorias U (0, 1) independientes y
una variable aleatoria absolutamente continua con funcin de densidad ( ), (a, b), - < a < b < . La
( ) como
variable aleatoria definida a partir de U1 y U2, para cualquier constante c, con 0 < c 1/

>

tiene la misma distribucin de probabilidad que

Algunas variables aleatorias continuas:
Variable aleatoria uniforme
Variable aleatoria exponencial
Variable aleatoria normal

4 El mtodo de simulacin Monte-Carlo

Una de las aplicaciones ms habituales del mtodo Monte-Carlo es el clculo de series o integrales. En
esencia el mtodo consiste en la estimacin de una media muestral. Debemos fijarnos en que cualquier
serie o integral se puede representar como la esperanza matemtica de una funcin de una variable
aleatoria (discreta para series y absolutamente continua para integrales).
Por ejemplo la serie g (x), se puede considerar una variable aleatoria discreta
con distribucin de probabilidad ( ), C y se transforma la serie en

que tome valores en C,

Y de forma similar podramos considerar para una integral:

! =

! =

En ambos casos, el clculo de la integral o la serie se reduce al clculo de una esperanza matemtica. La
fundamentacin terica para esta aproximacin la proporciona el Teorema de Khintchine, consecuencia de
la ley dbil de los grandes nmeros:
Teorema de Khintchine: Si

{ }=

es una sucesin de variables aleatorias independientes e

idnticamente distribuidas, con media < , entonces se tiene la convergencia en probabilidad siguiente:

"=

"

La convergencia en probabilidad significa lo siguiente:

 >

"

"=

> =

Mientras que para determinar el tamao que debe tener la muestra de la variable aleatoria , para acotar el
error cometido en la estimacin, se puede utilizar el resultado que proporciona la desigualdad de
Tchebychev:
Desigualdad de Tchebychev Cualquier variable aleatoria
la siguiente desigualdad,

con media y desviacin tpica < , satisface

> )

para >0.

Ejemplo Sea el clculo de la integral:

con una probabilidad de al menos 0.9 de tener una cifra decimal exacta. Para la resolucin consideraremos
el estimador $ La cota del error escogida es <0.1 Como Var($)= / entonces:

por otro lado =

! <

< =

! =

, as el tamao muestral que se ha de utilizar ha de

ser:

por lo que =667 satisface esa condicin.

5. Simulacin de eventos discretos

Los objetos o componentes de un modelo de simulacin de eventos discretos se conocen como entidades
(entities). Estas entidades son objetos discretos, cada uno separado del otro, y que poseen unos atributos,
que pueden ser cualidades, caractersticas o propiedades que afectan a la conducta de las entidades
dentro del modelo. Las entidades pueden tener dos tipos de estado: unas estn ocupadas (busy) en alguna
actividad, o estn desocupadas (idle), sin hacer nada pero esperando en la cola. Una cola indica un estado
consistente en el nmero de entidades que se encuentra despus de acabar una actividad y antes de
realizar la siguiente. Cuando una entidad se mueve desde una actividad hacia la cola, o viceversa, el
estado del sistema cambia. Este instante de cambio se denomina evento.
El movimiento de entidades a travs de los diferentes puntos de un modelo constituye la conducta dinmica
del modelo. La conducta dinmica dentro del modelo depende del movimiento de las entidades de diferente
tipo. Estas entidades entran en el entorno del sistema, posiblemente en puntos diferentes, y salen del
sistema, de nuevo en puntos diferentes. Esas llegadas al modelo son las que permiten al modelo funcionar.
Los sucesos son instantes en los que el estado del modelo cambia a travs de los desplazamientos de las
entidades entre puntos a travs del entorno del modelo. El estado del sistema permanece constante en
cualquier otro instante de tiempo. La dinmica del modelo, pues, estar determinada por la forma de
incorporarse las identidades. Normalmente esta llegada es una variable aleatoria con una determinada
distribucin.

Los tipos de modelos ms importantes de simulacin de eventos discretos se pueden clasificar en:
Manufactura
Servicios
Manipulacin de materiales
Redes
Negocios

5.1. Sistemas de manufactura.

Engloban procesos de produccin en los que a partir de materias primas se obtienen productos
comerciales tras su procesamiento. Aspectos de inters para estos modelos suele ser el nivel de inventario,
programacin de cuotas de produccin o la satisfaccin de los encargos de clientes.
Los sistemas de manufactura se pueden clasificar en:
Modelos de flujo: tpico de sistemas en serie.
Modelos de taller: tpico de sistemas con procesos alternativos segn la disponibilidad de recursos.
Modelos flexibles: tpico de sistemas con procesos en paralelo.
Algunos criterios de evaluacin de este tipo de sistemas pueden ser:
Tiempo de elaboracin. El tiempo invertido en la fabricacin de un producto desde que es
encargado hasta que es servido.
Tiempo de fabricacin. Es la parte del tiempo de elaboracin que involucra nicamente la
transformacin de las materias primas en el producto.
Numero de encargos pendientes de ser procesados a partir de las longitudes de buffers.
Tiempo de proceso. El tiempo concreto de una actividad.
Tasa de utilizacin. Relacin entre el tiempo de proceso y el tiempo total disponible.
Tasa de produccin. Nmero de unidades producidas por unidad de tiempo.
Tasa de defectuosos. Nmero de unidades defectuosas sobre la produccin total.
Cuello de botella. Actividad crtica que tiene la mayor tasa de utilizacin.
Trabajo en progreso. Capacidad de produccin en un instante dado.
Entrega dentro de plazo. Porcentaje de producto entregado dentro del plazo solicitado.

5.2. Modelos de servicios.

El objetivo de los modelos que representan la prestacin de servicios suele ser satisfacer la demanda de un
conjunto de clientes cuando esta se produce. Algunos ejemplos de este tipo de modelos son:
Servicios financieros: en bancos, entidades de crdito.
Servicios sanitarios: en hospitales, mutuas, clnicas dentistas.
Tiendas y comercios: almacenes, talleres de reparacin, supermercados.
Servicios varios de gas, telfono, televisin, proveedor Internet.
Servicios profesionales: contables, asesores fiscales, gestaras, abogados.
Transporte y reparto: sistemas de correos, lneas areas, ferrocarril.
En este tipo de modelos el personal disponible juega un papel importante y se suelen planteas modelos
para ajustar plantillas o mejorar los procesos con vistas a reducir costes y satisfacer a los clientes. En este
sentido, algunos de los criterios que se suelen estudiar ene ste tipo de modelos son:
Tiempo de atencin: tiempo transcurrido entre la llegada de un cliente y su salida.
Tiempo de espera: parte del tiempo de atencin en que el cliente est esperando ser atendido por
el personal.
Longitud de cola: longitud de la cola de espera.
Tiempo de servicio: tiempo efectivo en que el cliente es servido.
Tasa de utilizacin: tiempo en que el suministrador del servicio est ocupado frente al tiempo que
est disponible.
Tasa de servicio: numero de clientes que son atendidos por unidad de tiempo.
Porcentaje de clientes que se pierden por efecto de presentar colas largas.
Porcentaje de clientes que desisten por exceso de tiempo de espera.

Costo de los recursos empleados en el proceso.

5.3. Modelos de manipulacin de materiales.

Los modelos de manipulacin de materiales bsicamente representan el traslado de unos recursos de una
localizacin a otra para su procesamiento. Suelen constituir submodelos dentro de modelos de
manufactura.
Aspectos interesantes de estos modelos es la velocidad en los transportes, la longitud del traslado, la
capacidad del medio de transporte, los buffers necesarios antes y despus del transporte, la posibilidad de
transporte en el retorno de los viajes. As los criterios que se pueden utilizar para evaluar estos sistemas
son:
Tiempo invertido en el transporte
Tiempo de respuesta, tiempo en que el elemento transportador est disponible a partir de que se le
solicita.
Tiempo efectivo de transporte del material.
Capacidad de carga.
Tasa de utilizacin. Porcentaje de tiempo que un elemento transportador est en uso.
Tasa de produccin. Nmero de elementos que pueden ser desplazados por unidad de tiempo.
Porcentaje de saturacin o bloqueo. Porcentaje de tiempo en que el material no puede ser
transportado por falta de capacidad de procesamiento en el centro receptor.
Cuello de botella. Movimiento con una tasa de utilizacin elevada.

5.4. Modelos de redes.

Los modelos ms representativos de este tipo son los sistemas de comunicacin en donde se incluye por
ejemplo el telfono o los ordenadores. Algunos de los criterios que pueden resultar tiles en el estudio de
estos modelos son:
Duracin del envo de un mensaje. Tiempo que tarda un mensaje en ser transmitido.
Establecimiento de conexin. Tiempo que se tarda ene establecer una conexin.
Longitud de buffer: capacidad de almacenamiento de mensajes en origen, destino o en partes
intermedias.
Tasa de utilizacin de la red: porcentaje de tiempo en que la red est en uso.

5.5. Negocios.

Este tipo de modelos se concentra bsicamente en el anlisis de sistemas en base a la ingeniera de

procesos en base a la que se articula una actividad econmica. Algunos de estos procesos pueden
representar el desarrollo de un nuevo producto, el flujo de produccin, la adquisicin del producto, poltica
de personal.
Debido a la falta de informacin por parte de las empresas y al escaso control de los procesos principales
de una empresa resulta difcil establecer criterios universales para evaluar este tipo de procesos siendo uno
de los objetivos de estos modelos justamente el proponer medidas objetivas de control que mejoren la
organizacin del negocio.

6. Qu es la validacin de la simulacin y porqu es importante.

La utilizacin de un modelo o de la simulacin, es una alternativa a la experimentacin con un sistema real

(autntico o proyectado) cuando la experimentacin con dicho sistema puede resultar destructiva, costosa
o imposible. Si el modelo o la simulacin no es capaz de proporcionar una representacin vlida del
sistema actual, cualquier conclusin que se derive probablemente ser errnea y de poca ayuda para
tomar decisiones. La validacin se puede plantear para todos los modelos, independientemente de si el
respectivo sistema real existe o ha de ser construido. La validacin se debe centrar siempre en el uso que
se pretende dar al modelo.
Definicin: la validacin es el proceso que sirve para determinar el grado de semejanza entre el modelo de
simulacin y la realidad que pretende representar considerando la finalidad para la que se implementa.
La validacin se puede abordar desde varias perspectivas:

Conceptualmente, si un modelo es vlido, entonces debe permitir tomar decisiones sobre el

sistema real.
La facilidad o dificultad de validar un modelo depender de su complejidad y de si existen versiones
anteriores del sistema representado.

Ejemplo: El modelo de una oficina bancaria puede ser fcilmente validado ya que se puede observar. Sin
embargo, un modelo sobre la efectividad de la fuerza naval en 2025 sera virtualmente imposible de validar
completamente ya que la localizacin de la batalla, caracterizacin del enemigo o determinacin de las
armas disponibles sera desconocida. A pesar de ello a menudo es posible recoger datos sobre un sistema
existente que pueda ser usado para validar el modelo.

La simulacin de un sistema complejo no deja de ser una aproximacin al sistema real. No se

puede pensar en una validez global del modelo, ni tampoco se pretende. Los modelos mejores no
tiene porque ser los ms costosos o los ms detallados. Por ejemplo puede haber un nivel de
detalle a partir del cual el costo de desarrollo se dispare sin ganar mucha ms precisin en los
resultados.
Un modelo de simulacin se ha de desarrollar siempre para satisfacer un conjunto de objetivos.
Puede ocurrir que un modelo vlido para unos objetivos concretos no lo sea para otro conjunto de
objetivos distintos a los que determinaron su desarrollo.
La medida y acceptabilidad de un criterio (p.e., medidas de produccin) para la validacin de un
modelo debera incluir aquellos que el decisor utiliza realmente en el sistema real.
La validacin de un modelo autnomo debe llevarse a cabo de forma simultnea a su desarrollo, no
es un proceso que deba dejarse para cuando el modelo ya est completamente desarrollado.
Un modelo de simulacin compuesto por varios modelos de simulacin individuales tambin debe
ser validada en su conjunto, la validacin no se debe restringir a cada una de las unidades
componentes del total.

Ejemplo: Un organismo militar encarga a una consultara un estudio de simulacin. Una vez acabado el
trabajo el representante del organismo pregunta a la consultora Me puede decir en cinco minutos
cmo validar el modelo?
Un modelo de simulacin, sus datos y sus resultados son crebles cuando los usuarios del mismo lo
aceptan como correcto. La credibilidad no implica necesariamente validez y viceversa. La credibilidad se
puede establecer segn los siguientes criterios:

El decisor comprende y est de acuerdo con las hiptesis del modelo.

Demostrando que el modelo ha sido validado y verificado.
El decisor est directamente involucrado en el desarrollo del proyecto.
El reconocimiento de los investigadores.

Un modelo de simulacin que es a la vez vlido y creble es muy probable que sea usado en
condiciones prcticas.

6.1. Etapas de desarrollo de un modelo de simulacin

Podemos dividir el desarrollo de un modelo de simulacin en siete etapas tal y como se muestra en la
Figura. Estas etapas resultan importantes en el desarrollo correcto del modelo.

Etapa 1. Formular el problema

El problema es definido por el decisor (el usuario del modelo).

Convocar una reunin con el responsable del proyecto, el analista y expertos en la material para
tratar los siguientes temas:
Los objetivos principales del estudio.

Cuestiones especficas que deben ser respondidas

con el estudio (aspecto necesario para determinar el
nivel de detalle del modelo)

La complejidad del sistema y su nivel de detalle.

Medidas para la valorar la eficacia de la

configuracin de diferentes sistemas.

Configuraciones o escenarios admisibles para el

sistema

Recursos y marco temporal para el modelo

Etapa 2. Construccin del modelo conceptual a

partir de datos e informacin disponible

Recogida de informacin sobre la estructura y funcionamiento

del sistema representado.
Recogida de datos para determinar los parmetros del modelo
y las distribuciones de probabilidades.
Hiptesis de la simulacin, algoritmos y datos deben ser
compendiados en un modelo conceptual.
El nivel de detalle del modelo depender de:
Los objetivos

Las medidas utilizadas para evaluar el modelo

La disponibilidad de datos

El nivel de credibilidad requerido

Limitaciones de hardware

Las opiniones de expertos

Limitaciones de tiempo y dinero

Recogida de datos de campo para ser utilizados en la validacin de los resultados

Etapa 3. Validacin del modelo conceptual

El modelo conceptual debe ser sometido a la revisin de algn analista o experto del tema.
Los errors u omisiones encontrados en la revisin del modelo conceptual deben ser corregidos
antes de su programacin informtica.

Etapa 4. Programacin del modelo

Programar el modelo conceptual en una aplicacin de simulacin o por medio de un lenguaje de

programacin de propsito general.
Depurar el cdigo.

Etapa 5. Validar el programa de simulacin

Si hay datos del sistema real, estos se pueden utilizar para compararlos con los resultados del
modelo. Es lo que se conoce como validacin de resultados. Las caractersticas que interesan

representar de un sistema constituyen lo que se llama referente y es respecto al que interesa

validar el modelo, an cuando el sistema representado no existe (pero s el referente).
Los resultados se deben revisar para verificar su coherencia y consistencia de acuerdo con el
funcionamiento esperado del sistema.
El anlisis de sensibilidad debe realizarse para detectar que factor tiene un efecto mayor sobre los
resultados del modelo para mejorar su representacin si fuera necesario.

Etapa 6. Diseo, realizacin, y anlisis de experimentos de simulacin

Para cada caso se ha de decidir el tiempo de simulacin y el nmero de replicas.

Los resultados deben verificarse por si fuera necesario realizar experimentos adicionales.

Etapa 7. Documentar y resumir los resultados de simulacin

La documentacin ha de incluir el modelo conceptual, el cdigo documentado del programa del

modelo y los resultados del estudio.
El resumen ha de comentar el desarrollo y validacin del modelo para dotar de credibilidad al
modelo.

6.2. Quin debe llevar a cabo la validacin?

La validacin del modelo es ms laboriosa que la verificacin. Requiere sobretodo experiencia en anlisis
de resultados y mtodos estadstica. Es necesario realizar la validacin para cada uso diferente que se
quiera dar al modelo.

6.3. Tcnicas para desarrollar modelos vlidos y crebles

Existen varias tcnicas que se pueden aplicar para desarrollar modelos vlidos y crebles. Estas tcnicas
se pueden utilizar en las diferentes etapas de desarrollo de un modelo de simulacin como se muestra en
la siguiente tabla:
Tcnicas para desarrollar modelos vlidos y crebles
Formulacin precisa del modelo
Entrevistas con expertos
Estar en contacto con el decisor

Aplicable en
Etapa N.
1
1, 2
1, 2, 3, 4, 5, 6, 7

Utilizar mtodos cuantitativos para validar partes del modelo

Documentar el modelo conceptual

Verificar el modelo conceptual

Llevar a cabo un anlisis de sensibilidad

Validar los resultados del modelo completo

Utilizar grficas y animaciones para mostrar los resultados del modelo

Utilizar mtodos estadsticos en la medida de lo posible para validar el modelo

Formulacin precisa del modelo

5, 6, 7
5

La formulacin precisa del modelo es muy importante. Se deben detallar todos los aspectos importantes
que deban ser considerados en relacin al problema que se desee resolver. Esta formulacin ha de
permitir establecer el nivel de detalle del modelo y qu variables se elegiran como resultado para estudiar
el modelo.

Muchas veces, al iniciar el desarrollo de un modelo de simulacin, el problema exacto a resolver no est
claro. En este caso, la clarificacin del modelo y sus objetivos debe irse compaando de una reformulacin
del mismo.

Entrevistas con expertos

Es difcil que una persona disponga de toda la informacin necesaria para construir un modelo de
simulacin, por ello es necesario el asesoramiento de expertos que completen la comprensin del sistema
para obtener una mejor identificacin del problema y formulacin del modelo que ayude a resolver dichos
problemas. Pueden participar en la formulacin conceptual del modelo, identificando los aspectos
importantes del sistema o ayudando en la formulacin de hiptesis.

Estar en contacto con el decisor

El contacto con un decisor es importante para dar una respuesta real a los problemas prcticos que se le
plantean y de esta forma que el modelo resulte til y prctico en situaciones reales. As:
Ayudar a verificar los resultados del modelo.
Cuando no se dispongan de datos iniciales

Cuando se modifique los objetivos iniciales del proyecto

Ayuda a estimular la participacin del decisor en el estudio

Hace la simulacin ms creble y facilita la formulacin de hiptesis razonables

Ejemplo: Un analista desarroll durante dos aos un modelo para un cliente. Cuando se lo present, el
cliente le dijo: Esto no es lo que yo quera

Utilizar mtodos cuantitativos para validar partes del modelo

El analista debera utilizar mtodos cuantitativos siempre que le fuera posible para comprobar la validez de
los diferentes componentes del modelo. Por ejemplo:
Grficas y pruebas de bondad de ajuste.
Validacin de los datos. Por ejemplo, si se dispone de diferentes conjuntos de datos observados
para el mismo fenmeno, se puede utilizar un test de homogeneidad para asegurarse que
representan la misma poblacin homognea. Si es as se pueden mezclar los datos y utilizarlos con
distintos propsitos en la simulacin.
Ejemplo: Una fbrica con dos mquinas tiene registrado los tiempos de reparacin de cada una.
El test de Kruskal-Wallis permite determinar si esos datos representan una misma distribucin o si
el comportamiento de las mquinas es diferente respecto al tiempo de reparacin.
Anlisis de factores. Puede servir para identificar los factores ms relevantes de un modelo y si se
corresponden con los del sistema real.

Documentar el modelo conceptual

Es importante documentar bien el trabajo para evitar errores. Son importantes los antecedentes y el
estudio preliminar del sistema de mano del decisor y de los expertos. Dejar claros los objetivos, los
requerimientos, los datos, etc. Se debera incluir:
Una discusin de las metas que se plantean y el problema especfico que aborda el modelo, junto
con la forma de evaluar los resultados.
diagramas que muestren los distintos niveles considerados del sistema
una descripcin detallada de cada subsistema considerado y sus interacciones
que simplificaciones se aplican al modelo, dnde se aplican y porqu.
Compendio de datos y metadatos necesarios
Fuentes de informacin importante o controvertida

Verificar el modelo conceptual

La informacin necesaria para desarrollar el modelo de simulacin es mucha y variada. Antes de someter
el modelo a expertos o al decisor conviene realizar una verificacin de los pasos realizados, de las
diferentes partes del modelo, del nivel de detalle escogido, de la informacin ms relevante que se ha

considerado. Esta verificacin es sobretodo una comprobacin de la consistencia lgica del modelo en
todas sus partes y se ha de realizar antes de iniciar la programacin informtica.
La verificacin planteada anteriormente asume que el desarrollo del modelo se produce todo de una vez,
sin embargo en paradigmas de desarrollo incremental mediante prototipos (p.e. en espiral) debe pensarse
tambin en verificaciones sucesivas para cada refinamiento introducido.

Llevar a cabo un anlisis de sensibilidad

El anlisis de sensibilidad permite detectar los factores que muestran un impacto mayor sobre los
resultados del modelo y que en consecuencia deberan ser contemplados con ms cuidado. Por ejemplo:
El valor de parmetros.
Ejemplo: En un modelo de colas se quiere determinar exactamente el nmero de clientes que
llega a un establecimiento cada minuto que se sabe est dentro de un rango entre 1 y 2. Se utiliza
el modelo y se comprueba que el resultado no vara mucho respecto esos valores, por lo que no es
sensible al valor de ese parmetro. En consecuencia, no resulta interesante invertir muchos
esfuerzos en precisar de forma exacta aqul valor.
Seleccin de distribuciones de probabilidad
Nivel de detalle de un subsistema
Datos que son prioritarios o cruciales disponer de ellos
Para el estudio de ms de un parmetro a la vez se leera utilizar el diseo estadstico de experimentos, no
servira el anlisis de sensibilidad individual de los dos parmetros a analizar.

Validar los resultados del modelo completo

La prueba definitiva del modelo es su validacin global. En general se intentar disponer de datos de
sistemas reales para validar el modelo, si no existe se debern obtener por otras vas.

Utilizacin de datos reales

Cuando se dispone de datos reales, normalmente se comparan los resultados del modelo con los datos
reales para ver si su parecido es suficiente como para aceptar la bondad del modelo desarrollado. La
precisin requerida depender del uso para el que haya sido desarrollado. Contra mayor sea el parecido
entre los resultados, mayor ser la confianza y credibilidad del modelo.

Utilizacin de tests estadsticos

Varios tipos de test se han propuesto para llevar a cabo la validacin de modelos de simulacin. Sin
embargo, la comparacin mediante estas tcnicos no resulta tan sencillo como podra parecer ya que la
mayora de procesos reales son no estacionarios (las distribuciones de las observaciones cambian a
travs del tiempo) y autocorrelacionadas (las observaciones estn relacionadas unas con otras). Ello hace
que los mtodos que asumen observaciones independientes idnticamente distribuidas (iid) no resulten
aplicables directamente. Por otro lado, es discutible la idoneidad de los tests de hiptesis ya que si nos
preguntamos si el modelo representa al sistema la respuesta es claramente no. Parece ms indicado el
preguntarse sobre si las diferencias entre el modelo y el sistema afectan a las decisiones que tomen
basadas en el modelo.

Evaluacin por parte de expertos

Si no existe un sistema real que pueda proporcionar datos, se debe entonces comprobar la coherencia de
los resultados por analistas y expertos. La validacin directa (en ingls Face validation) se utilice para
valorar la consistencia del modelo con el comportamiento percibido del sistema. Este ejercicio es delicado
ya que si conociramos el resultado exacto del sistema no sera necesaria la validacin del modelo.
Ejemplo: La validacin directa se utiliz en la simulacin del personal necesario para una industria. La
simulacin se llev a cabo con una plantilla de referencia y los resultados se mostraron a los gerentes de
la empresa y analistas que detectaron discrepancias entre los resultados y el comportamiento esperado
del modelo. Esta informacin se utiliz para refinar el modelo en etapas sucesivas hasta obtener un

modelo que representaba de forma precisa la poltica de personal de la empresa. Este proceso adems de
mejorar la precisin del modelo aumentaba su credibilidad.
Un test de Turing puede tambin realizarse para comparar los datos del modelo con los del sistema. A un
conjunto de expertos se les ofrece un conjunto de datos sin que sepan si se trata de datos reales o
simulados. La validacin es correcta cuando son incapaces de diferenciar la procedencia de los datos, en
caso contrario los criterios utilizados para descubrir los datos simulados pueden ser utilizados para refinar
el modelo.
Otra tcnica disponible para validar un modelo es comparar nuestros resultados con los de otro modelo de
simulacin aceptado.

Validacin prospectiva

En lo referente a la validacin nos hemos centrado en comparar datos reales con los datos generados por
el modelo. Muchos modelos de simulacin se desarrollan para realizar predicciones sobre la evolucin
futura de un sistema. En estos casos puede ser ms importante el verificar la habilidad predictiva del
modelo y/ o su adaptabilidad a cambios temporales. Por ejemplo, puede que desarrollar un modelo nos
lleve mucho tiempo, que cumplamos con la metodologa de desarrollo y la validacin del modelo, pero
cuando lo vayamos a utilizar, podran aparecer discrepancias. Si no existe confianza en el modelo puede
resultar muy delicado el intentar modificarlo para adaptarlo a unas nuevas circunstancias ya que se
podran invalidar partes del modelo. Esto pone de manifiesto la importancia de documentar todo el
desarrollo del modelo.

Utilizar grficas y animaciones para mostrar los resultados del modelo

Grficas (estticas o dinmicas) y animaciones (dinmicas) son tiles tanto para mostrar que un modelo no
es vlido, tanto como para mejorar la credibilidad del mismo. Algunos ejemplos de grficas:
Histogramas como estimacin de la funcin de densidad subyacente
Grficas de correlacin para mostrar si los datos estn autocorrelacionados
Grficas temporales de una o ms variables del modelo
Grficas de barras o sectores
Una animacin es til para mostrar la dinmica a corto plazo del comportamiento del sistema. Resulta til
para comunicar y dar a entender de forma rpida la esencia del modelo. Otras ventajas es que tambin
son tiles para la depuracin del cdigo e incluso para practicar con el modelo.

Utilizar mtodos estadsticos para validar el modelo

Ya se ha comentado anteriormente la disponibilidad de mtodos estadsticos para la validacin de los

modelos de simulacin.
Supongamos que R1, R2,, Rk son observaciones del sistema real y que M1, M2,, Ml son resultados del
modelo. Estos conjuntos de datos se pueden comparar si el modelo es suficientemente fiel de la realidad.
Varias metodologas se pueden llevar a cabo para efectuar dichas comparaciones.

Supervisin

Muchas veces, analistas principiantes hacen una comparacin superficial entre los resultados del modelo y
el sistema real sin utilizar ningn mtodo estadstico, nicamente mediante estadsticos sencillos como la
media o la varianza. Sargent [1996b] discute sobre el uso de grficas con ms detalle. La dificultad de esta
supervisin es que cada estadstico es en esencia una muestra de tamao un que depende de la
poblacin de origen y est a merced de la aleatoriedad de sta.
Ejemplo. Un modelo que represente la vida til de una mquina puede considerar la comparacin de la
vida til media calculada a partir de los resultados del modelo con el valor real observado en una empresa.

Intervalo de confianza

Este mtodo es ms fiable ya que permite obtener diferentes conjuntos independientes de datos a partir de
los cuales poder establecer un intervalo de confianza para un estadstico calculado.

Series temporales

Existen varias propuestas que basan la validacin en algunos tipos de series temporales. Esta
aproximacin requerira solo un conjunto de datos de cada tipo (real y simulado) para poder estudiar y
comparar ambas estructuras de correlaciones. Estas comparaciones estn basadas en anlisis espectral,
series temporales paramtricas o series temporales normales, y todas ellas hacen hiptesis sobre los
datos que raramente se cumplen en la realidad. Por otro lado el nivel de sofisticacin matemtica es ms
elevado y difcil de aplicar que los mtodos anteriores.

6.4. Obtencin de datos tiles

Un modelo de simulacin es vlido nicamente para el fin que fue creado cuando su lgica es correcta y
utiliza datos adecuados.
Si existe un sistema real parecido al que se intenta representar, siempre se pueden aprovechar sus datos
para desarrollar nuestro modelo. Los datos pueden venir de registros histricos o de ensayos de campo.
Como los datos pueden venir de personas ajenas al estudio, entonces el analista debera:
Asegurarse de la calidad de los datos que recibe.
Conocer de dnde provienen los datos y cmo se han obtenido
Ejemplo: Si disponemos de una base de datos y detectamos algunos de ellos que nos parecen anmalos,
debemos de conocer como se han obtenido y de donde para tener ms certeza de lo que representan.
Podran ser errores de medida, errores de registro, o valores correctos poco habituales.
La obtencin de datos no es sencilla y pueden aparecer problemas. En relacin a la disponibilidad de
datos identificamos cinco dificultades concretas:
los datos podran no ser representativos del problema que se quiere simular
los datos podran no estar en un formato adecuado o ser adecuados
siempre existe la posibilidad de que contengan errores de algn tipo
Ejemplo: Si disponemos de datos que representan el tiempo necesario para realizar una actividad estn
redondeados al valor ms prximo de 5 o 10 minutos, esto hace difcil el obtener una funcin de
distribucin continua para esa variable.
Puede estar sesgada o ser de inters muy particular
Puede que emplee de forma inconsistente unidades de medida
La verificacin y validacin de los datos es importante porque entre otras cosas puede permitir detectar
otros errores de la simulacin.

6.5. Modelos de simulacin alternativos

Cuando un analista decide abordar un problema mediante simulacin dispone de varias alternativas que
puede considerar:
Desarrollar un Nuevo modelo de simulacin
Modificar parcialmente o redefinir un modelo ya desarrollado
Reutilizar un modelo con datos nuevos
Si un analista ha de desarrollar un Nuevo modelo, debera aplicar las etapas de desarrollo definidas
anteriormente (Law and Kelton,1999, Captulo 5).
Para modificar parcialmente un modelo de simulacin existente resulta imprescindible disponer de la
documentacin del modelo conceptual. Una falta de documentacin provocada por un deficiente
documentacin puede ser fuente de problemas. No sirve disponer nicamente del cdigo de la aplicacin
informtica.
Si no existiera modelo conceptual se debera construir uno y documentarlo adecuadamente como si se
empezara de nuevo.

En el caso de utilizar la estructura de un modelo de simulacin cuya estructura lgica no se ha modificado

(p.e., nuevos factores productivos, nuevos escenarios, diferente tipo de personal) requiere validarse
igualmente. Cuando cambiamos los datos del modelo puede que el resultado caiga fuera del rango de
variacin para el que fue desarrollado y validado. Conviene:
Interaccionar con el decisor de forma regular
Documentar el modelo conceptual
Verificar el modelo conceptual

7. Bibliografa
Balci, O., Verification, Validation and Testing, in The Handbook of Simulation, J. Banks, ed.,
Chapter 10, John Wiley, New York (1998).
Banks, J., J. S. Carson, and B. L. Nelson, Discrete-Event System Simulation, Second Edition,
Prentice-Hall, Upper Saddle River, NJ (1996).
Carson J. S., Convincing Users of Models Validity Is Challenging Aspect of Modelers Job, Ind.
Eng., 18: 74-85 (June 1986).
Fossett, F. A., D. Harrison, H. Weintrob, and S. I. Gass, An Assessment Procedure for Simulation
Models: A Case Study, Operations Res., 39: 710-723 (1991).
Gass, S. I., Decision-Aiding Models: Validation, Assessment, and Related Issues in Policy Analysis,
Operations Res., 31: 603-631 (1983).
Gass, S. I. and B. W. Thompson, Guidelines for Model Evaluation: An Abridged Version of the U.S.
General Accounting Office Exposure Draft, Operations Res., 28: 431-439 (1980).
Knepell, P. L. and D. C. Arangno, Simulation Validation: A Confidence Assessment Methodology,
IEEE Computer Society Press, Los Alamitos, CA (1993).
Law, A. M. and W. D. Kelton, Simulation Modeling and Analysis, Second Edition, McGraw-Hill, New
York (1991).
Law, A. M. and W. D. Kelton, Simulation Modeling and Analysis, Third Edition, McGraw-Hill, New
York (December 1999).
Montgomery, D. C., Design and Analysis of Experiments, 4th Edition, John Wiley, New York (1997).
Pace, D. K., Verification, Validation, and Accreditation (VV&A), in Applied Modeling and Simulation:
An Integrated Approach to Development and Operation, D. J. Cloud and L. B. Rainey,
eds., pp. 369-410, McGraw-Hill, New York (1998).
Rousseau, G. G. and K. W. Bauer, Sensitivity Analysis of a Large Scale Transportation Simulation
Using Design of Experiments and Factor Analysis, Proc. 1996 Winter Simulation
Conference, San Diego, pp. 1426-1432 (1996).
Sargent, R. G., Verifying and Validating Simulation Models, Proc. 1996 Winter Simulation
Conference, San Diego, pp. 55-64 (1996a).
Sargent, R. G., Some Subjective Validation Methods Using Graphical Displays of Data, Proc. 1996
Winter Simulation Conference, San Diego, pp. 345-351 (1996b).
Schruben, L. W., Establishing the Credibility of Simulations, Simulation, 34:101-105 (1980).
Shannon, R. E., Systems Simulation: The Art and Science, Prentice-Hall, Englewood Cliffs, NJ
(1975).
Turing, A. M., Computing Machinery and Intelligence, Mind, 59: 433-460, (1950).