Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

APUNTES MCIOII:
SIMULACIÓN DE EVENTOS DISCRETOS:
1- CONCEPTOS GENERALES:

SISTEMAS: conjunto de elementos unidos por relaciones de interacción o interdependencia

que buscan un objetivo común.

ATRIBUTO: propiedad de un elemento del sistema.

ACTIVIDAD: todo proceso que provoque un cambio del sistema.

ESTADO: descripción en un instante determinado de:

 Elementos
 Atributos
 Actividades

MODELO: representación externa y explícita de parte de la realidad, tal y como es percibida

por un conjunto de gente que quiere usarlo para entender, modificar, gestionar o controlar
dicha parte de la realidad.

1.1. TIPOS DE SISTEMAS:

 Sistemas estáticos y dinámicos: en función de si varían a lo largo del tiempo.
 Sistemas deterministas y estocásticos: en función de si el comportamiento se puede estimar
o es aleatorio.
 Sistemas continuos y discretos: en función de si los cambios de las variables de estado son
de forma continua a lo largo del tiempo o en ciertos instantes concretos.

1.2. ¿CÓMO PODEMOS ANALIZAR UN SISTEMA?

 Experimentación con el sistema real.
 Experimentación con un modelo del sistema:
- Modelo físico.
- Modelo matemático:
a) Solución analítica.
b) Simulación numérica.

Los modelos físicos están formados por una estructura material que tiene unas
características, en cuanto al objeto de estudio, similares a las del sistema real. Ejemplo de
ello: una maqueta de un edificio, un circuito eléctrico que represente la red de distribución
de agua en una ciudad…

Un modelo matemático representa el sistema por medio de relaciones lógicas y cuantitativas

entre sus variables de estado. Si el modelo es excesivamente complejo o inabordable, habrá
que recurrir a una simulación, que consiste en proporcionar una serie de valores a
determinadas variables de estado y calcular cuál es el valor resultante para el resto de
variables.

1
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

1.3. NECESIDAD DE LA SIMULACIÓN:

- En los sistemas continuos las variables de estado representan la tasa o velocidad de cambio
de otras variables de estado. Esto implica que en la formulación matemática haya EDOs, lo
que hace difícil o imposible la resolución analítica.

- En los sistemas discretos aparecen fenómenos aleatorios que sólo se pueden representar en
términos probabilistas. Esto implica que en su formulación matemática aparezcan funciones
de distribución o de densidad de probabilidad, que dificultan o impiden su resolución
analítica.

- En otras ocasiones, resolver un modelo no es viable en tiempos razonables.

Por estas tres razones, la simulación surge como alternativa cuando no es posible modelar
sistemas de forma analítica o cuando, siendo esto posible, no se puede resolver el modelo
correspondiente.

1.4. FASES EN UN ESTUDIO DE SIMULACIÓN:

1- Definición de objetivos (traduciéndolos de cualitativos a cuantitativos) y del sistema

(con sus elementos, atributos y actividades)
2- Modelo conceptual: modelo lógico y matemático del sistema real. Un modelo debe tener
únicamente el grado necesario de detalle que refleje la esencia del funcionamiento del
sistema desde el punto de vista del propósito para el que se utiliza dicho modelo. De
hecho, introducir un alto nivel de detalle no siempre da lugar a mejoras significativas y
aumenta el tiempo de computación.
3- Validación: comprobar si el modelo refleja fielmente las características del sistema que
representa.
4- Modelo comunicativo: es una interfaz que sirve para transmitir desde los diseñadores
hacia los programadores de forma eficaz y eficiente los objetivos del modelo conceptual.
5- Construcción y verificación del modelo informático: seleccionar el lenguaje de
programación que se va a utilizar. Se puede optar por un lenguaje de propósito general
(C, Fortran, Pascal…) o bien por un lenguaje desarrollado especialmente para la
simulación (Simio, Arena, AnyLogic…)
6- Validación: validar mediante la ejecución de una serie de experimentos piloto.
7- Explotación y diseño de experimentos: se deben definir los experimentos a realizar.
También hay que determinar las condiciones iniciales: longitud de la simulación, número
de repeticiones, resultados que se deben registrar…
8- Elaboración de la documentación e implantación de los resultados: es importante
recalcar las hipótesis sobre las que se ha construido el modelo. Cuánto mejor
documentado y más verosímil sea un modelo de simulación, más probabilidad tendrá de
ser utilizado (será más creíble).

PREGUNTA TEST: AL EJERCICIO DE DETERMINAR SI UN MODELO DE SIMULACIÓN ESTÁ CORRECTAMENTE

PROGRAMADO SE LE DENOMINA… VERIFICACIÓN.
PREGUNTA TEST: EXPLICA QUÉ SE ENTIENDE CUANDO SE DICE QUE UN MODELO ES CREÍBLE:

2
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

UN MODELO ES CREÍBLE CUANDO LOS GESTORES DEL SISTEMA DEPOSITAN CONFIANZA EN ÉL PARA TOMAR
DECISIONES RELATIVAS AL SISTEMA. SI ESTOS NO HAN COLABORADO EN EL ESTUDIO DE SIMULACIÓN O SE
HAN MOSTRADO DESCONFIADOS, EL ESTUDIO RECIBIRÁ POCA DECISIÓN PROBABLEMENTE.

PREGUNTA TEST: EXPLICAR AL MENOS DOS RAZONES POR LAS QUE LA INTERACCIÓN FRECUENTE CON EL
DECISOR DEL SISTEMA AL QUE REFIERE EL ESTUDIO DE SIMULACIÓN FACILITA EL DESARROLLO DE MODELOS
VÁLIDOS:
1. AYUDAN A DEFINIR DE FORMA PRECISA LOS OBJETIVOS DEL ESTUDIO SI AÚN NO ESTÁN BIEN
DEFINIDOS.
2. APORTAN SU CONOCIMIENTO LO QUE AYUDA A GARANTIZAR QUE EL MODELO REPRESENTA DE
FORMA FIEL EL SISTEMA REAL. POR EJEMPLO, IDENTIFICAR QUE HIPÓTESIS SON ADMISIBLES Y CUÁLES
NO.
3. ADEMÁS, OTRA DE LAS VENTAJAS DE INTERACCIÓN CON LOS GESTORES ES LA MAYOR IMPLICACIÓN
DE LOS MISMOS, QUE SE TRADUCE EN UNA MAYOR CREDIBILIDAD DEL MODELO.

PREGUNTA TEST: V O F: LA CREDIBILIDAD DE UN MODELO RADICA FUNDAMENTAL Y CASI

EXCLUSIVAMENTE EN EL RIGOR DESARROLLADO POR EL EQUIPO DE PROYECTO EN LO QUE SE REFIERE O LA
VALIDEZ DEL MODELO Y LA MEDIDA EN QUE SE CUMPLEN LOS OBJETIVOS DEL PROYECTO CON EL OBJETIVO
DESARROLLADO: FALSO.

PREGUNTA TEST: EXPLICA ALGÚN EJEMPLO DE TÉCNICA DE VALIDACIÓN QUE PODEMOS APLICAR A UN
MODELO DE SIMULACIÓN PARA LA GESTIÓN DE STOCKS:

- DETERMINACIÓN DEL NIVEL DE DETALLE ADECUADO Y ACORDE CON LOS OBJETIVOS DE

ESTUDIO NECESARIOS PARA ACUMULAR LOS DISTINTOS STOCKS.
- RECOGIDA DE INFO CORRECTA: A PARTIR DE DATOS HISTÓRICOS, TOMAS DE TIEMPO
ADICIONALES PARA LA REALIZACIÓN DEL MODELO O MEDIANTE LA OPINIÓN DE EXPERTOS.
- INTERACCIÓN CON LOS GESTORES Y EXPERTOS: PUEDEN AYUDAR A DEFINIR DE FORMA
EFICAZ LOS OBJETIVOS DE ESTUDIO Y APORTAN SU CONOCIMIENTO PARA AYUDARNOS A
GARANTIZAR UN MODELO FIEL AL SISTEMA REAL.

1.5. VENTAJAS DE LA SIMULACIÓN:

1) A veces la simulación es la única vía para estudiar un sistema.

2) Permite estimar el comportamiento de un sistema existente bajo un conjunto
previsto de condiciones operativas.
3) Puedo hacer experimentos para valorar distintas alternativas para conseguir el
objetivo formulado.
4) La simulación permite estudiar un sistema cuya evolución es muy dilatada en el
tiempo en un periodo de tiempo reducido.

1.6. INCONVENIENTES DE LA SIMULACIÓN:

1) Hay que realizar muchas repeticiones para obtener una muestra representativa del
estudio del sistema.
2) Los modelos de simulación consumen una cantidad elevada de recursos técnicos y
humanos durante un tiempo prolongado.
3) Si un modelo de simulación no proporciona una representación “válida” del sistema
real, la información que suministra puede conducir a toma de decisiones erróneas.

3
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

PREGUNTA TEST: ¿POR QUÉ NECESITO MÁS DE UNA REPLICACIÓN PARA OBTENER UNA VARIABLE DE
SALIDA?

CADA EJECUCIÓN DE UN MODELO ESTOCÁSTICO DE SIMULACIÓN DA COMO RESULTADO ÚNICAMENTE UNA

ESTIMACIÓN DE LAS CARACTERÍSTICAS O COMPORTAMIENTO DEL MODELO PARA UN CONJUNTO
PARTICULAR DE VALORES DE VARIABLES DE ENTRADA. HAY QUE REALIZAR UNA SERIE DE REPLICACIONES
PARA OBTENER UNA MUESTRA REPRESENTATIVA DEL SISTEMA.

1.7. SIMULACIÓN DE SISTEMAS DISCRETOS:

Los sistemas productivos evolucionan a lo largo del tiempo, es decir, tienen una
naturaleza dinámica. En cuanto a cómo evolucionan, es cierto que algunos lo hacen de
forma continua, pero otros son discretos ya que los cambios de estado se producen en
instantes concretos (llegada de materia prima, de clientes, inicio y finalización de
fabricación de lotes…).

1.8. ¿CÓMO AVANZA EL TIEMPO EN UNA SIMULACIÓN?

Como ya hemos explicado antes, una de las ventajas que nos ofrece la simulación es el
poder estudiar un sistema cuya evolución en el tiempo es muy dilatada en un periodo de
tiempo reducido. Esto es porque durante la simulación se lleva a cabo un registro del
valor actual del tiempo simulado mientras se desarrolla el experimento de simulación,
así como un mecanismo para hacer avanzar este tiempo de un valor a otro. Por así
decirlo, es como si tuviésemos la capacidad de viajar hacia el futuro en un instante y
guardar en nuestra memoria el tiempo que realmente hubiésemos necesitado para llegar
a ese momento.

A la variable que determina el tiempo actual en un experimento de simulación se le suele

llamar “reloj” y su unidad de tiempo no corresponde con los minutos, sino con la unidad
utilizada para las variables de entrada.

NOTA: No suele existir ninguna correspondencia entre la unidad de tiempo

elegida y el tiempo del ordenador necesario para ejecutar un experimento
de simulación.

1.8.1. INTERVALOS DE TIEMPO VARIABLES:

Para entender bien cómo funciona hay que definir primero los siguientes conceptos:

- Estado del sistema: conjunto de variables de estado necesarias para

describir un sistema en un instante determinado de tiempo.
- Reloj: variable que recoge el valor actual del tiempo simulado.
- Lista de sucesos: lista que recoge el siguiente instante en que va a ocurrir
cada tipo de suceso.
- Estadísticas: variables utilizadas para almacenar información estadística
sobre el funcionamiento del modelo.
- Rutina de inicialización: subprograma para inicializar el modelo de
simulación en el instante 0.

4
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

- Rutina de tiempo: subprograma que determina el siguiente suceso de la

lista de sucesos y avanza el reloj al instante en que este suceso se produce.
- Rutina de sucesos: subprograma que actualiza el estado del sistema cuando
ocurre un tipo particular de suceso (existe una rutina de sucesos para cada
tipo de sucesos).
- Librería de rutinas: conjunto de programas utilizados para generar
observaciones aleatorias de las distribuciones de probabilidad
correspondientes a los sucesos aleatorios del modelo.
- Generador de informes: subprograma que, a partir de las estadísticas,
calcula las estimaciones de las medidas de funcionamiento del modelo y
produce un informe cuando ha terminado la simulación.
- Programa principal: subprograma que llama a la rutina de tiempo para
determinar la ocurrencia del próximo suceso y transfiere el control a la
rutina de sucesos correspondiente para actualizar el estado del sistema.
También chequea la terminación del experimento y llama al generador de
informes cuando el experimento ha terminado.

En el caso de intervalos de tiempos variables, se inicializa el reloj a cero (rutina

de inicialización) y se determinan los instantes de ocurrencia de los sucesos de
cada tipo más cercanos en el tiempo (la rutina de tiempo localiza en la lista de
sucesos los sucesos próximos). Seguidamente se avanza rápido en el tiempo
hasta el suceso próximo (la rutina de tiempo). A continuación, toca actualizar el
estado del sistema (la rutina de sucesos). Detrás de todas estas rutinas, está el
programa principal gestionando las llamadas a dichas rutinas. Después, el
programa principal chequea la terminación del experimento y avisa al
generador de informes.

1.8.2. INTERVALOS DE TIEMPO FIJOS:

Este método es más sencillo. El reloj avanza en incrementos de igual valor y

después de cada intervalo se chequea si han ocurrido sucesos. Considera que
los sucesos han ocurrido al final del intervalo y acorde a ello, se actualiza el
estado del sistema. Esto hace que tenga dos desventajas:

- Error cometido al suponer que los sucesos ocurren al final del intervalo.
- Si ocurren varios sucesos en un intervalo, no sabemos cuál ha ocurrido
primero.

Podemos paliar estos dos fallos creando intervalos de tiempo muy pequeños,
pero esto hará que aumente el tiempo de ejecución del modelo.

PREGUNTA DEL TEST: INDICAR AL MENOS 5 ELEMENTOS DE LOS QUE ESTÁ COMPUESTO UN
MODELO DE SIMULACIÓN DE EVENTOS DISCRETOS: RELOJ, LISTA DE SUCESOS, RUTINA DE
SUCESOS, ESTADÍSTICAS, PROGRAMA PRINCIPAL, GENERADOR DE INFORMES, RUTINA DE
TIEMPO, RUTINA DE INICIALIZACIÓN, ESTADO DEL ESTEMA.

5
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

1.9. VARIABLES DE ENTRADA, DE SALIDA Y PARÁMETROS DE DISEÑO:

Como hemos comentado antes, al realizar un estudio de simulación es

importante definir el sistema y los objetivos que se pretenden conseguir con el
estudio. Esto es debido a que necesitamos:

- Un nivel de detalle adecuado (ni pobre ni abundante).

- Una definición clara de los objetivos y la definición precisa del problema.
- Unas variables de salida adecuadas.

PREGUNTA DE TEST: V O F: DESARROLLAR CON UN ELEVADO NIVEL DE DETALLE EL MODELO DE

SIMULACIÓN PUEDE TENER EFECTOS SOBRE EL TIEMPO DE EJECUCIÓN DEL MODELO
(DETERIORÁNDOLO) SIN PROPORCIONAR UNA MEJORA SIGNIFICATIVA DE LA MEDIDA EN LA QUE
EL MODELO REPRESENTA EL SISTEMA ESTUDIADO.  VERDAD VERDADERA.

PREGUNTA DE TEST: ERRORES FRECUENTES EN EL DESARROLLO DE ESTUDIOS DE SIMULACIÓN:

- FIJAR UN NIVEL DE DETALLE INADECUADO PARA EL MODELO.

- USAR FUNCIONES DE DISTRIBUCIÓN NO ADECUADAS PARA LOS FENÓMENOS QUE TIENEN
LUGAR EN EL SISTEMA OBJETO DE ESTUDIO.
- NO DEFINIR CORRECTAMENTE LOS OBJETIVOS DE ESTUDIO.
- ANALIZAR LOS RESULTADOS DE LA SIMULACIÓN CONSIDERANDO, EN LAS FÓRMULAS
ESTADÍSTICAS UTILIZADAS, QUE TODOS LOS VALORES SON INDEPENDIENTES.
- REALIZAR UN NÚMERO DE REPETICIONES MENOR AL NECESARIO Y CONSIDERAR
SIGNIFICATIVOS LOS RESULTADOS OBTENIDOS.

Variables de entrada: son aquellas que corresponden a fenómenos del sistema

real sobre las que no tenemos ningún control.

Parámetros de diseño: representan aquellas características del sistema sobre

las que se tiene control y que determinan la configuración del sistema.

Variables de salida: son aquellas que permiten caracterizar el sistema para una
determinada configuración y que están estrechamente ligadas a los objetivos de
estudio.

PREGUNTA DEL TEST: INDICAR UN POSIBLE ERROR COMETIDO AL EXPLOTAR UN MODELO DE

SIMULACIÓN EN LO RELATIVO AL ANÁLISIS DE LOS RESULTADOS DE LAS VARIABLES DE SALIDA.

REALIZAR UN NÚMERO DE REPETICIONES MENOR AL ADECUADO Y CONSIDERAR SIGNIFICATIVOS

LOS RESULTADOS OBTENIDOS.

ANALIZAR LOS DATOS RESULTANTES DE LA SIMULACIÓN CONSIDERANDO, EN LAS FÓRMULAS

ESTADÍSTICAS UTILIZADAS, QUE TODOS LOS VALORES SON INDEPENDIENTES.

6
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

2- REPASO DE ESTADÍSTICA:

a. VARIABLES ALEATORIAS:

De una variable determinista se sabe con certeza qué valor toma. Sin embargo,
de una variable aleatoria no se sabe con certeza qué valor toma, pero si se
puede tomar valores dentro de un determinado rango, de tal manera que existe
una determinada probabilidad de que la variable tome un determinado valor
dentro de dicho rango.

Podemos clasificarlas en función de:

- El tipo de valores que toman: continuas o discretas.

- El origen de los datos: empíricas o teóricas.

PREGUNTA DE TEST: UNA FUNCIÓN EMPÍRICA DEVUELVE VALORES FUERA DEL RANGO
GENERADO POR LOS VALORES MAYOR Y MENOR  FALSO. EN LAS EMPÍRICAS, LA
PROBABILIDAD ASIGNADA A CADA POSIBLE VALOR DE LA VARIABLE ALEATORIA SE FORMULA A
PARTIR DE OBSERVACIONES DEL PROPIO SISTEMA OBJETO DE ESTUDIO.

b. FUNCIÓN DE DISTRIBUCIÓN, FUNCIÓN DE PROBABILIDAD Y FUNCIÓN DE

DENSIDAD:

- Acumulada: dada una variable aleatoria X, la función de distribución

relaciona cada posible valor de la variable aleatoria con la probabilidad de
que dicha variable aleatoria tome un valor menor o igual que aquél. Es decir:
F(X)= p(X<=x)
F(x) tiene saltos en los puntos de probabilidad no nula del espacio muestral
y es constante en los intervalos entre los puntos de salto.

- Puntual: es conocida como función de probabilidad o función de densidad:

f(x) = p(X=x).

NOTA:
o La inversa de la función de distribución se utiliza para obtener
valores de una variable aleatoria dado un número aleatorio entre 0
y 1.
o La función cuartil de una variable aleatoria (o de una ley de
probabilidad) es la inversa de su acumulada.
F-1(y), y ϵ [0,1] es el único valor real tal que F(x)= y.
Se puede emplear para trasladar resultados obtenidos para la
distribución uniforme a otras distribuciones.
o El conocimiento de la función de densidad f(x) permite calcular
cualquier probabilidad por integración.
o Se dice que una variable aleatoria continua es uniforme en un
intervalo (a,b) si su función de densidad es constante en dicho
intervalo y nula fuera de él.

7
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

o La derivada de F(x) proporciona la función de distribución (en el

𝑑𝐹(𝑥)
caso de variables continuas) 𝑓(𝑥) = 𝑑𝑥
.
o
En el caso discreto, la diferencia entre dos valores consecutivos
distintos de F(x) proporcionan la función de probabilidad.
c. MEDIA Y VARIANZA:

Media  permite caracterizar la tendencia central de la variable.

Varianza  permite caracterizar la dispersión de los valores alrededor de la media.

d. VARIABLES ALEATORIAS CON DISTRIBUCIÓN CONTINUA:

1. Uniforme U(a,b) : se usa para variables que varían de forma aparentemente

uniforme entre los valores (a,b). La base para generar variables aleatorias es U(0,1).
2. Exponencial Exp (β): representa eventos que suceden con una tasa constante.
Ejemplo: tiempo entre llegada de clientes, tiempo transcurrido entre fallos de una
máquina.
3. Gamma (α,β): representa tiempos de ocupación, por ejemplo: el tiempo en
completar una tarea, tiempo de atención a alumnos…
4. Weibull (α,β): sirve para lo mismo que la gamma.
5. Normal N(μ,σ2): representa acumulación de cosas, es decir, suma de cantidades
como por ejemplo errores.
6. Normal – logarítmica (μ,σ2): representa tiempos para realizar tareas o cantidades
que son el producto de otras cantidades.
7. Beta (β1, β2): se utiliza para el modelado en ausencia de datos, para la distribución
del número de piezas defectuosas de un lote o para tiempos en completar tareas.
8. Triangular (a,b,c): primera aproximación a una variable en ausencia de datos.

e. VARIABLES ALEATORIAS CON DISTRIBUCIÓN DISCRETA:

1. Uniforme discreta (i,j) : se emplea para el modelado aproximado en ausencia de

datos que aparentemente varía entre dos extremos.
2. Poisson (ʎ): sirve para representar eventos que ocurren en un intervalo de tiempo
con una tasa constante (piezas fabricadas/hora).

2.6. ESTIMACIÓN DE PARÁMETROS:

El método del estimador máximo verosímil consiste en utilizar una función que
representa la probabilidad de que (si la variable de estudio se comporta de acuerdo
a una función de probabilidad p0) cuando generamos n valores de la variable,
obtengamos concreamente los valores x1 , x2, xn.

2.7. AJUSTE DE DATOS. TEST DE LA X2:

Este test permite comprobar si un conjunto de observaciones son una muestra

independiente de una distribución. Consiste en tres etapas:

8
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

1) Comprobación de independencia de las observaciones.

Esta etapa es sencilla, pues basta con observar los gráficos de las observaciones.

En la figura de la izquierda observamos que hay una muestra lo suficientemente

dispersa como para asegurar la independencia de las observaciones. No
podemos decir lo mismo de la figura de la derecha.

2) Formulación de la hipótesis de contraste:

Consiste en hacer una gráfica que represente las observaciones y observar a qué
distribución se asemeja. Una vez que hemos encontrado la distribución,
podemos formular la hipótesis H0 , también llamada hipótesis nula.

La hipótesis nula es la hipótesis que se contrasta. El nombre de nula proviene de

que H0 es la hipótesis que mantenemos a no ser que los datos indiquen su
falsedad, y debe entenderse por tanto, como “neutra”. Esta hipótesis nunca se
puede considerar probada, aunque puede ser rechazada por los datos. No puede
ser demostrada ya que habría que estudiar todos los elementos de la muestra.

3) Determinación del estadístico de contraste.

Si se cumple que el valor experimental es mayor al estadístico teórico, se

rechaza la hipótesis. En caso contrario, no hay evidencia estadística para
rechazarlo.

2.8. INTERVALOS DE CONFIANZA:

Dado el carácter estocástico de las variables de entrada, es lógico y predecible que

las variables de salida sean aleatorias.

9
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

Es interesante calcular un intervalo en el cual la media de la variable de salida esté

contenida con una determinada probabilidad.

Si el tamaño de la muestra “n” es muy grande, entonces podemos decir, gracias al

teorema central del límite, que la variable de salida sigue una distribución normal
N(0,1), independientemente de la distribución que tenga la variable aleatoria. En
caso contrario, la variable seguirá una distribución t de Student con n-1 grados de
libertad.

NOTA: Podemos comparar distintas alternativas utilizando intervalos de confianza.

De hecho, en el trabajo de SIMIO que hemos realizado buscábamos la opción que
nos diese mayor beneficio. Por ello, elegimos aquella alternativa que tenía mayor
media para esta variable de salida y cuyo intervalo de confianza no fuese
extremadamente grande.

PREGUNTA DE TEST: INDICAR UN POSIBLE ERROR COMETIDO AL EXPLOTAR UN MODELO DE

SIMULACIÓN EN LO RELATIVO AL ANÁLISIS DE LOS RESULTADOS DE LAS VARIABLES DE SALIDA:

1. CONSIDERAR QUE LAS OBSERVACIONES SON INDEPENDIENTES SIN ANALIZARLO AL MENOS DE

FORMA GRÁFICA.
2. NO HACER UN NÚMERO DE REPETICIONES SUFICIENTEMENTE ALTO.

PREGUNTA DE TEST: LOS EXTREMOS DEL INTERVALO DE CONFIANZA PARA LA MEDIDA DE UNA
𝛼 𝑆 2 (𝑛)
VARIABLE DE SALIDA X VIENEN DADOS POR LA EXPRESIÓN X(N) + - 1 -2 √ 𝑛
. INDICAR LA CORRECTA:

LA PROBABILIDAD DE QUE LA MEDIA ESTÉ CONTENIDA EN DICHO INTERVALO ES 1 – 𝛼.

PREGUNTA AÑADIDA: EN LA EXPRESIÓN ANTERIOR, SI ALFA ES MUY ELEVADO, ¿QUÉ SE PUEDE DECIR
DE LA AMPLITUD DEL INTERVALO Y DE LA CALIDAD DE LA INFORMACIÓN QUE PROPORCIONA?

ESTA EXPRESIÓN REPRESENTA LOS EXTREMOS DE LOS INTERVALOS DE CONFIANZA PARA LA MEDIA DE
UNA VARIABLE DE SALIDA X. LA PROBABILIDAD DE QUE LA MEDIA ESTÉ CONTENIDA EN DICHO
INTERVALO DISMINUYE Y LA VALIDAD DE LA INFORMACIÓN TAMBIÉN.

NOTA: LA INFO QUE OFRECE UN INTERVALO DE CONFIANZA ES MAYOR CUANTO MENOR SEA SU
AMPLITUD Y CUANTO MAYOR SEA LA PROBABILIDAD DE QUE EFECTIVAMENTE CONTENGA A LA MEDIA

3- RECOGIDA, ANÁLISIS Y GENERACIÓN DE DATOS DE ENTRADA:

3.1. ALTERNATIVAS PARA ALIMENTAR UN MODELO DE SIMULACIÓN:

 Alimentar el modelo de datos históricos tal y como se han recogido. Esto

es interesante desde el punto de vista de la validación del modelo, es
decir, para confirmar que el modelo representa de forma adecuada el
sistema estudiado.
 Construir una función de distribución empírica y generar valores de
acuerdo con dicha distribución. Es importante recordar que una función

10
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

empírica es aquella que se formula a partir de las observaciones del

propio sistema objeto de estudio.
 Realizar un ajuste de los datos históricos a una función de distribución
teórica, es decir, una función que se formula en términos analíticos y que
no procede de ningún conjunto de observaciones del sistema real.

La última alternativa es la más interesante en vista a la calidad de la

simulación. Sin embargo, con esta alternativa es posible obtener valores
fuera del rango de los datos originales, con lo que se gana generalidad
en el modelo. Lo bueno es que se evitan trasladar posibles
irregularidades de los datos históricos.

3.2. GENERACIÓN DE VALORES DE LAS VARIABLES DE ENTRADA:

3.2.1. Generación de números aleatorios:

Para generar números aleatorios en un intervalo [0,1] se puede utilizar

el procedimiento de Lehmer o de las congruencias:

3.2.2. Generación de variables aleatorias:

Cuando existe una función de distribución de una variable aleatoria a

partir de la cual es posible calcular de forma explícita la distribución
inversa mediante una expresión analítica, una manera de obtener
valores de dicha variable es generando números aleatorios entre 0 y 1 y
para cada uno de ellos obtener F-1(n).

4- CONSTRUCCIÓN DEL MODELO. VERIFICACIÓN, VALIDACIÓN Y

CREDIBILIDAD:
 Validez: un modelo es más valido cuanto mejor representa el sistema objeto de estudio
con respecto a los objetivos del estudio.
 Verificación: consiste en realizar actividades orientadas a garantizar la correcta
programación del modelo de simulación.
 Credibilidad: radica en la confianza que los gestores depositan en él para tomar
decisiones relativas al sistema. Validez y veracidad contribuyen a que un modelo sea
creíble, pero no lo garantizan.

4.1. VERIFICACIÓN:

 Enfoque modular  es más sencillo corregir pequeños fragmentos de código que el

código entero.
 De lo sencillo a lo complicado  los detalles se añaden después, cuando la parte general
funciona.
 Contrastes de grupo  dos piensan mejor que uno.

11
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

 Ejecución de una amplia variedad de configuraciones  hay que ver como funciona ante
distintas situaciones.
 Ejecución paso a paso  poner breakpoint en lugares concretos donde queremos ver si
el programa funciona bien nos ayuda mucho.
 Ejecución de hipótesis simplificadas  si simplificamos la hipótesis de funcionamiento
en elementos distintos a aquellos que queremos verificar, podemos identificar posibles
errores en la parte que estamos analizando.
 Herramientas del entorno de simulación  cuanto mejor conozcamos el programa con
el que estamos realizando la simulación, trabajaremos menos porque podremos utilizar
instrucciones que ya están hechas.
 Utilización de las herramientas de animación  por ejemplo, en simio podemos ver
cómo avanzan las entidades. Este tipo de herramientas visuales nos permiten localizar
estaciones donde hay fallos, por ejemplo.

4.2. VALIDACIÓN:

 Determinación del nivel de detalle adecuado y acorde con los objetivos de estudio.  a
partir de cierto nivel de detalle, los resultados que se obtienen no son suficientemente
mejores como para que el modelo resultante sea interesante. Un nivel de detalle
superior al necesario entraña mayores costes y mayores tiempos de desarrollo y
ejecución.
 Explicitación del modelo conceptual  las hipótesis que se han llevado a cabo (tanto
explícitas como implícitas) tienen que estar registradas. Si el enfoque es modular y cada
equipo se encarga de un módulo de la simulación, todos los equipos tienen que poder
acceder a las hipótesis asumidas por los demás.
 Recogida de información correcta  hay que tener información sobre el régimen de
funcionamiento habitual y no trabajar con datos correspondientes a situaciones
extremas.
 Interacción con los gestores y expertos  son los que mejor nos pueden ayudar a definir
de forma precisa los objetivos de estudio. Además nos aportan un conocimiento muy
amplio sobre que hipótesis son buenas y cuáles no. Recordemos también que a mayor
implicación de los mismos, mayor credibilidad del modelo.

5- EXPLOTACIÓN DE UN MODELO DE SIMULACIÓN. ANÁLISIS DE DATOS DE

SALIDA:
5.1. TIPOS DE SIMULACIÓN:

 Simulación limitada (con terminación)  la duración del periodo de tiempo objeto de

estudio está delimitado por algún tipo de evento. Se debe procurar que las condiciones
iniciales sean representativas del sistema real.
 Simulación ilimitada (o sin terminación)  no existe un horizonte temporal
determinado.
- Con régimen permanente  el comportamiento del sistema se estabiliza
pasado un determinado tiempo. Se atraviesa un periodo transitorio durante
el cual se obtienen valores que generalmente no son representativos. Una

12
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

vez alcanzado el régimen permanente, las variables de salida ofrecen una

función de distribución constante.
- Con régimen permanente cíclico
- Sin régimen permanente.

5.2. ANÁLISIS EN SIMULACIÓN LIMITADA:

1. Seleccionar las condiciones iniciales  tienen que representar la situación en la que

se encuentra el sistema real.

2. Estimación de parámetros indicadores como la media de las variables de salida.

La calidad del intervalo de confianza de la media depende de dos cosas: su amplitud

(cuanto menor, mejor) y el nivel de confianza (cuanto menor alfa, mejor).

Existen tres métodos para reducir la amplitud del intervalo de confianza:

1. Realizar más replicaciones.

2. Aumentar el valor de alfa.
3. Técnicas de reducción de la varianza.

5.3. ANÁLISIS EN SIMULACIÓN ILIMITADA CON RÉGIMEN PERMANENTE:

1- Identificar a partir de qué momento se ha alcanzado el régimen permanente.

2- Realizar estimaciones correctas de los indicadores que caracterizan el
funcionamiento de sistema.

5.4. CÁLCULO DEL TIEMPO DE CALENTAMIENTO:

En una simulación ilimitada con régimen permanente, no es crítica la selección de

condiciones iniciales, porque tarde o temprano se alcanza dicho régimen. Sin
embargo, en una simulación ilimitada con régimen transitorio si es crítica dicha
selección.

El tiempo de calentamiento es el tiempo que debe transcurrir para que el sistema

alcance el régimen permanente.

 Si elegimos un tiempo de calentamiento muy corto, puede ser que los

valores de análisis no representen el régimen permanente. Esto da lugar a
valores de variables de salida erróneos.
 Si fijamos un tiempo de calentamiento muy alto, existen garantías de que los
valores que salgan serán representativos. No obstante, perdemos mucha
eficacia.

13
 Rocío ÁLVAREZ-REMENTERÍA MUÑOZ – ETSII – UPM

ANOTACIONES:

 Extreme Condition Test: consiste en evaluar el modelo de simulación con unas

condiciones que se encuentran fuera del rango para el que fue creado por si este se
extiende y ver si el modelo genera un comportamiento previsible para estas condiciones
estremas.
 Si usamos una distribución normal N(0,1) como variable de entrada puede dar lugar a la
aparición de valores negativos de dicha variable cuando estos pueden no tener sentido
en el contexto del sistema representado con el modelo.
 La función de distribución devuelve valores entre 0 y 1 y su inversa se puede utilizar
parar obtener valores de una variable de entrada.

14