UNIVERSIDAD DE SAN BUENAVENTURA CALI

INGENIERIA INDUSTRIAL
SIMULACIÓN Y TEORÍA DE COLAS
Ensayo Escrito: Simulación Discreta de Eventos
Santiago de Cali
2013-2

INTEGRANTES

RENATO OSPINA CUAN 1131070

IVAN MAURICIO RIOS S. 1096024

RESUMEN

La simulación discreta de eventos es una técnica para imitar situaciones o eventos reales con la
ayuda de un software y/o equipos informáticos para el desarrollo de modelos de los eventos o
situaciones estudiados. Los modelos empleados en ésta simulación pueden permitir evaluar el
comportamiento del sistema en diferentes situaciones, lo que ayuda a que en el caso de necesitar
o de observar que es necesario realizar alguna modificación, ésta se pueda realizar en el modelo
utilizado y no en el evento real, reduciendo así pérdidas bien sea de tiempos o de dinero por la
realización de ensayos en los eventos.
Se puede utilizar cuando no hay un modelo que se pueda entender de manera sencilla, es decir,
cuando conocer el sistema no basta para determinar las decisiones que se deben tomar para
resolver un problema. Tiene ventajas muy grandes en el área de producción como lo
mencionamos anteriormente, puesto que permite ahorrar costos y riesgos significativos cuando
no se puede predecir lo que sucederá en el sistema si ocurre un suceso determinado.

INTRODUCCIÓN

La simulación es una gran herramienta que permite a personas que trabajan en muchas
disciplinas distintas hacer una idea de las diferentes situaciones que pueden presentarse en los
eventos o situaciones en un sistema. La simulación discreta lo que permite es utilizar un modelo
matemático junto con un software para ayudar a conocer estas situaciones y así poder tomar la
mejor decisión frente a los problemas presentados.
En este trabajo trataremos desde la definición de la simulación discreta de eventos para poder
ambientarnos un poco más con el tema de aprendizaje, hasta la aplicación que puede tener la
misma en las organizaciones, mas aun en el área de producción, para relacionarnos con
ejemplos de situaciones que se pueden presentar en la vida real.
Es también importante conocer algunos tipos de Simulaciones que pueden existir y que se
pueden llegar a implementar en eventos reales y sus componentes o funcionamiento, así como
los complementos que pueden tener estos modelos de simulación para que sea de mayor
facilidad su implementación como los son Software que estén unidos a este tipo de simulación y
que se utilicen con mayor frecuencia. Con la ayuda de estos Software específicos para el
desarrollo de modelos de los sistemas, es posible evaluar el comportamiento del mismo en
diferentes situaciones, sobre el modelo y no sobre el propio sistema.
DEFINICIÓN DE SIMULACIÓN DISCRETA

Dentro de la clasificación de los sistemas, encontramos el discreto, en el cual las variables de

estado cambian instantáneamente en puntos distintos en el tiempo. Se rige por ecuaciones
lógicas que expresan condiciones para que un evento ocurra.
La simulación discreta, consiste en seguir los cambios en el estado del sistema en cada uno de
los eventos que se realizan. Este tipo de simulación se realiza siguiendo la secuencia de
ocurrencia de eventos, es decir se avanza en la simulación al tiempo de la ocurrencia del
siguiente evento.
La simulación discreta es el desarrollo de un modelo lógico matemático de un sistema, de tal
forma que se puede llegar a imitar una operación de un proceso real a través del tiempo. Es de
gran ayuda en el área de producción, puesto que permite ahorrar costos y riesgos significativos
cuando no se puede predecir lo que sucederá en el sistema cuando se presente un evento.
La simulación se ha aplicado a diferentes tipos de problemas, que pueden consistir tanto en el
diseño de sistemas (plantas de producción, líneas de montaje, “call centers”, etc.) como para el
estudio de modificaciones de sistemas existentes. También, se han realizado estudios de
simulación en numerosos sectores: fabricación, distribución física, transporte de personas y
mercancías, servicios sanitarios, procesos administrativos, etc. Otros ejemplos se pueden ver en
el análisis de flujo de personas en el supermercado, involucra el tiempo que tarda una persona
en las distancias aéreas del supermercado y el contador de salida de un sistema discreto, así
como el análisis del tráfico de buses en una central camionera, el control de tráfico de trenes en
una estación, aviones en el aeropuerto, vehículos en una autopista, buques en el puerto. Otro
ejemplo puede ser un banco, dado que las variables de estado como pueden ser el número de
clientes dentro del banco, que puede cambiar cuando llega un nuevo cliente o bien cuando un
cliente termina de ser atendido por un cajero y abandona el banco.

ALGUNOS USOS DE LA SIMULACIÓN

Las áreas de aplicación de la simulación son muy amplias, numerosas y diversas, basta
mencionar sólo algunas de ellas: Análisis del impacto ambiental causado por diversas fuentes
Análisis y diseño de sistemas de manufactura, Análisis y diseño de sistemas de comunicaciones,
Planeación para la producción de bienes, Análisis financiero de sistemas económicos.
La simulación se utiliza en la etapa de diseño para ayudar en el logro o mejoramiento de un
proceso o diseño o bien a un sistema ya existente para explorar algunas modificaciones.
Se recomienda la aplicación de la simulación a sistemas ya existentes cuando existe algún
problema de operación o bien cuando se requiere llevar a cabo una mejora en el
comportamiento. El efecto que sobre el sistema ocurre cuando se cambia alguno de sus
componentes se puede examinar antes de que ocurra el cambio físico en la planta para asegurar
que el problema de operación se soluciona o bien para determinar el medio más económico para
lograr la mejora deseada. Todos los modelos de simulación se llaman modelos de entrada-
salida. Es decir, producen la salida del sistema si se les da la entrada a sus subsistemas.

COMPONENTES DE LOS MODELOS DE SIMULACIÓN DE EVENTOS DISCRETOS

(MSED)

Reloj de simulación
Es la variable del modelo que proporciona el valor actualizado del tiempo simulado. El tiempo
marcado por el reloj de simulación hace explícito el paso del tiempo a lo largo del modelo.

Entidades
Son los elementos dinámicos que se simulan a través del modelo, cambian de estatus, afectan y
son afectados por otras entidades y son los protagonistas de los eventos de estudio del modelo.
Atributos
Son las características de las entidades, con las cuales se describen y diferencian.

Eventos
Es todo aquello que puede ocurrir durante la simulación en función del proceso que estamos
estudiando.

Variables
Las variables definen el modelo y reflejan una característica del conjunto, no de entidades
específicas. Son especificaciones que se mantienen a lo largo del modelo, aunque sus valores
pueden cambiar durante el proceso de simulación, y van a definir el entorno de la simulación
afectándolo a lo largo de todo el proceso.

Recursos
Definidos en un tiempo determinado, su consumo lleva asociado el gasto de una serie de
unidades de dichos recursos en momentos de tiempo concretos.

Acumuladores estadísticos
Son variables que acumulan la información de lo que ha pasado sin participar en el suceso
mismo, es decir, son pasivos. Dependen de la caracterización de los resultados pedidos al
modelo. Al final de la simulación, se usan para obtener el resultado final, y las medidas de éstos
(cocientes coste efectividad).

Colas
Cuando se utiliza un recurso, éste deja de estar disponible, lo cual puede generar colas en el
sistema.

Retrasos
Se pueden generar 2 tipos de retrasos: explícitos, que son los que se generan por algún tipo de
acción o proceso, e implícitos, causados por otras acciones o condiciones en la simulación del
modelo.

Ecuaciones de riesgo y generadores de números aleatorios

Las primeras se refieren a ecuaciones que se aplican de forma individual a cada individuo del
modelo, y pueden ser: funciones (lineales, logarítmicas, de riesgo etc.) o distribuciones
estadísticas de probabilidad (normal, exponencial, weibull, beta, gamma, etc.).
Los números aleatorios se generan mediante algoritmos computacionales avanzados para
asegurar la aleatorización y crear el comportamiento estocástico del modelo, y se basan en
variables seudoaleatorias, creadas a través de un procedimiento determinístico.

Funcionamiento y software para su realización

La simulación arranca con la puesta en marcha del reloj de simulación, tras lo cual se da la
lectura de los diferentes valores iniciales, introducidos en él, como las características, los
detalles del manejo de los eventos y los costes en función del tratamiento asignado. Estos
valores de entrada son almacenados y leídos por el modelo diseñado en el software de
simulación empleado.
TIPOS DE MODELOS DE SIMULACIÓN.

MODELOS DE SIMULACIÓN CONTINUOS VS DISCRETOS

Los modelos de simulación discretos y continuos, se definen de manera análoga a los sistemas
discretos y continuos respectivamente. Pero debe entenderse que un modelo discreto de
simulación no siempre se usa para modelar un sistema discreto. La decisión de utilizar un
modelo discreto o continuo para simular un sistema en particular, depende de los objetivos
específicos de estudio. Por ejemplo: un modelo de flujo de tráfico en una supercarretera, puede
ser discreto si las características y movimientos de los vehículos en forma individual es
importante. En cambio si los vehículos pueden considerarse como un agregado en el flujo de
tráfico entonces se puede usar un modelo basado en ecuaciones diferenciales presentes en un
modelo continuo.

LA SIMULACION DE MONTECARLO

La simulación de Montecarlo es una técnica que combina conceptos estadísticos (muestreo

aleatorio) con la capacidad que tienen los ordenadores para generar números pseudo-aleatorios
y automatizar cálculos. Se ha aplicado a una variedad de situaciones como alternativa a los
modelos matemáticos exactos o incluso como único medio de estimar soluciones para
problemas complejos. Está presente donde el comportamiento aleatorio o probabilístico
desempeña un papel fundamental, como el comportamiento de instrumentos financieros.
La simulación de Montecarlo es una técnica cuantitativa que hace uso de la estadística y
computadores para imitar, mediante modelos matemáticos, el comportamiento aleatorio de
sistemas reales no dinámicos.
La clave de esta simulación consiste en crear un modelo matemático del sistema o proceso que
se quiere analizar, identificando las variables (inputs del modelo) cuyo comportamiento
aleatorio determina el comportamiento global del sistema, Una vez identificados dichos inputs o
variables aleatorias, se lleva a cabo un experimento consistente en:
 Generar muestras aleatorias (valores concretos) para dichos inputs.
 Analizar el comportamiento del sistema ante los valores generados.Tras repetir n veces
este experimento, se dispondrá de n observaciones sobre el comportamiento del sistema,
lo que será de utilidad para entender su funcionamiento. Mientras mayor sea el número
de repeticiones, los resultados obtenidos serán más precisos.

Simulación MC con Variables Discretas

Supongamos que trabajamos en un gran almacén informático, y que nos piden consejo para
decidir sobre el número de licencias de un determinado sistema operativo que conviene adquirir
– las licencias se suministrarán con los ordenadores que se vendan durante el próximo trimestre,
y es lógico pensar que en pocos meses habrá un nuevo sistema operativo en el mercado de
características superiores. Cada licencia de sistema operativo le cuesta al almacén un total de 75
dólares, mientras que el precio al que la vende es de 100 dólares. Cuando salga al mercado la
nueva versión del sistema operativo, el almacén podrá devolver al distribuidor las licencias
sobrantes, obteniendo a cambio un total de 25 dólares por cada una. Basándose en los datos
históricos de los últimos meses, los responsables del almacén han sido capaces de determinar la
siguiente distribución de probabilidades por lo que a las ventas de licencias del nuevo sistema
operativo se refiere:
Construimos nuestro modelo usando las fórmulas que se muestran en la figura inferior. En la
casilla H2 usaremos la función ALEATORIO para generar el valor pseudo‐aleatorio que
determinará el suceso resultante; en la celda I2 usamos la función BUSCARV para determinar
el suceso correspondiente asociado al valor pseudo‐aleatorio obtenido –notar que usamos
también la función MIN, ya que en ningún caso podremos vender más licencias que las
disponibles. El resto de fórmulas son bastante claras:

En la imagen anterior se muestra cómo construir el modelo con una observación (iteración). A
fin de generar nuevas observaciones, deberemos seleccionar el rango H2:N2 y "arrastrar" hacia
abajo (tantas casillas como iteraciones deseemos realizar):

Finalmente, es posible estimar el valor esperado de la variable aleatoria que proporciona los
beneficios sin más que hallar la media de las 100 observaciones que acabamos de realizar.
Asimismo, usaremos las funciones DESVEST e INTERVALO.CONFIANZA para hallar,
respectivamente, la desviación estándar de la muestra obtenida y el intervalo de confianza (a un
nivel del 95%) para el valor esperado:
Hemos optado por tomar 1.000 iteraciones para cada una de los posibles inputs
asociados a la cantidad de pedido (estos posibles inputs son: 100, 150, 200, 250, y
300). Si se realizase el experimento, se obtendrían unos resultados similares a los que
se muestran a continuació n (ya que 1.000 es un nú mero ya bastante considerable para
este ejemplo):

A partir de los resultados, parece claro que la decisión óptima es hacer un pedido de 150
unidades, ya que con ello se consigue el beneficio máximo.

ALGUNAS OTRAS APLICACIONES DE LA SIMULACION DISCRETA DE EVENTOS

SOFTWARE DE SIMULACIÓN Y SIMULADORES MÁS UTILIZADOS

La simulación de sistemas de manufactura y de manejo de materiales es bastante compleja que

es necesario utilizar software especializado que ha sido desarrollado para este propósito. Nueve
de los paquetes de software mas utilizados serán descritos a continuación. Los paquetes de
software incluyen SIMFACTORY II.5, ProModel, AutoMod, Taylor Ed (FELXYSIM),
Witness, AIM, Extend, Arena, y SIMUL8

CONCLUSIONES

REFERENCIAS

 Fishman G.S., (1978), Conceptos y métodos en la simulación digital de eventos

discretos, Limusa, México

 (2008, 03) Gaceta Sanitaria, Volume 22, Issue 2, Paginas 151–161

 Guasch, A. [et al.] (2005). Modelado y simulación - Aplicación a procesos logísticos de

fabricación y servicios. Alfaomega Grupo Editor,.

 (2010, 05). Simulacion De Montecarlo. BuenasTareas.com. Recuperado 05, 2010, de

http://www.buenastareas.com/ensayos/Simulacion-De-Montecarlo/369160.html

 Compilación: Ybnias Elí Grijalva Yauri, (2009), Métodos Cuantitativos para los
Negocios, CAPITULO  8.  INTRODUCCION  AL  MÉTODO  DE SIMULACIÓN 
MONTE CARLO
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r94434.PDF

 Stevens, Perdita; Pooley, Rob. Utilización del UML en ingeniería del software con
objetos y componentes. ISBN: 8478290540

 Banks, J. (1994), Software for simulation, en 1994 winter Simulation Conference

Proceedings, ed. J.D. Tew, S.Manivannan, D.A. Sadowski, A.F. Seila, Association for
computing Machinery, New York, NY
Recuperado 04, 2012, de http://simulacionitca.blogspot.com/2012_04_01_archive.html

 Lenguajes de propósito General, lenguajes de Simulación y Simuladores

http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r94297.PDF

 Modelos de Simulación de Eventos Discretos (MSED)

http://arantxa.ii.uam.es/~fdiez/docencia/03-04/OSI/MSED.pdf