Modelos de simulación

Unidad 3. Construcción de modelos

División de Ciencias Exactas, Ingeniería y Tecnología

Ingeniería en Logística y transporte

Programa de la asignatura:
Modelos de simulación

Unidad 3. Construcción de modelos

Universidad Abierta y a Distancia de México

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 1

Modelos de simulación
Unidad 3. Construcción de modelos

Unidad 3. Construcción de modelos

Presentación de la Unidad

Esta es la última unidad del curso, se te invita a que clarifiques las dudas que tengas con
el apoyo de tu docente, para concluir de manera exitosa tu proceso de aprendizaje.

Hasta el momento, se ha abordado lo que es la modelación y la idea de lo que es una

simulación. También has revisado ejemplos de algunos modelos y cómo es que las
formulaciones ya conocidas de otras áreas, se aplican al sector logístico y del transporte.

Como recordarás, se mencionó en unidades anteriores lo que es un proyecto de

simulación. En la práctica, realizar este tipo de tareas puede requerir de muchos recursos.
Así como en cualquier proyecto, la buena planificación de éste debe considerar muchos
eventos, tiempos, recursos humanos y la utilidad real. Será probable que el encargado de
la simulación deba establecer contacto con personas de diferentes áreas para lograr una
simulación que cumpla con los objetivos requeridos. Estas personas podrían ser desde el
abogado de la empresa, experto en las normas de control de calidad o reglas laborales,
ingenieros, especialistas en maquinaria o en materiales o los mismos trabajadores de
limpieza de un edificio. No se debe desestimar que cualquier persona directamente
relacionada con los procesos puede aportar información precisa u oportuna acerca del
comportamiento del fenómeno de interés.

Otros especialistas que se pueden solicitar, son los expertos en las formulaciones
matemáticas, éstos pueden ser físicos, matemáticos o ingenieros dependiendo de lo que
el proyecto necesite. Los desarrolladores de software o los expertos en simulación
pueden ayudar en la parte de implementación de programas mediante la computadora,
generando los modelos con los cuales se puede experimentar. Es deseable que el
encargado del proyecto de simulación tenga conocimiento del sistema, pero también debe
gozar de habilidades gerenciales que le permitan coordinar a un equipo de personas que
le ayudarán a las diferentes etapas del proyecto.

La mayor parte del contenido de esta unidad está basado en los textos (Guasch Petit,
Piera, Casanovas, & Figueras, 2005) y (Piera, Gausch, Casanovas, & Ramos, 2013).
Estos textos hablan de particularidades y son recomendables que los consultes si tienes
interés en profundizar en esta herramienta.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 2

Modelos de simulación
Unidad 3. Construcción de modelos

Propósito

Esta unidad tiene como propósito que observes algunos ejemplos de modelos del sector
logístico y los ubiques dentro de una simulación, siempre considerando la relación que
estos modelos guardan con la problemática inicial. De esta forma, lograrás proponer
algunos modelos para ciertas situaciones del sector logístico.

Competencia específica

Construir un modelo matemático para solucionar un problema logístico usando

herramientas matemáticas y técnicas de comprobación.

3.1. Metodología de construcción de un modelo

Como ya lo hemos mencionado, la primera etapa de un modelo de simulación será

determinar cuál es su propósito. La identificación de los objetivos es éste es determinante
en el proceso. Uno de los riesgos que queremos evitar tomar es que a poca claridad de
los objetivos, desperdiciemos recursos (económicos, humanos y de tiempo) pretendiendo
que avanzamos en nuestra tarea. La claridad de los objetivos estará en función de que
tan precisos, medibles y comprensibles sean.

Después de haber definido nuestros objetivos, procederemos a crear un diseño

conceptual del modelo matemático a seguir, esto es, encontrar las variables, parámetros
del sistema a modelar. En la práctica, esta sección puede tomar cierto tiempo. Por
ejemplo, se podría requerir la discusión de los encargados de diferentes áreas de una
empresa para juntos, analizar bien una problemática. Es importante especificar cuál es la
naturaleza deseada que tengan los resultados, es decir, qué tipo de datos queremos
lograr con una simulación a través de un modelo. Este punto es importante pues, si
estamos seguros de los resultados que queremos obtener, tal vez podamos simplificar el
modelo omitiendo detalles que en nada contribuyen al modelo.

Para realizar nuestros modelos será necesario trabajar con datos. Estos datos pueden o
no ser existentes. Si son existentes, debemos considerar si es importante saber en qué
condiciones fueron tomados (fechas, horas), quién fue el responsable de tomarlos, qué
métodos utilizó. Un punto a tomar en cuenta acerca de estos datos ya existentes es si la
cantidad de éstos es suficiente, es no suficiente o es excesiva. En el caso de que sea
excesiva la cantidad de datos, se deberá valorar si se trabajará con todos esos datos o
solamente con una cantidad que se ajuste mejor al sistema a modelar. En caso de no
existir datos o no ser suficientes, se procederá a hacer una planeación de recogida de
datos. En este escenario, podemos tener mayor control acerca de lo que buscamos con
estos datos, podemos ser más cuidadosos en la calidad de éstos pero no debemos
descuidar que esta acción, generará gasto de tiempo y esfuerzo.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 3

Modelos de simulación
Unidad 3. Construcción de modelos

A continuación presentamos algunas consideraciones importantes para tomar en cuenta

en el proceso de recogida de datos:
i) Formato de los datos. Algunas veces los datos no estarán en el formato en el
que nos conviene que estén. Podría ser por ejemplo, que los datos se
encuentren en hojas no foliadas escritas a mano. El encargado del proyecto de
modelación deberá ser cuidadoso en que los datos se encuentren en el
formato deseado y deberá considerar el tiempo que puede tomar procesarlos.
ii) Clasificación de datos. Una vez obtenidos los datos importantes a considerar,
podemos proponer una manera de organizarlos, etiquetarlos u ordenarlos.
Podría ser por ejemplo, que sean ordenados por fechas de ocurrencia, por
eventos, por proximidad a una variable, etcétera.
iii) La aleatoriedad de algunos datos. Algunas veces nuestros datos pueden ser
parte de un sistema caótico o no fácilmente predecible. Debemos considerar
que éstos pueden o no ser aleatorios.
iv) Una vez que tenemos datos, procederemos a determinar sus propiedades
estadísticas, es decir queremos acercarnos a entender cómo se comportan
estos datos. De esta manera, si generamos de alguna u otra forma, datos
aleatorios con las mismas características que los datos tomados podemos
experimentar con ellos. Dicho en otras palabras, queremos generar variables
aleatorias que sigan la distribución de probabilidad (Ver unidad 1) conocida.

En todo momento de la realización del modelo, no debemos dejar de lado la idea de que
el objetivo es la comprensión del problema y el análisis de resultados, el modelo por sí
mismo no debe representar e objetivo.
La validez de un modelo es un proceso crucial para poder utilizarlo en la toma de
decisiones. El primer paso a evaluar en el modelo es la verificación. Esto se refiere a que
la ejecución del modelo es correcta y su comportamiento va de acuerdo a las hipótesis
bajo las cuales estamos trabajando. Si los resultados que arroja nuestro modelo, no son
las esperadas bajo las hipótesis que conocemos, difícilmente será un sistema que se
acerque a la realidad. Llevar a cabo una verificación del funcionamiento del modelo
resulta un paso fundamental, si no lo realizamos corremos el riesgo de llevar a cabo el
proceso de simulación y obtener resultados inservibles.

3.1.1. Análisis de la metodología

Analizaremos un poco más toda la metodología descrita arriba a través de un ejemplo

(Piera, Gausch, Casanovas y Ramos, 2013):

-Nuestro sistema de interés será un proceso de recepción, procesado y expedición de

órdenes a clientes. Se tienen solamente cuatro trabajadores por turno. Cada turno tiene 8
horas. La jornada laboral para ellos comienza a las nueve de la mañana y termina a las 5

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 4

Modelos de simulación
Unidad 3. Construcción de modelos

de la tarde, sin embargo esta jornada crece si no se han expedido todas las órdenes
recibidas durante el día.

A continuación, se muestra un diagrama y de los procesos y la lista de parámetros más

significativos del sistema.

Parámetros
En promedio se reciben diez órdenes al día.
Tenemos dos tipos de órdenes, prioritarias y ordinarias. El 40% de las órdenes son
ordinarias y el 60 son prioritarias.
El promedio que toma procesar una orden prioritaria es de 2 horas mientras una orden
prioritaria toma 4 horas.
Las órdenes solamente se reciben hasta las 13 horas.

A continuación se muestra un diagrama de flujo asociado al evento “llegada de una

orden”. Observemos que si todos los trabajadores tienen asignada una tarea, la orden de
espera recién llegada debe esperar en la cola. Por el otro lado, si una orden llega y existe
algún trabajador desocupado, la orden inicia su proceso.

Figura 1. Diagrama de flujo asociado al evento llamado: “llegada de una orden”

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 5

Modelos de simulación
Unidad 3. Construcción de modelos

Analicemos el otro evento involucrado en este sistema. Este nuevo evento se dará una
vez que la orden comienza a ser procesada para la expedición. Debemos considerar que
cada vez que una orden queda expedida, un trabajador queda desocupado y por lo tanto
libre para atender a alguna orden que esté en la cola. En este caso estamos suponiendo
que cuando un trabajador termina una orden y no hay órdenes por atender, el trabajador
debe esperar una nueva orden, es decir, el trabajador no es destinado a ayudar en alguna
otra orden que esté siendo procesada. A continuación, el diagrama asociado a este
segundo evento:

Figura 2. Diagrama de flujo asociado al evento llamado: “Expedición de una orden”

A continuación se representa un tipo de simulación manual, es decir, una simulación,

experimento, meramente teórica. Para este procedimiento utilizaremos un diagrama y
una tabla (Diagrama 1 del experimento 1 y Tabla 2. Simulación manual, Experimento 1.).
Recuerda que tenemos como hipótesis las siguientes:

 Se reciben en promedio 10 órdenes al día.

 De las 10 órdenes recibidas, 6 son prioritarias y 4 ordinarias.
 Las órdenes ordinarias toman 2 horas.
 Las órdenes extraordinarias toman 4 horas.
 Las órdenes se reciben hasta las 13 horas.

Al ensayo expuesto a continuación le llamaremos “Experimento 1”. Vamos a suponer que

este experimento tiene las siguientes características:

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 6

Modelos de simulación
Unidad 3. Construcción de modelos

Orden Tipo Llegada

1 Ordinaria 9

2 Ordinaria 9

3 Ordinaria 10

4 Prioritaria 11

5 Ordinaria 12

6 Prioritaria 12

7 Prioritaria 13

8 Prioritaria 13

9 Prioritaria 13

10 Prioritaria 13

Diagrama 1 del experimento 1

Teniendo en cuenta estos parámetros, podemos construir

Diagrama 1 del experimento 1

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 7

Modelos de simulación
Unidad 3. Construcción de modelos

La tabla del Experimento 1 muestra en qué momento las órdenes comienzan a detenerse
(irse a la cola) por falta de personal. Notamos que este caso comienza a presentarse en
la orden 8.

Este tipo de tablas muestran en qué momento sucede cada evento, en qué momento
finaliza y en consecuencia su duración. Sin embrago, detectar información de este tipo de
tablas es un poco lento al ojo humano, la persona que la intente leer deberá desarrollar
ciertas habilidades que le permitan establecer inferencias a partir de este diagrama. Otra
forma de acomodar esta información es la siguiente.

Analiza la siguiente tabla y coteja los datos con los presentados en la

Tabla 2. Simulación manual, Experimento 1.

Hora Número Tipo de Tipo de Número Número Tiempo Tiempo en

de orden orden evento en cola en en cola sistema
sistema
9 1 Ordinaria Llegada 0 1 - -

9 2 Ordinaria Llegada 0 2 - -

10 3 Ordinaria Llegada 0 3 - -

11 1 Ordinaria Expedición 0 2 - 2 horas

11 2 Ordinaria Expedición 0 1 - 2 horas

11 4 Prioritaria Llegada 0 2 - -

12 3 Ordinaria Expedición 0 1 - 2 horas

12 5 Ordinaria Llegada 0 2 - -

12 6 Prioritaria Llegada 0 3 - -

13 7 Prioritaria Llegada 0 4 - -

13 8 Prioritaria Llegada 1 5 - -

13 9 Prioritaria Llegada 2 6 - -

13 10 Prioritaria Llegada 3 7 - -

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 8

Modelos de simulación
Unidad 3. Construcción de modelos

14 5 Ordinaria Expedición 2 6 - 2 horas

15 4 Prioritaria Expedición 1 5 - 4 horas

16 6 Prioritaria Expedición 0 4 - 4 horas

17 7 Prioritaria Expedición 0 3 - 4 horas

19 8 Prioritaria Expedición 0 2 1 hora 5 horas

19 9 Prioritaria Expedición 0 1 2 horas 6 horas

20 10 Prioritaria Expedición 0 0 3 horas 7 horas

La primera columna indica la hora en la que suceden los eventos. La segunda columna
indica cuál es la orden relacionada con el evento. En la tercera y cuarta columna se
describen la naturaleza de los eventos, si son llegada o expedición y si la orden es
ordinaria o prioritaria. La columna quinta muestra cuántas órdenes hay en la cola del
sistema mientras la sexta columna indica el número de órdenes en el sistema. Las últimas
dos columnas se relacionan con el tiempo, el tiempo que las órdenes esperan en cola y el
tiempo que cada orden tardó en ser procesada.

¿Qué tipo de información podemos obtener a partir de éstas tablas? A continuación se

muestran algunos puntos que logramos obtener:

 El número de órdenes es alcanza tu punto máximo en cantidad a las 13 horas.

 Las últimas órdenes tardan en la cola 1, 2 y 3 horas respectivamente.
8 ℎ𝑜𝑟𝑎𝑠 2 ℎ𝑜𝑟𝑎𝑠
 Tiempo de ciclo promedio para órdenes ordinarias: = .
4 ó𝑟𝑑𝑒𝑛𝑒𝑠 𝑜𝑟𝑑𝑒𝑛
30 ℎ𝑜𝑟𝑎𝑠 5 ℎ𝑜𝑟𝑎𝑠
 Tiempo de ciclo promedio para órdenes prioritarias: 6 ó𝑟𝑑𝑒𝑛𝑒𝑠 = 𝑜𝑟𝑑𝑒𝑛 .
6 ℎ𝑜𝑟𝑎𝑠 ℎ𝑜𝑟𝑎𝑠
 Tiempo promedio de una orden en la cola: 10 ó𝑟𝑑𝑒𝑛𝑒𝑠 = 0.6 𝑜𝑟𝑑𝑒𝑛 .
 Tiempo máximo en la cola: 3 horas.
 7 de 10 órdenes expedidas dentro de horarios regulares.
 Se ocuparon 6 horas extra en total para satisfacer todas las órdenes.

Toma en consideración que este panorama es debido a la forma aleatoria que llegaron las
órdenes. Si modificamos las condiciones iniciales, podrían modificarse los resultados. En
casos reales, tal vez no sepamos exactamente cuántas órdenes llegan cada hora ni de
qué tipo son, pero si durante un lapso considerable, tomamos datos podríamos estableces
estadísticas con el fin de que nos brinden información. Observa la siguiente información:

“Durante cuatro meses se recolectaron datos acerca de la forma en la que llegan las
órdenes del proceso descrito en el Ejemplo anterior. Procesando la información, se ha
llegado a las siguientes conclusiones:

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 9

Modelos de simulación
Unidad 3. Construcción de modelos

La probabilidad de que en una hora llegue solamente una orden es de 40%. La

probabilidad de que en una hora lleguen solamente dos órdenes es de 30%. La
probabilidad de que en una orden lleguen 3 órdenes es de 20% y la probabilidad de que
lleguen solamente cuatro órdenes es de 40%.”
Podemos construir una tabla para tener mejor manejo de la información:

Órdenes por hora Probabilidad

1 40
2 30
3 20
4 10
Tabla 3. Probabilidades relacionadas a la cantidad de órdenes
que pueden suceder cada hora

Observa que se está descartando el caso en que lleguen más de 5 órdenes por hora.
Queremos encontrar condiciones iniciales aleatorias. Para esto podemos hacer el
siguiente experimento:

“En una bolsa obscura, se introducen 100 pelotas, numeradas del 1 al 100. Para
determinar el número de órdenes que llegaron a las 9 de la mañana, sacamos una bola y
nos fijamos en su número”. El número de órdenes que llegaron a las 9 de la mañana será
determinado por la siguiente tabla:

Número en la bola Número de órdenes

1 al 40 1
41 al 70 2
71 al 90 3
91 al 100 4

Observa que esta asignación está relacionada con la tabla de probabilidades (Diagrama
1Tabla 3).Así, si la primera bola indica el número 54, la cantidad de órdenes asignada a
las 9 de la mañana será de dos. Repetimos el experimento para completar las siguientes
horas y obtendremos algo como la tabla que sigue:

Hora Número al azar Número de órdenes

9 54 2
10 12 1
11 36 2
12 60 2
13 90 4

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 10

Modelos de simulación
Unidad 3. Construcción de modelos

Podríamos hacer un experimento similar para determinar si las órdenes son prioritarias u
ordinarias. En este caso, una orden será prioritaria si la bola respectiva tiene un número
del 1 al 60 y será ordinaria si tiene un número del 61 al 100.

A partir de estos datos podríamos hacer de nuevo el análisis descrito en el ejemplo y

observar cuáles son los cambios.

Actualmente, existen generadores del número al azar los cuales permiten plantear
diferentes escenarios útiles para nuestras simulaciones.

3.1.2. Diseño de algoritmos

Una parte fundamental de nuestro modelo es la identificación correcta de los algoritmos

que intervienen en el sistema. Un algoritmo es un conjunto de reglas bien definidas para
un objetivo fijo. Es importante mencionar que la cantidad de reglas debe ser una cantidad
finita, no importando cuántas sean siempre y cuando sean finitas. Desde pequeños
sabemos deducir algoritmos y sabemos reconocerlos, por ejemplo, un niño que aprende a
encender la luz cuando entra a un cuarto oscuro o cuando seguimos las indicaciones para
hacer un pastel. Otros algoritmos que sabemos desde hace ya mucho tiempo son por
ejemplo el algoritmo de la división, el algoritmo de la suma de números de 5 cifras, la
regla de tres, etcétera.

Para el sector logístico y de transportes podemos encontrar las siguientes

recomendaciones para la construcción o identificación del algoritmo:

1. Seleccionar el objetivo del algoritmo.

2. Elegir el enfoque del análisis y diseño del algoritmo.
3. Identificar las variables.
4. Detectar información temporal.
5. Detección de factores, clasificarlos como externos o internos.

Estos pasos son solamente una generalidad. Cada problema puede abordarse con
situaciones particulares diferentes.

Observa el siguiente ejemplo: En un modelo de simulación que pretende medir el

rendimiento de algo, debemos identificar qué tipo de servicio da el sistema, las métricas y
unidades asociadas al sistema, los parámetros del sistema y la información de la carga de
trabajo a la que será sometida nuestro objeto de estudio. Es importante estar consciente
que si queremos obtener información acerca del rendimiento de algo, este deberá ser

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 11

Modelos de simulación
Unidad 3. Construcción de modelos

probado con diferentes cargas. Podríamos, por otro lado, estar interesados en el tiempo
de resultados que nos interesaría recolectar son intervalos que describan el tiempo de
respuesta, en casi todos estos modelos queremos que los tiempos disminuyan.

En general, estaremos interesados en tiempos, tiempo en un proceso en cola, tiempos

máximos y mínimos de los eventos. Las longitudes también pueden ocupar nuestra
atención, por ejemplo, la longitud de una cola en diferentes momentos.

En muchos casos, por ejemplo, para establecer medidas y políticas de seguridad, saber
con exactitud cuándo ocurre un número máximo de personas en determinado lugar.

Los tipos de datos estadísticos que nos pueden interesar son por ejemplo la tasa de
utilización de una máquina en donde se debe discernir el tiempo de uso real y el tiempo
de ocio de la máquina. Otro ejemplo es el porcentaje de tiempo que toma a una máquina
no trabajar debido a una avería. Respecto a los fallos se deberá tener la información
acerca de cuántos técnicos se necesitan para repáralo, cuánto tiempo les toma, cuáles
piezas son las más susceptibles a fallos, etc. La relación que se debe considerar siempre
que se habla de rendimiento es la relación entre costo y rendimiento, eso nos permitirá
comparar dos escenarios. Esta relación también puede ir acompañada por la
multiplicación de un parámetro que indique el tiempo de respuesta.

A través de la experiencia irás encontrando algunas reglas qué seguir, por ejemplo, si una
máquina tiene una utilización de 100% es posible que si vida útil se acorte, que sufra
fallos por sobre trabajo.

En la creación de un algoritmo es recomendable partir de cosas generales y luego hacer

el flujo de las cosas particulares, es decir, podemos ir afinando el proceso hasta el nivel
que sea requerido.

El encargado de hacer el modelo puede apoyarse de recursos gráficos como los

diagramas de flujo. Éstos tienen la función de mostrar gráficamente una serie de procesos
para lograr un objetivo.

3.2. Validación y verificación

Por verificación de un modelo entenderemos que estamos asegurándonos que las

variables y parámetros del mismo sean correctos. Esto quiere decir que los datos con los
que trabajamos no sean ambiguos, estén en el formato adecuado, en todo momento
estén disponibles, etc. Buscamos ‘’limpiar’’ el modelo para hacerlo siempre funcional.
La verificación se hace a partir de los datos existentes, nuestros datos de entrada, los
datos que están a nuestra disposición.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 12

Modelos de simulación
Unidad 3. Construcción de modelos

Por otro lado, la validación consiste en comprobar el funcionamiento del sistema a partir
de datos independientes de los ya conocidos o con los que el modelo fue diseñado. Este
proceso contesta la pregunta: ¿El modelo presenta alguna dificultad de ejecución si
experimento con este conjunto de datos?

En la práctica, la validación de un modelo se hace con la ayuda de programas de

computadoras y análisis estadístico. El análisis de estadístico nos ayuda a plantear
diferentes escenarios y facilita la comprensión de las probabilidades de ocurrencia de
éstos así como los resultados obtenidos al ejecutarlos en el modelo.
La validación también, tiene como consecuencia la aceptación del modelo. Las pruebas
con datos inexistentes realizadas al modelo, darán idea de cuándo la utilización de éste
no es adecuada.

Por ejemplo, un modelo que describa cómo se comporta un centro de atención telefónica
podría funcionar si la capacidad de atención es de 100 clientes por hora, pero el modelo
podría no ser funcional si se presentaran 200 clientes por hora. Sin embargo, la
probabilidad de que 200 clientes llamen a la misma hora es sumamente baja, digamos un
0.01%. Así si el modelo analiza el comportamiento del centro de atención con 100 clientes
es confiable por lo tanto válido. La verificación de este modelo la podríamos hacer
tomando datos reales y viendo cómo se comportó el sistema en cada momento respecto a
lo que predice el modelo.

3.2.1. Análisis de resultados

Para lograr explicar mejor cómo es que se debe interpretar un resultado, vamos a dividir a
los sistemas en sistemas terminales y sistemas no terminales.

En un sistema terminal la simulación que inicia en un tiempo controlado y previsto por el

modelador y será terminada hasta que ocurra un evento el cual conocemos. En estos
sistemas, las configuraciones iniciales del sistema así como las condiciones iniciales
llegan a ser determinantes en la solución. Este tipo se sistemas se pueden identificar con
procesos de “puesta en marcha de una instalación”. El análisis de resultados de este tipo
de sistemas se dará prioridad a los siguientes puntos:

El tiempo que dure la simulación no es un factor a considerar ya que la simulación está

controlada por el evento final.

Cada uno de los escenarios u eventos a simular son eventos independientes, es decir,
puede ser tratado como observaciones. Con esta medida estamos diciendo que en el
análisis de resultados se espera encontrar métodos estadísticos estándar.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 13

Modelos de simulación
Unidad 3. Construcción de modelos

Los resultados deberán ser presentados en términos de un índice de confianza. ¿Cuántas

experimentos debemos realizar para alcanzar un índice de confianza bueno?

Esta pregunta tiene dos respuestas. La primera es que podemos fijar el índice de
confianza y comenzar a hacer simulaciones. En cada una de estas simulaciones
tendremos cierto intervalo, debemos comparar el intervalo con el que queremos llegar, es
decir a ejecutar simulaciones hasta obtener el índice deseado. El otro caso es que fijemos
el número de repeticiones y comparemos el resultado con el deseado, si no se ajusta,
volvemos a ejecutar todas las repeticiones más otras a fin de ser más exacto. Este caso,
por supuesto, podría tomar mucho más tiempo del esperado.

Una vez obtenidas varias muestras del experimento, podemos proceder a encontrar
relaciones entre sucesos iniciales y resultados finales, también podemos considerar
encontrar relaciones entre tiempo, costos, días y los procesos. Utilizar gráficas
bidimensionales es una herramienta buena y práctica para visualizar relaciones. Este tipo
de información la lograrás interpretar después de haber ganado experiencia.

Es menester recalcar la importancia de los datos. Mientras más tengamos, más nos
acercamos a obtener información del sistema u fenómeno deseado, mientras más
información tengamos, el Teorema del límite central será mucho más factible en
utilización y los resultados serán más prolíficos.

3.2.2. Márgenes de error de los modelos

Esta sección se encuentra basada en el texto de (Guasch Petit, Piera, Casanovas, &
Figueras, 2005).

Queremos utilizar técnicas para comparar dos modelos a través de su evaluación.

Recordemos que no podemos establecer métodos que sirvan para todos los sistemas, sin
embargo, podemos dar cierto peso probabilístico a un intervalo en el que se mueven los la
mayoría de los sistemas. Un concepto clave aplicado explicado a continuación es el Índice
de Confianza (IC).

Usaremos la siguiente notación:

 La población, es decir, el universo del análisis será denotada por 𝑃
 Una muestra de 𝑛 observaciones de 𝑃 será el conjunto {𝑋1 , 𝑋2 , … , 𝑋𝑛 }.
 La media de 𝑃 será denotada por 𝜇.
 La desviación estándar o típica de la población será 𝜎.
 La media de la muestra será 𝑋̅.
 La desviación típica de la muestra será 𝑠.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 14

Modelos de simulación
Unidad 3. Construcción de modelos

Primero hablaremos del IC de la media. Recordemos1 que una media obtenida de una
muestra 𝑀 = {𝑋1 , 𝑋2 , … , 𝑋𝑛 } es tan solo una estimación de 𝜇. Si obtenemos 𝑘 diferentes
valores distintos a partir de 𝑘 muestras quisiéramos acercarnos a un valor unificado de
éstas, o por lo menos queremos detectar un intervalo. Para describir este intervalo será
necesario dar una cota inferior 𝑐_𝑖 y una cota superior 𝑐𝑠 . Es decir, queremos encontrar
estas cotas tal que:

𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑{𝑐𝑖 ≤ 𝜇 ≤ 𝑐𝑗 } = 1 − 𝛼

Donde 1 − 𝛼 es una probabilidad ‘alta’. A esta 𝛼 la nombramos nivel de significación y al

valor 1 − 𝛼 se le conoce como coeficiente de confianza y al valor resultado de
multiplicar el coeficiente de confianza por 100, lo denominaremos nivel de confianza. Del
Teorema del Límite Central, sabemos que si se cumple que la toma de nuestras muestras
son eventos independientes y provienen del mismo conjunto 𝑃 con media 𝜇 y desviación
𝜎, la media de una muestra de un tamaño grande, se distribuirá conforme a la normal
𝑁(𝜇, 𝜎/√𝑛).

Llamaremos error estándar a la desviación estándar de la media de cada muestra.

También sabemos que el error estándar será 𝜎/√𝑛 así como que este valor tiene a
decrecer al ir aumentando el tamaño de la muestra.

El IC para la media de la población considerando un nivel de confianza 100(1 − 𝛼) estará

dado por:

̅ 𝑠 𝑋̅ + 𝑧(1−𝛼) 𝑠 )
(𝑋 − 𝑧(1−𝛼2) , 2
√𝑛 √𝑛
𝛼
Con 𝑧(1−𝛼) es el cuantil (1 − 2 ) para una normal 𝑁(0,1).
2

Ahora, esta estimación tiene una limitación. Si el tamaño de muestra es menor a 30,
entonces solamente será posible construir el IC si la población es normalmente
distribuida. Si este fuera el caso, el IC considerando un nivel de confianza 100(1 − 𝛼)
estará dado por:

̅ 𝑠 𝑋̅ + 𝑡(1−𝛼, 𝑠
(𝑋 − 𝑡(1−𝛼2, 𝑛−1) , 2
𝑛−1) )
√𝑛 √𝑛

Con 𝑡(1−𝛼, 𝑛−1)

es el cuantil (1 − 𝛼/2) en una distribución 𝑡 con (𝑛 − 1) grados de
2
libertad.

1
De tu curso de Estadística y Probabilidad.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 15

Modelos de simulación
Unidad 3. Construcción de modelos

Puede haber casos en los que nos interese saber si un valor es significativamente
diferente del valor escalar cero. El IC nos ayudará a decir con un determinado nivel de
confianza 100(1 − 𝛼)% si el valor en cuestión pasa el test de diferencia el cual queda
determinado por las siguientes reglas:

 Si el IC incluye al cero, entonces la media es cero

 Si el IC no incluye al cero, entonces la media es distinta de cero.

Esto quiere decir que si nuestro intervalo de confianza IC contiene al cero, entonces no
podemos decir (con un buen grado de confianza) que la diferencia media es
significativamente distinta de cero. Considerando que un intervalo de confianza (𝑎, 𝑏)
tenga o no el valor cero, podemos considerar 3 casos:

Caso Ilustración

𝑎 < 0 y 𝑏 < 0.

𝑎 < 0 y 𝑏 > 0.

𝑎 < 0 y 𝑏 < 0.

Observamos que solamente existe un caso en el cual el cero está incluido, en este caso,
la diferencia entre medias no es significativamente diferente de cero. Para los otros dos
casos, la diferencia entre medias sí es significativamente distinta de cero.

Queremos encontrar una forma de comparar configuraciones de dos sistemas, vamos a

suponer que los similares.

Cuando decimos que las observaciones son pareadas quiere decir que tenemos el mismo
número de observaciones en ambos sistemas y el mismo número de medias a comparar,
es decir, podemos formar parejas. Trabajaremos con la diferencia entre cada uno de los
pares obtenidos de los valores recolectaos en mismos puntos de muestreo. Queremos
controlar el intervalo de confianza de la diferencia.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 16

Modelos de simulación
Unidad 3. Construcción de modelos

3.2.3. Proceso y técnicas de validación

Esta sección es basada en (Piera, Gausch, Casanovas, & Ramos, 2013). Como hemos
mencionado, aprender técnicas de modelación es un asunto de experiencia. También
interviene el área en la que se modela. No es lo mismo conocer a profundidad los
fenómenos del sector logístico a conocer fenómenos relacionado con la agricultura, y en
este caso, a un experto en modelación del sector agrario le podría resultar complicado
modelar algún sistema propio de la logística. Aunado a lo anterior, resulta complicado dar
un esquema de cómo es que se debe decidir cuándo un modelo es correcto, de hecho
“no existe un método genérico para determinar si un método es correcto. Esto es debido a
que la validez de un modelo debe ser particularizada en términos de los objetivos para los
cuales ha sido desarrollado, considerando tanto el nivel de precisión aceptable, como el
conjunto de condiciones de experimentación que cubren el dominio de aplicación”. (Piera,
Gausch, Casanovas, & Ramos, 2013). Dicho en otras palabras, no existe una
metodología con reglas bien definidas que nos brinde una forma sistemática o infalible
para determinar es válido para algún propósito, sin embargo, podemos partir de ciertos
procedimientos que nos permiten acercarnos a una evaluación del modelo. También hay
que recordar que en práctica es muy difícil comprobar el modelo bajo todas las
condiciones iniciales posibles y bajo todos los parámetros, esta idea nos lleva a que
verificar la validez del modelo no tiene por objetivo verificar que sea correcto, al contrario
queremos intentar demostrar que es incorrecto, así si fallamos en demostrar que es
incorrecto, aumentamos el nivel de confianza en él.

Cuando hablamos de validación debemos hacer una distinción entre “verificar” y “validar”.
El verificar un modelo consiste en que nuestro modelo conceptual o matemático es el
adecuado para el sistema. Si pensamos en una modelación manual, será un poco más
difícil observar alguna falla, pero si hemos programado el modelo o usado algún software
especializado, esta tarea será más sencilla. Es decir, con este paso queremos detectar
problemas técnicos, tal vez, la captura de información, los problemas tipográficos
convenientes, problemas del software, etc. Por otro lado, la validación se refiere en
asegurar que el modelo represente el sistema de interés según el propósito para el que
fue diseñado.

También debemos considerar que el modelo no debe ser en su totalidad preciso y exacto,
el objetivo del modelo es tener una herramienta que nos permita observar de una forma
más simplificada el sistema. Por ejemplo, un mapa (que ya hemos mencionado que es un
modelo gráfico) no pretende dar detalles pues serán generalidades las que queremos
encontrar en él.

Una vez construido e implementado el modelo, realizamos la verificación de este.

Queremos que el modelo se comporte respecto a lo que tenemos previsto. Podríamos
generar muchas entradas aleatorias e identificar en cuáles el modelo no responde a como

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 17

Modelos de simulación
Unidad 3. Construcción de modelos

es debido. Debemos considerar, por otro lado, que en la validez de las hipótesis (o
estados iniciales, parámetros) podemos encontrar las bases de la validez del modelo.

Estas dos etapas, la verificación y la modelación, pueden tomar algún tiempo, razón por la
cual, la persona a cargo del proyecto de simulación debe considerar dentro del diseño del
mismo, el tiempo que ocuparán así como considerarlas parte del proceso.

Un modelo es sometido a tantas pruebas para verificar su validez como el modelo

requiera. Tal vez sea posible que con una prueba se tenga suficiente evidencia de que
ese modelo es el requerido para la problemática a resolver o tal vez se requieran probar
25 hipótesis diferentes. Estas decisiones las debe tomar el encargado del proyecto. Si
quisiéramos enumerar los pasos generales a seguir para acercarnos a una validación del
modelo podríamos agruparlos de la siguiente forma:

1) Validación del modelo conceptual: en este paso vamos determinar si las

hipótesis realizadas para la construcción del modelo, así como la representación
de objetivos en el modelo son las indicadas para cubrir el objetivo del diseño del
modelo.
Si queremos desarrollar un modelo conceptual o matemático, es necesario que
conozcamos a profundidad el sistema, por lo cual, una persona experta en el
sistema debe ser la encargada de este paso y si no es posible, la persona
encargada deberá estar en comunicación con las personas que interactúan con el
sistema. Tampoco existen métodos formales para asegurarnos que el modelo
conceptual es correcto. Se sugiere que una vez formulado el modelo, este sea
verificado por personas que conozcan el sistema sabiendo que tal vez puedan
apuntar a errores.

2) Validación de datos: en esta etapa queremos asegurarnos que los datos que nos
servirán para la simulación y la formulación del modelo, sean los correctos, que
sean datos de calidad y que nuestro modelo pueda interpretarlos.
Los datos, como ya lo hemos mencionado, podemos extraerlos del proceso real y
son utilizados para la validación y experimentación del modelo de simulación.
Recuerda que si los datos son poco precisos, el modelo lo será poco preciso.

3) Verificación del modelo de simulación: en este paso, vamos a asegurarnos que

la implementación del modelo conceptual es la correcta.

Una de las primeras pruebas a la que es sometido el modelo de simulación es la

revisión de la lógica sea correcta, es decir que los procesos sean muy similares a
los del sistema, que los datos de entrada sean los adecuados y que para cada
operación se tengan los datos requeridos. En este paso también se verifica el
comportamiento dinámico del sistema, es decir, si conforme va siendo

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 18

Modelos de simulación
Unidad 3. Construcción de modelos

desarrollado el experimento las variables de estado y los parámetros sean

actualizados. En el ejemplo de las órdenes expedidas, uno de estos movimientos
dinámicos podría ser la disposición de los trabajadores, cuando están disponibles
y cuándo no. Queremos también verificar que los eventos sean secuenciales, que
no se rompan las cadenas de flujo que con antelación hemos previsto que
ocurrirán así como indicar cuando eventos externos al sistema pudieran influir
dentro del mismo. A continuación hablaremos un poco acerca de las posibles
pruebas a realizarse:

Los test de condiciones extremas son un conjunto de pruebas realizadas a

modelos de simulación en los cuales se experimentan condiciones poco usuales.
Queremos medir la resistencia del modelo. En el ejemplo de las órdenes
podríamos pensar en: ¿qué pasa si en vez de recibir 10 órdenes diarias, recibimos
25 órdenes prioritarias en un lapso de 3 horas?. Esta es una condición extrema ya
que los datos que tenemos nos dicen que en promedio llegan solo 10 órdenes
diarias, sin embargo, el escenario de las 25 órdenes podrían darse por ejemplo, en
cierta temporada de alta demanda.

Otro tipo de test que podemos emplear en este paso son los test de búsqueda de
degeneración. En estas pruebas queremos encontrar las condiciones por las
cuales el modelo podría arrojar resultados degenerados, no coherentes o
imposibles. Estos test se llevarán a cabo variando condiciones iniciales.

Por último tenemos en los test de seguimiento de trayectorias queremos analizar a

profundidad las trayectorias de los eventos. Queremos tener el conocimiento de lo
que está pasando en cada momento del sistema. Por ejemplo, hablando de un
proceso de entrega de paquetes, buscaríamos que el modelo pueda brindar
información exacta de la posición de cada paquete en todo momento. Estas
pruebas son muy importantes pues podrían ayudarnos por ejemplo a prevenir
situaciones si lo utilizamos junto con un test de condiciones extremas.

4) Validación funcional: esta validación se refiere a hacer las primeras pruebas

sobre el modelo. Queremos que responda a los diferentes escenarios que hemos
considerado dentro del diseño del mismo pero también buscaremos comparar el
modelo con situaciones reales. Quisiéramos poder utilizar el modelo bajo
condiciones iniciales para las cuales ya sabemos cuál fue el resultado en el
sistema real. Esta última condición establece un punto importante para la validez
del modelo. Si bajo condiciones que el modelo real ha experimentado, el modelo
no arrojó los mismos resultados que el sistema real, el modelo ha fracasado.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 19

Modelos de simulación
Unidad 3. Construcción de modelos

También debemos recalcar, que la interacción con diferentes personas que conocen e
interactúan con el sistema real. La labor del modelador será capturar toda la información
necesaria para acercarse y verificar el modelo.

Las dificultades que podemos encontrar en la validación son pues que algunos modelos
son creados para sistemas que no existen en la realidad, por lo cual, no podemos tener
datos los cuales podamos comparar. No podemos hacer test de funcionalidad, por
ejemplo. También es importante señalar que a pesar de que los resultados del modelo
sean consistentes con los obtenidos en el sistema real, no es posible asegurar que bajo
ciertas condiciones se comporten de manera idéntica.

A pesar de que no se puedan asegurar varios puntos, la validez y verificación del modelo
dependerá también del proyecto a abordar en general.

Cierre de la Unidad

En esta unidad se engloban los conceptos que hemos venido trabajando en las unidades
anteriores. Esta integración de los diferentes conceptos te permitió tener una visión más
clara acerca de lo que es un modelo de simulación.

Sabemos ahora que a pesar de que la única metodología que existe para la creación de
modelos es una muy general, podemos pensar que existen recomendaciones a seguir.
También recuerda que en el diseño de un algoritmo reside la parte medular de un proceso
de simulación.

En esta unidad estudiaste un poco acerca del proceso para determinar qué tan confiable
son algunos parámetros de los sistemas, revisaste una manera de comparar dos
configuraciones de un sistema y sabemos que si las condiciones iniciales de un sistema
cambian, seguramente los resultados serán diferentes.

Es importante que recuerdes que a pesar de todas las herramientas matemáticas que
podamos incluir en un modelo, no podremos asegurar al cien por ciento que ese modelo
es perfecto o que no es susceptible a errores. Un modelo no puede decirse que sea
perfecto en lo general, es decir que no modela fielmente la realidad, sin embargo y como
lo vimos, podemos indicar que es perfecto para ciertos propósitos.

No olvides que será necesario profundizar en esta temática, para ello es recomendable
que busques material complementario y continúes actualizándote. Te felicitamos por
concluir esta asignatura.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 20

Modelos de simulación
Unidad 3. Construcción de modelos

Para saber más

Si quieres saber más acerca de casos de modelación matemática, se recomiendan los

siguientes materiales.

 Regalado, A. et al (2008) Cómo hacer un modelo matemático. La revista "Temas de

Ciencia y Tecnología”. México: Universidad Tecnológica de la Mixteca. Disponible en:
http://www.utm.mx/edi_anteriores/temas035/2%20ensayo-35.pdf

En este artículo de divulgación, dedicado a la explicación del cómo hacer modelos

matemáticos, podrás revisar cómo es posible establecer un modelo utilizando otros ya
hechos. También podrás observar cómo es que la dificultad va creciendo en función de
la exactitud de los resultados deseados.

Te invitamos a consultar las publicaciones del Instituto Mexicano del transporte, en su

biblioteca virtual encontrarás muchos artículos y reportes de investigación que te
ayudarán a seguir estudiando modelos enfocado en el sector.
La URL es: http://www.imt.mx/

Fuentes de consulta

Básicas
 Guasch Petit, A., Piera, M., Casanovas, J., & Figueras, J. (2005). Modelado y
simulación: aplicación a procesos logísticos de fabricación y servicios. México:
UPC & Alfaomega.
 Piera, M. Á., Gausch, T., Casanovas, J., & Ramos, J. (2013). Cómo mejorar la
logística de su empresa mediante la simulación. España: Ediciones Díaz de
Santos.

Complementaria
 Chase, R. B. (2009). Administración de operaciones: producción y cadena de
suministros. México: McGraw-Hill/Interamericana.
 Coss Bú, R. (1998). Simulación. Un enfoque práctico. México: Limusa Noriega
Editores.
 Guasch Petit, A., Piera, M., Casanovas, J., & Figueras, J. (2005). Modelado y
simulación: aplicación a procesos logísticos de fabricación y servicios. México:
UPC & Alfaomega.
 Landeta, J. M. (1996). Fundamentos de investigación de operaciones para
administración. San Luis Potosí: Universidad Autónoma de San Luis Potosí.
 Piera, M. Á., Gausch, T., Casanovas, J., & Ramos, J. (2013). Cómo mejorar la
logística de su empresa mediante la simulación. España: Ediciones Díaz de
Santos.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 21

Modelos de simulación
Unidad 3. Construcción de modelos

 Sabadías, A. V. (1996). Estadística descriptiva e inferencial. España:Univ de

Castilla La Mancha.
 IMT (1991). Modelos matemáticos para distribución de viajes, Publicación técnica
numero 31. Querétaro, Qro: Instituto Mexicano del Transporte.

Ciencias Exactas, Ingenierías y Tecnología | Logística y Transporte 22