MODELOS Y SIMULACION

PASO 4 MODELAR Y SIMULAR SISTEMAS INDUSTRIALES CON BASE

TEORIA DE COLAS

JAIRO OCHOA HERNANDEZ

CÓDIGO: 1064717801

TUTOR: CURSO
GUSTAVO ANDRES ARAQUE

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA

PROGRAMA DE INGENIERÍA INDUSTRIAL

2021
 TALLER-LABORATORIO 3: MODELOS DE COLAS Y SIMULACIÓN

Para el seguimiento correspondiente en el desarrollo del curso de Modelos y

simulación, se orienta desarrollar un informe en Word o PDF con un Anexo en
Excel, el informe contendrá los siguientes cuatro puntos:

1. Consulte el link
https://www.ucursos.cl/usuario/b8c892c6139f1d5b9af125a5c6dff4a6/mi_blog/r/Ad
ministracion_de_Operaciones_-_Completo.pdf en el capítulo 19 A, “Conceptos de
simulación” en el capítulo 19 A y Responder el siguiente cuestionario:

1.1 ¿Por qué a veces se le llama a la simulación una técnica de último

recurso?

La simulación se ha convertido en una herramienta estándar en los negocios. En

manufactura, se utiliza para determinar los programas de producción, niveles de
inventario y procedimientos de mantenimiento; planear la capacidad, requisitos de
recursos y procesos; y más. En servicios, se emplea ampliamente para el análisis
de líneas de espera y programación de operaciones. Muchas veces, cuando falla
una técnica matemática, se recurre a la simulación.

1.2 ¿Qué papeles cumplen las pruebas de hipótesis estadística en la

simulación?

De hecho, muchos analistas consideran la simulación como una forma de prueba

de hipótesis, donde cada ejecución de simulación ofrece uno o más datos de
muestra que son susceptibles al análisis formal a través de los métodos
estadísticos inferenciales. Los procedimientos estadísticos que normalmente se
usan en la evaluación de resultados de simulación incluyen el análisis de varianza,
análisis de regresión y pruebas t.

1.3 ¿Qué determina la validez de un modelo de simulación?

Validación se refiere a probar el programa de computación para garantizar que la
simulación está bien. Específicamente, es una verificación para corroborar si el
código de la computadora es una traslación válida del modelo de diagrama de flujo
y si la simulación representa adecuadamente al sistema real. Pueden surgir
errores en el programa debido a errores de codificación o en la lógica. Los errores
de codificación normalmente se encuentran con facilidad porque es muy probable
que la computadora no ejecute el programa. Sin embargo, los errores en la lógica
son más difíciles. En estos casos el programase ejecuta, pero no genera los
resultados correctos.

1.4 ¿Se debe usar una computadora para obtener información adecuada de
una simulación? Explique.

Aun cuando el término simulación tiene varios significados dependiendo de su

aplicación, en negocios normalmente se refiere al uso de una computadora para
llevar a cabo

MODELOS Y SIMULACIÓN

Experimentos en un modelo de un sistema real. Ejemplos de otros tipos de

simulación son los simuladores de vuelo, juegos de video y animación virtual. Los
experimentos de simulación se efectúan antes de que el sistema real entre en
operación a fi n de ayudar en su diseño, ver cómo reaccionaría el sistema a los
cambios en sus reglas operativas o evaluar la respuesta del sistema a los cambios
en su estructura.

1.5 ¿Qué métodos se usan para incrementar el tiempo en un modelo de

simulación? ¿Cómo funcionan?

En un modelo de simulación, el tiempo se puede avanzar con uno de dos

métodos:

1) incrementos fijos
2) incrementos variables.
En ambos métodos de incrementos de tiempo es importante el concepto de un
reloj simulado. En el método de incremento de tiempo fijo, se especifican los
incrementos uniformes de tiempo del reloj (como minutos, horas o días) y la
simulación continúa por intervalos fijos de un periodo al siguiente.

En cada punto de tiempo de reloj, se rastrea el sistema para determinar si ocurría

algún evento. De ser así, se simulan los eventos y avanza el tiempo; de lo
contrario, el tiempo de todas maneras avanza una unidad.

En el método de incremento de tiempo variable, el tiempo del reloj avanza por la

cantidad requerida para iniciar el siguiente evento.

¿Cuál es el método más conveniente? La experiencia indica que es más

recomendable el incremento de tiempo fijo cuando los eventos de interés ocurren
con regularidad o la cantidad de eventos es grande y normalmente ocurren varios
en el mismo periodo. Por lo general se prefiere el método de incremento de tiempo
variable, que requiere menos tiempo de ejecución de cómputo, cuando se
presentan relativamente pocos eventos en una cantidad considerable de tiempo.
Ignora los intervalos de tiempo cuando no sucede nada y avanza de inmediato al
siguiente punto cuando se presenta algún evento

1.6 ¿Cuáles son las ventajas y desventajas de empezar una simulación con el
sistema vacío? ¿Y con el sistema en equilibrio?

VENTAJAS DESVENTAJAS
Permite adquirir experiencia de No es aplicable cuando existan
manera rápida con un bajo costo y técnicas analíticas que permitan
sin poner en riesgo la productividad corregir u optimizar el sistema.
del sistema
Permite identificar áreas con En ocasiones no es posible asegurar
problemas en un proceso complejo. que el modelo sea válido.
Permite realizar un estudio Es posible querer utilizar el modelo
sistemático de alternativas aplicables fuera de los imites para los que fue
al sistema. construido causando una falsa
apreciación del problema
No importa que tan complejo sea el No existe ninguna criterio científico
 sistema ya que todo sistema puede sobre las posibles alternativas a ser
ser modelado y de esta manera simuladas
poder atacar el problema
Puede ser aplicada en cualquier La simulación es imprecisa y en
punto de la vida de un sistema, ya ocasiones no proveen soluciones
sea durante el diseño o la producción óptimas.
planteando alternativas para el
mejoramiento del mismo.

Ofrece poderosas ventajas, pero sufre mayores desventajas también.

Afortunadamente muchas desventajas están disminuyendo en importancia en el
tiempo, gracias a las herramientas que emplean simulación, metodologías,
desarrollo de computadoras y de software y decrementos en los costos de los
mismos.

1.7 Distinga entre las distribuciones matemáticas conocidas y las

distribuciones empíricas.

Se pueden usar dos categorías de distribución para la simulación: las

distribuciones empíricas de frecuencia y las distribuciones estándar matemáticas.
Una distribución empírica se deriva de observar las frecuencias relativas de cierto
evento, como la llegada en una línea o la demanda de un producto. Es decir que
se trata de una distribución de demanda elaborada según las necesidades que
sólo es relevante para una situación en particular. Podría verse como la
presentada a la izquierda en la ilustración 19A.2. Dichas distribuciones se
determinan por observación directa o análisis detallado de registros (su uso se
mostrará en el ejemplo de simulación de líneas de espera). Pero, por ejemplo,
muchas veces se puede suponer de manera razonable que la demanda está muy
vinculada con una distribución estándar matemática, como la normal o Poisson. Lo
anterior simplifica en gran medida la recopilación y captura de datos.

1.8 ¿Qué información se necesita para una simulación con una distribución
matemática conocida?
Los programas de simulación también se pueden clasificar por categorías como de
propósito general y de propósito especial. Los software de propósito general
permiten a los programadores diseñar sus propios modelos. Algunos ejemplos son
SLAM II, SIMSCRIPT II.5, SIMAN, GPSS/H, GPSS/PC, PC-MODEL y RESQ. Los
programas de software de simulación de propósito especial se diseñan para
simular aplicaciones específicas, como Extend y SIMFACTORY. Por ejemplo, en
una simulación especializada para manufactura, las provisiones de un modelo
permiten especificar el número de centros de trabajo, su descripción, ritmos de
llegada, tiempo de procesamiento, tamaños de lotes, cantidad de trabajo en
proceso, recursos disponibles que incluyen mano de obra, secuencias, etc.
Además, el programa puede permitir al observador ver la operación animada así
como las cantidades y flujos en el sistema conforme se ejecuta la simulación. Los
datos se recopilan, analizan y presentan en la forma más conveniente para ese
tipo de aplicación. El paquete de software llamado Extend se presenta en la
sección Innovación titulada “Software de animación y simulación”

1.9 ¿Por qué es importante en la simulación la duración de la ejecución?

La simulación es adecuada especialmente en situaciones en las que el tamaño o

la complejidad del problema dificulta o hace imposible el uso de técnicas de
optimización. Por eso se han estudiado extensamente los talleres de trabajo,
caracterizados por problemas de líneas de espera complejos, a través de la
simulación, al igual que ciertos problemas de inventario, distribución de planta y
mantenimiento (por mencionar algunos). La simulación también se puede usar en
conjunto con técnicas científicas tradicionales de gestión y estadística.

Además, la simulación es útil para entrenar a los gerentes y trabajadores en

cuanto a la operación del sistema real porque demuestra los efectos de los
cambios en las variables del sistema, el control en tiempo real y el desarrollo de
nuevas ideas sobre cómo dirigir el negocio.

1.10 ¿Una ejecución de 100 observaciones es dos veces más válida que una
de 50?

Explique.
Para simular este sistema, se necesitan los tiempos de desempeño de Bob y Ray.
Una forma de recopilar estos datos es dividir el rango de tiempo de servicio en
intervalos y después observar a cada trabajador. Una simple marca en cada
segmento resulta en un histograma de datos útil.

Para simplificar el procedimiento, el rango de tiempo de servicio se dividió en

intervalos de 10 segundos. Se observó a Bob durante 100 repeticiones del trabajo
y a Ray sólo 50 veces. El número de observaciones no tiene que ser el mismo,
pero cuantas más haya y menores sean los segmentos de tiempo, más preciso
será el estudio. La diferencia es que más observaciones y segmentos más
pequeños requieren más tiempo y personas (así como más tiempo para programar
y ejecutar una

simulación).

1.10 Describa que son los números aleatorios y como se utilizan en la

simulación.

Para ilustrar cómo se relacionan los números aleatorios con una distribución
estándar, imagine que la demanda diaria de periódicos de una máquina
expendedora se distribuye normalmente con una media de 55 y que la desviación
estándar es de 10 (esta distribución se muestra a la derecha en la ilustración
19A.2). Con esta suposición, la generación de demanda diaria requeriría una tabla
de números aleatorios (o de desviaciones) normalmente (n) distribuidos junto con
la fórmula estadística Dn = x – + Znσ (los términos se definen posteriormente).

1.12 Investigue para la modelación las principales herramientas de software

utilizadas.

Programar las operaciones está en el centro mismo de lo que en nuestros días se

conoce como sistemas de ejecución de manufactura (Manufacturing Execution
Systems, MES). Un MES es un sistema de información que programa, despacha,
sigue, vigila y controla la producción de la planta fabril. Estos sistemas también
proporcionan enlaces en tiempo real a los sistemas MRP, planeación de productos
y procesos, así como sistemas que rebasan los límites de la fábrica, como
administración de la cadena de suministro, ERP, ventas y administración de
servicios. Hay empresas de escritura de programas de cómputo que desarrollan e
implantan MES como parte de una suite de herramientas de software.

A semejanza del MES, un sistema de ejecución de servicios (Service Execution

System, SES) es un

sistema de información que enlaza, programa, despacha, sigue, vigila y controla

los contactos de los clientes con las organizaciones de servicio y sus empleados.
Como es patente, la medida en que se pongan en marcha estos elementos está
determinada por el grado de participación concreta del cliente con la organización
de servicio, el número de etapas del servicio y si dicho servicio fue estandarizado
(como las reservaciones de un vuelo comercial) o personalizado (como una visita
al hospital). Las características comunes de cualquier sistema grande son una
base de datos central que contiene toda la información pertinente sobre
disponibilidad de recursos y clientes y una función de control gerencial que integra
y supervisa el proyecto.

1.13 Del texto MODELADO Y SIMULACIÓN: APLICACIÓN A PROCESOS

LOGÍSTICOS DE FABRICACIÓN Y SERVICIOS, describa cuales son las fases
de un estudio y proyecto de simulación.

El archivo en Investigar en diferentes fuentes establecidas en el syllabus

orientado a la unidad 3. Las etapas de la simulación y hacer una descripción
de cada una de esta

La simulación es mucho más que la construcción del modelo y su ejecución. Como

cualquier proyecto, requiere de planeamiento, coordinación y un entendimiento de
los requerimientos de cada una de las tareas involucradas. El modelado de
sistemas requiere de capacidades o habilidades analítica, estadística,
organizacional y de ingeniería.

El modelador debe ser capaz de entender el sistema que está siendo investigado
y debe ordenar relaciones complejas causa-efecto. No hay reglas estrictas de
cómo conducir un proyecto de simulación; sin embargo, a continuación, se
presenta una secuencia de etapas, generalmente recomendadas:

 Definir el problema, los objetivos y los requerimientos.

 Diseño del modelo conceptual.
 Obtención y análisis estadístico de los datos para el modelo.
 Construcción del modelo de simulación.
 Verificación del modelo.
 Validación del modelo.
 Diseño del experimento de simulación, ejecución y análisis estadístico.
 Entrega de documentación y presentación de resultados.

1. Definir el problema, los objetivos y los requerimientos

No es suficiente expresar el problema en términos generales, como “¿Qué tan

grande debe ser el aeropuerto que se va a construir?”. Una declaración más
precisa del problema sería, por ejemplo: “¿cuántas pistas de aterrizaje y de qué
longitud serán requeridas para satisfacer la demanda estimada para un viaje
aéreo?”. En la medida en que el problema se formule de una manera más precisa,
la construcción del modelo se hará más sencilla.

Al inicio, es importante definir el problema entendiendo su contexto, identificando

los objetivos que definen la razón y el propósito para llevar a cabo el proyecto de
simulación.

Una forma de conocer el problema es saber más sobre el sistema que se está
investigando; por ejemplo, su capacidad actual de producción, las medidas de
desempeño actuales del sistema (utilización, tiempo de ciclo, tiempo de espera,
entre otros); conocer cuáles son las restricciones o “cuellos de botella” y ver la
factibilidad de alcanzar indicadores meta de desempeño (adición de recursos,
mejorar métodos, etcétera); qué variables de decisión son más sensibles en el
desempeño global del sistema. El objetivo de la simulación debe ser realista y
factible de ser ejecutado, y sus requerimientos deben definirse en términos de
recursos, tiempo y presupuesto.
  En la identificación de los objetivos debemos realizar las siguientes
preguntas (Knepell y Arango, 1993):
 ¿Cuál es el propósito de la simulación?
 ¿Para quién es el modelo?, ¿quién será el usuario final del modelo?
 ¿Qué tan importantes serán las decisiones que se tomarán como resultado
del modelo de simulación?
 ¿Cuáles son las expectativas del cliente?
 ¿Cuál es el presupuesto?
 ¿Cuál es la fecha límite para finalizar el proyecto?

El proyecto de simulación será exitoso en la medida en que los objetivos sean

definidos en forma clara y las restricciones sean bien entendidas. La simulación
solo debería ser ejecutada cuando se hayan definido el o los objetivos del
proyecto y se haya determinado que la simulación es la herramienta más
conveniente para adquirir dichos objetivos. Durante la ejecución del proyecto, es
necesario regresar a los objetivos, para mantener la atención enfocada en lo que
es importante. Algunas veces los objetivos cambian o se expanden durante el
avance en la ejecución del proyecto.

2. Diseño del modelo conceptual

En esta etapa, el modelador debe traducir el sistema del mundo real en un modelo
conceptual. En el diseño del modelo conceptual se debe establecer la lógica de las
operaciones en el modelo en términos de los elementos estructurales del sistema
y del flujo de entidades que pasarán a través del sistema. En este sentido, el
modelador debe entender la estructura y las reglas de operación del sistema que
se investiga y ser capaz de extraer su esencia, sus características importantes. En
esta etapa se deben tomar en cuenta aspectos como:

En el modelo se pueden hacer suposiciones razonables.

Los componentes que deben ser incluidos en el modelo y cuáles son las
interacciones posibles entre estos.
La secuencia de operaciones.

Los recursos en disputa por las entidades.

Los alcances del modelo. El nivel de detalle que debe ser incluido en el modelo
depende de los objetivos planteados para el proyecto. En todo caso, solo aquellos
componentes que causan diferencias significativas en la toma de decisiones
deben ser considerados.

Identifica los requerimientos de datos para cada componente del modelo, por
ejemplo, ‘atención al cliente’. Para un buen entendimiento, los requerimientos de
datos pueden ser proyectados, con ellos se pueden considerar programas o
Schedule, algoritmos y controles requeridos para el modelo.

Planeamiento de experimentos. Definir, en forma tentativa, el número y la

naturaleza de los escenarios o alternativas de configuración que será evaluada.

Determinar el formato de presentación de los resultados. Este aspecto influye

significativamente en el tiempo y el esfuerzo involucrado en el estudio de
simulación. Si se requiere un detallado nivel de animación o si se espera un
extenso reporte, entonces el proyecto se puede prolongar por varias semanas
extras después de que la etapa de experimentación haya concluido . En algunos
casos se requiere como resultado solo un valor, con el cual se verifica si el
sistema es capaz de alcanzar los requerimientos de niveles de producción o
servicio; en estos casos, un solo valor es suficiente. En otras situaciones se
requiere una completa documentación en la que se detallen todos los objetivos,
las fuentes de datos, las suposiciones, los procedimientos de modelado, los
experimentos, los análisis de resultados y las recomendaciones.

Una pauta para establecer la clase y la cantidad de información por presentar es

preguntar al tomador de decisiones qué decisión está siendo respaldada por la
simulación y los aspectos de fondo involucrados; así, se focalizará en los ítems
importantes y se proveerá de efectiva visualización de información que facilite un
adecuado proceso de toma de decisiones. Algunas veces la animación de la
simulación puede ser efectiva para mostrar áreas congestionadas o “cuellos de
botella”; también la presentación de gráficas o esquemas.

3. Obtención y análisis estadístico de los datos

Una vez que en la etapa anterior se han identificado los requerimientos de los
datos, entonces se procede a su obtención para que sean utilizados durante la
etapa de construcción del modelo. Una inapropiada especificación en el modelo
nos conducirá a una pérdida irreversible de tiempo y esfuerzo. Por ello, los datos
deben ser obtenidos en forma sistemática, clasificados y analizados
estadísticamente.

Los datos que conciernen al sistema son los involucrados con su estructura, con
los componentes individuales existentes, las interacciones entre los componentes
y las operaciones del sistema. Los posibles estados del sistema se establecen a
partir de esta información.

Ejemplo: Operación de control de calidad.

A continuación se presentan los datos de entrada para el segmento del modelo:

Tiempo de traslado de la estación previa a la estación de control.

Duración de la actividad control de calidad.

Probabilidad de aceptación y rechazo.

Tiempo de traslado de la estación de control a la estación siguiente.

La fuente para la obtención de datos puede provenir de la ejecución de un estudio

de tiempos, de entrevistas personales con los operadores del sistema, o de otras
fuentes.

El proceso de obtención de datos es vital e implica tiempo y costo; por lo tanto,

debe ejecutarse en forma inteligente y sistemática para asegurar la construcción
del modelo apropiado.
Una vez obtenidos los datos, estos deben pasar por ciertas pruebas estadísticas,
para ver si se ajustan a alguna distribución de probabilidad. La información de un
sistema tiene carácter dinámico y estocástico, la variabilidad de este debe
modelarse con ciertas ecuaciones matemáticas que sean capaces de reproducir
su comportamiento; en la mayoría de los casos es posible clasificar dicha
variabilidad dentro de alguna distribución de probabilidad, en otros casos esto no
es posible y se debe recurrir a distribuciones empíricas. La representación en el
modelo de una variable aleatoria se da por medio de una distribución de
probabilidad. Si luego de realizar las pruebas a los datos obtenidos se alcanza un
ajuste significativo, entonces es posible representar en el modelo estos datos por
medio de una distribución de probabilidad “teórica” (exponencial, uniforme,
triangular, normal, etcétera).

Aspectos importantes de esta etapa se desarrollarán, con detalle, más adelante,

cuando se aborde el capítulo de obtención y análisis de los datos para el modelo.

4. Construcción del modelo de simulación

En esta etapa el modelador debe traducir el modelo conceptual en un modelo de

simulación que se prepara en la computadora y se basa en las reglas del sistema
seleccionado, por ejemplo, los software Arena, ProModel, etcétera.

Un buen modelo no es aquel que necesariamente es real, pero sí lo

suficientemente útil. Un modelo es útil si tiene suficiente detalle y exactitud para
encontrar los objetivos de la simulación. El grado al cual el modelo corresponde en
detalle y exactitud al sistema actual está asociado al nivel de fidelidad. Altos
niveles de fidelidad requieren largos desarrollos, depuraciones y tiempos de
ejecución. Por ello, se recomienda establecer un mínimo requerido de fidelidad
para lograr los objetivos del estudio. Se debe tener en cuenta que los modelos no
tienen que incluir todo el detalle necesario para que puedan ejecutarse. Mediante
un progresivo refinamiento estratégico puede adicionarse el detalle y no todo a la
vez. Esto posibilita que el modelo se ejecute rápido y sea fácil la depuración de
errores. En la etapa inicial, por ejemplo, no son necesarios los gráficos muy
atractivos, como sí lo serían en la presentación final del modelo. En cuanto a la
complejidad del modelo, se debe tomar en cuenta que es mejor empezar con un
modelo simple y adicionar complejidad, en lugar de crear un modelo complejo
enseguida. Es más fácil adicionar que extraer complejidad al modelo.

5. Verificación del modelo

Mediante el proceso de verificación se determina si el modelo de simulación

construido refleja correctamente el modelo conceptual diseñado. Es decir,
después de haber terminado la construcción del modelo es necesaria la
comprobación, la confirmación de que el modelo trabaja correctamente.

Durante este proceso el modelador trata de detectar errores involuntarios en el

modelo (de datos, de lógica u otros) y eliminarlos. Es recomendable investigar las
regiones extremas de los parámetros de entrada, verificar que sucedan las cosas
correctas con entradas obvias y seguir la secuencia lógica con las personas
familiarizadas con el sistema. En esta etapa se debe continuar con el proceso de
depuración y refinación del modelo, pero en una proporción menor que en la etapa
de construcción.

6. Validación del modelo

Mediante el proceso de validación del modelo se determina si el modelo

conceptual rediseñado refleja correctamente el sistema real. La validación es un
proceso racional en el cual el modelador traza conclusiones acerca de la precisión
del modelo, basado en alguna evidencia disponible.

La validez del modelo se refiere a si este corresponde al sistema real, o si por lo

menos representa con precisión la data recolectada y las suposiciones hechas con
relación a la manera en que opera el sistema real. Durante el proceso de
construcción del modelo, el modelador debe estar constantemente comprometido
con la validación del modelo. Un ejemplo de validación es comparar la medición
de un indicador de desempeño obtenido de la simulación, con la medición del
mismo indicador tomado del sistema real, y ver si estas corresponden.
La recolección de evidencias que determinan la validez del modelo es
extensamente llevada a cabo examinando la estructura del modelo y evaluando la
información estadística que se obtiene del modelo. La estructura del modelo (los
algoritmos y las relaciones) debe ser verificada para ver cuán cerca esta
corresponde a la definición actual del sistema. Para aquellos modelos que tienen
una lógica de control compleja, la animación gráfica puede ser utilizada en forma
efectiva como una herramienta de validación. Finalmente, la información de salida
del modelo debe ser analizada para observar si los resultados parecen
razonables. Si estos procedimientos son ejecutados sin encontrarse una
discrepancia entre el sistema real y el modelo, entonces se dice que el modelo
tiene una precisa representación del sistema.

Traducción en dos etapas para convertir el sistema del mundo real en un modelo
de simulación.

La verificación y validación del modelo representan factores críticos para el éxito

del proyecto de simulación. Importantes decisiones se basan en la información
obtenida del experimento de simulación y, por lo tanto, esto es una evidencia
demostrable de la validez del modelo.

7. Experimento de simulación, ejecución y análisis estadístico

En esta etapa se planea qué es lo que se desea saber. Mediante los experimentos
de simulación obtendremos las respuestas de una manera precisa y eficaz.

En un experimento de simulación hay ciertas variables llamadas “independientes”

o “variables de entrada”, que pueden ser manipuladas o variadas. Los efectos que
causa esta manipulación en otras variables denominadas “dependientes” o
“variables de respuesta” son medidos. Las variables independientes son
manejadas o manipuladas en la experimentación; se les llama también variables
de decisión o variables de experimento. Desde que el experimentador está
interesado en variables dependientes estas son llamadas variables de respuesta o
variables de desempeño.
Varios tipos de experimentos pueden ser conducidos usando simulación:

Encontrando el desempeño esperado del diseño particular de un sistema.

Encontrando el valor óptimo para una variable de decisión.

Encontrando la combinación óptima de valores para dos o más variables de

decisión.

Determinando la sensibilidad del modelo de cambios en una o más variables.

Comparando alternativas en la configuración de sistemas.

El objetivo en la conducción de experimentos no es encontrar cuán bien opera un

sistema particular, sino tener suficiente conocimiento de cómo mejorar el
desempeño del sistema. Desafortunadamente, la información obtenida de la
simulación muy pocas veces identifica las causas de los problemas, solo reporta el
comportamiento sintomático del problema. Por ejemplo, las actividades “cuello de
botella” son usualmente identificadas porque determinado proceso posee siempre
una cola larga, comparadas con los procesos cuyas colas están vacías. Esto es un
síntoma de que existe un “cuello de botella” en el sistema.

El conjunto de valores de cada indicador, que resulta de la ejecución del

experimento de simulación, sea de estado estable o transitorio, deberá ser
sometido a pruebas estadísticas de bondad de ajuste a la distribución Normal, es
decir, básicamente a las pruebas de Chi-cuadrado, Kolmogorov-Smirnov y
Anderson Darling. El objetivo de esta -prueba es verificar que se aplica el Teorema
del Límite Central (TLC) para el indicador del estudio, es decir, que los N valores
promedio que se logren producto de las N réplicas forman un conjunto de valores
que se ajustan a una distribución de probabilidad Normal, y, por lo tanto, se podrá
realizar inferencia estadística al indicador.

En la conducción de un experimento de simulación el modelador debe tener

cuidado en la correcta interpretación de la información obtenida de la ejecución de
la simulación. A continuación se presentan algunos puntos para tomar en cuenta
en el diseño del experimento de simulación .

Aspectos claves en el diseño del experimento de simulación :

 ¿Está el interés focalizado en analizar el comportamiento del estado estable

del sistema, o existe un determinado período de tiempo que se desea
medir?
 ¿Cuál es la mejor manera de asegurar que los resultados reflejen solo el
período de tiempo de interés y no sean influenciados por otras condiciones,
como las condiciones iniciales?
 ¿Cuál es el mejor método para obtener una muestra de observaciones que
pueden ser usadas para estimar el comportamiento del modelo?
 ¿Cuál es la longitud apropiada para ejecutar la simulación?
 ¿Cuántas réplicas deben ser ejecutadas?
 ¿Cuántas secuencias de números aleatorios deben ser utilizadas en el
modelo?
 ¿Es factible realizar inferencia estadística con los valores obtenidos de
cada indicador (producto de las N réplicas)?, ¿realmente se ajustan a una
distribución Normal?

Las respuestas a estas preguntas dependerán del grado de precisión requerido

del proyecto de simulación . Todos estos aspectos claves serán desarrollados en
forma detallada más adelante, en el capítulo correspondiente al diseño del
experimento de simulación, su ejecución y análisis estadístico de los resultados.