1.- Lenguajes de simulación y simuladores.

En un principio, los programas de simulación se elaboraban utilizando algún lenguaje

de propósito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la
década de 1960 hacen su aparición los lenguajes específicos para simulación como
GPSS, GASP, SIMSCRIPT, SLAM. En la última década del siglo pasado la aparición de
las interfaces gráficas revolucionó el campo de las aplicaciones en esta área, y
ocasionaron el nacimiento de los simuladores.

En lo práctico, es importante utilizar la aplicación que mejor se adecúe al tipo de

sistema a simular, ya que de la selección del lenguaje o simulador dependerá el tiempo
de desarrollo del modelo de simulación. Las opciones van desde las hojas de cálculo,
lenguajes de tipo general (como Visual Basic, C++ o Fortan), lenguajes específicos de
simulación (como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y SSED), hasta simuladores
específicamente desarrollados para diferentes objetivos (como SIMPROCESS,
ProModel, Witness, Taylor II y Cristal Ball).

2.- Aprendizaje y uso de un lenguaje de simulación o simulador.

Los lenguajes de simulación facilitan enormemente el desarrollo y ejecución de

simulaciones de sistemas complejos del mundo real. Los lenguajes de simulación son
similares a los lenguajes de programación de alto nivel pero están especialmente
preparados para determinadas aplicaciones de la simulación.

Los lenguajes de simulación son similares a los lenguajes de programación de alto

nivel pero están especialmente preparados para determinadas aplicaciones de la
simulación.

Características de los lenguajes de simulación:

• Los lenguajes de simulación proporcionan automáticamente las

características necesarias para la programación de un modelo de simulación,
lo que redunda en una reducción significativa del esfuerzo requerido para
programar el modelo.
• Proporcionan un marco de trabajo natural para el uso de modelos de
simulación. Los bloques básicos de construcción del lenguaje son mucho más
afines a los propósitos de la simulación que los de un lenguaje de tipo general.
• Los modelos de simulación son mucho más fácilmente modificables.
• Proporcionan muchos de ellos una asignación dinámica de memoria durante
la ejecución.
• Facilitan una mejor detección de los errores.

3.- Casos prácticos de simulación.

Un caso práctico de una simulación podemos decir en esta parte, la simulación del
Método de Monte Carlo.

ALGORITMOS

El algoritmo de Simulación Monte Carlo Crudo o Puro está fundamentado en la

generación de números aleatorios por el método de Transformación Inversa, el cual se
basa en las distribuciones acumuladas de frecuencias:
 • Determinar la/s V.A. y sus distribuciones acumuladas(F)
• Generar un número aleatorio uniforme Î (0,1).
• Determinar el valor de la V.A. para el número aleatorio generado de acuerdo a
las clases que tengamos.
• Calcular media, desviación estándar error y realizar el histograma.
• Analizar resultados para distintos tamaños de muestra.

4.- Problemas con línea de espera.

Simulación de una línea de espera con una fila y un servidor

Un sistema de colas estará definido cuando tengamos la siguiente información acerca

de este:

• Distribución de probabilidad de los tiempos de servicio

• Distribución de probabilidad de los tiempos entre llegadas

• Numero de servidores

• Numero de filas

• Conexiones entre servidores y filas

• Disciplinas y restricciones de los servidores y filas (en caso de que existan)

Para este primer ejemplo se utilizará el modelo de líneas de espera que se muestra en
la figura siguiente. Como se puede apreciar, es un modelo bastante simple donde la
disciplina de atención es FIFO (primero en llegar, primero en salir).

Tanto el tiempo de servicio como el tiempo entre llegadas siguen una distribución
exponencial, aunque con parámetros diferentes, para el caso del tiempo entre llegadas
tenemos λ= 0,5 y para el tiempo de servicio tenemos λ= 0,6.

Aplicando el método de la transformada inversa a la distribución exponencial (consultar

Dyneret al, 2008), tenemos que:

Donde ti corresponde a una observación de una variable exponencial, ri es un número

aleatorio entre cero y uno yλ es la media de la distribución

5.- Problemas con sistema de inventario.

Las Ciencias Administrativas han evolucionado de manera vertiginosa en conceptos y

técnicas para optimizar los resultados gerenciales, esto sumado a la tecnología
informática dinamiza aún más la operatividad de las organizaciones y la rápida reacción
ante los nuevos paradigmas generados en los mercados. En este contexto el
modelamiento de realidades empresariales hace posible a los
Administradores provocar escenarios simulados en su proceso de toma de decisiones
en las diversas áreas funcionales de la organización integrando las variables implicadas
en cada caso. Una de las herramientas más utilizada para tal fin son las hojas de
cálculo Excel que permiten cuantificar, integrar y configurar modelos ordenadamente
propuestos con efectos visuales y gráficos atractivos para cualquier persona que desee
analizarlos.

6.- validación de un simulador.

Los programas de simulación pueden ser aplicados en diversos ámbitos, por ejemplo,
en el de la educación, la forma de enseñar está cambiando, y ya sea a través de casos
prácticos que complementen las clases magistrales o de simuladores de gestión,
pocos son ya los departamentos que no hayan incorporado alguna herramienta de
mejora de la formación. Ambos métodos tienen ventajas y desventajas pero un
simulador de calidad permite una mayor visión global de una organización compleja
que incorpora todas las grandes áreas funcionales, mayor interactuación ya que
permite a las empresas simuladas competir entre ellas creando un verdadero entorno
competitivo, y una mejoría notable en la capacidad para tomar decisiones.

7.- Pruebas paramétricas (validación del modelo, pruebas de hipótesis y pruebas

de estimación).

1. Validación de los modelos de procesos simples; esto es validar la estructura interna

del modelo.

Se valida la salida de los procesos simples y en ello se hace uso de técnicas de

estadística. Las relaciones funcionales también deben validarse. Puede hacerse
cuando se establece el modelo o en la toma de datos .No debe tomarse relaciones
funcionales desconocidas, o que no tengan ya un grado de validez aceptable. Siempre
será posible validar las componentes o subsistemas porque se habrán construido de
manera modular para formar el modelo.

Etapas en el desarrollo de un simulador.

Recordemos que las etapas nombradas para desarrollar un simulador son:

1) Identificación del problema

2) Delimitación del sistema

3) Formulación del modelo

4) Preparación de datos

5) Construcción del modelo

6) Validación

7) Diseño de experimentos

8) Ejecución de experimentos

9) Interpretación (Inferencia)
10) Documentación

2. Análisis de sensibilidad

En las 2 etapas de la validación (de estructura y de los datos de salida) se debe hacer
análisis de sensibilidad.

Para ello, se varía los valores de 1 o 2 variables de entrada y se observa la respuesta

del modelo. Es de cuidado cuando el modelo es muy sensible a una pequeña variación
de una variable, y en general el modelo no es bueno cuando ello ocurre.

Prueba de Hipótesis:

Una hipótesis estadística es una afirmación o conjetura acerca de la distribución o del

valor de los parámetros de la distribución de una o más variables aleatorias o
poblaciones.

PASOS DE LA PRUEBA DE HIPÓTESIS

1. Expresar la hipótesis nula

2. Expresar la hipótesis alternativa

3. Especificar el nivel de significancia

4. Determinar el tamaño de la muestra

5. Establecer los valores críticos que establecen las regiones de rechazo de las de
no rechazo.

6. Determinar la prueba estadística.

7. Coleccionar los datos y calcular el valor de la muestra de la prueba estadística

apropiada.

8. Determinar si la prueba estadística ha sido en la zona de rechazo a una de no

rechazo.

9. Determinar la decisión estadística.

10 Expresar la decisión estadística en términos del problema.