Unidad 1:

Introducción a la
simulación: elementos
básicos de un modelo
de simulación

Simulación
 Página 1 de 20

Índice
Introducción ........................................................................................................................... 2
1. ¿Qué es la simulación? .................................................................................................... 3
1.1 Algunos conceptos importantes ............................................................................................... 3
a. Modelo: ............................................................................................................................................. 3
b. Parámetros: ...................................................................................................................................... 4
c. Variables de estado: .......................................................................................................................... 6
d. Efectividad de un sistema de simulación .......................................................................................... 7
e. Otros elementos de un sistema de simulación: ................................................................................ 8

2. Tipos de sistemas ............................................................................................................ 9

3. Ámbitos de aplicación ........................................................................................................ 9
4. Algunos temas estadísticos importantes ......................................................................... 10
a. Definición de probabilidad ........................................................................................................ 11
b. Algunas distribuciones de probabilidad y sus momentos característicos más importantes .... 11
5. Etapas de un estudio de simulación ................................................................................. 14
6. Ventajas y desventajas de un estudio de simulación ....................................................... 16
Conclusión ............................................................................................................................ 18
Referencias bibliográficas ..................................................................................................... 19
 Página 2 de 20

Introducción

La toma de decisiones en una organización es determinante en el curso y funcionamiento

de esta, ya que de aquí dependen su desarrollo y, por consiguiente, resultados de éxito o
fracaso. En este sentido, los encargados de tomar las decisiones deben procurar porque
estas sean las más adecuadas y en este camino buscan herramientas que les faciliten
visualizar los factores más importantes que inciden en el desempeño sus empresas y su
comportamiento para tener más certidumbre de las consecuencias de estas decisiones.

Existen muchas formas de optimizar las decisiones que se toman. La mayor parte de ellas
se basa en las matemáticas, en las estadísticas y en el desarrollo de programas
computacionales que nos permitan cumplir con ese objetivo.

Las técnicas matemáticas más usadas en optimización de recursos es la programación

matemática con y sin restricciones, pero también existen técnicas basadas en la
aleatoriedad de los fenómenos que se estudian. Es así que encontramos técnicas
estadísticas de apoyo en el control de calidad, en la formación de colas o líneas de espera,
en el diseño de redes y un sinnúmero de otras aplicaciones cuyo fin es la utilización
eficiente de los recursos.

Una de las técnicas más usadas por las empresas hoy en día es la simulación de procesos,
para lo cual se apoyan tanto en lenguajes formales de matemáticas y estadísticas, como
en un soporte robusto de informática (programas), para poder simular el comportamiento
de ciertos sistemas que son de interés para la empresa.
 Página 3 de 20

1. ¿Qué es la simulación?
La Simulación como una técnica de optimización podría definirse como la combinación de
modelos matemáticos y estadísticos, con ayuda de las computadoras, que nos permitan
reproducir lo más fielmente posible, condiciones del mundo real.

A nivel más general, el término simulación, se refiere a la capacidad que tiene un sistema
de poder predecir mediante el estudio de conductas repetidas el comportamiento futuro
de ese sistema, con vista en la proyección de ciertas variables en el tiempo.

Por ejemplo a nivel científico, los modelos que simulan las diversas condiciones climáticas
o el comportamiento de ciertas enfermedades (pandemias, cáncer, etc.) obedecen
claramente a estas definiciones. A nivel ingenieril, los modelos basados en matrices o
números aleatorios ayudan a predecir ciertos comportamientos del sistema en estudio, el
que puede ir desde una estimación de demanda, la determinación en un proyecto del
tamaño de planta óptimo, el tiempo de espera de una persona en una cola (líneas de
espera) o el potencial valor futuro de una acción o de una opción sobre un activo
subyacente. Como puede apreciarse, el concepto de simulación es amplio, pudiendo
aplicarse a un sinnúmero de actividades científicas, económicas y de ingeniería.

1.1 Algunos conceptos importantes

Definiremos ahora algunos conceptos básicos para cuando nos refiramos al concepto de
simulación.

a. Modelo:

Es una representación del sistema que se puede emplear para reproducir, en cierta
medida, el comportamiento del mismo o para razonar sobre las características del sistema
modelado. En simulación, un modelo está formado por dos conjuntos:

• Un conjunto de variables.
• Un conjunto de relaciones entre las variables del modelo (Jiménez Avello, Castro
Gil y Costa García, 2015).

Las variables se refieren a aspectos o datos cuantitativos del sistema, mientras que el
conjunto de relaciones se refiere a las situaciones que afectan al conjunto de variables del
sistema.
 Página 4 de 20

Por ejemplo, supón que deseas estudiar la relación entre IQ promedio de un país y el éxito
económico del mismo, medido por su ingreso per cápita. Aquí existen dos variables a
saber, una es el coeficiente intelectual promedio de un país y la otra es la productividad
del sistema mediada esa variable por el ingreso por persona. La relación entre ellas se
refiere a cómo se relacionan (en términos matemáticos y estocásticos) y afectan en
términos lógicos en una implicancia simple, en una doble implicancia o en último lugar, si
ambas variables no tiene relación alguna.

Un tipo de modelo como el anterior que relacione dos o más variables puede ser
explicado mediante relaciones lineales entre los parámetros que conforman el modelo
estudiado.

La figura 1 muestra lo dicho anteriormente, entre estas dos variables:

Figura 1

Fuente: IQ and Permanent Income: Sizing Up the “IQ Paradox”. Recuperado de:
https://humanvarieties.org/2016/01/31/iq-and-permanent-income-sizing-up-the-iq-paradox/

b. Parámetros:

Cuando un sistema se modela mediante ecuaciones, los valores que describen el sistema
se denominan parámetros. Por ejemplo, en mecánica, las masas, las dimensiones y
formas (para cuerpos sólidos), las densidades y las viscosidades (para fluidos), aparecen
como parámetros en las ecuaciones de modelado de los movimientos. En teoría de colas,
los parámetros serán aquellos que describan las llegadas al sistema y los tiempos de
 Página 5 de 20

atención del mismo (λ,µ), en los sistemas de producción un parámetro estimado será la
eficiencia del sistema y en finanzas será el costo del capital. En general, cualquier
problema de modelado que involucre el concepto de aleatoriedad, implicará la obtención
de parámetros (estadísticos) que sean capaces de describir dicho comportamiento. Dentro
de los más conocidos están los que involucran la dispersión de los datos, la posición de los
mismos y la forma de estos. En caso de que los datos para estimar estos parámetros sean
estimados de poblaciones donde no se conoce su función de probabilidad, será necesario
realzar prueba de bondad de ajuste o en su efecto pruebas no paramétricas.

Un ejemplo de un modelo lineal teórico con sus parámetros es el siguiente:

Figura 2

Fuente: Vasudev, R. (2018) How are Logistic Regression & Ordinary Least Squares Regression
(Linear Regression) Related? Why the “Regression” in Logistic? Recuperado de:
https://towardsdatascience.com/how-are-logistic-regression-ordinary-least-squares-regression-
related-1deab32d79f5

Donde B0 y B1 y Ԑi son los parámetros del sistema (previo a su estimación).

Un segundo ejemplo del mismo modelo lineal pero ahora aplicado a un problema de
ingeniería industrial es el que se muestra en la figura 3, el que relaciona materiales
basados en polímeros y su límite elástico y resistencia a la tracción.
 Página 6 de 20

Figura 3

Fuente: Doreswamy, H. (2011) Linear Regression Model for Knowledge Discovery in Engineering
Materials. Conference: First International Conference on Artificial Intelligence, Soft Computing
and Applications. DOI:10.5121/csit.2011.1313

En este caso, los parámetros del sistema están calculados y corresponde a B0 = 1.082 y B1
= 2.205. Ԑ =0.3602.

En resumen los parámetros de un sistemas son aquellos valores que son capaces de
describirlo con cierta fiabilidad, acercándose lo más posible a cómo sería su
comportamiento real.

c. Variables de estado:

Las variables de estado se definen como aquellas variables que describen y afectan el
comportamiento de un sistema, cuando este pasa de un estado a otro.

En teoría de sistemas, el más simple de estos se puede representar como una entrada de
variables (µ1, µ2,….µn) un procesamiento de las mismas y una salida (y1, y2, …yn). Lo que
ocurre dentro de la denominada caja negra del sistema (proceso de transformación), que
transforma una variable en otra y que se ve afectado por otras variables como el tiempo,
la temperatura u otras condicionantes, que hacen que la variable de entrada µ1(k) se
transforme en y1(k) es la variable de estado.
 Página 7 de 20

Figura 4

Fuente: Castaño, S. (s.f.) Variables de Estado – Espacio de Estados – Control. Recuperado de:
https://controlautomaticoeducacion.com/sistemas-dinamicos-lineales/variables-de-estado-
espacio-de-estados/

d. Efectividad de un sistema de simulación

La efectividad de un sistema dice relación con el porcentaje de cumplimiento de un

objetivo que nos permite ese sistema. En otras palabras, podemos relacionar este
concepto, también con los términos eficiencia y efectividad, dado que ambos también
consideran el alcanzar ciertos objetivos para medir la calidad de un sistema. La efectividad
en particular dice relación con el alcanzar el objetivo al menor costo posible, mientras que
la eficacia es alcanzar el objetivo sin importar el costo.

Como la efectividad es el resultado final de ciertas condiciones o restricciones aplicadas al

sistema, entonces podemos definir que es la suma de la eficiencia más la eficacia del
mismo. La figura 5, muestra el proceso mediante el cual el sistema logra la efectividad:
 Página 8 de 20

Figura 5

Fuente: Educación comunicativa (2016) Implementación de sistemas de comunicación

institucional. Recuperado de:
http://comunicacioneducativaismael.blogspot.com/2016/08/proyecto-implementacion-de-
sistemas-de_83.html

e. Otros elementos de un sistema de simulación:

Existan, aparte de los elementos mencionados anteriormente, otros que posibilitan
desarrollar sistemas de simulación. Entre estos se cuentan: entidad, estado del sistema,
evento, localización, recursos, atributo y variables. Definiremos brevemente cada uno de
ellos.

• Entidad: se refiere normalmente a la representación de la corriente de entrada

(input), al sistema. Es la condición básica para que el sistema vaya cambiando.
• Estado del sistema: es la condición que guarda el sistema estudiado en un
momento (ti) dado. Este se compone entre otros de variables de operación
puntuales y de variables acumuladas (promedios).
• Eventos: se refieren a cambios que se producen en el sistema en t 0. Se clasifican en
presentes y futuros.
• Localizaciones: corresponde a todos aquellos lugares en los que la identidad puede
detenerse para ser transformada o esperar recibir la transformación.
• Recursos: corresponden a aquellos dispositivos necesarios para llevar a cabo una
operación dentro del sistema.
 Página 9 de 20

• Atributo: corresponde a una característica de una entidad.

• Variable: corresponden a condiciones cuyos valores se crean y modifican por
medio de ecuaciones y relaciones lógicas. Pueden ser medidas en forma discreta y
en forma continua.

2. Tipos de sistemas
En general en simulación, existen diferentes sistemas a los cuales se les puede aplicar la
técnica de simulación, para describir estados presentes o futuros del mismo.

Dentro de los más conocidos se encuentran, los sistemas lógico-matemáticos, que

corresponden a aquellos que principalmente se utilizan para demostrar ciertas
preposiciones y teoremas, basados en un lenguaje formal, reglas, axiomas o principios y
reglas.

También están los sistemas discretos y continuos que, en términos matemáticos

estadísticos se definen mediante grados de libertad de la variable en estudio. Mientras
que un sistema discreto se puede definir con finitos grados de libertad, el sistema
continuo necesita infinitos grados de libertad para poder ser calculado.

Un ejemplo de un sistema continuo puede ser el audio que llega a un micrófono, se

amplifica y sale nuevamente hacia el exterior aumentado. Por su parte, un sistema
discreto puede ser la simulación de los clientes de una empresa realizando una fila para
ser atendidos.

Los sistemas estocásticos son aquellos que son definidos por el concepto de aleatoriedad,
pudiéndole asignar a su comportamiento funciones de probabilidad, mientras que un
sistema determinista es aquel que, una vez ingresado el valor exógeno de la variable, se
sabe exactamente el comportamiento de esta dentro del sistema y por lo tanto la salida
del mismo se conoce con certeza.

Por último, un sistema estático es aquel en el que no está representada la evolución del
sistema en el tiempo, mientras que un sistema dinámico es aquel que evoluciona con la
variable tiempo.

3. Ámbitos de aplicación
La simulación puede ser aplicada en muchos ámbitos. Nos centraremos principalmente en
la empresa y en sus áreas funcionales.
 Página 10 de 20

Dentro del área de las finanzas, la simulación se puede aplicar en la capacidad de

endeudamiento de la empresa o en los valores de los precios futuros de las acciones.
También es posible su aplicación en la sensibilización de los flujos de caja de un proyecto o
en la determinación del costo de oportunidad del accionista o dueños de la organización.
Un ejemplo es el siguiente:
Estado de Resultados
Ingresos Operacionales
- Costos operacionales
= Resultado de la operación
-Remuneraciones
-Bienes y Servicios
=Resultado Antes de Impuesto
- Impuesto (27%)
=Resultado Después de Impuesto
- Interes Minoritario
=Resultado Líquido

Fuente: elaboración propia

Supongamos que no sabemos en cuanto terminarán al final del período cada una de las
variables, pero sí sabemos que la variable “ingresos operacionales” se comporta de forma
normal. Entonces, será posible simularla basada en los primeros momentos de esa función
de probabilidad. Estos son la media y la varianza de esta variable aleatoria.

En marketing se puede simular el comportamiento de los clientes ante ciertos estímulos,

el comportamiento de la demanda se puede simular, mediante la alteración de ciertas
variables que la afectan, como por ejemplo el ingreso familiar.

En el área de producción u operaciones son muchos los ámbitos donde se pueden aplicar
la simulación de procesos. Por ejemplo, la llegada y salida de camiones de un proceso de
carga o la restricción de una materia prima en el abastecimiento de las sucursales de la
empresa.

4. Algunos temas estadísticos importantes

En simulación, el tema de las probabilidades es muy importante, pues en un sistema que

se quiera simular, tanto las entradas, como el proceso donde se ubican las variables de
estado y las salidas del sistema son susceptibles de que se le asignen distribuciones de
 Página 11 de 20

probabilidad para su modelamiento.Definiremos el concepto de probabilidad, algunas

distribuciones de ellas (discretas y continuas), y se revisará el concepto de bondad de
ajuste y grados de libertad.

a. Definición de probabilidad

Existen dos formas de definir una probabilidad. La primera de ellas es la llamada definición
frecuentista y que puede definirse de la siguiente forma:

Dicho de otra forma, es el número de casos favorables de una prueba, sobre el total de
veces que esa prueba se realiza.

La definición axiomática de probabilidad nos señala que denominaremos probabilidad a

cualquier función P, que asigna a cada suceso A del espacio muestral Ω un valor numérico
P(A), verificando los siguientes axiomas:

Fuente: Proyecto Descartes (s.f.) Definición axiomática (Kolmogorov). Recuperado de:

https://proyectodescartes.org/iCartesiLibri/materiales_didacticos/IntroduccionEstadisticaProbabil
idad/4ESO/Probabilidad/5_3ProbabilidadKolmogorov.html

b. Algunas distribuciones de probabilidad y sus momentos característicos

más importantes

Existen en teoría de probabilidades dos tipos de distribuciones de probabilidades, las

discretas y las continuas. Ya sabemos que un valor discreto es susceptible de ser sacado
de un conjunto finito o numerable de datos, mientras que un valor continuo puede ser
 Página 12 de 20

escogido desde un intervalo de números, donde existen teóricamente infinitos resultados

posibles.

Algunas de las distribuciones de probabilidades discretas más conocidas se encuentran la

Binomial, Poisson, Geometrica la hipergeométrica, uniforme y triangular. Mientras que
dentro de las distribuciones continuas se encuentran la normal, Chi-cuadrado, t-student,
La F Snedecor, Gama, Beta y Weibull, solo por mencionar algunas.

Cada función de probabilidad, tiene su propia función de cuantía o densidad (según sea el
caso, discreta o continua), y momentos que la caracterizan, siendo los principales, la
esperanza matemática y la varianza de la variable aleatoria.

A saber, la esperanza matemática para el caso discreto y continuo, viene dado por las
siguientes expresiones:

Fuente: UV (s.f.) Esperanza, operador de esperanza y momentos. Recuperado de:

https://www.uv.es/ceaces/esperanza/simple.htm

Mientras que la varianza de una variable aleatoria se podrá calcular como:

 Página 13 de 20

Fuente: Actuario (s.f.) Varianza de una variable aleatoria. Recuperado de:

https://seactuario.com/ContMatematicas/PROBABILIDAD19.htm

Los grados de libertad que es otro condicionante respecto de la robustez de un modelo de

simulación, dice relación con el número de variables independientes que se pueden elegir
después de haber aplicado ciertas restricciones o calculos a priori en un modelo
estadístico.

Los grados de libertad, cuando se prueba un modelo, entregan certezas respecto de las
pruebas de hipótesis que se quieren realizar al parámetro del modelo que se está
simulando.

Por último, el estadístico de significancia de un modelo a simular es el de “bondad de

ajuste”, concepto que se refiere a cuan acertado es el modelo tratando de simular o
predecir el sistema de interés. En otras palabras, la prueba de bondad de ajuste nos
indicara dos cosas:

• Cuan robusto es el modelo simulado. En este caso, se espera que el indicado R2 se

ubique cerca del 1.
• Dado un conjunto de observaciones, nos indica cuál es la distribución de
probabilidades de la que fueron extraídos.

En la figura 7, se muestra como ejemplo, si un conjunto de datos es extraído de una

distribución normal o no, contrastando los datos observados y los datos esperados.
 Página 14 de 20

Figura 7

Fuente: Tesis Latinoamércia (s.f.) Pruebas de bondad de ajuste. Recuperado de:

https://tesis.la/pruebas-de-bondad-de-ajuste/

A continuación, se deja como tarea un ejercicio que abarca en términos prácticos lo visto
hasta el momento.

La gerencia de petróleos mexicanos ha identificado 10 sitios

prometedores para reforzar pozos petroleros en un área de la
vertiente norte del golfo de México.
Mediante extensos estudios, los geólogos estiman un 20% de
EJERCICIO

probabilidad de que al perforar un pozo en esta área se produzcan

en promedio 500.000 barriles de petróleo; un 50% de que produzca
1.500.000 barriles en promedio y un 30% de que genere 2.500.000
barriles en promedio.
Supóngase que la perforación y operación de un pozo cuesta 1.4
millones de dólares durante su vida activa y que el precio de venta
promedio de cada barril es de 20 dólares.
Calcular la ganancia esperada de un pozo.

5. Etapas de un estudio de simulación

Un estudio de simulación en términos generales, presenta las siguientes etapas:

a. Formulación del problema: en esta etapa, se debe de definir claramente el

problema, se deben de identifcar los objetivos que se quieren lograr, la efectividad
 Página 15 de 20

del sistema, los objetivos del modelamiento y el sistema propiamente tal a

modelar.
b. Conceptualización del modelo: en esta etapa se define cuantitativamente el
modelo, los componentes del mismo y sus respectivas interacciones, además de
los datos que lo sustentarán.
c. Construcción del modelo: esta etapa corresponde a la generación del programa
computacional que representará el sistema, de acuerdo con cómo se ha concebido
el modelo en la etapa anterior.
d. Desarrollo del modelo de simulación: en esta etapa se transcribe el modelo a un
software específico de simulación.
e. Recolección de datos: en esta etapa se recogen los datos en terreno de todas
aquellas variables que definen las condiciones de entrada del modelo. Es decir, se
debe disponer de los datos que describen el sistema, que representen su
comportamiento y su eficiencia actual, como también recoger los datos que
describan las alternativas que se van a evaluar.
f. Control de pruebas: para trabajar con los resultados de una simulación, es preciso
definir el nivel de confianza con que se va a trabajar y cuál será el intervalo de
confianza con que se analizarán los resultados del modelo.
g. Interacciones en la construcción: las tres actividades mencionadas anteriormente
(D, E y F), desarrollo, recolección y experimentación se desarrollan
simultáneamente. Siempre se parte con un modelo simple del sistema, el cual se
va ampliando al incluir nuevas situaciones de detalle que fueron definidas
inicialmente, pero que se incorporan gradualmente al modelo para obtener así una
interpretación cabal del comportamiento del sistema.
h. Simulación: en esta etapa se requiere que el modelo de laguna forma (básica o
avanzada), haya funcionado para que comience a entregar indicadores.
i. Verificación: en esta etapa se comprueba que el modelo se ejecute de acuerdo a lo
planificado.
j. Validación: en esta etapa del proceso, se contrasta el modelo real con el modelo
propuesto.
k. Uso del modelo y análisis: en esta etapa lo más importante se hace intensivo el uso
de las estadísticas para validar la información que sale del mismo (pruebas de
hipótesis, intervalos de confianza, probabilidades, etc.).

En un diagrama de flujo, la información de los pasos anteriores se pueden ver como sigue:
 Página 16 de 20

Figura 8

Fuente: http://simulacion14.blogspot.com/2012/01/etapas-de-un-proyecto-de-simulacion.html

6. Ventajas y desventajas de un estudio de simulación

Como puede apreciarse, la simulación es una forma de optimización que puede ser
aplicada en cualquier ámbito. Tiene grandes ventajas, pero también posee algunas
desventajas. Dentro de las primeras se encuentran:

1. Comprender de una mejor forma un sistema o proceso.

2. No es invasiva, pues no interrumpe el funcionamiento del sistema real estudiado.
3. Puede reemplazar a los análisis matemáticos bajo ciertas condiciones.
 Página 17 de 20

Dentro de las principales desventajas se encuentran:

1. Existe la probabilidad de fracaso, pues no se tiene certeza de que entregue

respuestas correctas.
2. Pueden ser muy costosos y en algunos casos muy complejos.
3. La simulación puede ser menos precisa que el análisis matemático, pues la primera
incorpora el azar dentro de su construcción.
 Página 18 de 20

Conclusión
Como puede apreciarse, la simulación es una técnica de optimización que permite replicar
un sistema a menor magnitud que si se lo realizara en términos reales, permitiendo de
esta manera llegar al proceso de toma de decisiones con información robusta.

Sus ámbitos de aplicación van desde procesos industriales, financieros, de transporte

hasta fenómenos sociológicos.

La simulación abarca una serie de contenidos como la estadística, matemática e

informática.

La metodología de aplicación de la simulación no es diferente de otras metodologías de

optimización. Comienza con la descripción del problema, la instalación de los objetivos
que se quieren lograr, el desarrollo del modelo tanto a nivel teórico como práctico y, por
último, las conclusiones basadas en algunos indicadores cuantitativos.
 Página 19 de 20

Referencias bibliográficas
Jiménez Avello, A. Castro Gil, M. y Costa García, J. M. (2015). Simulación de procesos y
aplicaciones. Madrid: Dextra Editorial. Recuperado de
https://elibro.net/es/ereader/uniacc/133345?page=18
 Página 20 de 20

Este material fue desarrollado por el docente Francisco Gallardo para la Universidad
Mayor y ha sido diseñado para su lectura en formato digital.

Última actualización agosto, 2022.