INTRODUCCIÓN

¿Qué es la Simulación?
Es una de las herramientas que más se utilizan en el
campo de la Administración.

¿Por qué usar Simulación y no otros

modelos?
En Simulación no se requieren muchas de las
consideraciones que son necesarias para plantear
modelos de forma analítica.
CONCEPTOS Y TERMINOLOGÍA
 Definición

La Simulación es el proceso de desarrollar un

modelo de un problema y estimar medidas de
su comportamiento llevando a cabo
experimentos muestrales sobre el modelo.
 Comparación de los métodos de
simulación y analítico
Método analítico Simulación

• Es un proceso normativo. • Es un proceso descriptivo.

• En la mayoría de los casos • La salida de un modelo de
las soluciones analíticas simulación tiene forma de
tienen forma de algoritmos descripciones del
que producen soluciones comportamiento.
“óptimas”.
Comparación en el proceso de solución de modelos
 Consideraciones
• Para un conjunto dado de condiciones del
modelo es necesario asegurarse que se lleve a
cabo un número adecuado de experimentos
muestrales (repeticiones de la simulación). Cada
iteración es similar a una observación simple. Por
lo tanto llevar a cabo n iteraciones es análogo a
extraer una muestra de tamaño n.
• Las condiciones, reglas de decisión y estructuras
del sistema que se examinan se identifican como
parte del diseño experimental (etapa II). Hay un
circuito de retroalimentación asociado con
diferentes configuraciones de diseño.
 Manejo de la simulación a través
del tiempo

Métodos básicos para llevar los registros de los

eventos en una simulación:
• Incremento fijo de tiempo
• Incremento variable de tiempo
Muestreo Monte Carlo
 Proceso que se utiliza en forma
aleatoria para elegir valores
muestrales a partir de una distribución
probabilística.
Luego esos valores muestrales se
utilizan como entradas para un modelo
de simulación.
Toneladas de basura Probabilidad Probabilidad acumulada
recolectadas por día
10 0.10 0.10
20 0.22 0.32
30 0.25 0.57
40 0.20 0.77
50 0.12 0.89
60 0.07 0.99
70 0.04 1

Tabla de distribución probabilística acumulada

Luego se selecciona un valor aleatorio correspondiente
a una distribución probabilística especifica
seleccionando un numero entre 0 y 1.
Se observa a qué intervalo de distribución acumulada
pertenece dicho número y se lo asocia con el valor
correspondiente.

Ejemplo:

Valor correspondiente a una Nivel de recolección asociado

distribución probabilística
0.4877 30
SIMULACIÓN DE DISTRIBUCIONES
A TRAVÉS DE GENERADORES DE
PROCESOS
 Distribuciones de probabilidad

• Una distribución de probabilidad describe el rango de

valores que puede tomar una variable aleatoria y la
probabilidad asignada a cada valor o rango de valores.
• Continuas y discretas
Generación de números aleatorios
 Son obtenidos al azar, como consecuencia
Números de un proceso no predecible, ya que todo
número tiene igual probabilidad de ser
Aleatorios elegido y la elección de uno no depende de
la elección del otro.

Son obtenidos como consecuencia de

Números algoritmos determinísticos, arribándose
siempre al mismo resultado bajo las
Pseudo mismas condiciones iniciales. Este proceso
Aleatorios parece producir números al azar, pero no lo
hace realmente.
 Generación de Números Aleatorios

- Elegir número aleatorio de ‘n’ dígitos (semilla)

- Elevarlo al cuadrado y completar con ceros a su
derecha, para que quede un número de ‘2n’
Método del dígitos
Cuadrado Medio - Considerar los ‘n’ dígitos centrales. Ellos
conformarán el nuevo número aleatorio.
- Repetir los pasos 2 y 3 para obtener números
aleatorios adicionales.

Desventajas: se producen frecuentes repeticiones, y en muchos casos los

números no pasan la prueba estadística de aleatoriedad.

Otros métodos pueden generar con facilidad mil millones de números pseudo
aleatorios estadísticamente satisfactorios antes de que ocurran repeticiones.
Simulación de distribuciones
continuas de probabilidad
 Simulación de Distribuciones Continuas de Probabilidad

Principal ventaja: es posible determinar una ecuación matemática de forma

cerrada que puede servir como generador del proceso.

Generador de Proceso Uniforme

1
𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑: 𝑝 𝑥 = 𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎

𝑥−𝑎
𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎: 𝑃 𝑥 =
𝑏−𝑎

𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟 𝑑𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜: 𝑥 = 𝑎+𝑅 𝑏−𝑎 𝑐𝑜𝑛 𝑅 = 𝑃 𝑥

 Simulación de Distribuciones Continuas de Probabilidad

Principal ventaja: es posible determinar una ecuación matemática de forma

cerrada que puede servir como generador del proceso.

Distribución Exponencial Negativa

𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑: 𝑝 𝑥 = 𝜇𝑒 −𝜇𝑥 𝑝𝑎𝑟𝑎 0 ≤ 𝑥 ≤ ∞

𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎: 𝑃 𝑥 = 1 − 𝑒 −𝜇𝑥

𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟 𝑑𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜: 𝑥 = −1ൗ𝜇 ln 𝑅 𝑐𝑜𝑛 𝑅 = 𝑃 𝑥

Pruebas de Bondad del Ajuste
 Pruebas de bondad del ajuste
• Debemos mostrar que es posible representar
los datos empíricos mediante una distribución
paramétrica.
En nuestro caso, que la tasa de llegadas tiene una distribución
Poisson, y el tiempo de servicio una distribución Exponencial.
 Test de bondad de ajustes:

• Testea si existe diferencia significativa entre

las frecuencias esperadas y las realmente
observadas.
 Proceso de prueba
• Plantear Ho: los datos observados se extrajeron
de una población que puede distribuirse a través
de una distribución paramétrica.
• Plantear la H1: los datos observados no se
extrajeron de la distribución planteada en Ho.
• Establecer un nivel de significación α , siendo (1-
α) el nivel de confianza que le damos a la prueba.
• Estadístico de prueba:
• Si
 Ejemplo: Llegadas de clientes a un
banco
Numero de Frecuencia Frecuencia
llegadas por hora observadas (xi) esperada Xe(i)
(x)
0 70 75,05 0,3398
1 84 75,05 1,0673
2 34 37,51 0,3302
3 12 12,51 0,0088
4 o mas 4 3,87
204 = 1,7461

Donde Frecuencia esperada Xe(i) = P(x=i) * 204

• Promedio de llegadas por hora
LENGUAJES DE SIMULACIÓN
 Características

• Son generadores de números aleatorios

• Son generadores de proceso que pueden utilizarse para
generar valores aleatorios para diferentes distribuciones
probabilísticas
• Rutinas automáticas de recopilación de datos estadísticos
• Generan informes estadísticos automáticos y de formato
fijo, lo que permite realizar gráficos de datos para el
informe de resultados
• Son generadores de informes de salida flexible
• Poseen la capacidad de diagnóstico que permite verificar
errores de sintaxis en el lenguaje y de lógica en el modelo
 Desventajas
• Es posible que se requiera una capacitación
prolongada para su uso
• Es posible que el lenguaje no este disponible
para cualquier dispositivo
• El lenguaje puede no ser apropiado para el
problema específico cuyo modelo plantea
• Mayores tiempos de procesamiento y
ejecución
 Lenguajes más utilizados actualmente

• GPSS
• SIMSCRIPT
• SLAM
• DYNAMO
 ACTIVIDADES (PROBLEMAS)
ASOCIADOS CON EL USO DE LA
SIMULACIÓN
1. Validar el modelo
 La verdadera validación del modelo se da
cuando los resultados simulados concuerdan
con los reales.
2. Número de iteraciones
Los resultados de la simulación están sujetos a
errores muestrales.

Su exactitud se basa en el tamaño muestral.

3. Condición de estado estacionario
Se alcanza cuando la simulación se basa en
datos muestrales.

Los valores de los resultados se estabilizan.

Se utiliza el principio de convergencia

estocástica.
 Correr la simulación hasta que los resultados
alcancen el estado estacionario.

Descartar datos que se obtengan durante fase

transitoria (elevado grado de variabilidad).

A medida que avanza el tiempo simulado, los

valores de la variable del modelo se aproximan a
niveles de estado estacionario.
 Los efectos transitorios pueden afectar
considerablemente los resultados generales si
no se los descarta en las estadísticas finales.

No existe ninguna técnica que permita

identificar al 100% el final de la fase transitoria y
el principio del estado estacionario.

Existen técnicas que permiten identificar el

momento en que se deben descartar ciertos
datos.
FIN