Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PLA6 - Introducción A La Simulación
PLA6 - Introducción A La Simulación
simulación
PID_00249438
Ninguna parte de esta publicación, incluido el diseño general y la cubierta, puede ser copiada,
reproducida, almacenada o transmitida de ninguna forma, ni por ningún medio, sea éste eléctrico,
químico, mecánico, óptico, grabación, fotocopia, o cualquier otro, sin la previa autorización escrita
de los titulares del copyright.
© FUOC • PID_00249438 Introducción a la simulación
Índice
1. Introducción........................................................................................ 7
2. Objetivos............................................................................................... 9
3. Conocimientos previos...................................................................... 10
4. Qué es la simulación......................................................................... 11
Bibliografía................................................................................................. 71
© FUOC • PID_00249438 7 Introducción a la simulación
1. Introducción
Uno de los principales problemas con los que se encuentran los gestores de
muchos de los sistemas reales, como por ejemplo fábricas, aeropuertos u hos-
pitales, es la dificultad que tienen para probar las diferentes alternativas de
gestión o de remodelación de sus respectivos sistemas. Obviamente, esto se
debe al posible impacto negativo o a su sensibilidad a las modificaciones.
Por tal razón, la simulación es, indiscutiblemente, uno de los pilares centrales
de la industria 4.0.
1) La simulación continua.
Hay que darse cuenta de que entre dos eventos no se producen cambios sig-
nificativos en el estado del sistema, y que por tanto no es necesario realizar
ninguna acción durante estos periodos sin cambio. Esto permite que el siste-
ma implementado en un computador, al final sea más eficiente que si fuese
registrando continuamente el estado en el que se encuentra el sistema en cada
momento.
© FUOC • PID_00249438 8 Introducción a la simulación
2. Objetivos
3. Conocimientos previos
Es necesario que el alumno tenga capacidad para generar sus propias funciones
de distribución y generadores de números aleatorios.
4. Qué es la simulación
Bibliografía recomendada
Algunas referencias bibliográficas que nos pueden ser útiles para empezar a entender el
mundo de la simulación son:
Kelton,� W.� D.;� Sadowski,� R.� P.;� Sturrock,� D.� T. (2010). Simulation with Arena. Nueva
York: McGraw-Hill.
Law,�A.�M.;�Kelton,�W.�D. (2000). Simulation modeling and analysis (3.ª ed.). Nueva York:
McGraw-Hill.
Robinson,�S. (2003). Simulation: The Practice of Model Development and Use. Nueva York:
John Wiley & Sons.
Este ejemplo, dada la magnitud del problema, plantea la necesidad del uso de
sistemas formales para definir el comportamiento del modelo. Estas técnicas
se explicarán más adelante en el segundo módulo de simulación. Concreta-
mente en este proyecto se usó el lenguaje SDL (Specification and Description
Language), para definir el comportamiento de los diferentes elementos que
constituían el aeropuerto.
A partir de este modelo, los gestores del aeropuerto tenían una herramienta
para, en tiempo real, analizar el comportamiento del aeropuerto, detectar po-
sibles anomalías y proponer alternativas. El sistema, que se pretendía integrar
con el SATE, a partir de sensores, permitía la optimización y la gestión en
tiempo real de él.
La simulación completa del sistema, ver figura 3, permitió a los gestores de-
terminar los espacios y los flujos de la sección principal del aeropuerto.
En este ejemplo, el modelo permitió determinar los espacios del sistema por
construir y, una vez construido. Luego, a partir de su conexión con sensores,
dejó monitorizar y optimizar en tiempo real la operativa del sistema. A con-
tinuación, vamos a presentar otro ejemplo en el que se persiguió la represen-
tación formal no únicamente de los elementos del sistema, sino también de
su representación.
La especificación del modelo se realizó con SDL; tal como se puede ver en
la figura 4, contaba principalmente con cuatro elementos fundamentales que
se querían representar: un punto de entrada de elementos, la cinta, el robot
que procesaba los elementos y el elevador. Como se verá más adelante, cada
elemento SDL que tenemos representado en este diagrama es un AGENTE.
A partir de esta definición formal del modelo, que incluía los elementos de re-
presentación, fue posible obtener una representación como la que se presenta
en la figura 6.
Los principales tipos de simulaciones que nos podemos encontrar son los si-
guientes, en función de los elementos que están involucrados:
6.1. Persona-persona
6.2. De sistema
6.3. Persona-ordenador
Ejemplo
Se caracterizan por el paso de bloques de tiempo «en los que no pasa nada» y
donde puntúan acontecimientos que cambian el estado del sistema. Se basan
en teoría de colas.
Ejemplo
En todo modelo suele haber dos fases claramente diferenciadas que definen el
comportamiento global del sistema.
Para poder generar números aleatorios reales, existen una serie de dispositivos
físicos que, normalmente conectados al puerto serie del PC, introducen ruido
completamente aleatorio.
En principio, las normas que nos dicen cuando es interesante aplicar simula-
ción se pueden resumir en los siguientes puntos:
• Los métodos analíticos son muy difíciles de llevar a cabo, a pesar de que
existen, y no requieren de hipótesis simplificadoras.
La simulación presenta los siguientes inconvenientes, que hay que tener pre-
sentes para que cualquier proyecto de simulación pueda salir adelante.
• Asimismo, habrá un tiempo para poder validar los resultados del modelo,
y calibrarlo.
Estos inconvenientes suelen estar relacionados con la falta de tiempo que hay
para los proyectos de simulación, debido a que sus respuestas son fundamen-
tales para sacar adelante un determinado proyecto con una configuración u
otra; por eso hay que tenerlos muy en cuenta cuando se pide un estudio sobre
un determinado sistema.
© FUOC • PID_00249438 26 Introducción a la simulación
De forma más lineal, las diferentes fases que existen en un estudio de simula-
ción se pueden observar en la figura siguiente:
© FUOC • PID_00249438 27 Introducción a la simulación
Figura 12
Una vez que ya se tienen claros los problemas que hay que analizar y los ob-
jetivos que se desean obtener, se ha de planificar el proyecto de simulación.
Hay que identificar, recoger y analizar los datos necesarios para desarrollar el
estudio de simulación.
Una vez que el algoritmo ya está suficientemente probado, hay que empezar la
fase de validación, en la que se comprobará no solo el funcionamiento correc-
to del programa, sino también la naturaleza correcta de los datos resultantes
de este. Por eso hay que construir un conjunto de ejecuciones de prueba que
permitan realizar esta validación. Normalmente, estos conjuntos de ejecucio-
nes se basan en datos históricos, que permiten comparar los datos del modelo,
con los datos que deberían salir del modelo (datos históricos) o en modelos
sencillos que, a partir del análisis realizado por un experto en el sistema, per-
mita evaluar la corrección del modelo.
A partir de los modelos de prueba, se comprueban los datos resultantes con los
datos esperados. Normalmente, en esta fase se requiere de la ayuda de personas
expertas en el sistema modelado.
© FUOC • PID_00249438 29 Introducción a la simulación
Una vez que los datos que se obtienen del modelo de simulación ya se dan
por válidas, hay que diseñar los experimentos que permitirán obtener los re-
sultados deseados a las preguntas planteadas inicialmente, en la Formulación
del problema.
Los experimentos de simulación pueden ser largos de realizar, por eso hay que
tener en cuenta una fase en la que se realizan. Hay que tener en cuenta que un
diseño experimental correcto debe contar con un número n de repeticiones
(réplicas); por lo tanto, la duración de los experimentos de simulación puede
que no se conozca a priori.
Una vez que ya se tienen los resultados de los experimentos, se deben analizar.
En este punto, hay que plantear nuevos experimentos si es necesario.
© FUOC • PID_00249438 30 Introducción a la simulación
• Entidad
• Actividad
• Proceso
• Recursos
12.1. Entidad
Una entidad es un elemento del sistema que normalmente fluye por él y que
tiene una vida finita dentro del modelo. Otra característica importante es que
muchas veces las entidades representan los elementos que reciben las trans-
formaciones u operaciones que se dan dentro del modelo.
Ejemplos
Entidades serían las botellas que se etiquetan en un modelo que representa un sistema
de etiquetado de botellas.
También podrían ser las cajas en un almacén de una fábrica, en la que el modelo quiere
analizar el movimiento de estas a través de las diferentes estructuras del sistema.
Una primera característica sería que toda entidad puede tener una vida finita
dentro del modelo de simulación. Es decir, toda entidad tendrá un momento
de creación y, normalmente, un instante de destrucción. Aquellas entidades
© FUOC • PID_00249438 31 Introducción a la simulación
que no se destruyen dentro del modelo suelen ser entidades de control, que
permiten entender con más facilidad la estructura del modelo. Estas entidades
de control también se llaman máquinas o entidades permanentes.
12.2. Actividad
Las actividades no son nada más que las diferentes operaciones que las enti-
dades reciben a través de las entidades permanentes o máquinas del sistema.
• Destrucción: permite destruir las entidades que han sido generadas y que
ya han terminado todas las actividades que debían realizar.
Estas son las actividades más básicas que se pueden encontrar en un modelo
de simulación.
12.3. Proceso
De esta forma, toda entidad tendrá como mínimo un proceso asociado (si una
entidad no tiene ningún proceso asociado, significa que no realiza ninguna
actividad dentro del modelo, con lo que no tendría sentido incorporarlo).
© FUOC • PID_00249438 32 Introducción a la simulación
12.4. Recurso
Pasamos a continuación a describir con más detalle cada uno de estas estra-
tegias.
De esta forma, cada evento lleva asociado un tiempo en el que debe ser eje-
cutado; debido a que los intervalos temporales entre cada evento no tienen
una misma amplitud, no disponemos de una evolución regular del reloj de
simulación. El reloj de simulación no es nada más que un contador (de tipo
real) que contiene, en cada momento de la simulación, el tiempo en el que
se encuentra el modelo.
© FUOC • PID_00249438 34 Introducción a la simulación
Asimismo, los eventos son generados por las acciones asociadas al tratamiento
de los propios acontecimientos.
Hay que tener presente que la generación de esta lista de llegadas se puede
hacer inicialmente, como se plantea en este ejemplo o, más eficientemente,
en el momento en el que se necesita durante el transcurso de la simulación. El
método para generar el tiempo en el que tiene lugar cada una de las diferentes
llegadas se basa en la generación de variables aleatorias a partir de un genera-
dor de números aleatorios en el intervalo [0,1).
a1 35 b1 40
a2 12 b2 30
a3 29 b3 30
a4 47 b4 20
a5 12 b5 30
Es una estructura que está ordenada por tiempo; si es necesario, también pue-
de presentar ordenaciones por prioridad, marcadas de forma explícita en ca-
da uno de los acontecimientos, o de forma implícita por la tipología de cada
evento.
Los bloques marcados con un color azul más intenso corresponden a lo que se
llama el bucle central del motor de simulación. Este bucle es, como se puede
observar, el encargado de ir procesando los diferentes eventos que estén guar-
dados en la lista de eventos, así como de ir avanzando el reloj de simulación.
Este último paso es el que hace notar que la simulación es una simulación
dinámica (es decir, interviene el tiempo).
Hay que observar que, al principio de cada nueva iteración del bucle, se pre-
gunta si ya se ha llegado al final o no de la simulación. Esta pregunta, para
tener un caso general, se podría ver a partir de la evaluación de una condición
booleana (llamada en el diagrama finDeSimulación).
Una vez determinados cuáles son los diferentes eventos que podemos encon-
trar en el sistema, pasaremos a implementar los procedimientos adecuados
para tratar cada uno de ellos. En el ejemplo que nos ocupa, un GG1, los dos
tipos de eventos que podemos tener son los de llegada (llegada) y el de fin de
servicio (finDeServicio).
Los algoritmos para el tratamiento y cada uno de estos dos eventos se pueden
ver en los siguientes dos diagramas de flujo. Para el tratamiento del evento
llegada:
© FUOC • PID_00249438 38 Introducción a la simulación
Las entidades son los elementos que más importan, pues a partir de ellas se
describe todo el modelo. De hecho, el analista se basa fundamentalmente en
la descripción de todo lo que le puede pasar a la entidad; es decir, describe los
procesos asociados a cada entidad.
Hay que ver que la popularidad de esta estrategia de simulación reside en la po-
sibilidad de ofrecer al modelador la capacidad de describir el comportamiento
de la entidad a partir de bloques de alto nivel, que permitan la construcción
de los procesos. Internamente, estos bloques, gestionados por el lenguaje de
simulación concreto, pueden usar una estrategia idéntica a la de la programa-
ción de eventos
Figura 19
Hay que tener presente que el hecho de mover las entidades lo más posible en
su lista de actividades viene siempre limitado por dos factores:
Motor�de�simulación
Figura 20
Hay que tener presente, que previo a todo estudio de simulación hay que ana-
lizar la forma en que presentan los datos que se usarán para implementar las
diferentes distribuciones que encontraremos en el modelo.
La obtención de los datos para realizar un estudio de simulación suele ser una
fase laboriosa y no siempre fácil de realizar, pues la información necesaria para
realizar la construcción del modelo muchas veces está distribuida entre dife-
rentes personas.
Además, una vez que obtenemos estos datos, hay que ajustar las diferentes
distribuciones empíricas que obtenemos a una distribución teórica.
Por ejemplo, podríamos tener los siguientes tiempos entre llegadas de material
a una determinada planta industrial:
Bibliografía recomendada
Sea x11, x12... x1 m de una realización de variables aleatorias X1, X2, etc., X re-
sultado hacer una simulación de la longitud de m observaciones utilizando
números aleatorios u-11, u-12,..., donde uij es el nth número aleatorio para j-
ésima. Si se ejecuta la simulación con diferentes juegos de números aleatorios,
se obtendrán diversas x21, x22,... x2m para las variables aleatorias X1, X2,.. Xm.
En general, supongamos que tienes n réplicas independientemente (ejecucio-
nes) de la simulación de longitud m, usando diferentes números aleatorios,
considerando que las variables estadísticas se inicializan en el inicio de la eje-
cución, y cada repetición utiliza las mismas condiciones iniciales, obtenemos
por resultado a partir de las observaciones:
..
Estas observaciones para un escenario dado claramente no son IID. Sin em-
bargo, es necesario tener en cuenta que x11, x2i…, xo son IID observaciones de
Xy, para i = 1,2,..., m. La independencia entre ejecuciones es la clave de los
métodos estadísticos utilizados para el análisis de los resultados.
© FUOC • PID_00249438 47 Introducción a la simulación
Si tomamos por ejemplo la secuencia X1, X2,... que representa una salida del
simulador, es decir, un proceso de estocástico, cada uno de ellos podría repre-
sentar un valor de una variable de interés estudiado. Las variables Xy son va-
riables aleatorias, que en general no son ni independientes ni idénticamente
distribuidas. Por eso no es posible aplicar directamente las estadísticas comu-
nes técnicas. Para solucionar este problema utiliza el concepto de espejo, o
repite el experimento.
Si ahora tomamos la secuencia x11, x12, x, etc.,1 m como X1, X2, etcétera. Xm,
que no es más que el resultado de hacer una primera simulación de observa-
ciones m, utilizando una tira de números al azar determinados y conocido,
por ejemplo, u-11, u-12, u donde ij es el número aleatorio del i-éssimo para co-
rrer j-ésima,
Cada uno de estos logros diferentes; es decir, cada una de estas repeticiones
del experimento basado en la serie de números aleatoria diferente se llama
una réplica.
………………
Donde se puede ver una primera carrera marcada por las observaciones x11,...
x119,..., xm 1 de la variable de interés x.
© FUOC • PID_00249438 48 Introducción a la simulación
El objetivo es estimar el valor µ de las diferentes x1, x2, etcétera. x den valores
de una variable al azar dada de la ejecución de espejos independientes de K.
Por lo que puede ser 1x, x2, etcétera. xn IID variables aleatorias que provienen
de la misma distribución con media µ y varianza σ2.
Es necesario notar que, debido a que es una variable aleatoria con varian-
taje que se desea que represente del valor medio de la muestra, . El cálculo del
número de réplicas se calcula a partir de la expresión mostrada a continuación:
Donde:
La prueba piloto no es nada más que un conjunto inicial de réplicas del expe-
rimento que se realizan para poder comenzar a aplicar la expresión anterior.
Este es el método más simple e intuitivo para realizar las K réplicas necesarias
en todo el estudio de simulación. A partir del mismo estado inicial del modelo,
es decir, con la misma parametrización y comportamiento, varían únicamente
A partir del mismo estado inicial del modelo, es decir, con la misma parametri-
zación y comportamiento, variamos únicamente los números aleatorios usa-
dos en cada uno de los puntos de generación de elementos aleatorios. Estos
© FUOC • PID_00249438 50 Introducción a la simulación
A partir del uso de cada una de las diferentes tiras de números aleatorios, ge-
neramos una réplica de la simulación. Estos conjuntos de réplicas ofrecerán
los valores necesarios para poder realizar los análisis estadísticos.
• ...
«ruido» de las respuestas. Lo que interesa en definitiva es que el valor del es-
timador de una determinada variable respuesta, que viene representado por
su intervalo de confianza,
Este es otro método muy sencillo, que se basa en el uso de los valores antitéti-
cos de la tira de números aleatorios usados. En una primera ejecución, los nú-
meros aleatorios usados serían (a, b, c,...) ∈ [0,1), mientras que en la segunda
ejecución tendríamos sus valores antitéticos, es decir (1-a, 1-b, 1-c,...) ∈ [0,1).
De esta forma, el objetico del experimento es estudiar el efecto sobre una va-
riable de interés denominada respuesta, de otras variables denominadas fac-
tores o, también, variables experimentales.
Este puede parecer un buen procedimiento, pero sus garantías de éxito decaen
rápidamente cuando se trata de un sistema donde hay una interacción entre
sus factores. En el caso de dos factores, el proceso sería el siguiente:
Efecto de A: A1B0-A0B0.
Efecto de B: A0B1-A0B0
El diseño factorial consiste en cruzar todos los niveles de cada factor. De esta
forma se contemplan las interacciones entre factores:
Efecto de A:
Efecto de B:
Así se puede decir que los diseños factoriales permiten estimar los efectos de
los diferentes factores de una forma más precisa.
k
Como se ha explicado, el diseño factorial 2 está basado en que para cada factor
se analicen únicamente dos niveles posibles; es decir, dos valores únicos.
k
La matriz para un diseño 2 tiene el siguiente aspecto:
© FUOC • PID_00249438 55 Introducción a la simulación
1 - - - R1
2 + - - R2
3 - - - R3
4 + - - R4
5 - + - R5
6 + + - R6
2
k + + + R2
k
3
Para ver como se calculan los efectos en un diseño 2 partimos de una tabla
como la siguiente:
Experimento A B C Respuesta
1 - - - 60
2 + - - 72
3 - + - 54
4 + + - 68
5 - - + 52
6 + - + 83
7 - + + 45
8 + + + 80
Como podemos observar, esta forma de calcular los efectos es bastante labo-
riosa. Para simplificar este proceso vamos a introducir un algoritmo que per-
mite calcular los efectos de una forma más rápida y fácil de implementar.
2) Añadir tantas columnas auxiliares como factores de diseño existan. Los va-
lores de las columnas se completan siguiendo el esquema mostrado en la fi-
gura anterior.
4 + + - 68 125 66 6 4 1.5 AB
5 - - + 52 12 -10 6 4 1.5 C
6 + - + 83 14 -10 40 4 10.0 AC
7 - + + 45 31 2 0 4 0.0 BC
8 + + + 80 35 4 2 4 0.5 ABC
k
En un diseño 2 con un total de N experimentos
En el ejemplo:
media
60 - - - 59 61 2
72 + - - 74 70 8
54 - + - 50 58 32
68 + + - 69 67 2
52 - - + 50 54 8
© FUOC • PID_00249438 59 Introducción a la simulación
83 + - + 81 85 8
45 - + + 46 44 2
80 + + + 79 81 2
Total 64
A = 23.0
B = -5.0
AC = 10.0
© FUOC • PID_00249438 60 Introducción a la simulación
H0:
H1:
Supongamos que las diferentes réplicas independientes dan los siguientes re-
sultados:
1 24.3 24.4
2 25.6 21.5
3 26.7 25.1
4 22.7 22.8
5 24.8 25.2
6 23.8 23.5
© FUOC • PID_00249438 61 Introducción a la simulación
7 25.9 22.2
8 26.4 23.5
9 25.8 23.3
10 25.4 24.7
Las medias de los valores obtenidos debido a que se consiguen como combi-
nación lineal de variables aleatorias que provienen de la misma población, por
el teorema central del límite se distribuyen de la forma:
Por tanto,
Y así,
Por tanto, a un nivel de confianza ese puede rechazar la hipótesis nula si:
Por tanto, la hipótesis nula se puede rechazar. Se puede decir que la diferencia
entre las medias muestrales es estadísticamente significativa y aceptaremos la
hipótesis alternativa.
H0:
H1:
H1:
H1:
Los dos primeros planteamientos son esencialmente idénticos (si no son igua-
les, una media es superior a la otra). El tercero, no obstante, refleja una mayor
desinformación respecto al sistema estudiado, que se traduce indicando que
© FUOC • PID_00249438 63 Introducción a la simulación
Resultado esperado. Se trata de anali- No hace falta que realicemos ningún Se trata de probar si la diferencia es es-
zar si la diferencia obtenida es o no es- cálculo. Con el resultado obtenido es tadísticamente significativa o no.
tadísticamente significativa. obvio que no podemos rechazar H0.
No hace falta que realicemos ningún Resultado esperado. Se trata de anali- Se trata de probar si la diferencia es es-
cálculo. Con el resultado obtenido es zar si la diferencia obtenida es o no es- tadísticamente significativa o no.
obvio que no podemos rechazar H0. tadísticamente significativa.
Hay que remarcar que con la hipótesis alternativa del tipo se han de
esperan diferencias de medias tanto positivas como negativas. De hecho, en
este caso, dada una diferencia, se considera igualmente probable una diferen-
cia en sentido contrario; por tanto, para un nivel de confianza se tendrá que
comparar el resultado obtenido con tn,1- /2 en vez de tn,1- .
con:
H0:
H1:
donde
n = nA – 1
m = nB-1.
donde
n = nA – 1
m = nB-1.
Ejemplo 1
Se tienen dos muestras provenientes de dos ejecuciones del simulador con igualdad de
réplicas n = 10, y se obtiene SA2 =1.54 y SB2 = 2.18. ¿Se puede considerar que las variancias
son iguales?.
© FUOC • PID_00249438 65 Introducción a la simulación
Por tanto, nada hace suponer que se pueda rechazar la hipótesis nula de igualdad de
varianzas.
Ejemplo�2
Se tienen dos muestras provenientes de dos ejecuciones del simulador con igualdad de
réplicas n = 10, y se obtiene SA2 =1.54 y SB2 = 16.3. ¿Se puede considerar que las variancias
son iguales?
Por tanto, en este caso se puede rechazar la hipótesis nula y considerar que la diferencia
entre las varianzas es estadísticamente significativa.
© FUOC • PID_00249438 66 Introducción a la simulación
Llegados a este punto, ya conocemos las técnicas básicas para poder determi-
nar si un modelo de simulación es válido para un conjunto de propósitos con-
cretos y definidos previamente.
Lecturas recomendadas
Algunas referencias que se pueden revisar para profundizar más en esta parte son:
Sargent,�R.�G. (2015). «An interval statistical procedure for use in validation of simula-
tion models». Journal of Simulation (vol. 9, núm. 3, págs. 232-237, agosto).
18.1. Verificación
18.2. Validación
El proceso para realizar esta validación se puede resumir en los siguientes pa-
sos:
1) Validez de los datos: es evidente que, aunque que el simulador sea totalmen-
te válido, si los datos que se le proporcionan no son correctos, los resultados
que se obtendrán no serán buenos. Por tal razón, en primer lugar es necesario
asegurarse de que los datos con los que trabajamos son válidos.
a) Comparación gráfica de los datos del modelo con los datos del sistema real.
© FUOC • PID_00249438 68 Introducción a la simulación
c) Series temporales para las salidas del modelo que permitan comprobar si
realmente se adecuan a lo esperado.
Asimismo, podemos clasificar las técnicas que existen para realizar la valida-
ción en:
• Técnicas informales
• Técnicas estáticas
• Técnicas dinámicas
• Técnicas formales
Todo sistema contiene una lógica de operación que es conocida por los exper-
tos. Estas son las personas que conocen el funcionamiento del sistema y son
las más adecuadas para determinar si el modelo se ajusta o no se cree que es
apropiado. Es necesario preservar la independencia del grupo de expertos con
el fin de garantizar su objetividad.
De esta forma, a partir de los datos podremos usar las técnicas estadísticas
presentadas previamente para evaluar si de verdad los datos que el simulador
proporciona se adecuan a la realidad o no.
Existe la posibilidad de, por ejemplo, a partir del cálculo de predicados, ga-
rantizar completamente la corrección del modelo. No obstante, estas técnicas
acostumbran a ser laboriosas y a complicar en exceso la comprensión del mo-
delo. Además resultan difíciles de aplicar en modelos complejos.
18.3. Acreditación
La acreditación tiene que estar dirigida por un tercer equipo, diferente del
grupo contratante de la simulación y del equipo encargado de desarrollar la
simulación (Robinson y Brooks, 2010).
Bibliografía
Banks, J. (ed.) (1998). Handbook of Simulation Principles, Methodology, Advances, Applications,
and Practice. Nueva York: John Wiley & Sons.
Bilalli, B.; Abelló, A.; Aluja-Banet, T. y otros (2017). «Intelligent assistance for data
pre-processing». Computer Standards & Interfaces (vol. 57, marzo, págs. 101-109).
Fonseca i Casas, P. (2009). Simulació discreta per mitjà de la interacció de processos. Barcelona:
Edicions UPC.
Fonseca i Casas, P. (2010). «Using specification and description language to define and
implement discrete simulation models». En: Actas de la 2010 Summer Computer Simulation
Conference, SCSC '10 (núm. 1, págs. 419-426).
Fonseca i Casas, P. (2011). «Simulation hypotheses A proposed taxonomy for the hypot-
heses used in a simulation model». En: SIMUL 2011. Ponencia. Barcelona, 23-29 de octubre
de 2011.
Fonseca i Casas, P. (2014). Formal languages for computer simulation: Transdisciplinary models
and applications. Hershey, PA: IGI Global. DOI:10.4018/978-1-4666-4369-7
Fonseca i Casas, P.; Casanovas, J.; Ferran, X. (2014). «Passenger flow simulation in
a hub airport: An application to the Barcelona International Airport». Simulation Modelling
Practice and Theory (vol. 44, págs. 78-94, mayo).
Fonseca i Casas, P.; Pi Palomés, X.; Casanovas Garcia, J. y otros (2013). «Defini-
tion of virtual reality simulation models using specification and description language dia-
grams». En: SDL 2013: Model driven dependability engineering (págs. 258-274). Berlín / Heidel-
berg: Springer-Verlag.
Kelton, W. D.; Sadowski, R. P.; Sturrock, D. T. (2010). Simulation with Arena. Nueva
York: McGraw-Hill.
Law, A. M.; Kelton, W. D. (1991). Simulation modeling and analysis (2.ª ed.). Nueva York:
McGraw-Hill.
Law, A. M.; Kelton, W. D. (2000). Simulation modeling and analysis (3.ª ed.). Nueva York:
McGraw-Hill.
Paraskevas, A.; Katsogridakis, I.; Law, R. y otros (2011). «Search Engine Marketing:
Transforming Search Engines into Hotel Distribution Channels». Cornell Hospitaly Quarterly
(vol. 52, págs. 200-208)
PragmaDev Studio [online]. [Fecha de consulta: 9 de enero de 2016]. PragmaDev SARL, 2016.
http://www.pragmadev.com/product/index.html
Robinson, S. (2003). Simulation: The Practice of Model Development and Use. Nueva York:
John Wiley & Sons.
Sargent, R. G. (2015). «An interval statistical procedure for use in validation of simulation
models». Journal of Simulation (vol. 9, núm. 3, págs. 232-237, agosto).
© FUOC • PID_00249438 72 Introducción a la simulación
Wainer, G. A.; Mosterman, P. J. (2009). Discrete-Event Modeling and Simulation: Theory and
Applications. Boca Raton, FL: CRC Press.