Presentacion de Riesgos

MODELOS DE
SIMULACIÓN
PRINCIPIOS DE SIMULACIÓN
PROFESOR: MARCELO A. GUTIÉRREZ S.
ÍNDICE
Introducción
Simulación, algunas definiciones
Justificación y razones de la simulación
Ejemplos de usos de modelos de simulación
Definiciones en simulación
Clasificación de modelos
Ventajas y desventajas de la simulación
Elementos clave para garantizar el éxito de un modelo
Método de Monte Carlo
Metodología general de un estudio de simulación
Introducción
 Con el advenimiento de los computadores, una de las
más importantes herramientas para analizar el diseño y
operación de sistemas o procesos complejos es la
simulación.
 Aunque la construcción de modelos arranca desde el
Renacimiento, el uso moderno de la palabra
simulación data de 1940, cuando los científicos John
Von Neuman y Stanislaw Ulam que trabajaban en el
proyecto Monte Carlo, durante la Segunda Guerra
Mundial, resolvieron problemas de reacciones
nucleares cuya solución experimental sería muy cara y
el análisis matemático demasiado complicado.
 Con la utilización del computador en los experimentos
de simulación, surgieron incontables aplicaciones y
con ello, una cantidad mayor de problemas teóricos y
prácticos.
 En este curso se abordan y analizan cierto número
de aplicaciones importantes de simulación en
variadas áreas y en el ámbito de la investigación
de operaciones.
 Se sugiere también algunos métodos alternativos
para resolver algunos problemas teóricos y
prácticos que surgen al efectuar simulaciones
reales.
 Se ha empezado a utilizar la palabra simulación
sin haber dado previamente una definición de ella.
Por consiguiente, antes de proseguir con la
discusión de este tema, sería conveniente describir
algunas de las definiciones más aceptadas y
difundidas de la palabra simulación.
SIMULACIÓN, ALGUNAS DEFINICIONES
“Simulación es el proceso de diseñar y

desarrollar un modelo computacional de un
sistema o proceso real y llevar a cabo
experimentos con este modelo, con el
propósito de entender el comportamiento del
sistema o de evaluar diversas estrategias para
el funcionamiento del sistema”.
Robert E. Shannon (1975)
Continuación definiciones
“Simulación de un sistema (u organismo) es la

operación de un modelo (simulador), el cual es
una representación del sistema. Este modelo
puede sujetarse a manipulaciones que serían
imposibles de realizar, demasiado costosas o
imprácticas. La operación de un modelo puede
estudiarse y con ello inferirse las propiedades
concernientes al comportamiento del sistema
real”.
“La simulación consiste en construir modelos

informáticos que describen la parte esencial
del comportamiento de un sistema de interés,
así como en diseñar y realizar experimentos
con el modelo y extraer conclusiones de sus
resultados para apoyar la toma de
decisiones.”
“La simulación es una metodología de

análisis de sistemas basada en la
construcción de un modelo implementado en
un computador que describe el
comportamiento del sistema y permite
generar observaciones dadas ciertas
entradas.”
“La Simulación es una técnica numérica para

realizar experimentos en un computador digital, los
cuales involucran ciertos tipos de modelos y
relaciones matemáticas y lógicas, las cuales son
necesarias para describir el comportamiento y la
estructura de sistemas complejos del mundo real (o
algún componente de éstos) de negocios,
económicos, sociales, biológicos, físicos o
químicos, a través de largos períodos de tiempo.”
“Simulación implica crear un modelo que aproxima

cierto aspecto de un sistema del mundo real y que
puede ser usado para generar historias artificiales
del sistema, de forma tal que nos permite predecir
cierto aspecto del comportamiento del sistema.
En particular, usaremos computadores para imitar

comportamientos de sistemas evaluando
numéricamente un modelo del mismo. Estas
evaluaciones numéricas son las que nos permiten
generar las historias artificiales que no son más que
experimentos.”
JUSTIFICACIÓN Y RAZONES DE LA
SIMULACIÓN
* La simulación hace posible estudiar y

experimentar con las complejas interacciones
que ocurren en el interior de un sistema dado.
* Con la simulación se pueden estudiar los

efectos de ciertos cambios informáticos, de
organización y ambientales que pueden
presentarse sobre un sistema.
Continuación justificación
* La observación detallada del sistema que

se está simulando, conduce a un mejor
entendimiento del mismo y proporciona
información para mejorarlo, que de otro modo
no podría obtenerse.
Continuación justificación
* La simulación puede emplearse para

verificar soluciones analíticas.
* La simulación puede emplearse para

experimentar con situaciones nuevas acerca
de las cuales tenemos muy poca o ninguna
información.
Sistema de apoyo para la toma
de decisiones
Reconocer el problema
Implementación Definición del problema
Decisión Formulación de alternativas
Análisis de alternativas Desarrollo de modelos

 En años recientes, el advenimiento de nuevos y
mejores desarrollos en el área de la computación ha
traído consigo innovaciones igualmente importantes
en los terrenos de la toma de decisiones y el diseño
de procesos y productos. En este sentido, una de las
técnicas de mayor impacto es la simulación.
 La simulación es una técnica que puede utilizarse
para formular y resolver una amplia gama de
modelos.
 Algunos problemas son demasiado complejos para
resolverse con matemáticas puras, o incluyen
situaciones riesgosas o elementos aleatorios que
dificultan la aplicación de una solución matemática
práctica (como la optimización con programación
lineal).
 En estos casos, conviene construir un
modelo del problema y usar un enfoque de
prueba y error para dar una solución
aceptable al problema.
 No se intenta reproducir la realidad en todos
sus aspectos, pues sólo deben incluirse las
variables relevantes del problema que se
estudia.
 La simulación sirve para modelar la esencia de
una actividad o de un sistema para que esos
experimentos puedan conducir a evaluar el
comportamiento del sistema o su respuesta en el
tiempo (modelos dinámicos). De esta forma puede
evaluarse el efecto de las reglas de decisión
sucesivas.
 La simulación debe utilizarse en situaciones donde
resulta demasiado costoso o difícil experimentar la
situación real. En estos casos, pueden probarse los
efectos de una decisión en un modelo de
simulación antes de implementar la misma.
 Entre los distintos tipos de procesos de simulación
que podemos utilizar, en esta asignatura nos
ocuparemos preferentemente del diseño, análisis y
validación de sistemas dinámicos de eventos
discretos.
 Estos procesos se modelan usando ecuaciones
matemáticas y estadísticas, para relacionar los
diferentes eventos que pueden cambiar el estado
de un sistema bajo estudio por medio de
distribuciones de probabilidad y condiciones
lógicas del problema que se esté analizando.
EJEMPLOS DE USOS DE
MODELOS DE SIMULACIÓN
La simulación conforma una metodología

amplia que tiene una gran cantidad de
aplicaciones para apoyar la toma de decisiones.
1 - Sistemas de Colas
 Con la técnica de simulación es posible estudiar y
analizar sistemas de colas cuya representación
matemática sería demasiado complicada de
analizar.
 Ejemplos de estos sistemas serían aquellos donde
es posible la llegada al sistema en grupo;
variaciones en el orden de atención de clientes por
prioridades; intercambio de clientes entre colas; el
rehusar entrar al sistema cuando la cola es
excesivamente grande, etc.
2 - Diseño de Instalaciones
 Estas aplicaciones se relacionan con el
tamaño de las instalaciones o el número de
prestadores de servicios requeridos. Por ej.,
Nº de cajas en un supermercado, el Nº de
pistas en un aeropuerto y el Nº de casetas de
peaje en una carretera.
 Los modelos de simulación son útiles en
situaciones de teoría de colas, como las
anteriores, que tienen condiciones complejas
3 - Planeación Acumulada
 Cuando debe determinarse la capacidad
acumulada de una operación, se utilizan los
modelos de simulación para encontrar el
costo de los planes alternativos.
 Permite analizar decisiones de localización
de instalaciones, tamaño de bodegas,
procesos logísticos de materias primas y
productos terminados.
4 - Programación de Actividades
 Las simulaciones se han utilizado para evaluar
reglas alternas de programación.
 Programación de proyectos bajo incertidumbre
con actividades con diferentes distribuciones de
probabilidad que van más allá de métodos como el
PERT o CPM
 Al programar pacientes para cirugía, por ej., ¿debe
programarse la operación más larga antes o
después?
5 - Sistema de Inventarios
 A través de simulación se pueden analizar más
fácilmente sistemas de inventario donde todos sus
parámetros (tiempo de entrega, demanda, costo de
mantención de inventario, etc.) son estocásticos.
 Muchos modelos de inventarios se evalúan al
simular los efectos de las reglas de compra. En
situaciones de inventarios complejos, con
frecuencia es necesario simular las políticas
propuestas antes de ponerlas en funcionamiento
para determinar su impacto sobre el servicio a
clientes y el costo.
6 - Planeación de Requerimientos
de Materiales (MRP)
 Cuando se utiliza la planeación de
necesidades de materiales (MRP por sus
siglas en inglés) para planear y controlar la
producción, se utiliza la simulación para
evaluar los cambios propuestos en el plan
de manufactura antes de que estos cambios
se apliquen.
 Como resultado pueden hacerse preguntas
del tipo ¿qué pasa si? que le interesa a la
gerencia, antes de tomar las decisiones.
7 - Sistemas de Transporte
 Logística de distribución
 Operación de flotas de transporte: aviones,
barcos, camiones, ferrocarriles y metro
 Movilización colectiva
 Diseño y tarificación de carreteras
concesionadas
8 - Proyectos de Inversión
 Existen en la práctica una gran cantidad de
proyectos de inversión donde la
incertidumbre con respecto a los flujos de
caja que el proyecto genera a las tasas de
interés, a las tasas de inflación, etc. hacen
difícil y a veces imposible manejar
analíticamente este tipo de problemas.
 Para este tipo de situaciones el uso de
simulación es ampliamente recomendado.
9 - Sistemas Económicos
 La técnica de simulación puede ser utilizada
para evaluar el efecto de cierto tipo de
decisiones (devaluación de la moneda, el
IVA, tasa de interés del Banco Central, etc.)
en las demás variables macroeconómicas
como: producto nacional bruto, balanza
comercial, inflación, oferta monetaria,
crecimiento, etc.
10 - Estados Financieros
 Emisión de estados financieros proyectados bajo
diferentes escenarios; valoración de carteras de
inversión; evaluación de cambios en las políticas
de crédito a clientes y/o proveedores;
cumplimiento de índices financieros, etc.
 La expansión y diversificación de una
organización a través de la adquisición y
establecimiento de nuevas empresas, repercuten
significativamente en su posición y estructura
financiera.
 Por consiguiente, el uso de simulación permite
analizar cuál de las estrategias de crecimiento son
las que llevarán a la organización al logro de sus
objetivos y metas de corto, mediano y largo
plazos.
Definiciones en Simulación
 Para poder realizar un buen estudio de simulación
es necesario entender los conceptos básicos que
componen nuestro modelo
 Comenzaremos por definir el concepto de
simulación de eventos discretos como el conjunto
de relaciones lógicas, matemáticas y
probabilísticas que integran el comportamiento de
un sistema bajo estudio cuando se presenta un
evento determinado.
 El objetivo del modelo de simulación consiste,
precisamente, en comprender, analizar y mejorar
las condiciones de operación relevantes del
sistema.
 En la definición anterior encontramos elementos
como, sistema, modelo y evento, de los cuales se
desprenden otros conceptos importantes dentro de
una simulación.
 Sistema: se puede definir como un conjunto de

elementos que interactúan entre sí para alcanzar un
objetivo común, funcionando como un todo.
Desde el punto de vista de la simulación, tales
elementos deben tener una frontera clara.
 Por ejemplo, podemos hablar del sistema de
atención de clientes en un banco, del sistema de
inventarios de una empresa o del sistema de
atención en la sala de emergencia de un hospital
 Cada uno de estos sistemas puede dividirse en
elementos que son relevantes para la construcción
de lo que constituirá su modelo de simulación
 Entre estos elementos se identifican:
1. Entidades 5. Recursos
2. Estado del sistema 6. Atributos
3. Eventos actuales y 7. Variables
futuros 8. Reloj de la
4. Localizaciones simulación
1 - Entidad
 Es la representación de los flujos de entrada a un
sistema; éste es el elemento responsable de que el
estado del sistema cambie.
 Ejemplos de entidades pueden ser los clientes que
llegan a la caja de un banco, las piezas que llegan
a un proceso o el embarque de piezas que llega a
un inventario.
2 – Estado del Sistema
 Es la condición que guarda el sistema bajo estudio
en un momento determinado; es como una
fotografía de lo que está pasando en el sistema en
cierto instante.
 El estado del sistema se compone de variables o
características de operación puntuales (digamos el
nº de clientes que hay en el sistema en ese
momento), y de variables o características de
operación acumuladas, o promedio (como podría
ser el tiempo promedio de permanencia de una
entidad en el sistema, en una cola, almacén o
equipo).
3 - Evento
 Es un cambio en el estado actual del sistema.
 Por ejemplo, la entrada o salida de una entidad, la
finalización de un proceso en un equipo, la
interrupción o reactivación de una operación
(digamos por un descanso del operario), o la
descompostura de una máquina.
 Los eventos se pueden catalogar en dos tipos:
eventos actuales, que son aquellos que están
sucediendo en el sistema en un momento dado, y
eventos futuros, que son cambios que se
presentarán en el sistema después del tiempo de
simulación.
4 - Localizaciones
 Son todos aquellos lugares en los que un
evento (por ej. un cliente o una pieza) puede
detenerse para recibir un servicio, ser
transformada o esperar a serlo.
 Dentro de estas localizaciones se encuentran
almacenes, correas transportadoras,
máquinas, estaciones de inspección, etc.
5 - Recursos
 Son aquellos dispositivos – diferentes a las
localizaciones – necesarios para llevar a
cabo una operación.
 Por ejemplo, un montacargas que transporta
una pieza de un lugar a otro; una persona
que realiza la inspección en una estación;
una herramienta necesaria para realizar un
proceso pero que no forma parte de una
localización específica, sino que es
trasladada de acuerdo con los
requerimientos de aquél, tales como cajas y
pallets.
6 - Atributo
 Es una característica de una entidad.
 Por ejemplo, si la entidad es un motor, los
atributos serían su color, peso, tamaño o
cilindrada.
 Los atributos son muy útiles para
diferenciar entidades sin necesidad de
generar una entidad nueva, y pueden
adjudicarse al momento de la creación de la
entidad, o asignarse y/o cambiarse durante
el proceso.
7 - Variables
 Son condiciones cuyos valores se crean y
modifican por medio de ecuaciones matemáticas y
relaciones lógicas.
 Pueden ser continuas (por ejemplo, el costo
promedio de operación de un sistema) o discretas
(por ejemplo, el número de unidades que deberán
empacarse en un container).
 Las variables son muy útiles para determinar
características de operación y estado del sistema.
8 – Reloj de la Simulación
 Es el contador de tiempo de la simulación, y su función
consiste en responder preguntas tales como cuánto tiempo se
ha utilizado el modelo en la simulación, y cuánto tiempo en
total se quiere que dure ésta.
 En general, el reloj de la simulación se relaciona con la tabla
de eventos futuros, pues al cumplirse el tiempo programado
para la realización de un evento futuro, éste se convierte en un
evento actual.
 Hay dos tipos de reloj de simulación: absoluto, que parte de
cero y termina en un tiempo total de simulación definido, y el
reloj relativo, que sólo considera el lapso que transcurre entre
dos eventos.
 Por ejemplo, podemos decir que el tiempo de proceso de una
pieza es relativo, mientras que el tiempo absoluto sería el
tiempo global de la simulación: desde que la pieza entró a ser
procesada hasta el momento en el que terminó su proceso.
Réplica y Corrida (1)
 Cuando ejecutamos el modelo en una ocasión, los
valores que obtenemos de las variables y
parámetros al final del tiempo de simulación
generalmente serán distintos de los que se
producirán si lo volvemos a correr usando
diferentes números pseudo aleatorios.
 Por lo tanto, es necesario efectuar más de una
réplica o repetición del modelo que se esté
analizando, con la finalidad de obtener estadísticas
de intervalo que nos den una mejor ubicación del
verdadero valor de la variable bajo los diferentes
escenarios que se presentan al modificar los
números pseudo aleatorios en cada oportunidad.
Réplica y Corrida (2)
 En este sentido, la pregunta clave es cuánto

tiempo se debe simular un modelo para
obtener resultados confiables (tamaño n de
la réplica).
 En general, podemos decir que todas las
variables que se obtienen en términos de
promedios presentan dos diferentes etapas:
un estado transitorio y un estado estable.
Estado Transitorio
 Se presenta al inicio de la simulación.
 Por ejemplo, en el arranque de una planta, cuando no tiene
material en proceso: el último de los procesos estará
inactivo hasta que el primer cliente llegue, y si el tiempo
de simulación es bajo, su impacto sobre la utilización
promedio de este proceso será muy alto, lo cual no
ocurriría si la corrida del modelo fuera de mayor duración,
lo suficiente para lograr una compensación.
 En el estado transitorio hay mucha variación entre los
valores promedio de las variables de decisión del modelo,
por lo que formular conclusiones con base en ellos sería
muy arriesgado, toda vez que difícilmente nos darían una
representación fiel de la realidad.
Estado Estable
 En este estado, los valores de las variables de
decisión permanecen muy estables, presentando
sólo variaciones poco significativas. En este
momento las decisiones que se tomen serán
mucho más confiables.
 Sin embargo, no todas las variables convergen al
estado estable con la misma rapidez: algunas
pasan con más lentitud que otras de un estado
transitorio a un estado estable.
 Es responsabilidad del analista verificar que las
variables de decisión del modelo se encuentren en
estado estable antes de detener el tiempo de la
simulación.
Clasificación de Modelos
1 - Según el tipo de representación de situaciones reales
 Físicos: por ejemplo el modelo de un avión

a escala que se introduce a un túnel de
viento, puede simular los efectos que
experimentará un avión real cuando se vea
sometido a turbulencia.
 Matemáticos: a este tipo pertenecen los

modelos de simulación de eventos discretos.
2 - Según la evolución de las variables de estado
 Continuos: se caracterizan por representar la

evolución de las variables de interés de forma
continua. En general suelen utilizarse ecuaciones
diferenciales ordinarias si se considera
simplemente la evolución de una propiedad
respecto al tiempo, o bien, ecuaciones en
derivadas parciales si se considera también la
evolución respecto a otras variables adicionales.
 Discretos: se caracterizan por representar la

evolución de las variables de interés de forma
discreta.
3 - Según el cambio respecto del tiempo
 Estáticos: suelen utilizarse para representar el

sistema en un cierto instante de tiempo; por tanto,
en su formulación no se considera el avance del
tiempo. Por ej. un simulador de préstamos en
cuotas. En un modelo estático la variable tiempo
no desempeña un papel relevante.
 Dinámicos: son aquellos en los que el estado del

sistema que estamos analizando cambia respecto
del tiempo. Por ej. el número de personas que
hacen fila para entrar al cine varía con el tiempo.
4 - Según el tipo de aleatoriedad de las respuestas obtenidas
 Determinísticos: las relaciones son constantes entre los

cambios de las variables del modelo. Un nuevo estado puede
ser completamente definido a partir del estado previo y de sus
entradas. Es decir, ofrece un único conjunto de valores de
salida para un conjunto de entradas conocidas.
 Estocásticos: conocidos también como probabilísticos,

requieren de una o más variables aleatorias y distribuciones de
probabilidades para modelar un sistema bajo incertidumbre.
En consecuencia, el modelo no genera un único conjunto de
salidas cuando es utilizado para realizar un experimento, sino
que los resultados son utilizados para estimar el
comportamiento real del sistema.
Modelos de Simulación de
Eventos Discretos
 En este caso hablaremos de modelos matemáticos,
discretos, dinámicos, y que pueden incluir
variables determinísticas y probabilísticas.
 En estos modelos las variables de estado cambian
de valor en instantes no periódicos del tiempo.
Estos instantes en el tiempo se corresponden con
la ocurrencia de un evento.
 Un evento se define como una acción instantánea
que puede cambiar el estado de un modelo.
Ventajas y Desventajas de la
Simulación
 Como hemos visto hasta ahora, la simulación es
una de las diversas herramientas con las que
cuenta el analista para tomar decisiones y mejorar
sus procesos.
 Sin embargo, es necesario destacar que, como
todas las demás opciones de que disponemos, la
simulación de eventos discretos presenta ventajas
y desventajas que es preciso tomar en cuenta al
determinar si es apta para resolver un problema
determinado.
Ventajas de la Simulación (1)
Dentro de las ventajas más comunes que ofrece la
simulación podemos citar las siguientes:
a) Es muy buena herramienta para conocer el impacto de
cambios internos y externos del sistema, alterando sólo el
modelo, observando así los efectos sin necesidad de llevarlos
a cabo en los procesos reales, lo que es más económico.
b) Mejora el conocimiento del proceso actual al permitir al
analista ver cómo se comporta el modelo generado bajo
diferentes escenarios y sugerir estrategias que mejoren la
operación y eficiencia del sistema.
c) Puede utilizarse como medio de capacitación de personal.
Por ejemplo a través de los juegos de negocios es posible
entrenar y dar experiencia para la toma de decisiones.
d) Cuando nuevos elementos son introducidos en un sistema, la
simulación puede ser usada para anticipar cuellos de botella
o algún otro problema que puede surgir en el
comportamiento del sistema.
e) Permite probar varios escenarios en busca de las
mejores condiciones de trabajo de los procesos que
se simulan.
f) En problemas de gran complejidad, la simulación
permite generar una buena solución.
g) En la actualidad los paquetes de software para
simulación tienden a ser más sencillos, lo que
facilita su aplicación.
h) Gracias a las herramientas de animación que
forman parte de muchos de esos paquetes es
posible ver cómo se comportará un proceso una
vez que sea mejorado.
i) La técnica de simulación puede ser usada para
experimentar con nuevas situaciones, sobre las cuales se
tiene poca o ninguna información. A través de esta
experimentación se puede anticipar mejor a posibles
resultados no previstos.
j) Reduce el tiempo necesario para que se manifiesten efectos
de largo plazo.
k) Es aplicable a problemas que desafían una solución
matemática. De aquí nace la premisa:
Si ya ha probado todo y no ha podido resolver un

problema, pruebe con simulación.
Desventajas de la Simulación (1)
Entre las desventajas que puede llegar a presentar la
simulación están:
a) Aunque muchos paquetes de software permiten obtener el

mejor escenario a partir de una combinación de variaciones
posibles, la simulación no es una herramienta de
optimización.
b) La simulación puede ser costosa cuando se quiere emplearla
en problemas relativamente sencillos de resolver, en lugar
de utilizar soluciones analíticas que se han desarrollado de
manera específica para ese tipo de casos.
c) Se requiere bastante tiempo –generalmente meses– y
recursos humanos costosos para que un modelo de
simulación sea desarrollado y perfeccionado para realizar un
buen estudio; por desgracia, no todos los analistas tienen los
conocimientos y la disposición (o la oportunidad) de esperar
ese tiempo para obtener una respuesta.
Desventajas de la Simulación (2)
d) Es preciso que el analista domine el uso del paquete
de simulación y que tenga sólidos conocimientos de
estadística para interpretar los resultados.
e) Se requiere experiencia para la construcción de
modelos complejos.
f) No sugiere una metodología de solución.
g) No siempre proporciona una solución óptima.
h) Finalmente, es posible, que la alta gerencia de una
organización no entienda esta técnica y esto crea
dificultad en vender la idea. Un vicepresidente de
finanzas respondió a una encuesta del siguiente
modo: “preferiría apostar al instinto que a un modelo
de flujo de caja aleatorio”.
Elementos clave para garantizar el
éxito de un modelo de simulación
 Independientemente de los beneficios que conlleva
la simulación, es imposible garantizar que un
modelo tendrá éxito.
 Existen ciertas condiciones clave que pueden traer
problemas si no se les pone atención al momento
de usar la simulación para la toma de decisiones.
 A continuación destacaremos algunas de las
causas por las que un modelo de simulación podría
no tener los resultados que se desean.
1 - Tamaño insuficiente de la corrida
 Como se mencionó antes, para poder llegar a
conclusiones estadísticas válidas a partir de los
modelos de simulación es necesario que las
variables aleatorias de respuesta estén en estado
estable.
 El problema radica en que, generalmente, cuando
el modelo consta de más de una variable de
decisión, es difícil que éstas alcancen un estado
estable al mismo tiempo: es posible que una se
encuentre estable y la otra no en un momento
determinado, por lo que las conclusiones respecto
de la segunda variable no serán estadísticamente
confiables.
2 – Variable(s) de respuesta mal definida(s)
 Aun cuando el modelo de simulación sea muy
eficiente y represente la realidad en gran medida,
si la variable de respuesta seleccionada no es la
apropiada será imposible tomar decisiones que
tengan impacto en la operación del sistema bajo
estudio.
 Por ejemplo, digamos que una variable de
respuesta es el nivel de inventarios de cierto
producto. Al mismo tiempo, la política de la
empresa establece que no se debe parar ninguno
de los procesos de fabricación. En consecuencia,
el problema no será el inventario final, sino el
ritmo de producción necesario para que el stock
cumpla con los requisitos de diseño que se desean.
3 – Errores al establecer las relaciones
entre las variables aleatorias
 Un error común de programación es olvidar las
relaciones lógicas que existen entre las variables
aleatorias del modelo, o minimizar su impacto.
 Si una de estas variables no está definida de
manera correcta, ciertamente aún es posible tener
un modelo que se apegue a la realidad actual.
 Sin embargo, si el sistema no se lleva hasta su
máxima capacidad para observar su
comportamiento, podría resultar imposible
visualizar el verdadero impacto de las deficiencias.
4 – Errores al determinar el tipo de
distribución asociado a las variables
aleatorias del modelo
 Este tipo de problemas es muy similar al anterior, sólo que
en este caso se utilizan distribuciones que no son las más
adecuadas o que responden únicamente a un intento de
simplificar los estudios estadísticos.
 Digamos, por ejemplo, que se nos dan como referencia los
siguientes tiempos de proceso: mínimo 10’, máximo 40’ y
duración más frecuente 30’ (moda ).
 En esta circunstancia la tentación de simplificar el estudio
de la variable asignándole una distribución triangular
T(a,b,c) con parámetros (10’, 30’, 40’) es muy grande.
 No obstante, hacerlo afectaría de manera importante los
resultados de la simulación, pues el modelo podría alejarse
de lo que sucede en la realidad.
5 – Falta de un análisis
estadístico de los resultados (1)
 Un problema común por el que la simulación suele
ser objeto de crítica, radica en asumir que se trata
de una herramienta de optimización.
 Esta es una apreciación incorrecta, ya que
involucra variables aleatorias y características
propias de un modelo estocástico.
 Por lo mismo -como se apuntó antes-, es
necesario realizar varias réplicas (repeticiones) de
las corridas a fin de producir diferentes resultados
finales para las variables de respuesta y, a partir de
esos valores, obtener intervalos de confianza que
puedan dar un rango en dónde encontrar los
valores definitivos.
5 – Falta de un análisis
estadístico de los resultados (2)
 Este tipo de problemas se presentan también al
comparar dos escenarios: podríamos encontrar un
mejor resultado para uno de ellos, pero si los
intervalos de confianza de las variables de
respuesta se traslapan resultaría imposible decir
que el resultado de un escenario es mejor que el
del otro.
 De hecho, estadísticamente hablando ambos
resultados pueden ser iguales. En ese caso
incrementar el tamaño de corrida o el número de
réplicas puede ayudar a obtener mejores
conclusiones.
6 – Uso incorrecto de la
información obtenida
 Un problema que se presenta en ocasiones es el uso
incorrecto de la información recabada para la realización
del estudio, ya sea a través de un cliente o de cualesquiera
otras fuentes.
 Muchas veces esta información se recolecta, analiza y
administra de acuerdo con las necesidades propias de la
empresa, lo que implica que no siempre está en el formato
y la presentación que se requiere para la simulación.
 Si la información se utiliza para determinar los parámetros
del modelo sin ser depurada y reorganizada, es muy
probable que la precisión de los resultados del estudio se
vea afectada.
7 – Falta o exceso de detalle en
el modelo (1)
 Otro punto importante a considerar es el nivel de
detalle del modelo. En muchas ocasiones algún
proceso se simplifica tanto que tiende a verse
como una “caja negra” que nos impide ver qué
ocurre en el interior, aunque sí haya entrada y
salida de datos que interactúan con otras partes del
modelo.
 Cuando esto sucede, el impacto que podrían tener
los subprocesos que se llevan a cabo en la “caja
negra” (es decir, del proceso sobresimplificado)
no se incluye en la simulación.
7 – Falta o exceso de detalle en
el modelo (2)
 Por ejemplo, si se analiza un sistema de distribución y se
da por sentado que el almacén siempre surte sus pedidos,
no incluiremos el impacto de los tiempos necesarios para
surtir los pedidos, ni la posibilidad de que hayan faltantes
de producto.
 Excluiremos también los horarios de comida, en los que no
se surten pedidos, y las fallas en los montacargas y/o
correas transportadoras que llevan los pedidos hasta los
camiones para su distribución.
 Por otra parte, si el modelo se hace demasiado detallado,
tanto el tiempo dedicado al estudio como el costo de
llevarlo a cabo podrían incrementarse sustancialmente.
 Es labor del encargado de la simulación sugerir y clarificar
los niveles de detalle que se requieren en el modelo,
resaltando los alcances y limitaciones de cada uno.
 Numerosas actividades de producción, tales como
planeación de procesos, la programación , el
mantenimiento y el manejo de inventario, son
influidas por la incertidumbre.
 Por ejemplo, tiempos de trabajo o de servicio
variables, demanda desconocida y fallas.
 El método de Monte Carlo es un método
estadístico numérico usado para aproximar
expresiones matemáticas complejas y costosas de
evaluar con exactitud.
 El método se llamó así en referencia al Casino de
Monte Carlo (Principado de Mónaco) por ser “la
capital del juego de azar”, al ser la ruleta un
generador simple de números aleatorios.
 El nombre y el desarrollo sistemático de los
métodos de Monte Carlo datan aproximadamente
de 1944 y se mejoraron enormemente con el
desarrollo de la computación.
 El uso de los métodos de Monte Carlo como
herramienta de investigación, proviene del
trabajo realizado en el desarrollo de la bomba
atómica durante la segunda guerra mundial en
Los Álamos.
 Este trabajo conllevaba la simulación de
problemas probabilísticos de hidrodinámica
concernientes a la difusión de neutrones en el
material de fusión, la cual posee un
comportamiento eminentemente aleatorio.
 En la primera etapa de estas investigaciones, John
von Neumann y Stanislaw Ulam refinaron esta
ruleta y los métodos "de división" de tareas. Sin
embargo, el desarrollo sistemático de estas ideas
tuvo que esperar el trabajo de Harris y Herman
Kahn en 1948.
 El método de Monte Carlo proporciona soluciones
aproximadas a una gran variedad de problemas
matemáticos posibilitando la realización de
experimentos con muestreos de números pseudo
aleatorios en un computador.
 El método es aplicable a cualquier tipo de
problema, ya sea estocástico o
determinístico.
 A diferencia de los métodos numéricos que
se basan en evaluaciones en N puntos en un
espacio M-dimensional para producir una
solución aproximada, el método de Monte
Carlo tiene un error absoluto de estimación
que decrece en función de 1 N en virtud del
teorema del límite central.
Orígenes del Método de Monte Carlo
 La invención del método de Monte Carlo se
asigna a Stan Ulam y a John von Neuman.
 Ulam ha explicado cómo se le ocurrió la idea
mientras jugaba un solitario durante una
enfermedad en 1946.
 Advirtió que resulta mucho más simple tener
una idea del resultado general del solitario
haciendo pruebas múltiples con las cartas y
contando las proporciones de los resultados
que computar todas las posibilidades de
combinación formalmente.
 Se le ocurrió que esta misma observación debía
aplicarse a su trabajo de Los Álamos sobre difusión
de neutrones, para la cual resulta prácticamente
imposible solucionar las ecuaciones íntegro-
diferenciales que gobiernan la dispersión, la
absorción y la fisión.
 La idea consistía en probar experimentalmente las
miles de posibilidades, y en cada etapa, determinar
al azar mediante un número aleatorio distribuido
según las probabilidades, qué sucedería totalizando
todas las posibilidades para tener una idea de la
conducta del proceso físico.
 Ulam estaba particularmente interesado en

el método Monte Carlo para evaluar
integrales múltiples.
 Una de las primeras aplicaciones de este
método a un problema determinista fue
llevada a cabo en 1948 por Fermi, Ulam y
von Neumann cuando consideraron los
valores singulares de la ecuación de
Schrödinger.
Método de la Transformada Inversa
Este método estadístico se
utiliza para la generación
de variables aleatorias,
discretas o continuas,
distribuidas según una
cierta distribución de
probabilidades, teórica o
empírica.
La probabilidad acumulada
(eje Y) se simula mediante
un Nº aleatorio 0 ≤ r ≤ 1 a
partir del cual se despeja el
valor de la variable
aleatoria (eje X).
Utilización del Método de Monte Carlo
con una distribución de probabilidades empírica
1. Se recolectan datos empíricos del proceso

estocástico a simular (p.ej. la demanda de
un producto) y su frecuencia absoluta. Si
los datos son muy numerosos, se pueden
agrupar en clases (histograma).
2. Se convierten las frecuencias absolutas a
frecuencias relativas (probabilidades) y
luego se calcula la distribución de
frecuencias acumulada.
3. Se calculan las marcas de clase (promedio de
cada rango), si procede.
4. Se asigna a cada clase rangos de números
aleatorios entre 0 y 1, con las frecuencias
acumuladas antes calculadas. Con esto se
completa la Tabla de Monte Carlo.
5. Se generan luego Nos aleatorios ~U(0,1) que
se ubican en el rango correspondiente de la
tabla para simular los valores (marcas de
clase) de la variable aleatoria (p.ej. demanda
de clientes).
6. Posteriormente se debe validar que los

datos de demanda generados por el
modelo computacional sigan el mismo
patrón de frecuencias históricas.
Ejemplo de Simulación
Política de Inventario
 La Pastelería Betty compra diariamente a
una fábrica cierto número de productos.
 Uno de los productos que se compra es un
tipo especial de pan.
 La Sra. Betty desea determinar cuánto de
este pan tendría que comprar a la fábrica
diariamente para maximizar sus utilidades,
para lo cual desea estudiar las siguientes
alternativas de política de inventario:
Política de Inventario
Reglas de Decisión
 Regla 1: pedir a la fábrica una cantidad de pan igual
a la demanda del día anterior (regla actual).
 Regla 2: pedir diariamente una cantidad fija de 37
unidades (demanda promedio esperada), sin tener en
cuenta la demanda previa.
 Se seleccionará la mejor regla basándose en el

máximo de utilidades a lo largo de un Nº total de
días simulados.
 Se considera que el exceso de stock se pierde, por
ser el producto altamente perecible.
Supuestos Pastelería Betty
 Tipo de pan especial; no tiene sustitutos.
 Si se compra muy poco pan, se puede perder
ventas y sus utilidades.
 Si se compra demasiado, el exceso de pan se
desperdiciaría, por ser el producto perecible.
 En aras de la simplicidad se supondrá que
todo el pan que no se vende durante el día se
tiene que botar al día siguiente, lo que
implica una pérdida total.
 Fidelidad de los clientes.
Distribución de Frecuencias
de Demanda Histórica
Punto Medio Frecuencia
Demanda
xi Absoluta
20-24 22 5
25-29 27 10
30-34 32 20
35-39 37 30
40-44 42 20
45-49 47 10
50-54 52 5
n
Demanda Promedio Esperada  f x
i 1
i i  37
Demanda
Estocástica Tabla de Monte Carlo
Generada
Punto Rango
Frecuencia Frecuencia
Medio Números
Demanda Relativa Acumulada
Aleatorios
xi fi Fi
>= <
20-24 22 5% 5% 0,00 – 0,05
25-29 27 10% 15% 0,05 – 0,15
30-34 32 20% 35% 0,15 – 0,35
35-39 37 30% 65% 0,35 – 0,65
Nº
40-44 42 20% 85% 0,65 – 0,85 Aleatorio
45-49 47 10% 95% 0,85 – 0,95 Generado
50-54 52 5% 100% 0,95 – 1,00
Simulación de 15 Períodos
Regla 1 Regla 2
Número Demanda
Día
Aleatorio Generada Cantidad Ventas Cantidad Ventas
Comprada Comprada
0 37
1 0,27 32 37 32 37 32
2 0,43 37 32 32 37 37
3 0,85 47 37 37 37 37
4 0,88 47 47 47 37 37
5 0,29 32 47 32 37 32
6 0,69 42 32 32 37 37
7 0,94 47 42 42 37 37
8 0,64 37 47 37 37 37
9 0,32 32 37 32 37 32
10 0,48 37 32 32 37 37
11 0,13 27 37 27 37 27
12 0,14 27 27 27 37 27
13 0,54 37 27 27 37 37
14 0,15 32 37 32 37 32
15 0,47 37 32 32 37 37
550 550 500 555 515
Utilidades Reglas de Operación
Utilidades = Ventas x Precio de Venta –
Compras x Precio de Costo
 Regla 1: 500 x 0,50 – 550 x 0,25 = $ 112,50

 Regla 2: 515 x 0,50 – 555 x 0,25 = $118,75
 Por lo tanto, la Regla 2 ofrece cierta mejoría

en la contribución a las utilidades en
comparación a la Regla 1, si bien la
información no es concluyente para poder
tomar una decisión.
Metodología General de un
Estudio de Simulación
 Debemos considerar que –igual como ocurre con
otras herramientas de investigación– la realización
de un estudio de simulación requiere la ejecución
de una serie de actividades y análisis que permitan
sacarle el mejor provecho.
 A continuación se mencionan los pasos básicos
para realizar un estudio de simulación, aunque en
muchas ocasiones será necesario agregar otros o
suprimir algunos de los aquí enumerados, de
acuerdo con la problemática en cuestión.
Pasos para realizar un estudio
de simulación
1) Definición del sistema bajo estudio
2) Formulación y diseño del modelo conceptual base
3) Recolección y análisis de datos
4) Implementación computacional del modelo de simulación
5) Verificación del modelo
6) Validación del modelo
7) Experimentación con el modelo
8) Interpretación de resultados y análisis de sensibilidad
9) Documentación del modelo, sugerencias y conclusiones
10) Implantación de los resultados
1- Definición del sistema bajo estudio (1)
 En esta etapa es necesario conocer el sistema a modelar
y establecer los supuestos del modelo.
 Para ello se requiere saber qué origina el estudio de
simulación y para tener una definición exacta del
sistema que se desea simular, es necesario hacer
primeramente un análisis preliminar del mismo, con el
fin de determinar la interacción del sistema con otros
sistemas, las restricciones del sistema, las variables de
decisión que interactúan dentro del sistema y sus
interrelaciones, las medidas de efectividad que se van a
utilizar para definir y estudiar el sistema y los resultados
que se esperan obtener del estudio.
 Debe establecerse con precisión los alcances y
limitaciones que el modelo podría llegar a tener.
 Antes de concluir este paso es

recomendable contar con información
suficiente para lograr establecer un modelo
conceptual del sistema bajo estudio,
incluyendo sus fronteras y todos los
elementos que lo componen, además de las
interacciones entre éstos, flujos de
productos, personas y recursos, así como las
variables de mayor interés para el problema.
 Deben aislarse los problemas relevantes de
toma de decisiones y definirse para su
estudio.
 La definición del problema incluye la
decisión sobre cuáles son los objetivos,
limitaciones y suposiciones que se
utilizarán.
 Después de definir el problema en términos
generales, se puede desarrollar un modelo
cuantitativo específico.
Definición del Problema
Caso Pastelería Betty
 En el caso de la Pastelería Betty se aisló un
problema relacionado con un tipo específico de
pan. Se supuso que si no se disponía del tipo de
pan especial, se perdería la venta. No se consideró
la posibilidad de ofrecer al cliente otro tipo de pan
u otro producto de la pastelería.
 También se supuso que el objetivo de Betty era
mantener sus utilidades al máximo y además se
hizo una amplia variedad de otras suposiciones
explícitas o implícitas (por ej. producto perecible).
 Estas suposiciones definen, en conjunto, el
problema.
2 - Formulación y diseño del modelo
conceptual base (1)
 Una vez que están definidos con exactitud los
resultados que se esperan obtener y se ha definido
el sistema en términos de un modelo conceptual, el
siguiente paso es formular y generar un modelo de
simulación base.
 No es preciso que este modelo sea demasiado
detallado, pues se requiere mucha más
información estadística sobre el comportamiento
de las variables de decisión del sistema.
 En la formulación del modelo es necesario definir
todas las variables que forman parte de él, sus
relaciones lógicas y los diagramas de flujo que
describan en forma completa al modelo.
conceptual base (2)
 Conviene hacerse un diagrama de flujo
antes de la programación computacional.
 El diagrama ayuda a aclarar la lógica
computacional precisa del modelo.
 Esto facilita la programación y ayuda a
quien hace el modelo a descubrir los errores
lógicos de éste.
conceptual base (3)
 La generación de este modelo es el primer
reto para el analista, toda vez que debe
traducir a algoritmos y heurísticas la
información que se obtuvo en la etapa
previa.
 En caso que se requiera una animación, éste
también es un buen momento para definir
qué gráfico puede representar mejor el
sistema que se modela.
conceptual base (4)
 Igual que ocurre en otras ramas de la investigación
de operaciones, la simulación exige ciencia y arte
en la generación de sus modelos.
 El ingeniero es, en este sentido, como un artista
que debe usar toda su creatividad para realizar un
buen modelo que refleje la realidad del problema
que se está analizando.
 Conforme se avanza en el modelo base se pueden
ir incluyendo las variables aleatorias del sistema,
con sus respectivas distribuciones de probabilidad
asociadas.
conceptual base (5)
Se deben definir en esta etapa:
Variables controlables y no Escenarios operacionales a
controlables examinar
Medidas de desempeño: por Reglas de trabajo y de toma de
ej. utilidades decisiones
Funciones del modelo Criterios sobre el manejo de los
Límites del modelo recursos
(extensión y amplitud del Diseño o layout del sistema
mismo) Lenguaje de programación a
Elementos que constituyen el utilizar o software de simulación
modelo (recursos, materia de propósito general
prima, productos, etc.)
Variables Controlables
 Las variables controlables, o variables de
toma de decisiones de un modelo de
simulación, las puede controlar quien toma
la decisión.
 Estas variables cambiarán su valor de un
ejercicio al siguiente conforme se simulan
varias decisiones diferentes.
 En la Pastelería Betty la cantidad que se
compraba cada día era la variable
controlable de toma de decisiones.
Variables No Controlables
 En el modelo, las variables no controlables
o sus parámetros son constantes que quedan
fuera del control de quien toma la decisión.
 Por ejemplo, en la Pastelería Betty, el nivel
inicial de la demanda, la frecuencia de
distribución de la demanda, los precios de
costo y de venta del pan se consideraron
como valores fijos, y por lo tanto variables
no controlables.
3 – Recolección y análisis de datos (1)
 De manera paralela a la generación del modelo base,

es posible comenzar la recopilación de la información
estadística de los procesos estocásticos del modelo.
 En esta etapa se debe determinar qué información es
útil para la determinación de las distribuciones de
probabilidad asociadas a cada una de las variables
aleatorias necesarias para la simulación.
 Aunque en algunos casos se logra contar con datos
estadísticos, suele suceder que el formato de
almacenamiento o de generación de reportes no es el
apropiado para facilitar el estudio. Por ello es muy
importante dedicar el tiempo suficiente a esta
actividad.
 De no contar con la información necesaria o en caso de
desconfiar de la que se tiene disponible, será necesario realizar
un estudio estadístico previo del comportamiento de la variable
que se desea identificar.
 Normalmente, la información requerida por un modelo se
puede obtener de registros contables, de órdenes de trabajo, de
órdenes de compra, de opiniones de expertos y si no hay otro
remedio, por experimentación.
 Es posible que la facilidad de obtención de algunos datos o la
dificultad de conseguir otros, pueda influenciar el desarrollo y
formulación del modelo.
 Por consiguiente, es muy importante que se definan con
claridad y exactitud los datos que el modelo va a requerir para
producir los resultados deseados.
 Luego es necesario realizar el análisis de los

datos recolectados para asociar una
distribución de probabilidad a una variable
aleatoria, así como las pruebas que se debe
aplicar a los mismos.
 En algunos casos –sobre todo cuando se trata
del diseño de un nuevo proceso o esquema de
trabajo– no se cuenta con información
estadística, por lo que debe estimarse un rango
de variación o determinar (con ayuda del
cliente) valores constantes que permitan
realizar el modelado.
 Si éste es el caso, el encargado de la simulación

puede, con base en su experiencia, realizar
algunas sugerencias de distribuciones de
probabilidad que comúnmente se asocien al
tipo de proceso que se desea incluir en el
modelo.
 Al finalizar la recolección y análisis de datos
para todas las variables del modelo, se tendrán
las condiciones necesarias para generar una
versión preliminar del problema que se está
simulando.
 Después que se programa el modelo, deben obtenerse

datos para especificar los parámetros de entrada.
 En el caso de la Pastelería Betty se requieren los datos
de los precios unitarios de costo y de venta y la
distribución de la demanda.
 La obtención de datos es, con frecuencia, una de las
partes más costosas y lentas del estudio de simulación.
 Debido al tiempo que requiere, la recolección de datos
con frecuencia se hace al mismo tiempo que la
programación. En este caso, cuando se hace la
programación, ya se tienen también los datos para
comenzar la validación del modelo.
4 – Implementación computacional del modelo (1)
 Con el modelo definido, el siguiente paso es

decidir si se utilizan:
– Lenguajes de programación de tipo general
– Lenguajes específicos de simulación
– Simuladores específicamente desarrollados para
diferentes objetivos
 Al finalizar esta etapa el modelo está listo para
su primera prueba: su verificación o, en otras
palabras, la comparación con la realidad.
 En un principio, los programas de simulación se

elaboraban utilizando algún lenguaje de propósito general,
como ASSEMBLER, FORTRAN, ALGOL o PL/1.
 A partir de la década de 1960 hacen su aparición los
lenguajes específicos para simulación que permiten a
analistas y programadores desarrollar modelos de una
forma más rápida, gracias a módulos estandarizados.
 En aquella época surgieron lenguajes como GPSS, GASP,
SIMSCRIPT, SLAM, SIMAN Y SSED.
 En la última década del siglo pasado la aparición de
interfases gráficas revolucionan el campo de las
aplicaciones en esta área, y ocasionaron el nacimiento de
los simuladores, con los cuales se ha facilitado
enormemente la programación de los modelos.
 En el terreno práctico, es importante utilizar la

aplicación que mejor se adecue 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 planillas de cálculo,
lenguajes de tipo general (como Visual Basic, C++
o Fortran), lenguajes específicos de simulación
(como GPSS, SLAM, SIMAN, SIMSCRIPT,
GASP Y SSED), hasta simuladores
específicamente desarrollados para diferentes
objetivos (como SIMPROCESS, ProModel,
Witness, Taylor II y Crystall Ball).
En la actualidad la selección del lenguaje o simulador depende

de los siguientes factores:
1. Los mercados primarios a los que atenderá la

simulación, así como las aplicaciones típicas en
que se le utilizará, por ejemplo: administración
estratégica, logística, telecomunicaciones,
manufactura, sistemas militares, sistemas de
salud, manejo de materiales, análisis de riesgo,
simulación continua o discreta, etc.
2. Requerimientos de equipo, como plataforma o
sistema operativo, memoria RAM y utilización
de disco duro
3. Capacidad de construcción y programación del modelo a través de
íconos o mediante procesos de tipo “arrastrar y soltar” (drag and
drop), así como acceso a programación estándar. A este respecto
también es importante considerar el tiempo y la velocidad en la
detección de errores, así como la posibilidad de reutilizar partes
de código, objetos o plantillas (templates).
4. Inclusión de herramientas complementarias para la realización de
pruebas de bondad de ajuste en forma automática, el análisis de
las variables de respuesta, la posibilidad de crear diseño de
experimentos y la optimización del sistema simulado.
5. La animación del sistema, considerando aspectos como velocidad,
uso de diferentes vistas, facilidad de exportación, compatibilidad
con otras aplicaciones y la posibilidad de poder prescindir del uso
de la animación.
6. El costo y el tipo de licencia otorgada, así

como el soporte técnico y la facilidad de
entrenamiento y uso de manuales y ayudas
en línea.
7. Otras consideraciones, como la capacidad
de empaquetamiento de los modelos, la
distribución a otros usuarios, y la
capacidad que tenga la compañía
fabricante del software para actualizar su
producto.
Algunas aplicaciones en el área de simulación disponibles

actualmente en el mercado:
Analytica AnyLogic 5.0 Arena AutoMod Crystal Ball
Enterprise Dynamics
DecisionPro eM-Plant DecisionScript Extend
5.0
Factory Explorer FirstSTEP Designer Flexsim GAUSS GoldSim
GPSS MAST Micro Saint Mystrategy NAG SMP Library

Proplanner
Manufacturing
PASION Simulation PIMSS System ProcessModel ProModel Process
Management
Software
SansGUI Modeling
ProVision Resource Manager SAIL and Simulation SAS Software
Environment
ShowFlow SIGMA SIMPROCESS SIMUL8 Simulink de Matlab
Visual Simulation
SLIM Supply Chain Builder VisSim Witness
Environment
5 – Verificación del modelo (1)
 Luego de implementado el modelo computacional,
es necesario realizar un proceso de verificación de
datos para comprobar la correcta programación del
modelo, y comprobar que todos los parámetros
usados en la simulación funcionen correctamente.
 Ciertos problemas, en especial aquellos que requieren
muchas operaciones de programación o que
involucran distribuciones de probabilidad difíciles de
programar, pueden ocasionar que el comportamiento
del sistema sea muy diferente del que se esperaba.
 Por otro lado, no se debe descartar la posibilidad de
que ocurran errores humanos al alimentar el modelo
con la información.
5 – Verificación del modelo (2)
 Incluso podría darse el caso de que los

supuestos iniciales hayan cambiado
una o varias veces durante el
desarrollo del modelo.
 Por lo tanto, debemos asegurarnos de
que el modelo que se va a ejecutar esté
basado en los supuestos más actuales.
 Una vez que se ha completado la
verificación, el modelo está listo para
su comparación con la realidad del
problema que se está modelando
(etapa de validación).
6 – Validación del modelo (1)
 Una de las principales etapas de un estudio de simulación
es la validación. A través de esta etapa es posible detallar
deficiencias en la formulación del modelo o en los datos
alimentados al modelo.
 Con la validación se determina si los modelos de
simulación son un reflejo lo suficientemente exacto del
mundo real.
 Para que sean útiles, los modelos no tienen que reflejar
todas las condiciones del mundo real y todas las
suposiciones.
 De hecho, con frecuencia se requiere una descripción
simplificada del mundo real para hacer que el modelo
pueda controlarse y resulte económico.
 Por lo tanto, las suposiciones de simplificación que se
incorporan al modelo deben revisarse mediante el proceso
de validación.
 El proceso de validación del modelo consiste en realizar una

serie de pruebas al mismo, utilizando información de entrada
real para observar su comportamiento y analizar sus
resultados.
 Si el problema bajo simulación involucra un proceso que se
desea mejorar, el modelo debe someterse a prueba con las
condiciones actuales de operación, lo que nos dará como
resultado un comportamiento similar al que se presenta
realmente en nuestro proceso.
 Por otro lado, si se está diseñando un nuevo proceso la
validación resulta más complicada. Una manera de validar el
modelo en este caso, consiste en introducir algunos
escenarios sugeridos por el cliente y validar que el
comportamiento sea congruente con las expectativas que se
tienen de acuerdo con la experiencia.
 Cualquiera sea la situación, es importante

que el analista conozca bien el modelo, de
manera que pueda justificar aquellos
comportamientos que sean contrarios a las
experiencias de los especialistas en el
proceso y que participan de su validación.
Las formas más comunes de validar un modelo son:
1. La opinión de expertos sobre los resultados de la

simulación.
2. La exactitud con que se predicen datos
históricos.
3. La exactitud en la predicción del futuro.
4. La comprobación de falla del modelo de
simulación al utilizar datos que hacen fallar al
sistema real.
5. La aceptación y confianza en el modelo de la
persona que hará uso de los resultados que arroje
el experimento de simulación.
Tipos de Validación
 Existen varios tipos de validación:
– De los parámetros de los datos
– De los resultados
– De la longitud del ejercicio
Validación de los
Parámetros de los Datos
 La validación de los parámetros Comparación Demanda
de los datos busca determinar si Simulada vs. Real
los datos que se utilizaron en el 40%
modelo tienen relación con los
Frecuencia %
30%
valores correctos. 20%
 Por ejemplo, en el caso de la 10%
pastelería Betty, debe probarse 0%
si la distribución de demanda 22 27 32 37 42 47 52
Demanda
del pan generada por el modelo
es una buena representación de Modelo Real
la distribución de frecuencias
empírica.
Pruebas Estadísticas
 Pueden utilizarse pruebas estadísticas
estándar para determinar si la distribución
observada tiene suficiente relación con la
distribución verdadera.
 Por ejemplo, el coeficiente de correlación
r (método de los mínimos cuadrados).
 También se pueden utilizar pruebas
estadísticas de bondad de ajuste como la
de Kolmogorov-Smirnov o la de chi-
cuadrado χ2
Validación de los Resultados
 Pueden hacerse pruebas similares en los valores de
los resultados para determinar si el simulador
predice de una manera apropiada o no.
 En el caso de la Pastelería Betty, una prueba de los
resultados sería una comparación de las ventas
reales y datos de utilidades con el resultado del
modelo bajo condiciones similares.
 Estas comparaciones de resultados pueden
probarse en forma estadística de la misma
manera que los datos.
Validación del tamaño de la
corrida
 En la simulación se establece un tamaño de
la corrida o longitud para el ejercicio (Nº de
períodos a simular) con el objeto de obtener
resultados estables o realistas.
 Una manera de determinar la longitud del
ejercicio es graficar los resultados del
modelo versus diferentes Nº de períodos y
determinar cuándo se presenta la estabilidad
en los resultados.
 Al graficar las ventas y las utilidades por período en
relación a la longitud del ejercicio, puede observarse
que existen amplias fluctuaciones en el caso de
longitudes cortas en los ejercicios.
 Sin embargo, el resultado se estabiliza conforme se
incrementa la longitud del ejercicio.
 Con frecuencia los simuladores tienen
condiciones iniciales (semillas) que se
seleccionan de manera arbitraria.
 Pueden hacerse pruebas estadísticas estándar de
los resultados para determinar cuándo se
presenta la estabilidad
estado transitorio  estado estable

Conclusiones Etapa de Validación
 Para poder determinar la validez del modelo
podría ser necesario revisarlo.
 Esto involucra un ciclo de retroalimentación desde
la validación hasta todos los pasos anteriores del
proceso de modelación.
 Además de guiar la revisión del modelo, la
validación debe ayudar a determinar una longitud
apropiada para el ejercicio.
 Cuando se termina la etapa de validación, el
modelo ya está listo para usarse.
7 – Experimentación con el modelo (1)
 La experimentación con el modelo se realiza después de que éste
ha sido validado, acordando con el cliente los escenarios que se
quiere analizar.
 La experimentación consiste en generar los datos deseados para
realizar análisis de sensibilidad de los índices requeridos en la
etapa siguiente.
 Una manera sencilla de determinar escenarios consiste en utilizar
un escenario pesimista, uno optimista y uno intermedio para la
variable de respuesta más importante.
 Sin embargo, es preciso tomar en cuenta que no todas las
variables se comportan igual ante los cambios en los distintos
escenarios, por lo que talvez sea necesario que más de una
variable de respuesta se analice bajo las perspectivas pesimista,
optimista e intermedia.
 El riesgo de esta situación radica en que el analista podría caer
en un diseño de experimentos capaz de generar una gran
cantidad de réplicas, lo que redundaría en un incremento
considerable de costo, análisis y tiempo de simulación.
7 – Experimentación con el modelo (2)
 Es por ello que muchos paquetes de simulación
cuentan con herramientas para realizar este
proceso, eliminando la animación y acortando los
tiempos de simulación.
 Estas herramientas permiten realizar varias
réplicas del mismo escenario para obtener
resultados con estadísticas importantes respecto de
la toma de decisiones (por ejemplo, los intervalos
de confianza).
 Por su parte, el analista también puede contribuir a
la selección de escenarios, sugiriendo aquellos que
considere más importantes; al hacerlo dará pie a
que se reduzca el número de combinaciones
posibles.
8 – Interpretación de resultados y
análisis de sensibilidad (1)
 En esta etapa del estudio, se interpretan los resultados que
arroja la simulación, corriendo el modelo para diferentes
casos de interés para analizar la sensibilidad para ayudar en la
toma de decisiones.
 Es obvio que los resultados que se obtienen de un estudio de
simulación ayudan a soportar decisiones del tipo semi-
estructurado, es decir, el computador en sí no toma la decisión,
sino que la información que proporciona ayuda a tomar
mejores decisiones y por consiguiente a sistemáticamente
obtener mejores resultados.
 Una vez que se obtienen los resultados de los escenarios
determinados en la etapa anterior, es importante realizar
pruebas estadísticas que permitan comparar los escenarios con
los mejores resultados finales.
 Si dos de ellos tienen resultados similares será necesario
comparar sus intervalos de confianza respecto de la variable
de respuesta final.
8 – Interpretación de resultados y
análisis de sensibilidad (2)
 Si no hay intersección de intervalos podremos decir con
certeza estadística que los resultados no son iguales; sin
embargo, si los intervalos se traslapan será imposible
determinar, estadísticamente hablando, que una solución es
mejor que otra.
 Si se desea obtener un escenario “ganador” en estos casos,
será necesario realizar más réplicas de cada modelo y/o
incrementar el tiempo de simulación de cada corrida.
 Con ello se busca acortar los intervalos de confianza de las
soluciones finales y, por consiguiente, incrementar la
probabilidad de diferenciar soluciones.
 En el caso de la Pastelería Betty se corre el modelo para
cada una de las dos reglas de decisión y se comparan los
efectos sobre las ventas y las utilidades.
Resultados para 100 períodos
Se obtuvieron los siguientes resultados para una
simulación de 100 períodos:
Regla 1 Regla 2
Utilidades 749 810

Ventas 1687 1735
En esta comparación se utiliza exactamente la misma

demanda diaria generada para ambas reglas, para que
la comparación se haga sobre una base homogénea.
 En los estudios de simulación se requiere un
análisis de sensibilidad para probar la sensibilidad
de los resultados comparada con las suposiciones
de los datos de entrada.
 Por ejemplo, en el caso de la Pastelería Betty,
puede haber cierta incertidumbre respecto al costo
de $0,25.
 Si el costo fuera de $0,20 o $0,30 ¿afectaría la
regla de decisión preferida?
 Como parte del análisis, también debe hacerse la
investigación de otras reglas de decisión. Por ej.
vender el pan sobrante a $0,10 al día siguiente.
Análisis de Sensibilidad del
Precio de Costo
C = $0,20 C = $0,30
Regla 1 Regla 2 Regla 1 Regla 2
Utilidades 936 995 561 625
En este caso, se sigue prefiriendo la Regla 2.

Otros Análisis de Sensibilidad
 Como parte del proceso de toma de
decisiones, pueden realizarse ejercicios de
sensibilidad similares relacionándolos con
los precios y con la demanda.
 En muchos casos, los análisis de
sensibilidad son la parte más valiosa del
estudio puesto que dan a quien toma las
decisiones el “feeling” de la situación.
Otros Análisis de Sensibilidad
 En el caso de la Pastelería Betty deben
investigarse reglas de decisión adicionales.
 Por ej., considerar otros valores para la
regla de compra constante y buscar el
óptimo por tanteo (35, 38, 39, 40, etc.).
9 – Documentación del modelo,
sugerencias y conclusiones (1)
 Una vez realizado el análisis de los resultados, es
necesario efectuar toda la documentación del modelo.
 Esta documentación es muy importante pues permitirá
el uso del modelo generado en caso de que se
requieran ajustes futuros.
 Se requieren dos tipos de documentación para hacer un
mejor uso del modelo de simulación.
 La primera documentación es de tipo técnico,
orientada al Departamento de Computación.
 La segunda documentación se refiere al manual del
usuario, con el cual se facilita la interacción y el uso
del modelo desarrollado por medio del computador.
9 – Documentación del modelo,
sugerencias y conclusiones (2)
 En la documentación se deben incluir los supuestos del
modelo, las distribuciones de probabilidad asociadas a
sus variables, todos sus alcances y limitaciones y, en
general, la totalidad de las consideraciones de
programación.
 También es importante incluir sugerencias tanto del
uso del modelo como sobre los resultados obtenidos,
con el propósito de realizar un reporte más completo.
 Por último, deberán presentarse asimismo las
conclusiones del proyecto de simulación, a partir de
las cuales es posible obtener los reportes ejecutivos
para la presentación final.
10 - Implantación de los resultados (1)
 Al realizar la construcción del modelo, en
ocasiones se olvida que el estudio de
simulación no resulta útil sino hasta que tenga
algún impacto sobre la toma de decisiones.
 Esto significa que el resultado del estudio
debe ocasionar un cambio en la conducta o,
por lo menos, confirmar que las acciones del
presente son correctas.
 En este último caso, el estudio puede haber
evitado un cambio indeseable.
10 - Implantación de los resultados (2)
 La implantación, por lo tanto, exige que se
tomen en cuenta las reacciones conductuales de
quienes toman las decisiones y quienes
administran.
 En el caso de la Pastelería Betty, se prefiere la
Regla 2, la que por fortuna es la que tiene el
menor impacto conductual sobre el proveedor,
puesto que implica una compra de una cantidad
constante de pan cada día. O sea, es una regla
relativamente más fácil de implantar.
Carta Gantt de un
Estudio de Simulación
Actividad Tiempo
1 Definición del sistema bajo estudio
2 Formulación y diseño del modelo conceptual base
3 Recolección y análisis de datos
4 Implementación computacional del modelo
5 Verificación del modelo
6 Validación del modelo
7 Experimentación con el modelo
8 Interpretación de resultados y análisis de sensibilidad
Documentación del modelo, sugerencias y

9 conclusiones
10 Implantación de los resultados Permanente

Simulación con Incrementos
de Tiempo Variables
 La simulación con incrementos de
tiempo variables no se basa en períodos
constantes.
 En lugar de esto, se hace avanzar el
“reloj” de un evento al siguiente.
 Los principios para diseñar un modelo de
simulación de este tipo son exactamente
los mismos que los que se utilizan para
diseñar el modelo con incrementos de
tiempo fijos.
Distribución Estadística de las
Llegadas
 Las naves arriban al azar con un tiempo
promedio específico entre las llegadas.
 Las llegadas se describen de acuerdo con su
distribución estadística de llegada, que
puede especificarse de dos maneras:
– Llegadas por unidad de tiempo
– Distribución de tiempo entre llegadas
Teoría de Colas
 Si se presupone que las llegadas
ocurren a una velocidad promedio
constante y son independientes entre
sí, se presentan entonces de acuerdo
con la distribución de probabilidad de
Poisson.
 En este caso, la probabilidad de n
llegadas en el tiempo T está dada por
la fórmula:
Distribución de Poisson
donde:
= número promedio de
e  t
( t ) n llegadas por unidad de
p(n, t )  tiempo
n! t = período de tiempo
n  0,1, 2,... n = Nº de llegadas en el
tiempo t
p(n, t) = probabilidad de n
llegadas en el tiempo t
Ejemplo Distribución de Poisson
 Para saber la probabilidad de que dos
clientes (n=2) lleguen dentro de los 10
minutos siguientes, con = 20 clientes por
hora y T=1/6 de hora:
P(número de llegadas en 10 minutos = 2) =
 (20)(1/ 6)
 20 / 6 
2
e 0, 036*11,111
   0, 20
2! 2
Distribución Exponencial
 El segundo método para especificar las llegadas de
clientes es el tiempo que transcurre entre ellas.
 Si las llegadas de clientes siguen una distribución
de Poisson, entonces el tiempo entre llegadas se
distribuirá de acuerdo con la distribución
exponencial:
f (t )  e  t
; t  0,   0
 El tiempo transcurrido entre llegadas de clientes se
simula mediante una variable aleatoria continua
t ~E().
 Para simular el tiempo entre llegadas mediante el
Método de Monte Carlo, se utiliza el método de
la transformada inversa de la distribución de
probabilidad acumulada:
F (t )  1  e  t
; t  0,   0
donde:
t = tiempo que transcurre entre las llegadas
F(t) = probabilidad de que un nuevo cliente llegue dentro del tiempo t
 = número promedio de llegadas por unidad de tiempo.
1/ = tiempo promedio entre las llegadas.
 = número promedio de llegadas por unidad de tiempo.
Por ej.  = 1/6 clientes/día
1/ = tiempo promedio entre las llegadas.
Por ej. 6 días/cliente
Conforme aumenta el tiempo t, la probabilidad de que

haya ocurrido una llegada tiende a 1 asintóticamente.
Distribución Acumulada Inversa
 Se genera un Nº aleatorio 0 ≤ r ≤ 1 correspondiente a la
probabilidad acumulada F(t) (eje y).
 El valor de t correspondiente se determina a partir del inverso
de la función exponencial acumulada sobre el eje de las x.
 La ecuación inversa se obtiene despejando t en función de r en
la función acumulada, de la siguiente forma:
 t
r  F (t )  1  e
 t
1 r  e
ln(1  r )   t
t   1   ln 1  r 
Ejemplo Distribución Exponencial
 Si los clientes llegan a un banco con una rapidez
promedio de =20 clientes/hora y si un cliente
acaba de llegar, entonces la probabilidad de que el
siguiente llegue dentro de los siguientes 10
minutos (es decir t =1/6 de hora) es:
P(tiempo entre llegadas ≤ 1/6 hora) =

= 1- e -20*(1/6) = 0,964
Conforme aumenta el tiempo t, la probabilidad de que

haya ocurrido una llegada tiende a 1 asintóticamente.
Ejemplo de transformada inversa
 Se generan al azar varios valores de probabilidad
mediante números aleatorios 0 ≤ r ≤ 1 y se
sustituyen en esta ecuación.
 Por ejemplo, si r = 0,7, y el tiempo promedio es
de 6 días entre llegadas  =1/6 barcos/día:
t = -6 ln (1 - 0,7) = 7,22 días
 Esto significa que la llegada del siguiente barco
ocurrirá dentro de un tiempo t = 7,22 días.
 O sea:
P( x  7, 22 días)  70%
Distribución Uniforme
Para generar valores aleatorios uniformemente
distribuidos en el rango ~U(a, b) se utiliza la expresión:
Valor Aleatorio  a  r  b  a 
donde:
r = número aleatorio equiprobable ~U(0, 1)
a = límite inferior del rango
b = límite superior del rango
Propiedades estadísticas de la Distribución Uniforme ~U(a, b)
Media 
ab
Desviación Estándar 
 b  a
2 12
Diseño de Instalaciones Portuarias
 Se requiere diseñar instalaciones portuarias para
buques.
 Como los muelles son muy costosos, es
necesario decidir si se utilizará uno o dos
muelles en un puerto particular.
 El problema consiste en minimizar los costos de
espera de los barcos como también el tiempo
ocioso del muelle.
 Para resolver este problema, es necesario contar
con una distribución del tiempo de llegada de
los barcos.
Datos del Problema del Puerto
 El tiempo necesario para dar servicio a un buque es
de 5 días. Si  = tasa de servicio, entonces:
1/ = 5 días;  = 1/5 [barcos/día]
 El servicio en este caso involucra la descarga de la
nave y el reabastecimiento de combustibles en el
muelle.
 Tiempo promedio de 6 días entre llegadas:
1/ = 6 días;  = 1/6 [barcos/día]
Reglas de Operación del Muelle
 Quien llega primero se atiende primero (FIFO)
 En el caso de un solo muelle, si se encuentra
otro navío atracado cuando se presenta una
llegada, el nuevo barco se pone en línea de
espera.
 El barco en espera permanecerá ahí hasta que
termine el servicio del barco anterior.
 Como resultado, se calcula el tiempo de espera
de cada barco y el tiempo ocioso del muelle, de
existir.
Variables de estado
 Entrada al Servicio = Máximo (Tiempo de
Llegada; Término del Servicio Barco Anterior)
 Término del Servicio = Entrada al Servicio +

Tiempo en Servicio
 Tiempo de Espera del Barco = Entrada al

Servicio - Tiempo de Llegada
 Tiempo Ocioso del Muelle = Entrada al Servicio

- Término del Servicio Barco Anterior
Conclusiones
 Los pasos restantes para el uso de un
modelo orientado a los eventos, el diagrama
de flujo, programación, obtención de los
datos, validación, experimentación e
implantación, son exactamente iguales que
los del modelo de tiempo discreto de la
Pastelería Betty.
 Para este ejemplo podría simularse el
problema utilizando dos muelles y los
mismos tiempos de llegada de los buques.
 Así podrán compararse las
soluciones con un muelle y con dos.
 La decisión podría tomarse con base
en la diferencia de costos, tiempos de
espera y otros factores importantes.
 También podría considerarse que el
tiempo necesario para dar servicio a
un buque fuera variable, distribuido
normalmente con una media y
desviación estándar.
Bibliografía
• Schroeder, R. (1992). “Administración de
Operaciones”, México: McGraw-Hill
• García, E.; García, H. y Cárdenas, L. (2006).
“Simulación y Análisis de Sistemas con
ProModel”, México: Pearson Educación.
• Coss, R. (2000). “Simulación. Un enfoque
práctico”. México: Limusa.

Presentacion de Riesgos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Presentacion de Riesgos

Cargado por

Copyright:

Formatos disponibles

MODELOS DE

“Simulación es el proceso de diseñar y

“Simulación de un sistema (u organismo) es la

“La simulación consiste en construir modelos

“La simulación es una metodología de

“La Simulación es una técnica numérica para

“Simulación implica crear un modelo que aproxima

En particular, usaremos computadores para imitar

* La simulación hace posible estudiar y

* Con la simulación se pueden estudiar los

* La observación detallada del sistema que

* La simulación puede emplearse para

* La simulación puede emplearse para

Implementación Definición del problema

Decisión Formulación de alternativas

Análisis de alternativas Desarrollo de modelos

La simulación conforma una metodología

 Sistema: se puede definir como un conjunto de

 En este sentido, la pregunta clave es cuánto

 Físicos: por ejemplo el modelo de un avión

 Matemáticos: a este tipo pertenecen los

 Continuos: se caracterizan por representar la

 Discretos: se caracterizan por representar la

 Estáticos: suelen utilizarse para representar el

 Dinámicos: son aquellos en los que el estado del

 Determinísticos: las relaciones son constantes entre los

 Estocásticos: conocidos también como probabilísticos,

Si ya ha probado todo y no ha podido resolver un

a) Aunque muchos paquetes de software permiten obtener el

 Ulam estaba particularmente interesado en

1. Se recolectan datos empíricos del proceso

6. Posteriormente se debe validar que los

 Se seleccionará la mejor regla basándose en el

 Regla 1: 500 x 0,50 – 550 x 0,25 = $ 112,50

 Por lo tanto, la Regla 2 ofrece cierta mejoría

 Antes de concluir este paso es

 De manera paralela a la generación del modelo base,

 Luego es necesario realizar el análisis de los

 Si éste es el caso, el encargado de la simulación

 Después que se programa el modelo, deben obtenerse

 Con el modelo definido, el siguiente paso es

 En un principio, los programas de simulación se

 En el terreno práctico, es importante utilizar la

En la actualidad la selección del lenguaje o simulador depende

1. Los mercados primarios a los que atenderá la

6. El costo y el tipo de licencia otorgada, así

Algunas aplicaciones en el área de simulación disponibles

GPSS MAST Micro Saint Mystrategy NAG SMP Library

ShowFlow SIGMA SIMPROCESS SIMUL8 Simulink de Matlab

 Incluso podría darse el caso de que los

 El proceso de validación del modelo consiste en realizar una

 Cualquiera sea la situación, es importante

1. La opinión de expertos sobre los resultados de la

estado transitorio  estado estable

Utilidades 749 810

En esta comparación se utiliza exactamente la misma

Utilidades 936 995 561 625

En este caso, se sigue prefiriendo la Regla 2.

1 Definición del sistema bajo estudio

2 Formulación y diseño del modelo conceptual base

3 Recolección y análisis de datos

4 Implementación computacional del modelo

5 Verificación del modelo

6 Validación del modelo