Introducción a la simulación de eventos discretos Rubén Medinaceli O.

INTRODUCCIÓN A LA SIMULACIÓN DE EVENTOS

DISCRETOS

Con el advenimiento de las computadoras, la simulación se ha constituido en una

herramienta importante para el diseño y el análisis de la operación de sistemas o procesos.

1. Definición
Algunas de las definiciones de simulación proporcionadas por ciertos autores son:
“𝑥 simula 𝑦” es una afirmación verdadera si y solo si, (a) 𝑥 y 𝑦 son sistemas formales, (b) 𝑦
es el sistema real, (c) 𝑥 es una aproximación al sistema real, y (d) las reglas de validación
en 𝑥 no están libres de error.

La simulación es el proceso de diseñar y desarrollar un modelo computarizado de un

sistema o proceso y conducir experimentos con este modelo con el propósito de entender
el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar
el sistema.
La simulación de un sistema es la operación de un modelo o simulador que es una
representación del sistema. El modelo puede ser sujeto de manipulaciones que serían
imposibles, muy caras o poco prácticas de efectuar en el sistema que representa. Se puede
estudiar la operación del sistema y a partir de ello inferir propiedades concernientes al
comportamiento del sistema.

De la definición anterior se puede entender que la simulación es una técnica utilizada para
resolver problemas o lograr objetivos, que exige la construcción de un modelo que describa
el sistema, la experimentación con dicho modelo, esperando que los resultados de los
experimentos permitan resolver el problema que se tiene.

Esto es,

1
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

SISTEMA

Problema
(Objetivo)

MODELO DEL
SISTEMA

EXPERIMENTACIÓN
CON EL MODELO
¿Solución?

Resultados

Análisis de
resultados

La última definición es muy amplia. En este tema se trabajará con una definición más
precisa de la simulación; para ello, se toman en cuenta las siguientes restricciones.

• Primero, los problemas a tratar serán similares a los considerados en áreas como
la investigación de operaciones, la industria, la economía.

• Segundo, los modelos estarán restringidos a modelos matemáticos o lógicos

solamente. Estos, describirán el comportamiento del sistema en el tiempo.

• Tercero, la experimentación con el modelo se efectuará en un computador digital.

2
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

• Cuarto, los experimentos tendrán lugar en periodos extensos de tiempo y bajo

condiciones dinámicas y estocásticas. Vale decir, los resultados no serán
necesariamente determinísticos.
Bajo las restricciones anotadas, la definición de simulación válida será la siguiente:
La simulación es una técnica numérica para efectuar experimentos en un computador
digital. Estos experimentos involucran ciertos tipos de modelos matemáticos y
lógicos que describen el comportamiento de sistemas vinculados a la investigación
de operaciones, la industria, la empresa, la economía; a través de periodos de tiempo
extensos.

2. Tipos de simulación
La manera de efectuar el seguimiento, en el tiempo, a los cambios en el estado de un
sistema representado por un modelo, lleva a la consideración de dos grandes categorías
dentro de la simulación de sistemas, en función a si los cambios son continuos o discretos.

2.1. Simulación continua

Se supone que en el sistema los cambios de estado son continuos, y se reflejan en cambios
continuos en los valores de las variables que representan el estado del sistema.

Los sistemas con cambios continuos son generalmente modelizados con ecuaciones
diferenciales o sistemas de ecuaciones diferenciales. La simulación con este tipo de
modelos es la llamada simulación continua. En realidad, la simulación continua se refiere
a la solución numérica de una ecuación diferencial o de un sistema de ecuaciones
diferenciales.

Recuerde el siguiente ejemplo,

Sistema: Sistema de suspensión de un vehículo

Problema: Establecer la relación que debe existir entre el factor de amortiguación (D) del
amortiguador, la rigidez del resorte (K) y la masa (M) de la rueda para eliminar la oscilación
de x.

3
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Carrocería

Resorte Amortiguador

x K D

Rueda

Camino

F(t)

Modelo: Un modelo de este sistema es la siguiente ecuación diferencial

𝑑2𝑥 𝑑𝑥
𝑀 2 +𝐷 + 𝐾𝑥 = 𝐾 𝑓(𝑡)
𝑑𝑡 𝑑𝑡

Tipo de simulación: Simulación continua

La simulación de este sistema se refiere a resolver numéricamente la ecuación diferencial.

Solución:

A continuación, se presenta la solución de dicha ecuación diferencial.

Dividiendo la ecuación por M, se tiene,

𝑑 2 𝑥 𝐷 𝑑𝑥 𝐾 𝐾
2 + + 𝑥= 𝑓(𝑡)
𝑑𝑡 𝑀 𝑑𝑡 𝑀 𝑀

Si,
𝐷
2𝜀𝜔 =
𝑀

y,

𝐾
𝜔2 =
𝑀

𝜀 es la razón o relación de amortiguación. Cuando el movimiento es oscilatorio, la

frecuencia de oscilación es determinada a partir de 𝜔 = 2𝜋𝑓, donde 𝑓 es el número de ciclos
por segundo.

4
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

La ecuación diferencial toma la siguiente forma:

𝑑2𝑥 𝑑𝑥
2 + 2𝜀𝜔 + 𝜔2 𝑥 = 𝜔2 𝑓(𝑡)
𝑑𝑡 𝑑𝑡

Expresada de esta forma, la ecuación diferencial admite soluciones en términos de la

variable 𝜔𝑡.

La siguiente figura muestra como varía 𝑥 en respuesta a una fuerza constante aplicada
cuando 𝑡 = 0

Las soluciones se muestran para varios valores de 𝜀 y se ve que cuando 𝜀 es menor a uno,
el movimiento es oscilatorio.

2,0
𝜀 = 0,1
𝜀 = 0,5

1,5

1,0

0,5
𝜀 = 1,0
𝜀 = 1,5

0 0,5 1,0 1,5 𝜔𝑡

Recuerde que,

𝐷
= 2𝜀𝜔
𝑀
Para que no exista oscilación se requiere que 𝜀 ≥ 1

De ser así,

𝐷
≥ 2𝜔
𝑀
𝐷
≥𝜔
2𝑀

𝐷2
≥ 𝜔2
4𝑀2

5
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Recuerde además que,

𝐾
𝜔2 =
𝑀

Por tanto,

𝐷2 𝐾
2 ≥
4𝑀 𝑀

4𝑀2
𝐷2 ≥ 𝐾
𝑀

𝑫𝟐 ≥ 𝟒𝑴𝑲

Esta es la relación que debe cumplirse para evitar la oscilación de 𝑥.

2.2. Simulación discreta o de eventos discretos

Los sistemas en los que los cambios son discretos; vale decir, ocurren en determinados
puntos del tiempo, son modelizados por ecuaciones expresadas como identidades y
relaciones lógicas que establecen las condiciones de ocurrencia de los eventos que
ocasionan los cambios en el estado del sistema. La simulación con este tipo de modelos es
la denominada simulación discreta o simulación de eventos discretos.

Recuerde el siguiente ejemplo:

Sistema: Sistema pala - volqueta

Escombros Pala cargadora Volqueta

6
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Punto de carguío

Pala cargadora

Volqueta

Punto de vaciado

Problema: Estimar el número óptimo de volquetas en el sistema.

Se entiende por óptimo en este caso, el número de volquetas que minimice los costos y
maximice la producción (movimiento de tierras) del sistema; vale decir, la pala debe estar
cargando volquetas permanentemente y las volquetas deben estar transportando
escombros todo el tiempo; en otras palabras, los tiempos de ocio del operador de la pala y
de los operadores de las volquetas deberían ser mínimos.

Modelo:

INICIO

fTC(.), fTV(.)

RELOJ=8:00
CLOCK=8:00
MINCLOK=24:00
I=0
A
I=I+1

B 7
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

(1)Generar TC (1)

RELOJ = RELOJ + TC

(2)
Generar TV

CLOCK = RELOJ + TV

MINCLOCK : CLOCK ˃

≤
MINCLOCK = CLOCK

≥
RELOJ : MINCLOCK

˂
FIN

Donde:

TC = Tiempo de carguío
TV = Tiempo de viaje
RELOJ = Reloj que marca la hora del sistema
CLOCK = Reloj que registra la hora de retorno de las volquetas
MINCLOCK = Hora más temprana de retorno
I = Contador de volquetas que ingresan al sistema

Tipo de simulación: Simulación discreta

8
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Simulación:

Para resolver el problema definido se requiere conocer el tiempo de carguío (TC) de una
volqueta y el tiempo de viaje (TV) de una volqueta (ida, vaciado y vuelta).

Se asumen los siguientes comportamientos para las variables señaladas:

Tiempo de carguío (minutos) 3 4

Probabilidad 0,4 0,6

Tiempo de viaje (minutos) 10 12 14 16

Frecuencia 0,3 0,3 0,2 0,2

(1) Generación de TC

3 min 4 min

0 0,4 1 r

(2) Generación de TV

10 min 12 min 14 min 16 min

0 0,3 0,6 0,8 1 r

La siguiente tabla muestra un experimento con el modelo:

RELOJ CLOCK r TC r TV MINCLOCK I

8:00 8:00 24:00 0
8:03 8:15 0,039 3 0,404 12 8:15 1
8:07 8:17 0,937 4 0,168 10 2
8:11 8:25 0,989 4 0,732 14 3
8:14 8:28 0,395 3 0,524 14 4
8:18 8:28 0,824 4 0,255 10 5

Nótese que el número óptimo de volquetas requeridas es igual a 5.

2.3. Aclaración

Se reitera que esta asignatura se centra en la simulación discreta o simulación de

eventos discretos.

9
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

3. La simulación como un proceso experimental

La simulación es una técnica experimental de resolución de problemas o logro de objetivos;

implica la necesidad de efectuar múltiples experimentos con un modelo de simulación, para
poder entender las relaciones de interés en el sistema y así resolver problemas o lograr
objetivos.

En la simulación, los experimentos con un modelo del sistema en estudio se realizan en un

computador.

En varios casos, los experimentos de simulación son la manera de obtener respuestas a

preguntas del tipo “¿qué pasaría sí?”, preguntas cuyo objetivo suele ser evaluar el impacto
de posibles alternativas o políticas que servirán de soporte a un proceso de toma de
decisiones sobre un sistema.

Inputs MODELO DE Outputs

SIMULACIÓN
(Alternativas, políticas) (Respuestas)

Experimentación

Los experimentos de simulación pueden constituirse en una herramienta de análisis de

sistemas para entender cómo opera un sistema existente, o cómo puede operar uno
propuesto.

La simulación, y el procedimiento experimental asociado, también se constituyen en una

herramienta de diseño de sistemas, cuyo objetivo es la construcción de un sistema que
satisfaga ciertas especificaciones.

4. Modelos de simulación frente a modelos analíticos

Los programas lineales, programas no lineales, modelos de inventario, modelos de líneas

de espera y otros, se consideran modelos analíticos.

Las dificultades inherentes a las soluciones de modelos analíticos pueden generalmente

ser superadas por la simulación.

Sin embargo, a pesar de su utilidad, la simulación no puede considerarse como una

herramienta capaz de resolver todo tipo de situaciones. La simulación de sistemas no es la
panacea.

La realización de un estudio de simulación puede implicar bastante esfuerzo y un consumo

de recursos nada despreciable; por ello, en ciertos dominios de aplicación, la simulación es

10
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

considerada como un último recurso; vale decir, se acude a la simulación cuando todo lo
demás falla.

Sin embargo, la simulación, por sus características y por las ventajas que presenta no solo
es el procedimiento más adecuado; en muchos casos, puede constituirse en la única
alternativa tecnológica.

El dilema modelos analíticos versus modelos de simulación debe resolverse en cada caso
particular, tomando en cuenta los objetivos del estudio, las características de los posibles
modelos, y otros aspectos inherentes.

La clave es la habilidad y capacidad para construir un modelo del sistema, si este es

analítico y los supuestos de modelización no obligan a simplificaciones que invaliden la
capacidad del modelo para responder a las cuestiones de interés que se plantearon sobre
el sistema, entonces la aplicación de un modelo analítico es suficiente.

Si con el uso de modelos analíticos los supuestos de modelización distorsionan el sistema

o si el retiro de algunos supuestos conduce a modelos analíticos de difícil o imposible
tratamiento matemático; entonces, posiblemente la simulación será la alternativa válida, si
no es la única posible.

En general, la simulación puede ser la única alternativa posible para investigar sistemas
complejos en los que están presentes elementos estocásticos que difícilmente pueden ser
tratados con la precisión adecuada en un modelo analítico.
Otro aspecto a favor de la simulación es que permite estudiar el comportamiento del sistema
en periodos de tiempo largos, periodos de tiempo que son comprimidos a la duración de un
experimento de simulación en un computador.
Sin embargo, es importante tomar en cuenta que la simulación entrega solamente
estimaciones de las características reales o verdaderas del sistema, lo que exige la
necesidad de diseñar adecuadamente los experimentos de simulación y repetirlos en
cantidad suficiente para garantizar la calidad de las estimaciones. La simulación no es un
método de optimización; únicamente permite seleccionar la mejor solución entre varias
soluciones posibles.
En particular, si un modelo analítico adecuado promete resultados exactos para las
características reales o verdaderas del sistema, éste será preferible a un modelo de
simulación.
Modelos de simulación y modelos analíticos no deben considerarse como antitéticos, en
muchos casos pueden ser complementarios.

11
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

5. Fundamento lógico de la simulación de sistemas

El fundamento lógico de la simulación de sistemas es el denominado método científico:

Método científico Simulación de sistemas

Observación Observación de un sistema
físico
Formulación de una Construcción de un modelo de
hipótesis simulación
Predicción Predicción del comportamiento
del sistema utilizando el
modelo de simulación
Experimentación para Experimentación con el
testear o probar la validez modelo de simulación para
de la hipótesis probar la validez del modelo de
simulación

6. Ventajas y desventajas de la simulación

Entre los argumentos a favor de la utilización de la simulación se encuentran los siguientes:

• La simulación es, con frecuencia, el único método posible para resolver sistemas
complejos en los que están presentes elementos estocásticos.

• La simulación permite estudiar un sistema cuya evolución es muy dilatada en el

tiempo (por ejemplo, un sistema económico) en un periodo de tiempo reducido.

La simulación no solo conlleva ventajas, también puede generar inconvenientes tales como:

• La simulación entrega solamente estimaciones de las características reales o

verdaderas del sistema, lo que exige la necesidad de diseñar adecuadamente los
experimentos de simulación y repetirlos en cantidad suficiente para garantizar la
calidad de las estimaciones. La simulación no es un método de optimización;
únicamente permite seleccionar la mejor solución entre varias soluciones posibles.

• Los modelos de simulación, por regla general, consumen una cantidad elevada de
recursos técnicos y humanos durante un tiempo prolongado.

• La gran cantidad de información que proporcionan los modelos de simulación, hace

que, a menudo, se confíe en exceso en los resultados que proporcionan. Si un
modelo de simulación no proporciona una representación válida del sistema real, la
información que suministra puede no ser válida y puede conducir a decisiones
erróneas.

La experiencia muestra una serie de errores en los que frecuentemente se incurre al realizar
un estudio de simulación. Entre ellos se puede destacar:

• No definir correctamente los objetivos del estudio (No entender el problema a

resolver o el objetivo a lograr).

12
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

• Construir un modelo de simulación con un nivel de detalle inadecuado del sistema.

• Tratar el estudio de simulación como si fuese esencialmente un ejercicio

complicado de programación computacional.

• Utilizar un software de simulación comercial que no expresa, de forma adecuada,

la lógica de funcionamiento del sistema.

• Emplear funciones de distribución de probabilidad distintas a las correspondientes

a los fenómenos reales que se quieren simular.

• Realizar un número de repeticiones menor al necesario y considerar significativos

los resultados obtenidos.

7. El procedimiento de la simulación de eventos discretos

A partir de ahora, se asume que el investigador ha decidido utilizar o al menos experimentar

con la simulación.

Para ser realistas, la decisión de utilizar o no la simulación como la técnica para resolver un
problema particular no es una tarea sencilla.

Al final dicha decisión descansa en tres consideraciones mayores: aplicabilidad, costo y

simplicidad.

Se debe utilizar la simulación si y solo si la respuesta a cada una de las siguientes tres
preguntas es afirmativa.

• ¿Hay una razonable certeza de que utilizando la simulación se obtendrá una

aproximación satisfactoria a la solución del problema?

• ¿Es la simulación el procedimiento de menor costo para resolver el problema?

• ¿Conduce la técnica de simulación en consideración a una relativamente fácil

comprensión de la técnica por aquellos que probablemente utilicen los resultados
de la simulación?

Desafortunadamente, rara vez es posible contestar a las tres preguntas antes de tener
acceso a los resultados de algunos experimentos de simulación. Por tanto, son necesarios
experimentos previos de simulación antes de decidir si se utilizará o no la simulación.

Como la simulación es un método alternativo para resolver problemas, la decisión sobre su

uso no es diferente de la decisión de utilizar cualquier otro modelo analítico como la
programación lineal, la teoría de colas, la programación dinámica u otros.

Si la simulación es capaz de ofertar soluciones a un problema particular que sean

significativas y relativamente fáciles de interpretar a un costo inferior que otros métodos, es
el método de análisis que se debe utilizar. Si estas condiciones no son cumplidas se debe
rechazar la simulación a favor de alguna otra alternativa más atractiva.

13
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Gran parte de los autores sugieren que la simulación de eventos discretos involucra un
procedimiento que consiste de los siguientes nueve elementos:

• Formulación del problema.

• Recolección y procesamiento de datos del mundo real.
• Construcción del modelo de simulación.
• Estimación de parámetros de las características de operación.
• Evaluación del modelo y de la estimación de parámetros.
• Implementación del modelo en un ordenador.
• Validación del modelo.
• Diseño de los experimentos de simulación.
• Análisis de los datos obtenidos en los experimentos de simulación.

Aunque el orden en el cual estos nueve pasos son implementados permanece como una
pregunta abierta. La siguiente figura sugiere un ordenamiento de los pasos mencionados,
que de acuerdo a varios autores ha dado razonablemente buenos resultados.

14
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Formulación del problema

Recolección y procesamiento de
datos del mundo real

Construcción del modelo de

simulación

Estimación de parámetros

Rechazar el modelo
Evaluación
del modelo

Aceptar el modelo

Implementación del modelo

en un computador digital

Validación

Experimentos de simulación

Análisis de resultados

15
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

8.1. Formulación del problema

Para ser efectivo, el problema a resolver (u objetivo a lograr) debe ser adecuadamente
formulado; para ello, el investigador o el analista necesita tener un elevado grado o nivel de
comprensión del problema.
Un problema o un objetivo puede ser formulado como:
• Una o varias preguntas que deben ser respondidas

• Una o varias hipótesis que deben ser probadas

• Efectos que deben ser estimados.

Si un problema (u objetivo) es formulado como una o varias preguntas a ser respondidas,
la(s) pregunta(s) debe(n) ser expresada(s) con un alto grado de detalle. Obviamente, no es
suficiente especificar las preguntas a ser respondidas; se debe especificar además criterios
para la evaluación de las posibles respuestas.
Por ejemplo,
Problema:
¿Cuál es el número óptimo de volquetas para el sistema (pala – volqueta)?
Criterio de evaluación:
Se entiende por óptimo, el número de volquetas que minimice los costos y maximice la
producción del sistema; vale decir, la pala debe estar cargando volquetas durante toda la
jornada y paralelamente las volquetas deben estar transportando escombros durante toda
la jornada.

Si un problema (u objetivo) es formulado como una o varias hipótesis a ser probadas, la(s)
hipótesis debe(n) ser formulada(s) de manera precisa. Se debe especificar, además, el o
los criterios de aceptación o rechazo de la(s) hipótesis.

Por ejemplo,

Problema:

El banco ALFA debe habilitar una segunda caja de atención a los clientes

Criterio de aceptación:

Aceptar la hipótesis si el tiempo promedio de espera de un cliente para recibir atención es

mayor a 15 minutos.

Finalmente, el problema o el objetivo puede estar vinculado a la estimación de los efectos

de ciertos cambios en parámetros, características de operación o en variables. En este
caso, se deben especificar por adelantado criterios de evaluación de los efectos.

16
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

8.2. Recolección y procesamiento de datos

Es el problema (u objetivo) que define los datos requeridos. Con la formulación del problema
(u objetivo) en mano, se debe elaborar un detalle de la información o los datos requeridos.

Puede ocurrir que algunos datos no sean accesibles o definitivamente no puedan ser
logrados; este hecho puede obligar a reformular (no cambiar) el problema (u objetivo) a
resolver, o en caso extremo inclusive a rechazar el uso de la simulación.

8.3. Construcción del modelo de simulación

Para ser útil, un modelo debe necesariamente encarnar elementos de dos atributos
conflictivos: realismo y sencillez.

Por un lado, el modelo debe ser una razonable aproximación al sistema real e incorporar la
mayoría de los aspectos importantes del sistema. Por otro lado, el modelo no debe ser tan
complejo que sea imposible entender el mismo y manipularlo. Desafortunadamente, los
modelos realísticos son rara vez simples y los modelos simples son rara vez realísticos.

Un completo conocimiento del comportamiento en el tiempo del sistema que está siendo
analizado por parte del analista o el investigador, es un requisito indispensable para la
construcción de un modelo de simulación válido; que resuelva el problema formulado. Este
comportamiento debe ser reflejado, de inicio, en un modelo conceptual del sistema; este
modelo conceptual es un gráfico que identifica con claridad los eventos que producen
cambios en el estado del sistema e incluir una secuencia de estos eventos.

El siguiente es un modelo conceptual correspondiente al sistema pala-volqueta descrito

líneas arriba y en el cual el problema se refiere a estimar el número óptimo de volquetas en
el sistema para maximizar la producción y minimizar costos.

17
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

RELOJ=8:00 RELOJ=8:03
TC=3min RELOJ=8:07
TC=4min
RELOJ=8:11
TC=4min RELOJ=8:14
TC=3min
RELOJ=8:18
TV=16 min TV=10 min TC=4min

CLOCK=8:17 TV=16min
CLOCK=8:19 I=2 TV=12min
I=1 TV=14min

CLOCK=8:27 CLOCK=8:26
I=3 I=4

CLOCK=8:32
I=5

A hrs. 8:18 ya habrá

retornado al punto de
carguío la volqueta 2.
Por ello no se requieren
Más volquetas en el
sistema

Además, la construcción de modelos de simulación discreta o de eventos discretos incluye

dos aspectos adicionales:
• La especificación de variables y parámetros.

• La especificación de relaciones funcionales.

8.3.1. Variables y parámetros

Las variables en un modelo de simulación se clasifican en variables exógenas, variables de

estado y variables endógenas
Las variables exógenas son las variables independientes o variables de entrada del
modelo, son variables que introducen información al modelo.
Las variables endógenas son las variables dependientes, variables respuesta, variables
de salida del sistema, variables que reflejan los resultados de un experimento de
simulación.
Las variables de estado son las utilizadas dentro del modelo; estas variables interactúan
con ambas, las variables exógenas y las variables endógenas del sistema, en función de
las relaciones funcionales asumidas para el sistema.

18
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Los parámetros son variables con cuyos valores es posible manipular y controlar los
experimentos de simulación.
La siguiente figura refleja la clasificación de las variables de un modelo de simulación.

MODELO DE SIMULACIÓN

Variables Variables
exógenas Variables de estado endógenas

Parámetros

Relaciones funcionales

8.3.2. Relaciones funcionales

Las relaciones funcionales expresan la interacción entre las variables del modelo e incluyen
identidades y características de operación. Las identidades y las características de
operación son utilizadas para replicar el comportamiento del sistema.
Las identidades son ecuaciones o expresiones tautológicas y relacionan las variables
exógenas y las variables de estado a las variables endógenas.
Las características de operación caracterizan a las variables exógenas; éstas pueden ser
determinísticas o aleatorias; las variables aleatorias son caracterizadas por funciones de
distribución o de densidad de probabilidad o por curvas de frecuencia acumulada.
Si una o más variables exógenas son aleatorias, las variables endógenas también serán
aleatorias.

8.3.3. Supuestos

Se ha señalado que un modelo de simulación es una abstracción del sistema real y refleja
su comportamiento en el tiempo. Se ha dicho también, que, para ser útil, un modelo de
simulación debe necesariamente encarnar elementos de dos atributos conflictivos: realismo
y sencillez. Por un lado, el modelo debe ser una razonable aproximación al sistema real e
incorporar la mayoría de los aspectos importantes del sistema. Por otro lado, el modelo no
debe ser tan complejo que sea imposible entender el mismo y manipularlo.
Desafortunadamente, como ya se ha afirmado anteriormente, los modelos realísticos son
rara vez simples y los modelos simples son rara vez realísticos.
Para lograr que el modelo sea una aproximación razonable del sistema, se hace necesario
asumir hechos que faciliten la construcción de un modelo y no distorsionen
significativamente el sistema. Estos supuestos deben posibilitar la construcción de un
modelo de simulación razonablemente sencillo.
Experimentar con un modelo que distorsiona significativamente la realidad, impedirá
obtener resultados que sirvan para resolver el problema real.

19
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

8.3.4. El modelo de simulación

El modelo para simular un sistema discreto generalmente se expresa en términos de una

secuencia detallada (flujograma) de los eventos que producen cambios en el estado del
sistema; incluye variables, identidades, características de operación. Esta secuencia debe
ser presentada de tal forma que pueda ser entendida por potenciales usuarios; debe reflejar
nítidamente el comportamiento del sistema en el tiempo y posibilitar el registro de todos los
cambios que se produzcan en el sistema.
La versión final del modelo de simulación debe contar con una memoria; esto es, una
descripción bloque por bloque del modelo para facilitar su comprensión y uso.
Tal como se dijo anteriormente, un modelo de simulación presenta, en general, la siguiente
forma,

Inicio

(1)
STC(.), STV(.)

RELOJ=8:00 (2)
CLOCK=8:00
MINCLOK=24:00
I=0
A
(3)
I=I+1

(1)Generar TC (4)

RELOJ = RELOJ + TC (5)

(6)
Generar TV

CLOCK = RELOJ + TV (7)

20
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

(8)
MINCLOCK: CLOCK ˃

≤
MINCLOCK = CLOCK
(9)

(10)
≥
RELOJ: MINCLOCK

I (11)

˂
Fin

Donde:

Variables exógenas

TC = Tiempo de carguío
TV = Tiempo de viaje

Variables de estado

RELOJ = Reloj que marca la hora del sistema

CLOCK = Reloj que registra la hora de retorno de las volquetas
MINCLOCK = Hora más temprana de retorno

Variables endógenas

I = Contador de volquetas que ingresan al sistema

El modelo corresponde al sistema pala-volqueta descrito líneas arriba y en el que el

problema a resolver es el número óptimo de volquetas en el sistema para maximizar la
producción y minimizar los costos.
Una memoria del modelo diría lo siguiente,

21
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

El bloque (1) introduce al modelo las curvas de frecuencia acumulada del tiempo de carguío
de una volqueta y el tiempo de viaje de una volqueta. El bloque (2) inicializa las variables
de estado y la variable endógena. El bloque (3) inicia la simulación, entra la primera volqueta
al sistema y luego las restantes. El bloque (4) genera un tiempo de carguío de la volqueta
y el bloque (5) actualiza el reloj del sistema. El bloque (6) genera el tiempo de viaje de la
volqueta y el bloque (7) actualiza el reloj que registra la hora de retorno de las volquetas al
punto de carguío. Los bloques (8) y (9) actualizan la hora más temprano de retorno. El
bloque (10) decide si hay necesidad de ingresar más volquetas al sistema y el bloque (11)
imprime el número óptimo de volquetas que deben ingresar al sistema.
A continuación, van algunos comentarios válidos de diferentes autores sobre la
construcción de modelos de simulación.
Muchos autores consideran que la construcción de modelos de simulación es más un arte
que una ciencia. Aun cuando las herramientas utilizadas por un constructor de modelos de
simulación difieren de aquellas que utilizan artistas como escultores o pintores, este factor
no descalifica completamente a un analista de sistemas de ser considerado un artista.
Se asume que el analista de sistemas posee sólidos conocimientos de estadística
matemática, teoría de probabilidades, algebra de matrices, ecuaciones diferenciales,
programación matemática, econometría y otras disciplinas; sin embargo, el trabajo de
construir modelos de simulación de sistemas particulares requiere otras competencias
vinculadas al talento de un artista.
El proceso de observar un sistema real, formular una o más hipótesis acerca de cómo
trabaja el sistema y luego reducir las hipótesis a un nivel de abstracción que permita la
formulación de modelos de simulación que describen el comportamiento del sistema, de
ninguna manera es una tarea directa.
Una primera consideración en la construcción de modelos de simulación se refiere a la
cantidad de variables que el modelo debería incluir. Una recomendación básica es que el
número de variables sea el estrictamente necesario para lograr los objetivos de la
simulación.
Una segunda consideración se refiere a la complejidad del modelo. Por un lado, puede
argumentarse que los sistemas reales siempre son complejos y; por tanto, los modelos que
dicen describir su comportamiento deben necesariamente ser complejos. Hasta cierto
punto, esto es real; sin embargo, ningún analista quiere llegar al extremo de construir
modelos tan complejos cuya solución sea imposible. En general, el investigador está
interesado en la formulación de modelos de simulación que proporcionen descripciones o
predicciones razonables sobre el comportamiento del sistema en estudio.
Una tercera consideración se refiere a la validez o al nivel de realismo del modelo.
¿describe el modelo adecuadamente el sistema de interés? ¿Ofrece el modelo buenas
predicciones sobre el comportamiento del sistema en el futuro? A no ser que la respuesta
a una o ambas preguntas sea “si”, el valor del modelo se reduce considerablemente y la
simulación llega a ser meramente un ejercicio de lógica deductiva.
Las señaladas son algunas propiedades deseables para un modelo de simulación, o al
menos un conjunto de factores que el analista de sistemas debe tener en mente.
Desafortunadamente, estas propiedades deseables representan metas altamente
idealizadas que rara vez se cumplen en el tratamiento de problemas del mundo real.

22
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Aquí, también es necesario enumerar algunas de las potenciales dificultades que quienes
construyen modelos de simulación posiblemente encuentren en su esfuerzo por describir el
comportamiento de un sistema en el tiempo.
Primero, puede ser simplemente imposible cuantificar o medir algunas de las variables que
afectan el comportamiento del sistema.
Segundo, algunas de las variables exógenas importantes pueden no ser conocidas.
Tercero, algunas de las relaciones entre las variables exógenas y las variables endógenas
del modelo pueden no ser conocidas e imposibles de obtener.
Cuarto, en muchos casos las relaciones entre las variables exógenas y las variables
endógenas pueden ser tan complejas que las mismas no pueden ser expresadas a través
de una o más ecuaciones matemáticas.

8.4. Estimación de los parámetros de las características de

operación

Una vez recolectados los datos requeridos y caracterizadas las variables exógenas, se
pudo haber decidido que los comportamientos aleatorios de algunas de las variables
exógenas sean expresados por determinados modelos probabilísticos. En estos casos,
corresponde efectuar la estimación de los parámetros de estos modelos (media, varianza y
forma) y probar la validez estadística de las estimaciones obtenidas, efectuar pruebas de
bondad de ajuste y otras.

A continuación, se presenta un ejercicio vinculado a buscar un modelo probabilístico para

datos pertenecientes a alguna variable exógena.

Ejercicio

Problema:

Se han medido los siguientes tiempos (en minutos) entre llegadas de buses a la nueva
terminal de buses de la ciudad de Oruro,

Tiempos entre llegadas (minutos)

0 13 4 11 9 1 2 2
2 2 6 5 5 2 6 1
16 3 25 3 6 10 1 6
20 3 2 30 14 1 39 3
7 1 35 7 5 10 18 16

Buscar un modelo probabilístico para estos tiempos.

Solución:

Inicialmente, se obtiene la tabla de distribución de frecuencias de los valores medidos.

23
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Intervalo de clase Frecuencia Frecuencia

Límite Límite relativa
Inferior superior
0,00 7,00 26 0,650
7,01 14,00 6 0,150
14,01 21,00 4 0,100
21,01 28,00 1 0,025
28,01 35,00 2 0,050
35,01 42,00 1 0,025
𝛴 40 1,000

Luego, se dibuja el histograma correspondiente,

𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎
𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑎

0,6

0,5

0,4

0,3

0,2

0,1

0 7 14 21 28 35 42 𝑇𝑖𝑒𝑚𝑝𝑜
(𝑚𝑖𝑛𝑢𝑡𝑜𝑠)

La forma de este histograma sugiere una distribución exponencial para el tiempo entre
llegadas.

Se conoce que el estimador de máxima verosimilitud de la media de la distribución

exponencial es igual a la media de la muestra; vale decir,

40
̂
1 1 0 + 13 + 4 + 11 + ⋯ + 10 + 18 + 16
= 𝑋̅ = ∑ 𝑋𝑖 = = 8,8 = 9 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜃 𝑛 40
𝑖=1

Seguidamente, se efectúa la correspondiente prueba de bondad de ajuste. En este caso se

recurre a la prueba 𝐾 − 𝑆. Esto es,

24
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

1.

𝐻0 : Los tiempos entre llegadas de buses a la terminal de Oruro siguen una distribución
exponencial con una media igual a 9 minutos
𝐻0 : Los tiempos entre llegadas de buses a la terminal de Oruro no siguen una
Distribución exponencial con una media igual a 9 minutos

2.

𝛼 = 0,05

3.

Estadístico de prueba:

𝐷 = |𝑆𝑋 (𝑥) − 𝐹𝑋 (𝑥)|

Criterio de rechazo de H0

𝑓𝐷 (𝑑)

Rechazar H0 si dmax > 0,21

α = 0,05

D0 = 0,21 𝐷

El valor D0 se ha obtenido de la tabla que para este propósito fue expuesta en el tema
referido a la generación de variaciones estocásticas.

4.

En el caso de la distribución exponencial,

𝑓𝑋 (𝑥) = 𝜃𝑒 −𝜃𝑥 ; 𝑥 ≥ 0

𝐹𝑋 (𝑥) = 1 − 𝑒 −𝜃𝑥

Además,

1
𝜃= = 0,11
9

Consecuentemente, por ejemplo,

25
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

𝐹𝑋 (7) = 1 − 𝑒 −0,11(7) = 0,53

𝐹𝑋 (14) = 1 − 𝑒 −0,11(14) = 0,79

Y, así sucesivamente,

Intervalo de clase Frecuencia Frecuencia Frecuencia Función de

Límite Límite Acumulada Acumulada Distribución
Inferior superior Relativa Acumulada
𝑺𝑿 (𝒙) 𝑭𝑿 (𝒙) 𝒅 = |𝑺𝑿 (𝒙) − 𝑭𝑿 (𝒙)|

0,00 7,00 26 26 0,65 0,53 0,12

7,01 14,00 6 32 0,80 0,79 0,01
14,01 21,00 4 36 0,90 0,90 0,00
21,01 28,00 1 37 0,92 0,95 0,03
28,01 35,00 2 39 0,97 0,99 0,02
35,01 42,00 1 40 1,00 1,00 0,00

𝑑𝑚𝑎𝑥 = 0,12

5.

Para α = 0,05
ACEPTAR H0
→ Los tiempos entre llegadas de buses a la terminal de Oruro siguen una
distribución exponencial con una media igual a 9 minutos

De igual manera, algunas identidades que relacionan las variables exógenas con las
variables de estado y las variables endógenas pueden estar expresadas, por ejemplo, a
través de ecuaciones de regresión; en cuyo caso, corresponde también proceder a la
estimación de los parámetros de estas ecuaciones y probar la validez estadística de las
estimaciones obtenidas.

8.5. Evaluación del modelo

Una vez que se ha construido el modelo de simulación y se han estimado los parámetros
de las características de operación, se debe tener un primer juicio de valor sobre la validez
del modelo construido.

Este paso representa la primera etapa de prueba del modelo de simulación. En esta etapa,
el interés primario se refiere a verificar básicamente las variables y las relaciones
funcionales.

En esta etapa, es prioritario contestar a las siguientes preguntas:

• ¿Se han incluido algunas variables exógenas no pertinentes, en el sentido que éstas
contribuyen muy poco en la predicción de las variables endógenas?

• ¿Falta incluir una o más variables exógenas importantes para una buena predicción
de las variables endógenas?

26
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

• ¿Se han formulado adecuadamente las relaciones funcionales entre las variables
del modelo?

• ¿Se ha estimado apropiadamente los parámetros de las características de

operación del sistema?

• ¿Son las estimaciones de los parámetros del modelo estadísticamente

significativas?

• Con base en cálculos manuales, ¿son coherentes los valores de las variables
endógenas del modelo proporcionados por los experimentos de simulación con los
valores históricos de las mismas?

Se debe ir al siguiente paso del procedimiento, si y solo si las respuestas a estas seis
preguntas son satisfactorias (no a las primeras dos preguntas y si a las cuatro restantes).
De otra manera, se debe repetir los pasos previos hasta que las respuestas a estas
preguntas sean satisfactorias.

Obviamente, esta evaluación debe ser efectuada por un par.

8.6. Implementación del modelo en un computador digital

Los experimentos de simulación se llevan a cabo en un computador. Por ello, luego de

haber sido aceptado el modelo de simulación, éste debe ser implementado en un
computador. Para el efecto se puede recurrir a un lenguaje de programación de propósito
general o, en su caso, a un lenguaje de propósito específico; vale decir, un lenguaje de
simulación.
Entre los lenguajes de programación de propósito general se puede mencionar a los
siguientes: Java, Python, PHP, C++, C#, C, Matlab
Entre los lenguajes de simulación, corresponde mencionar a los siguientes: GASP, SLAM,
SIMSCRIPT y GPSS entre los más importantes.
GASP es un lenguaje de simulación orientado a eventos, consiste en más de treinta (30)
subrutinas, cada una de las cuales ejecuta una actividad requerida de simulación.
SLAM es un lenguaje de simulación orientado a eventos y procesos. La orientación a
eventos es similar a la de GASP.
SIMSCRIPT es un lenguaje de simulación orientado a procesos o eventos, es considerado
como el más potente de los lenguajes de simulación.
GPSS es un lenguaje orientado a procesos, particularmente ajustables a sistemas de líneas
de espera.
Entre los simuladores de sistemas discretos, destacan: PROMODEL, ARENA, DYNAMO.
PROMODEL es un simulador de procesos industriales, permite simular cualquier tipo de
proceso de manufactura, además de procesos logísticos, procesos de manejos de
materiales y contiene excelentes simulaciones de talleres, grúas viajeras, cintas
transportadoras, etc.

27
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

ARENA es un simulador bastante flexible y especializado en sistemas de líneas de espera.

DYNAMO es un simulador especializado en sistemas de inventario.
Una de las decisiones más importantes que debe tomar un analista para la realización de
un estudio de simulación, es la selección del lenguaje de programación que va a utilizar.
Algunas de las ventajas de programar el modelo de simulación en un lenguaje de simulación
en lugar de hacerlo en un lenguaje de propósito general son las siguientes:
• Los lenguajes de simulación proporcionan automáticamente muchas, sino todas,
las características necesarias para la programación de un modelo de simulación, lo
que redunda en una reducción significativa del esfuerzo requerido para programar
el modelo.

• Proporcionan un marco de trabajo natural para el uso de modelos de simulación.

Los bloques básicos de construcción del lenguaje son mucho más afines a los
propósitos de la simulación que los de un lenguaje de propósito general.

• Los modelos de simulación son mucho más fácilmente modificables cuando están
escritos en un lenguaje de simulación, y por consiguiente se pueden ejecutar con
mayor facilidad y flexibilidad los cambios requeridos por los experimentos de
simulación.

• Facilitan una mejor detección de los errores, especialmente los inherentes a la

lógica del proceso de simulación.
Sin embargo, un lenguaje de simulación podría obligar a supuestos que invalidan el modelo.

8.7. Validación del modelo de simulación

Validar un modelo de simulación es equivalente a acreditar un modelo de simulación, vale

decir, a certificar que el modelo hace lo que los objetivos del estudio que se está realizando,
exigen del modelo.
Sin embargo, el problema de validar un modelo de simulación es, verdaderamente, muy
difícil porque involucra una serie de complejidades prácticas, teóricas, estadísticas e
inclusive filosóficas.
En general, dos pruebas, de naturaleza estadística, parecen apropiadas para la validación
de modelos de simulación.
Primero, cuan bien se comportan los valores simulados de las variables endógenas
comparados con datos históricos, si se dispone de éstos.
Segundo, cuan coherentes son las predicciones del modelo de simulación comparadas con
el comportamiento del sistema real.

8.8. Experimentos de simulación

En la realización de experimentos de simulación con un modelo del sistema implementado

en un computador, se sugiere el uso de elementos relacionados con el diseño experimental.

28
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

La idea básica es lograr resultados estadísticamente confiables con el menor número

posible de experimentos.

8.9. Análisis de los resultados de la simulación

El paso final del procedimiento de la simulación de sistemas se refiere al análisis de los

resultados proporcionados por los experimentos de simulación. El análisis es
fundamentalmente estadístico; se espera que este análisis permita dar respuestas a las
preguntas incluidas en la formulación del problema; o en su caso, permita aceptar o
rechazar las hipótesis incluidas en la formulación del problema.
En otras palabras, el análisis de resultados debe brindar una solución al problema que se
desea resolver en el sistema estudiado.
El siguiente gráfico, resume el procedimiento descrito.
Validación

SISTEMA
Datos

Problema
Supuestos Solución al
problema

MODELO DE
SIMULACIÓN

Variables de estado Variables Análisis de

Variables endógenas resultados
exógenas

Experimentación

29
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

9. Ejemplo

Problema:

ALFA es un banco pequeño ubicado en la zona sud de la ciudad de Oruro. Atiende

solamente el pago de servicios (luz, agua, gas, telefonía). Para el efecto cuenta con un solo
cajero y atiende en dos turnos: mañanas (de 10:00 a 12:00) y tardes (de 14:00 a 16:00), de
lunes a viernes.

Ante algunos reclamos de los clientes expresando su molestia por el tiempo que deben
esperar para recibir el servicio, el gerente del banco está considerando la posibilidad de
habilitar una segunda caja en el banco.

SIMULAR el sistema y averiguar si el banco ALFA debe habilitar una segunda caja.

Solución:

Habiéndose decidido utilizar la simulación como herramienta de análisis para resolver el

problema planteado, se seguirá el procedimiento sugerido líneas arriba.

1. Formulación del problema

En el presente caso, se recurrirá a una hipótesis para formular el problema que se tiene.

Hipótesis:

El banco ALFA debe habilitar una segunda caja para atender a sus clientes.

Criterio de aceptación de la hipótesis:

Se aceptará la hipótesis si el tiempo promedio de espera de un cliente en el banco para ser

atendido es mayor a 15 minutos.

(Posteriormente se explicará el origen de los 15 minutos)

2. Recolección de datos

Se ha definido que la información requerida, inicialmente, para la solución del problema

está referida a:

• El tiempo entre llegadas de clientes al banco.

• El tiempo de servicio (tiempo que tarda el cajero en atender a un cliente)
• El tiempo de tolerancia de un cliente (el tiempo que un cliente puede tolerar esperar
en el banco para recibir atención)

El tiempo entre llegadas de clientes al banco, ha sido cronometrado directamente en el

banco; se han registrado las horas de llegada de los clientes al banco y a partir de estos
registros se han obtenidos los tiempos entre llegadas (si el primer cliente llega a hrs. 10:03
y el segundo lo hace a hrs. 10:08, el tiempo entre llegadas es igual a 5 minutos y así
sucesivamente). Los tiempos registrados se resumen en la siguiente tabla:

30
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Tiempo entre llegadas de clientes (minutos) 5 10 15

Frecuencia 20 35 45

El tiempo de servicio o atención por parte del cajero a los clientes también ha sido medido
directamente en el banco; se han registrado la hora a la que el cliente ingresa a la caja y la
hora a la que el cliente deja la caja, a partir de estos registros se han obtenido los tiempos
de servicio (si un cliente ingresa a la caja a hrs.10:03 y abandona la caja a hrs. 10:13, el
tiempo de servicio es igual a 10 minutos; y así sucesivamente) . La siguiente tabla muestra
un resumen de los tiempos registrados:

Tiempo de servicio o de atención al cliente (minutos) 10 15 20

Frecuencia 100 50 50

Para conocer el tiempo de tolerancia de los clientes; vale decir, el tiempo que ellos tolerarían
esperar para recibir el servicio, se aplicó una encuesta escrita a 50 clientes. Se les preguntó
cuánto tiempo ellos tolerarían esperar para ser atendidos; se plantearon tres tiempos (10,
15 y 20 minutos). La siguiente tabla resume las respuestas recibidas:

Tiempo de tolerancia (minutos) 10 15 20

Frecuencia 15 30 5

3. Construcción del modelo de simulación

Se han identificado y ordenado los siguientes eventos que producen cambios en el estado
del sistema para de esta manera reflejar el comportamiento del sistema.

El resultado es el siguiente modelo conceptual que será muy útil a la hora de construir el
modelo de simulación,

31
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Modelo conceptual:

Llega
un
cliente
client
e

Si ¿Cajero
El cliente va a la
línea de espera ocupado?

No
El cliente recibe
el servicio

Tomar al primer El cliente

cliente de la abandona
línea de espera el banco

¿Hay clientes
Si
en la línea de
espera?

No

Cajero libre
(descansando)

Para rechazar o aceptar la hipótesis que formula el problema, el modelo debe estimar el
tiempo promedio de espera de un cliente en el banco.

Variables exógenas:

• 𝑎𝑡 =Tiempo entre llegadas de clientes al banco (minutos)

• 𝑠𝑡 = Tiempo de servicio a un cliente en caja (minutos)

Variables de estado:

• 𝑟𝑒𝑙𝑜𝑗 = Reloj del sistema, registra la hora de llegada de un cliente al banco.

(reloj en minutos solamente)
• 𝑟𝑒𝑙𝑜𝑗1 = Reloj que registra la hora de salida de un cliente del banco.
(reloj en minutos solamente)
• 𝑤𝑡 = Tiempo de espera de un cliente en el banco (minutos)
• 𝑠𝑢𝑚𝑤𝑡 = Tiempo acumulado de espera (minutos)

32
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

• 𝑖𝑑𝑡 = Tiempo de descanso del cajero (minutos)

• 𝑠𝑢𝑚𝑖𝑑𝑡 = Tiempo acumulado de descanso del cajero (minutos)
• 𝑖 = Contador de clientes que han sido atendidos en el banco

Variables endógenas

• 𝑎𝑤𝑡 = Tiempo promedio de espera de un cliente en el banco (minutos)

• 𝑎𝑖𝑑𝑡 = Tiempo promedio de descanso del cajero por cliente (minutos)

Parámetros:

• 𝑠𝑖𝑚𝑡 = Tiempo de simulación (minutos)

Características de operación:

El tiempo entre llegadas de clientes al banco (𝑎𝑡) es una variable aleatoria; un cliente llega
al banco cuando puede. De igual manera, el tiempo de atención a un cliente (𝑠𝑡) es una
variable aleatoria, los clientes pagan uno o más servicios y lo pueden hacer por ellos o
incluir los servicios de allegados.

Cada una de estas variables aleatorias será caracterizada ya sea por un modelo
probabilístico o por la correspondiente curva de frecuencia acumulada. Obviamente, si las
variables exógenas son aleatorias, las variables endógenas también serán aleatorias.

Identidades:

𝑟𝑒𝑙𝑜𝑗 = 𝑟𝑒𝑙𝑜𝑗 + 𝑎𝑡
𝑤𝑡 = 𝑟𝑒𝑙𝑜𝑗1 − 𝑟𝑒𝑙𝑜𝑗; 𝑠𝑖 𝑟𝑒𝑙𝑜𝑗 < 𝑟𝑒𝑙𝑜𝑗1
𝑖𝑑𝑡 = 𝑟𝑒𝑙𝑜𝑗 − 𝑟𝑒𝑙𝑜𝑗1; 𝑠𝑖 𝑟𝑒𝑙𝑜𝑗 ≥ 𝑟𝑒𝑙𝑜𝑗1
𝑠𝑢𝑚𝑤𝑡 = 𝑠𝑢𝑚𝑤𝑡 + 𝑤𝑡
𝑠𝑢𝑚𝑖𝑑𝑡 = 𝑠𝑢𝑚𝑖𝑑𝑡 + 𝑖𝑑𝑡
𝑟𝑒𝑙𝑜𝑗1 = 𝑟𝑒𝑙𝑜𝑗 + 𝑠𝑡; 𝑠𝑖 𝑟𝑒𝑙𝑜𝑗 ≥ 𝑟𝑒𝑙𝑜𝑗1
𝑟𝑒𝑙𝑜𝑗1 = 𝑟𝑒𝑙𝑜𝑗 + 𝑤𝑡 + 𝑠𝑡; 𝑠𝑖 𝑟𝑒𝑙𝑜𝑗 < 𝑟𝑒𝑙𝑜𝑗1
𝑖=𝑖+1
𝑎𝑤𝑡 = 𝑠𝑢𝑚𝑤𝑦 ÷ 𝑖
𝑎𝑖𝑑𝑡 = 𝑠𝑢𝑚𝑖𝑑𝑡 ÷ 𝑖

Supuestos:

• Todos los clientes que llegan al banco esperan hasta recibir el servicio
• La modalidad de servicio es FIFO, el primero que llega es el primero en ser atendido.
(FIFO, first in, first out); vale decir, no hay clientes preferenciales.
• El banco está obligado a atender a todos los clientes que llegaron al banco hasta la
hora de cierre del banco.

33
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Modelo de simulación:

INICIO

simt = ______ (1)

(2)
Curvas de frecuencia
acumulada de at y st

(3)
i=0
reloj = 0; reloj1 = 0
sumwt = 0; sumidt = 0
A
Generar r (4)
Obtener at

Generar r (5)
Obtener st

(6)
reloj = reloj + at

(7) > (16)

reloj : simt awt = sumwt / i

≤ (17)
aidt = sumidt / i
< (8) ≥
reloj : reloj1 (18) Awt
(caja ocupada) (caja libre) aidt

wt = reloj1 - reloj idt = reloj – reloj1

(9) (12)
FIN
sumwt =sumwt + wt (10) Sumidt =sumidt + idt (13)

reloj1 = reloj + wt + st (11) reloj1 = reloj + st (14)

i=i+1 (15)

34
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

El bloque (1) define el tiempo de simulación. El bloque (2) introduce al modelo las curvas
de frecuencia acumulada del tiempo entre llegadas de clientes y del tiempo de servicio al
cliente. Algunas de las variables son inicializadas en el bloque (3). En el bloque (4) se
genera un tiempo entre llegadas de un cliente y en el bloque (5) su correspondiente tiempo
de servicio. El bloque (6) actualiza el reloj que registra la hora de llegada de los clientes al
banco. En el bloque (7) se averigua si la simulación ha terminado o no. El bloque (8) permite
averiguar si el cajero está libre o está ocupado. Si el cajero está ocupado, en los bloques
(9), (10) y (11) se cuantifica el tiempo de espera del cliente, se acumula este tiempo y se
actualiza el reloj que registra la hora de salida del cliente de la caja. Si el cajero está libre,
en los bloques (12), (13) y (14) se calcula el tiempo de descanso del cajero, se acumula
este tiempo y se actualiza el reloj que registra la hora de salida del cliente de la caja. El
bloque (15) actualiza el número de clientes atendidos. En los bloques (16) y (17) son
calculados los valores de las variables endógenas.

4. Estimación de parámetros

Se obtienen las curvas de frecuencia acumulada del tiempo entre llegadas y del tiempo de
servicio.

Tiempo entre llegadas de clientes:

Tabla de frecuencias

Tiempo Frecuencia Frecuencia Frecuencia Frecuencia

entre relativa acumulada acumulada
llegadas relativa
𝒂𝒕
(minutos)
5 20 0,20 20 0,20
10 35 0,35 55 0,55
15 45 0,45 100 1,00

35
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Curva de frecuencia acumulada relativa

Frecuencia acumulada
Relativa 1,00
1,0

0,8

0,6 0,55

r = 0,453
0,4

0,20
0,2

5 10 15 at = tiempo entre llegadas

(minutos)
at = 10 minutos

Tiempo de servicio a los clientes:

Tabla de frecuencias

Tiempo Frecuencia Frecuencia Frecuencia Frecuencia

de relativa acumulada acumulada
servicio relativa
𝒔𝒕
(minutos)
10 100 0,50 100 0,50
15 50 0,25 150 0,75
20 50 0,25 200 1,00

36
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Curva de frecuencia acumulada relativa

Frecuencia acumulada
Relativa 1,00
1,0

0,8 0,75

r = 0,623
0,6
0,50

0,4

0,2

10 15 20 st = Tiempo de servicio
(minutos)
st = 15 minutos

Tiempo de tolerancia del cliente para esperar:

De la encuesta aplicada, se puede observar que la mayoría de los encuestados manifiesta

que podría esperar hasta 15 minutos en el banco para recibir atención. Por ello, en el criterio
de aceptación de la hipótesis, se toma en cuenta este tiempo.

5. Evaluación del modelo

Pregunta Respuesta
¿Se han incluido algunas variables exógenas no pertinentes, en el sentido que No
éstas contribuyen muy poco en la predicción de las variables endógenas del
sistema?
¿Falta incluir una o más variables exógenas que probablemente afecten el No
comportamiento de las variables endógenas del sistema?
¿Se han formulado adecuadamente las relaciones funcionales entre las variables Si
endógenas y las variables exógenas del modelo?
¿Se ha estimado apropiadamente los parámetros de las características de Si
operación del sistema?
¿Son las estimaciones de los parámetros del modelo estadísticamente Si
significativas?
Con base en cálculos manuales, ¿son coherentes los valores teóricos de las Si (*)
variables endógenas del sistema comparados con los valores históricos o actuales
de las variables endógenas?

(*) Esta respuesta está basada en la simulación manual que se muestra a continuación:

37
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Simt = 120 (minutos)

𝒊 𝒓𝒆𝒍𝒐𝒋 𝒓𝒆𝒍𝒐𝒋𝟏 𝒔𝒖𝒎𝒘𝒕 𝒔𝒖𝒎𝒊𝒅𝒕 𝒓 𝒂𝒕 𝒓 𝒔𝒕 𝒘𝒕 𝒊𝒅𝒕

0 0 0 0
1 5 15 5 0,039 5 0,104 10 5
2 20 30 10 0,937 15 0,168 10 5
3 35 50 15 0,989 15 0,732 15 5
4 50 60 15 0,800 15 0,395 10 0
5 60 70 15 0,255 10 0,385 10 0
6 70 90 15 0,328 10 0,955 20 0
7 75 105 15 0,095 5 0,597 15 15
8 80 125 40 0,180 5 0,816 20 25
9 85 135 80 0,187 5 0,533 15 40
10 95 145 120 0,442 10 0,175 10 40
11 110 165 155 0,737 15 0,920 20 35
12 120 175 200 0,462 10 0,159 10 45
125 0,062 5 0,075 10

𝒂𝒘𝒕 = 200/12 = 17 (minutos)

𝒂𝒊𝒅𝒕 = 15/12 = 1 (minuto)

Los resultados obtenidos en la simulación manual son coherentes con la realidad, todos los
tiempos generados y los calculados son positivos. Es más, si el tiempo promedio de espera
de un cliente para recibir el servicio es alto (17 minutos en el presente caso) el tiempo de
descanso promedio por cliente del cajero tiende a cero (0) (1 minuto en el presente caso).

6. Implementación del modelo de simulación en un computador digital

En el presente caso se ha recurrido al Matlab para implementar el modelo de simulación

en un computador digital. El listado es el siguiente:

38
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

1 %Este programa simula el comportamiento del banco ALFA

2- i=0
3- reloj=0
4- reloj1=0
5- sumwt=0
6- sumidt=0
7- %Definir el tiempo de simulación
8- simt=120
9- while reloj<=simt
10- %Generar tiempos entre llegadas
11- x=rand
12- if x>=0,55
13- at=15
14- elseif x>=0,20
15- at=10
16- else
17- at=5
18- end
19- %Generar tiempos de servicio
20- y=rand
21- if y>=0,75
22- st=20
23- elseif y>=0,50
24- st=15
25- else
26- st=10
27- end
28- reloj=reloj+at
29- if reloj<reloj1
30- wt=reloj1-reloj
31- sumwt=sumwt+wt
32- reloj1=reloj+wt+st
33- else
34- idt=reloj-reloj1
35- sumidt=sumidt+idt
36- reloj1=reloj+st
37- end
38- i=i+1
39- end
40- disp(‘El tiempo promedio de espera de un cliente es:’)
41- awt=round (sumwt/i)
42- disp(‘El tiempo promedio de descanso del cajero es:’)
43- aidt=round (sumidt/i)
44- %Fin del programa

El primer corrido para un tiempo de simulación de 2 horas (simt = 120 minutos), arrojó el
siguiente resultado:

39
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

El tiempo promedio de espera de un cliente es:

awt

20

El tiempo promedio de descanso del cajero es:

aidt

7. Validación del modelo de simulación

El modelo construido en este ejemplo es relativamente sencillo, Los siguientes elementos
validan el mismo:

• Tanto la simulación manual como la simulación utilizando un computador señalan

que, en el transcurso de una mañana, el tiempo promedio de espera de un cliente
para recibir el servicio está en el orden de los 20 minutos; y coherentemente, el
tiempo promedio de descanso del cajero por cliente tiende a cero (alrededor de un
minuto). Este hecho valida el modelo en cuanto a su precisión.

• El tiempo promedio de espera (superior a la capacidad de tolerancia de la mayoría

de los clientes) justifica el reclamo de los clientes. Esto valida que los resultados de
la simulación son coherentes con los datos históricos.

8. Experimentos de simulación
La naturaleza del problema planteado exige llevar adelante varios experimentos con el
modelo implementado en un computador.
Por esta razón, se ha repetido el experimento 15 veces, el tiempo de simulación en todos
los experimentos fue igual a dos horas (120 minutos), equivalente al tiempo de atención del
banco ALFA ya sea en la mañana (10:00 a 12:00) o en la tarde (14:00 a 16:00).
Es importante anotar que Matlab utiliza la misma secuencia de números aleatorios en cada
experimento; vale decir, que siempre se obtiene la misma respuesta. Por ello, en el marco
del Matlab es importante cambiar la semilla de la secuencia de números aleatorios para
cada experimento (función rng).
Los resultados obtenidos se resumen en la siguiente tabla:

𝒂𝒘𝒕 20 17 22 22 18 16 14 18 21 22 18 16 16 15 20
𝒂𝒊𝒅𝒕 2 1 2 2 1 1 0 2 1 2 1 1 2 0 2

40
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

9. Análisis de los resultados de la simulación

Recuerde que el problema fue formulado recurriendo a la siguiente hipótesis:

Hipótesis:

El banco ALFA debe habilitar una segunda caja para atender a sus clientes.

Criterio de aceptación de la hipótesis:

Se aceptará la hipótesis si el tiempo promedio de espera de un cliente en el banco para ser

atendido es mayor a 15 minutos.

Tal como se puede observar en el cuadro arriba se han obtenido resultados ligeramente
diferentes en los 15 experimentos. El análisis estadístico en este caso se reduce a probar
la siguiente hipótesis:

1. H0: µ = 15
H1: µ > 15

2. α = 0,05

3.

Estadístico de prueba:

𝑋̅ − 𝜇
𝑇= ~ 𝑡𝑛−1
𝑆
√𝑛

Criterio de rechazo de H0:

𝒇𝑻 (𝒕)

Rechazar H0, si tcalculado > 1,761

α = 0,05

𝑇 ~𝑡𝑛−1 ~ 𝑡14
t0 =1,761
4.

Inicialmente, se obtiene la media y la desviación estándar de la muestra:

41
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

15
1
𝑥̅ = ∑ 𝑥𝑖 = 18 (𝑚𝑖𝑛𝑢𝑡𝑜𝑠)
𝑛
𝑖=1

𝑛
1
𝑆=√ ∑(𝑥𝑖 − 𝑥̅ )2 = 3 (𝑚𝑖𝑛𝑢𝑡𝑜𝑠)
𝑛−1
𝑖=1

Por tanto,

18 − 15
𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = 3,87
3
√15

5.

Para α = 0,05
Rechazar H0 → Aceptar H1
→ µ > 15

Consecuentemente, se acepta la hipótesis que señala que el banco debe habilitar una
segunda caja para atender a sus clientes.

42
Introducción a la simulación de eventos discretos Rubén Medinaceli O.

Ejercicio propuesto
La Panadería TRIGAL de la ciudad de Oruro tiene una demanda diaria de pan que se
comporta de acuerdo a los siguientes datos:

Demanda diaria de pan (número de panes) 8400 9600 10800 12000 13200
Frecuencia 10 15 50 15 10

La harina que la panadería utiliza para elaborar el pan es proporcionada directamente por
MOLINOS SAN MIGUEL cuya producción diaria de harina varía de acuerdo a los siguientes
datos:

Producción diaria de harina (quintales) 5 6 7 8 9

Frecuencia 10 20 40 60 70

El rendimiento de cada quintal de harina es de 1200 panes. La panadería elabora pan con
toda la harina que recibe del proveedor. Si en un determinado día no logra vender todos los
panes que ha hecho, entrega el sobrante de manera gratuita a algunos asilos de la ciudad.

SIMULAR EL SISTEMA Y ESTIMAR:

• El número de días por semana que la Panadería no satisface la demanda.

• El número de días por semana que la Panadería entregará el pan sobrante a los
asilos de la ciudad.
• La cantidad de pan entregado en una semana a los asilos de la ciudad
• La demanda insatisfecha en una semana (en número de panes).

Seguir todos los pasos señalados en el presente tema.

43