UNIDAD 3 - PASO 4 - MODELAR Y SIMULAR

Julián Andrés Mosquera G

COD: 1113037067

GRUPO: 212026_30

TUTOR:

DIEGO EDIXON KARACHA RODRIGUEZ

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

MODELOS Y SIMULACIÓN
 Questionario modelos y simulacion

1.1. ¿Por qué a veces se le llama a la simulación una técnica de

último recurso?

La simulación no genera soluciones óptimas, ya que esta depende

directamente de los factores variables aleatorios, por esto no es la primera
técnica que se utilice para analizar los sistemas, usualmente se busca el
modelamiento con herramientas de optimización como modelos
determinísticos de programación lineal y otros.

1.2. ¿Qué papeles cumplen las pruebas de hipótesis estadística en

la simulación?

La validación estadística se hace a través de hipótesis inferenciales, las

cuales buscan identificar el comportamiento de los datos teniendo en cuenta
los parámetros que los rigen, es decir, caracterizar si estos son
independientes o si están relacionados, si son o no aleatorios, si entre una y
otra muestra provienen o no de la misma población global (homogeneidad)
y finalmente si se ajustan a algún tipo de comportamiento caracterizado
mediante bondad de ajuste, es decir, si tienen asociada una distribución de
probabilidad conocida o por encontrar.
1.3. ¿Qué determina la validez de un modelo de simulación?

EL nivel de ajuste respecto de la información recolectada, es decir, se toma

información de la realidad y el modelo tiene que ser capaz de producir
resultados tal cual lo hace el sistema real, para esto lo que se hace es
validar estadísticamente mediante pruebas de homogeneidad la respuesta
de los sistemas respecto a sus entradas. Cuando el modelo realmente
produce los resultados como lo hace el sistema real se puede decir que es
valido y esta listo para producir soluciones exploratorias mediante el análisis
de casos.

1.4. ¿Se debe usar una computadora para obtener información

adecuada de una simulación? Explique.

Para simular es necesario procesar un gran volumen de datos es por esto se

requiere de un equipo con potencia suficiente. Adicionalmente, las
herramientas mas potentes de simulación requieren asimismo un buen nivel
de memoria para el proceso y almacenamiento de datos, por esto se puede
decir que es necesario usar computadores para estas actividades.

1.5. ¿Qué métodos se usan para incrementar el tiempo en un

modelo de simulación? ¿Cómo funcionan?

El método dado por eventos se basa en la inicialización del reloj en cero y se

determinan los instantes en que sucederán los futuros eventos (todos o los
más inmediatos que puedan ocurrir). Adicionalmente, se avanza hasta el
instante del suceso más inminente de los futuros eventos, actualizando en
ese instante el estado del sistema dependiendo del evento de que se trate
(Si es necesario se ado, el método por pasos de tiempo, en donde se
incrementa en un delta de tiempo (∆t) las unidades tiempo, cada vez que se
incrementa tiempo se actualizan las variables de estado, comprobando si es
por eventos si alguno ha ocurrido en ese intervalo. Adicionalmente, los
eventos que hayan podido ocurrir en ese intervalo, se considera que ocurren
al final del intervalo, momento en que se actualizan las variables.

1.6. ¿Cuáles son las ventajas y desventajas de empezar una

simulación con el sistema vacío? ¿Y con el sistema en equilibrio?

El sistema vació tiene la ventaja que permite evaluar las condiciones de pre-
arranque o calentamiento del sistema para estudiar los fenómenos exógenos
que no suelen tenerse en cuenta dentro de un sistema, por ejemplo,
cambios de referencias, re inicio del sistema, etc. Pero en un análisis
completo tiene la desventaja que puede generar fluctuaciones anormales en
la información del sistema haciéndola parecer incorrecta.

Por su parte el sistema equilibrado es ideal para el análisis de las

condiciones normales del sistema, pues este está en operación constante, es
decir en las condiciones que permanece más tiempo y las de mayor interés,
sin embargo, no deja ver el comportamiento de fenómenos exógenos, es
decir, asume que todo se comporta siempre en equilibrio, lo cual no es
cierto.

1.7. Distinga entre las distribuciones matemáticas conocidas y las

distribuciones empíricas.

Una distribución matemática conocida es aquella que ya ha sido estudiada y

caracterizada, es decir se sabe a qué tipo de datos responde en la realidad y
como se define a través de una fórmula o función, mientras que la
distribución empírica es establecida desde una muestra que no se ajusta a
otra distribución y se desarrolla como una tabla de frecuencia de datos para
establecer en que porcentaje los datos podrían estar dentro de un rango.
Ejemplos de distribuciones matemáticas conocidas son: Normal,
exponencial, logarítmica, uniforme, binomial, chi cuadrado, T student,
Weibull, Gamma, Beta, Log Normal, Erlang, geométrica, Pareto, Pearson,
Poisson, triangular, etc.

1.8. ¿Qué información se necesita para una simulación con una

distribución matemática conocida?

Los parámetros que definen la función de distribución, es decir, las

características propias de la distribución matemática a la cual se asocian los
datos. Estos dependen netamente de cada distribución, para la normal son
la media y la desviación estándar, para la exponencial se requiere el factor
lambda, para la uniforme los límites inferior y superior, así sucesivamente
con cada distribución.

1.9. ¿Por qué es importante en la simulación la duración de la

ejecución?

Porque el tiempo es un factor clave en las operaciones de las empresas y

por ser tan valioso se requiere poder controlar el tiempo que dura la
ejecución del modelo para así identificar los comportamientos deseados que
se trasladan al sistema real.

1.10. ¿Una ejecución de 100 observaciones es dos veces más válida

que una de 50? Explique.

En general un volumen de datos más grande suele ser más completo que
uno pequeño, porque presenta un nivel más alto de confianza al generar
más información del sistema, sin embargo no es generalizable que el doble
de ejecuciones proporcionen el doble de validez, esto se debe a la misma
aleatoriedad de las observaciones de la información recolectada, tanto como
pueden ser mucho más veraces, pueden presentar datos atípicos seguidos.

Lo que se recomienda siempre es tener una fuente de información y base de

datos bien nutrida, pero en la estadística no necesariamente el doble de
información da el doble de certeza.

1.11. Describa que son los números aleatorios y como se utilizan en

la simulación.

Los números aleatorios son una representación codificada de los fenómenos

de la realidad de los cuales no se tiene control ni conocimiento real sobre la
forma de su ocurrencia, aun cuando se puede llegar a conocer su origen o
naturaleza. Esto quiere decir que son arreglos de números que no
responden a un orden o a parámetros establecidos.

Dentro de la simulación se utilizan para representar las condiciones reales,

que son cambiantes y no controlables.

Es importante decir que dentro de la mayor parte de sistemas no se generan

números aleatorios, sino pseudo aleatorios, los cuales son aleatorios hasta
un numero finito de iteraciones y luego repiten un ciclo, solamente que el
ciclo es tan largo que no parece influir en problemas que no alcanzan a
llegar a ese nivel de cierre del ciclo.

Los números realmente aleatorios provienen de la experimentación de los

fenómenos reales.
1.12. Investigue para la modelación las principales herramientas de
software utilizadas.

Para el contexto industrial se utilizan software como Promodel, Arena,

Flexim, entre otros, algunos datos adicionales se muestran a continuación:

• ARENA: Sirve para construir modelos de simulación en una amplia

variedad de campos; integra, en un ambiente fácilmente comprensible,
todas las funciones necesarias para el desarrollo de una simulación exitosa
(animaciones, análisis de entrada y salida de datos y verificación del
modelo). Arena cuenta con una excelente capacidad gráfica, ofrece gran
versatilidad, pues se puede modelar desde una fábrica automotriz hasta una
sala de espera de un hospital.

• FlexSim: Es un potente software de simulación, creado desde cero

para hacer que la simulación sea lo más fácil posible, sin sacrificar ni la más
mínima función o atractivo visual. Puedes crear modelos atractivos y
detallados que brindan resultados y, al mismo tiempo, tener un impacto de
una forma que las hojas de cálculo o los gráficos nunca podrían hacerlo, y
puedes hacerlo todo en solo minutos con los controles de arrastrar y soltar y
las funciones fáciles de usar.

• PROMODEL: Puedes simular Justo a Tiempo, Teoría de Restricciones,

Sistemas de Empujar, Jalar, Logística, etc. Una vez hecho el modelo, éste
puede ser optimizado para encontrar los valores óptimos de los parámetros
claves del modelo. Algunos ejemplos incluyen determinar la mejor
combinación de factores para maximizar producción minimizando costo,
minimizar el número de camiones sin penalizar el servicio, etc.
DYNAMO: Es el más clásico de materia de simulación dinámica de sistemas,
habiendo servido de referencia para otros paquetes informáticos respecto al
software de programación lineal. La gran mayoría de los modelos dinámicos
de sistemas que ha publicado la literatura científica especializada hasta hace
unos diez años han utilizado el lenguaje del programa DYNAMO. No
obstante, al no tratarse de un programa que funcione en entorno gráfico de
tipo Windows, ha ido cediendo posiciones en los últimos años a programas
con interfaces más amigables como los que se citaron al principio.

1.13. Del texto MODELADO Y SIMULACIÓN: APLICACIÓN A

PROCESOS LOGÍSTICOS DE FABRICACIÓN Y SERVICIOS, describa
cuales son las fases de un estudio y proyecto de simulación. El
archivo en Investigar en diferentes fuentes establecidas en el
syllabus orientado a la unidad 3. Las etapas de la simulación y hacer
una descripción de cada una de estas.

Las etapas de un proyecto de simulación se basan en la selección del

problema, la determinación de objetivos, el pre modelamiento (entender y
desarrollar el funcionamiento del modelo), la recolección de datos, el
procesamiento de los datos para depurarlos y limpiarlos, el análisis
estadístico de entrada, el modelamiento en simulador, la simulación, el
análisis de salida, la generación de escenarios, la propuesta de soluciones y
el reporte final.

1. Definir el problema, los objetivos y los requerimientos

No es suficiente expresar el problema en términos generales, como “¿Qué
tan grande debe ser el aeropuerto que se va a construir?”. Una declaración
más precisa del problema sería, por ejemplo: “¿cuántas pistas de aterrizaje
y de qué longitud serán requeridas para satisfacer la demanda estimada
para un viaje aéreo?”. En la medida en que el problema se formule de una
manera más precisa, la construcción del modelo se hará más sencilla.

Al inicio, es importante definir el problema entendiendo su contexto,

identificando los objetivos que definen la razón y el propósito para llevar a
cabo el proyecto de simulación.

Una forma de conocer el problema es saber más sobre el sistema que se

está investigando; por ejemplo, su capacidad actual de producción, las
medidas de desempeño actuales del sistema (utilización, tiempo de ciclo,
tiempo de espera, entre otros); conocer cuáles son las restricciones o
“cuellos de botella” y ver la factibilidad de alcanzar indicadores meta de
desempeño (adición de recursos, mejorar métodos, etcétera); qué variables
de decisión son más sensibles en el desempeño global del sistema. El
objetivo de la simulación debe ser realista y factible de ser ejecutado, y sus
requerimientos deben definirse en términos de recursos, tiempo y
presupuesto.

El proyecto de simulación será exitoso en la medida en que los objetivos

sean definidos en forma clara y las restricciones sean bien entendidas. La
simulación solo debería ser ejecutada cuando se hayan definido el o los
objetivos del proyecto y se haya determinado que la simulación es la
herramienta más conveniente para adquirir dichos objetivos. Durante la
ejecución del proyecto, es necesario regresar a los objetivos, para mantener
la atención enfocada en lo que es importante. Algunas veces los objetivos
cambian o se expanden durante el avance en la ejecución del proyecto.

2. Diseño del modelo conceptual

En esta etapa, el modelador debe traducir el sistema del mundo real en un
modelo conceptual. En el diseño del modelo conceptual se debe establecer la
lógica de las operaciones en el modelo en términos de los elementos
estructurales del sistema y del flujo de entidades que pasarán a través del
sistema. En este sentido, el modelador debe entender la estructura y las
reglas de operación del sistema que se investiga y ser capaz de extraer su
esencia, sus características importantes. En esta etapa se deben tomar en
cuenta aspectos como:

 En el modelo se pueden hacer suposiciones razonables.

 Los componentes que deben ser incluidos en el modelo y cuáles son
las interacciones posibles entre estos.
 La secuencia de operaciones.
 Los recursos en disputa por las entidades.
 Los alcances del modelo. El nivel de detalle que debe ser incluido en el
modelo depende de los objetivos planteados para el proyecto. En todo
caso, solo aquellos componentes que causan diferencias significativas
en la toma de decisiones deben ser considerados.
 Identifica los requerimientos de datos para cada componente del
modelo, por ejemplo, ‘atención al cliente’. Para un buen
entendimiento, los requerimientos de datos pueden ser proyectados,
con ellos se pueden considerar programas o Schedule, algoritmos y
controles requeridos para el modelo.
 Planeamiento de experimentos. Definir, en forma tentativa, el número
y la naturaleza de los escenarios o alternativas de configuración que
será evaluada.
 Determinar el formato de presentación de los resultados. Este aspecto
influye significativamente en el tiempo y el esfuerzo involucrado en el
estudio de simulación. Si se requiere un detallado nivel de animación o
si se espera un extenso reporte, entonces el proyecto se puede
prolongar por varias semanas extras después de que la etapa de
 experimentación haya concluido. En algunos casos se requiere como
resultado solo un valor, con el cual se verifica si el sistema es capaz de
alcanzar los requerimientos de niveles de producción o servicio; en
estos casos, un solo valor es suficiente. En otras situaciones se
requiere una completa documentación en la que se detallen todos los
objetivos, las fuentes de datos, las suposiciones, los procedimientos
de modelado, los experimentos, los análisis de resultados y las
recomendaciones.
 Una pauta para establecer la clase y la cantidad de información por
presentar es preguntar al tomador de decisiones qué decisión está
siendo respaldada por la simulación y los aspectos de fondo
involucrados; así, se focalizará en los ítems importantes y se proveerá
de efectiva visualización de información que facilite un adecuado
proceso de toma de decisiones. Algunas veces la animación de la
simulación puede ser efectiva para mostrar áreas congestionadas o
“cuellos de botella”; también la presentación de gráficas o esquemas.

3. Obtención y análisis estadístico de los datos

Una vez que en la etapa anterior se han identificado los requerimientos

de los datos, entonces se procede a su obtención para que sean utilizados
durante la etapa de construcción del modelo. Una inapropiada
especificación en el modelo nos conducirá a una pérdida irreversible de
tiempo y esfuerzo. Por ello, los datos deben ser obtenidos en forma
sistemática, clasificados y analizados estadísticamente.

Los datos que conciernen al sistema son los involucrados con su

estructura, con los componentes individuales existentes, las interacciones
entre los componentes y las operaciones del sistema. Los posibles
estados del sistema se establecen a partir de esta información.

4. Construcción del modelo de simulación

En esta etapa el modelador debe traducir el modelo conceptual en un
modelo de simulación que se prepara en la computadora y se basa en las
reglas del sistema seleccionado, por ejemplo, los software Arena,
ProModel, etcétera.

Un buen modelo no es aquel que necesariamente es real, pero sí lo

suficientemente útil. Un modelo es útil si tiene suficiente detalle y
exactitud para encontrar los objetivos de la simulación. El grado al cual el
modelo corresponde en detalle y exactitud al sistema actual está
asociado al nivel de fidelidad. Altos niveles de fidelidad requieren largos
desarrollos, depuraciones y tiempos de ejecución. Por ello, se recomienda
establecer un mínimo requerido de fidelidad para lograr los objetivos del
estudio. Se debe tener en cuenta que los modelos no tienen que incluir
todo el detalle necesario para que puedan ejecutarse. Mediante un
progresivo refinamiento estratégico puede adicionarse el detalle y no
todo a la vez. Esto posibilita que el modelo se ejecute rápido y sea fácil la
depuración de errores. En la etapa inicial, por ejemplo, no son necesarios
los gráficos muy atractivos, como sí lo serían en la presentación final del
modelo. En cuanto a la complejidad del modelo, se debe tomar en cuenta
que es mejor empezar con un modelo simple y adicionar complejidad, en
lugar de crear un modelo complejo enseguida. Es más fácil adicionar que
extraer complejidad al modelo.

5. Verificación del modelo

Mediante el proceso de verificación se determina si el modelo de

simulación construido refleja correctamente el modelo conceptual
diseñado. Es decir, después de haber terminado la construcción del
modelo es necesaria la comprobación, la confirmación de que el modelo
trabaja correctamente.
 Durante este proceso el modelador trata de detectar errores involuntarios
en el modelo (de datos, de lógica u otros) y eliminarlos. Es recomendable
investigar las regiones extremas de los parámetros de entrada, verificar
que sucedan las cosas correctas con entradas obvias y seguir la
secuencia lógica con las personas familiarizadas con el sistema. En esta
etapa se debe continuar con el proceso de depuración y refinación del
modelo, pero en una proporción menor que en la etapa de construcción.

6. Validación del modelo

Por medio de el proceso de validación del modelo se establece si el modelo

conceptual rediseñado refleja de forma correcta el sistema real. La
validación es un proceso racional en el que el modelador traza conclusiones
sobre la exactitud del modelo, con base en alguna prueba disponible. La
validez del modelo tiene interacción con si este corresponde al sistema real,
o si al menos representa con exactitud la data recolectada y las suposiciones
elaboradas con relación a la forma en que opera el sistema real. A lo largo
del proceso de creación del modelo, el modelador debería estar una y otra
vez comprometido con la validación del modelo. La recolección de pruebas
que determinan la validez del modelo es ampliamente hecha examinando la
composición del modelo y evaluando la información estadística que se recibe
del modelo. La composición del modelo (los algoritmos y las relaciones)
debería ser verificada para ver cuán cerca esta corresponde a la definición
presente del sistema.

7. Experimento de simulación, ejecución y análisis estadístico

En esta etapa se planea qué es lo que se desea saber. Mediante los

experimentos de simulación obtendremos las respuestas de una manera
precisa y eficaz.
En un experimento de simulación hay ciertas variables llamadas
“independientes” o “variables de entrada”, que pueden ser manipuladas o
variadas. Los efectos que causa esta manipulación en otras variables
denominadas “dependientes” o “variables de respuesta” son medidos. Las
variables independientes son manejadas o manipuladas en la
experimentación; se les llama también variables de decisión o variables
de experimento. Desde que el experimentador está interesado en
variables dependientes estas son llamadas variables de respuesta o
variables de desempeño.

Varios tipos de experimentos pueden ser conducidos usando simulación:

 Encontrando el desempeño esperado del diseño particular de un

sistema.
 Encontrando el valor óptimo para una variable de decisión.
 Encontrando la combinación óptima de valores para dos o más
variables de decisión.
 Determinando la sensibilidad del modelo de cambios en una o más
variables.
 Comparando alternativas en la configuración de sistemas.

El objetivo en la conducción de experimentos no es encontrar cuán bien

opera un sistema particular, sino tener suficiente conocimiento de cómo
mejorar el desempeño del sistema. Desafortunadamente, la información
obtenida de la simulación muy pocas veces identifica las causas de los
problemas, solo reporta el comportamiento sintomático del problema. Por
ejemplo, las actividades “cuello de botella” son usualmente identificadas
porque determinado proceso posee siempre una cola larga, comparadas
con los procesos cuyas colas están vacías. Esto es un síntoma de que
existe un “cuello de botella” en el sistema.
El conjunto de valores de cada indicador, que resulta de la ejecución del
experimento de simulación, sea de estado estable o transitorio, deberá
ser sometido a pruebas estadísticas de bondad de ajuste a la distribución
Normal, es decir, básicamente a las pruebas de Chi-cuadrado,
Kolmogorov-Smirnov y Anderson Darling. El objetivo de esta -prueba es
verificar que se aplica el Teorema del Límite Central (TLC) para el
indicador del estudio, es decir, que los N valores promedio que se logren
producto de las N réplicas forman un conjunto de valores que se ajustan
a una distribución de probabilidad Normal, y, por lo tanto, se podrá
realizar inferencia estadística al indicador.

En la conducción de un experimento de simulación el modelador debe

tener cuidado en la correcta interpretación de la información obtenida de
la ejecución de la simulación. A continuación, se presentan algunos
puntos para tomar en cuenta en el diseño del experimento de simulación.

Aspectos claves en el diseño del experimento de simulación:

 ¿Está el interés focalizado en analizar el comportamiento del estado

estable del sistema, o existe un determinado período de tiempo que
se desea medir?
 ¿Cuál es la mejor manera de asegurar que los resultados reflejen
solo el período de tiempo de interés y no sean influenciados por
otras condiciones, como las condiciones iniciales?
 ¿Cuál es el mejor método para obtener una muestra de
observaciones que pueden ser usadas para estimar el
comportamiento del modelo?
 ¿Cuál es la longitud apropiada para ejecutar la simulación?
 ¿Cuántas réplicas deben ser ejecutadas?
 ¿Cuántas secuencias de números aleatorios deben ser utilizadas en
el modelo?
  ¿Es factible realizar inferencia estadística con los valores obtenidos
de cada indicador (producto de las N réplicas) ?, ¿realmente se
ajustan a una distribución Normal?

Las respuestas a estas preguntas dependerán del grado de precisión

requerido del proyecto de simulación. Todos estos aspectos claves serán
desarrollados en forma detallada más adelante, en el capítulo
correspondiente al diseño del experimento de simulación, su ejecución y
análisis estadístico de los resultados.

4.8 Entrega de documentación y presentación de resultados

En esta etapa se hacen las recomendaciones para mejorar el sistema real
sobre la base de los resultados del modelo de simulación.

Estas recomendaciones deben ser alcanzadas mediante un informe o reporte

final, en el cual se adjunta la data utilizada, el desarrollo del modelo y los
experimentos ejecutados.

Los resultados deben ser presentados de forma que sean fáciles de evaluar;
la animación y las gráficas son muy útiles como ayuda para comunicar los
resultados del estudio de simulación.

Cuando se ha terminado la presentación y no hay más aspectos que

analizar, y si es aprobada, entonces está lista para la implementación. Si la
simulación ha sido adecuadamente documentada, esta proveerá buenas
especificaciones funcionales para el equipo de implementación.

REFERENCIAS
  Casanovas, J. (2014). Cómo mejorar la logística de su empresa
mediante la simulación. Ediciones Díaz de Santos. https://elibro-
net.bibliotecavirtual.unad.edu.co/es/lc/unad/titulos/62835

 Singer M. Una Práctica Teoría de La Optimización Lineal : Datos,

Modelos y Decisiones. Ediciones UC; 2013. Accessed August 18, 2020.
http://search.ebscohost.com.bibliotecavirtual.unad.edu.co/login.aspx?
direct=true&db=nlebk&AN=1725244&lang=es&site=eds-
live&scope=site

 Rodriguez, Diego. (04,12,2018). Modelos y Simulación. [Archivo de

video]. Recuperado de http://hdl.handle.net/10596/22524

OVI –Unidad 3 – Simulación de Sistemas de colas con un sólo canal

 Rodriguez, Diego. (04,12,2018). Modelos y Simulación. [Archivo de

video]. Recuperado de http://hdl.handle.net/10596/22525
 Guasch, A., Piera, M. À., & Casanovas, J. (2002). Modelado y
simulación: aplicación a procesos logísticos de fabricación y servicios.
Madrid, ES: Universitat Politècnica de Catalunya. Disponible en la
Biblioteca Virtual de la UNAD (pp.2-21). Recuperado de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/61422?page=1

https://www.ucursos.cl/usuario/b8c892c6139f1d5b9af125a5c6dff4a6/mi_blog/r/
Administracion_de_Operaciones_-_Completo.pdf