You are on page 1of 27

6.

1 PROCESO DE SIMULACION

SIMULACIN Y TOMA DE DECICIONES.
Con el advenimiento de la computadora, una de las ms importantes herramientas
para realizar el diseo y operacin de sistemas o procesos complejos es la
simulacin.
Aunque la construccin de modelos arranca desde el Renacimiento, el uso
moderno de la palabra simulacin data de 1940, cuando los cientficos Von
Neuman Y Ulam que trabajaban en el proyecto Monte Carlo, durante la segunda
Guerra Mundial, resolvieron problemas de reacciones nucleares cuya solucin
experimental sera muy cara y el anlisis matemtico demasiado complicado.
Con la utilizacin de la computadora en los experimentos de simulacin, surgieron
incontables aplicaciones y con ello, una cantidad mayor de problemas tericos y
prcticos. En estas notas, se intenta por consiguiente, investigar y analizar cierto
nmero de aplicaciones importante de simulacin de las reas economa,
administracin de negocios, ingeniera industrial e sistemas computacionales
investigacin de operaciones, as como tambin sugerir algunos mtodos
alternativos para resolver algunos problemas tericos y prcticos que surgen al
efectuar simulaciones reales.
DEFINICIN DE SIMULACIN.
Se ha empezado a utilizar la palabra simulacin sin haber dado una definicin de
ella. Por consiguiente, antes de proseguir con este tema, sera conveniente
describir algunas de las definiciones ms aceptadas de y difundidas de la palabra
simulacin. Tomas H. Naylor (1977), la define as:
Simulacin es una tcnica numrica para conducir experimentos en una
computadora digital, los cuales requieren ciertos tipos de modelos lgicos y
matemticos que describen el comportamiento de un negocio o un sistema
econmico (o algn componente de ellos) en periodos extensos de tiempo real.
La definicin anterior est hecha en un sentido muy amplio, pues puede incluir
desde una maqueta, hasta un sofisticado programa de computadora. En sentido
ms estricto, Masiel y Gnugnoli, definen simulacin como:
Simulacin es una tcnica numrica para realizar experimentos en una
computadora digital. Estos experimentos involucran ciertos tipos de modelos
matemtematicos y lgicos que describen el comportamiento de sistemas de
negocios, econmicos, sociales, industriales, biolgicos fsicos y qumicos a travs
de largos perodos de tiempo.
Otros estudiosos del tema como Robert E. Shannon (1988), definen simulacin
como:
Simulacin es el proceso de disear y desarrollar un modelo computarizado de un
sistema o proceso y conducir experimentos con este modelo con el propsito de
entender el comportamiento del sistema o evaluar varias estrategias con las
cuales se puede operar el sistema.
Para los que prefieren una definicin estrictamente formal, la propuesta por West
Churman puede resultar satisfactoria, ya que admite las ambigedades e
inconsistencias inherentes al uso actual de la palabra y define la simulacin como
[Boni, 1963]:
Se dice que x simula a y si y slo si:
a) x y y son sistemas formales;
b) y se considera como el sistema real;
c) x se toma como una aproximacin del sistema real;
d) las reglas de validez en x no estn exentas de error.
Las definiciones anteriores no especifican si los sistemas modelados son
continuos o discretos. Se desprende entonces que, existe la simulacin de
sistemas dinmicos continuos y discretos.
SIMULACIN COMO UNA TECNICA PARA SOLUCIONAR
PROBLEMAS.
Simulacin, es una forma de realizar experimentos en la computadora, la cual
ayuda a las empresas a realizar la simulacin de un proyecto para ver si valdr la
pena desarrollarlo en la empresa. A continuacin listamos algunos de los aspectos
ms importantes que se tienen que tomar en cuenta, cuando se desea llevar a
cabo un experimento de simulacin, en la toma de decisiones.
La simulacin hace posible estudiar y experimentar con las complejas
interacciones que ocurren en el interior de un sistema dada, ya que sea en una
empresa, industria, economa o un subsistema de cualquiera de ellas.
A travs de la simulacin se puede estudiar los efectos de ciertos cambios
informativos, de organizacin y ambientales, en la operacin de un sistema, al
hacer alteraciones en su modelo y observar los efectos de stas en el
comportamiento del problema.
La observacin detallada del sistema que se est simulando, conduce a un
mejor entendimiento del mismo y proporciona sugerencias para mejorarlo.
La experiencia que se adquiere al disear un modelo de simulacin en una
computadora, puede ser ms valiosa que la simulacin en s misma. El
conocimiento que se obtiene al disear un estudio de simulacin sugiere,
frecuentemente, cambios en el sistema en cuestin. Los efectos de estos cambios
pueden probarse, entonces, a travs de la simulacin, antes implantarlos en el
sistema real.
La simulacin de sistemas complejos puede producir un valioso y profundo
conocimiento acerca de cuales variables son ms importantes que otras en el
sistema y cmo ellas obran entre s.
La simulacin puede emplearse para experimentar con situaciones nuevas
acerca de las cuales tenemos poca o ninguna informacin, con el objeto de estar
preparados para alguna eventualidad.
La simulacin puede servir como una prueba de preservicio para ensayar
nuevas polticas y reglas de decisin en la operacin de un sistema, antes de
tomar el riesgo de experimentar con el sistema real.
Las simulaciones son valiosas algunas veces, ya que proporcionan una forma
conveniente de dividir un sistema complicado en subsistamos, cualesquiera de los
cuales puede ser modelado por un analista o un equipo de expertos en esta rea.
Para ciertos tipos de problemas estocsticos, la secuencia de los eventos
puede ser muy importante, pues La informacin acerca de los valores esperados y
de los momentos, puede ser suficiente para describir el proceso. En estos casos
los mtodos de Monte Carlo pueden constituir la nica forma satisfactoria de
obtener la informacin requerida.
Las simulaciones de Monte Carlo pueden realizarse para verificar soluciones
analticas.
La simulacin permite estudiar los sistemas dinmicos, ya sea en tiempo real,
tiempo comprimido o tiempo expandido.
Cuando se presentan nuevos componentes de un sistema, la simulacin puede
emplearse para ayudar a descubrir los obstculos y otros problemas que resultan
de la operacin del sistema.
ETAPAS PARA REALIZAR UN ESTUDIO DE SIMULACIN.
La mayora de los autores de libros sobre simulacin, opinan que loa pasas
necesarios para llevar a cabo un experimento de simulacin son:
Definicin del sistema. Para tener una definicin precisa del sistema que se desea
simular, es necesario hacer primeramente un anlisis del mismo, con el fin de
determinar la interaccin del sistema con otros sistemas, las restricciones del
sistema, las variables que interactan 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.
Formulacin del modelo. Una vez que estn definidos con exactitud los resultados
que se esperan obtener del estudio, el siguiente paso es definir y construir el
modelo con el cual se obtendrn los resultados deseados. En la formulacin del
modelo es necesario definir todas las variables que forman parte de l, sus
relaciones lgicas y los diagramas de flujo que describan en forma completa al
modelo.
Coleccin de datos. Es posible que la facilidad de obtencin de algunos datos o la
dificultad de conseguir otros, pueda influenciar el desarrollo formulacin 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. Normalmente, la informacin requerida por un modelo se puede
obtener de registros contables, de rdenes de trabajo, de rdenes de compra, de
opiniones de expertos y si no hay otro remedio por experimentacin.
Implementacin del modelo en la computadora. Con el modelo definido, el
siguiente paso es decir si se utiliza algn lenguaje de propsito general, como
Fortran, Basic, Pascal, C/C++, Visual Basic, Visual C++, o Delphi, etc. o software
de propsito particular, como GPSS, GPSSH, PROMODEL SIMFACTORY, SLAM
I, y II, MICROMANAGER, etc., para procesarlo en la computadora y obtener los
resultado resultados deseados.
Validacin. Una de las principales etapas de un estudio de simulacin es al
validacin. A travs de esta es posible detallar deficiencias en la formulacin del
modelo. Las formas ms comunes de validar un modelo son: - La opinin de
expertos sobre los resultados de la simulacin. -La exactitud con que se predicen
datos histricos. -La precisin en la prediccin del futuro. - La comprobacin de
falla del modelo de la persona que har uso de los resultados que arroje el
experimento de simulacin.
Experimentacin. La experimentacin con el modelo se realiza despus de que ha
sido validado. La experimentacin consiste en generar los datos deseados y en
realizar anlisis de sensibilidad de los ndices requeridos.
Interpretacin. En esta etapa del estudio, se interpretan los resultados que arroja
la simulacin y basndose en esto se toma una decisin. La computadora en si no
toma la decisin, sino que la informacin que proporciona ayuda a tomar mejores
decisiones y por consiguiente a sistemticamente obtener mejores resultados.
Documentacin. Dos tipos de documentacin son requeridos para hacer un mejor
uso del modelo de simulacin. La primera se refiere a la documentacin de tipo
tcnico, es decir, a la documentacin que el departamento de procesamiento de
Datos debe tener del modelo. La segunda se refiere al manual del usuario, con el
cual se facilita la interaccin y el uso del modelo desarrollado, a travs de una
computadora.
GENERACIN DE VARIABLES ALEATORIAS NO UNIFORMES
Si el modelo de simulacin es estocstico, la simulacin debe ser capaz de
generar variables aleatorias no uniformes de distribuciones de probabilidad
tericas o empricas. Lo anterior puede obtenerse si se cuenta con un generador
de nmeros uniformes y una funcin que transforme estos nmeros en valores de
la distribucin de probabilidad deseada. A este respecto, se han desarrollado una
gran cantidad de generadores para las distribuciones ms comunes como; la
distribucin normal, exponencial, Poisson, Erlang, Binomial, Gamma, Beta, F, t,
2.
LENGUAJE DE PROGRAMACION.
Las primeras etapas de un estudio de simulacin se refieren a la definicin del
sistema a ser modelado y al descripcin del sistema en trminos de relaciones
lgicas de sus variables y diagramas de flujo. Sin embargo, llega el momento de
describir el modelo en un lenguaje que sea aceptado por la computadora que va
utilizar (PC compatible). En esta etapa se tienen dos curso de accin a seguir si no
se tiene nada de software de simulacin, que son:
desarrollar el software requerido, o
Comprar software (lenguaje de programacin d propsito especial). Para esta
alternativa es necesario analizar y evaluar varios paquetes de simulacin (GPSS,
GPSSH, PROMODEL SIMFACTORY, SLAM , MICROMANAGER, etc.) antes de
tomar la decisin final.
CONDICIONES INICIALES.
La mayora de los modelos de simulacin estocstica se corren con la idea de
estudiar al sistema en una situacin de estado estable. Sin embargo, la mayor
parte de estos modelos presentan en su etapa inicial estados transigentes los
cuales no son tpicos del estado estable. Por consiguiente es necesario establecer
claramente las alternativas o cursos de accin que existen para resolver este
problema. Algunos autores piensan que la forma de atacar este problema sera a
travs de :
Usar un tiempo de corrida suficientemente grande de modo que los perodos
transientes sean relativamente insignificantes con respecto a la condicin de
estado estable.
Excluir una parte apropiada de la parte inicial de la corrida.
Utilizar simulacin regenerativa.
Basado en la experiencia, de las tres alternativas presentadas, la que presenta
menos desventajas es el uso de simulacin regenerativa. Las otras alternativas
presentan las desventajas de ser prohibitivamente excesivas en costo.
TAMAO DE LA MUESTRA.
Uno de los factores principales a considerar en un estudio de simulacin es el
tamao de la muestra (nmero de corridas en la computadora). La seleccin de un
tamao de muestra apropiado que asegure un nivel deseado de precisin y a la
vez minimice el costo de operacin del modelo, es un problema algo difcil pero
muy importante. Puesto que la informacin proporcionada por el experimento de
simulacin sera la base para decidir con respecto a la operacin del sistema real.
Esta informacin deber ser tan exacta y precisa como sea posible o al menos el
grado de imprecisin presente en la informacin proporcionada por el modelo
debe ser conocida. Por consiguiente, es necesario que un anlisis estadstico se a
realizado para determinar el tamao de la muestra requerido.
El tamao de la muestra puede obtenerse de dos maneras:
Previa e independientemente de la operacin del modelo, o
Durante la operacin del modelo basado en los resultados arrojados por el
mismo. Para la ltima alternativa se utiliza la tcnica estadstica de intervalos de
confianza.
DISEO DE EXPERIMENTOS.
El diseo de experimentos es un tpico cuya relevancia en experimentos en
estudios de simulacin ha sido reconocida, pero raramente aplicada. El diseo de
experimentos en estudios de simulacin puede ser varios tipos, dependiendo de
los propsitos especficos que se hayan planteado. Existen diferentes formas de
anlisis que pueden ser utilizados. Entre los ms comunes e importantes, se
pueden mencionar los siguientes:
Comparacin de las medias y varianzas de las alternativas analizadas.
Determinacin de la importancia y el efecto de diferentes variables en los
resultados de la simulacin.
Bsqueda de los valores ptimos de un conjunto de variables.
Para realizar el primer tipo de anlisis, al cual se le denomina comnmente diseo
de experimentos de un factor simple, es necesario tomar muy en cuenta el tamao
de la muestra, las condiciones iniciales y la presencia o ausencia de
autocorrelacin. Para el segundo tipo de anlisis, existe una gran cantidad de
literatura, puesto que la gran mayora de los libros de texto de diseo de
experimentos, explican o tratan el tema de anlisis de varianza y tcnicas de
regresin como medios para evaluar la importancia y el efecto de varias variables
en los resultados de operacin de un sistema. Para el tercer tipo de anlisis,
generalmente se requiere utilizar algoritmos heursticos de bsqueda como por
ejemplo el algoritmo de Hookes y Jeeves.
VENTAJAS Y DESVENTAJAS EN EL USO DE LA SIMULACIN
Aunque la tcnica de simulacin generalmente se ve como un mtodo de ltimo
recurso, recientemente avances en las metodologas de simulacin y la gran
disponibilidad de software que actualmente existe en el mercado, han hecho
posible que la tcnica de simulacin sea una de las herramientas ms
ampliamente usadas en el anlisis de sistemas. Adems de las razones antes
mencionadas, Tomas H. Naylor (1977), ha sugerido que un estudio de simulacin
es muy recomendable porque presenta las siguientes ventajas:
A travs de la tcnica de simulacin, se puede estudiar el efecto de cambios
internos y externos del sistema, al hacer alteraciones en el modelo del sistema y
observando los efectos de estas alteraciones en el comportamiento del sistema.
Una observacin detallada del sistema que se est simulando puede conducir a un
mejor entendimiento del sistema y por consiguiente a sugerir estrategias que
mejoren la operacin y eficiencia del sistema.
La tcnica de simulacin puede ser utilizada como un instrumento pedaggico,
para estudiantes al ensearles los conocimientos bsicos en el anlisis terico, el
anlisis estadstico, y en la toma de decisiones.
La simulacin de sistemas complejos puede producir un valioso y profundo
conocimiento acerca de cules variables son ms importantes que otras en el
sistema y cmo ellas obran entre s.
La tcnica de simulacin puede utilizarse para experimentar con nuevas
situaciones, sobre las cuales se tiene poca o nula informacin. A travs de esta
experimentacin se puede anticipar mejor a los posibles resultados no previstos.
La tcnica de la simulacin de sistemas complejos puede producir un valioso y
profundo conocimiento acerca de cules variables son ms importantes que otras
en el sistema y cmo ellas obran entre s.
Se puede utilizar tambin para entrenamiento de personal. En algunas ocasiones
se puede tener una buena representacin de un sistema (como por ejemplo los
juegos de negocios), y entonces a travs de l es posible entrenar y dar
experiencia a cierto tipo de personal.
La simulacin de sistemas complejos puede producir un valioso y profundo
conocimiento acerca de cules variables son ms importantes que otras en el
sistema y cmo ellas entre s.
Cuando nuevos elementos son introducidos en un sistema, la simulacin puede
utilizarse para anticipar cuellos de botella o algn otro problema que puede surgir
en el comportamiento del sistema.
A diferencia de las ventajas mencionadas, la tcnica de simulacin presenta el
problema de requerir equipo de computo y recursos humanos, en ocasiones
costosas. Adems, generalmente se requiere bastante tiempo para que un modelo
de simulacin sea desarrollado y perfeccionado. Finalmente, es posible que la alta
administracin de una organizacin no entienda esta tcnica y esto crea dificultad
en vender la idea.
EJMPLOS DE USO DE SIMULACIN
Existe una gran cantidad de reas donde la tcnica de simulacin puede ser
aplicada. Algunos ejemplos podran ser los siguientes:
Simulacin de un sistemas de colas. Con la tcnica de simulacin es posible
estudiar y analizar sistemas de colas cuya representacin matemtica sera
demasiado complicada de analizar. Ejemplos de estos sistemas seran aquellos
donde es posible la llegada al sistema en grupo, la salida de la cola del sistema, el
rehusar entrar al sistema cuando la cola es excesivamente grande, etc.
Simulacin de sistemas de inventarios. A travs de simulacin se puede analizar
ms fcilmente sistemas de inventarios donde todos sus parmetros(tiempo de
entrega, demanda, costo de llevar inventario, etc.), son estocsticos.
Simulacin de un proyecto de inversin. Existen en la prctica una gran cantidad
de proyectos de inversin donde la incertidumbre con respecto a los flujos de
efectivo que el proyecto genera a las tasas de inters, a las tasas e inflacin, etc.,
hacen difcil y a veces imposible manejar analticamente este tipo de problemas.
Para este tipo de situaciones el uso de simulacin es ampliamente recomendado.
Simulacin de sistemas econmicos. La tcnica de simulacin puede ser utilizada
para evaluar el efecto de cierto tipo de decisiones (devaluacin de la moneda, el
impuesto al valor agregado, etc.), en las dems variables macroeconmicas como:
producto nacional bruto, balanza comercial, inflacin, oferta monetaria, circulante,
etc.
Simulacin de estados financieros. La expansin y diversificacin de una
organizacin a travs de la adquisicin y establecimiento de nuevas empresas,
repercuten significativamente en su posicin y estructura financiera. Por
consiguiente, el uso de simulacin permite analizar cul de las estrategias de
crecimiento son las que llevaran a la organizacin al logro de sus objetivos y
metas de corto, mediano y largo plazo.
Simulacin de juegos de azar. Se pueden hacer predicciones sobre los resultados
de un juego en particular, por ejemplo mlate, tris, etc. donde las variables
involucradas son estocsticas.
MODELACIN
La ciencia trata de explicar los fenmenos; con tal fin elabora leyes. Pero siendo la
tarea del cientfico difcil, con frecuencia se enfrenta a problemas muy complejos, y
para explicar aquellos datos inobservables que descubre necesita emplear
trminos tericos. De esta manera, combinando y coordinando de forma adecuada
un grupo de leyes y hechos, mediante construcciones lgicas, se obtienen las
teoras.
Como en la teora de entidades no observables, que son los contenidos de los
trminos tericos, el nivel de los hechos queda abandonado. As pues, las teoras
funcionan como explicaciones muy generales y amplias, de las cuales las leyes
son aspectos particulares.
Nos planteamos entonces la siguiente pregunta: de que manera estn
relacionadas las teoras, con sus trminos tericos y con los hechos? Cmo
volvemos al nivel fctico (o de hechos)?
Encontraremos la respuesta cuando comprendamos qu es un modelo cientfico y
cul es su funcin en la ciencia.
2.2 LA NOCIN DE MODELO
El trmino modelo abarca varios significados; el primero de ellos al que nos
referiremos es el de :
Representacin. Por ejemplo, la maqueta de un edificio es un modelo porque lo
representa. Aunque no vemos el edificio, gracias al modelo comprendemos cmo
ser.
Otro ejemplo:
Un mapa es un modelo porque representa una zona determinada con los caminos,
ros y montaas que existen realmente en esa zona.
La palabra modelo tambin se emplea en el sentido de perfeccin o ideal. Por
ejemplo, decimos: Martn es un estudiante modelo o Lupita es una esposa
modelo. Con ello queremos dar a entender que as como es Martn deberan ser
los dems estudiantes; y como Lupita deberan ser todas las esposas.
Otra significacin de la palabra modelo es la de muestra; que se emplea, por
ejemplo, cuando en una unidad habitacional un vendedor nos muestra la casa
modelo, tambin llamada casa muestra; o bien, cuando vamos a un desfile de
modas y vemos los distintos modelos, que son muestras de la produccin de un
diseador.
En la ciencia continuamente se hace referencia a los modelos cientficos que
pueden entenderse abarcando tres significaciones: representanla
teora, muestran las condiciones ideales en las que se producen un fenmeno al
verificarse una ley o una teora y por otro lado, constituyen una muestra particular
de la explicacin general que da la teora.
Un ejemplo tpico de modelo es el tomo que ilustra la teora de Bohr, la cual
admite la existencia de tomos en la realidad y los concibe como compuestos por
un ncleo (elctricamente positivo), alrededor del cual giran en rbitas muy
especificas los electrones (con carga negativa), ver figura

Este modelo representa la explicacin dada por Bohr, nos dice cmo se
comportan los tomos en condiciones ideales; es una muestraparticular de todas
las explicaciones dadas en trminos tericos y generales.
Algunos autores renen estas tres
significaciones: representacin, ideal y muestra, en una sola: configuracin
ideal.
Podemos decir, entonces, que un modelo cientfico es la configuracin ideal que
representa de manera simplificada una teora.
DEFINICIN DE MODELO
Definicin: El modelo es una representacin o abstraccin de una situacin u
objetos reales, que muestra las relaciones (directas e indirectas) y las relaciones
de la accin y la reaccin en trminos de causa efecto. Como un modelo es una
abstraccin de la realidad, puede parecer menos complicado que la misma. Para
que sea completo, el modelo debe ser representativo de aquellos aspectos de la
realidad que estn investigndose.
Debido a que la simulacin es solamente un tipo de modelacin, aunque muy
importante, preparemos el escenario para un comentario sobre modelacin de
simulacin considerando primero la modelacin en trminos generales.
Una de las razones bsicas para el desarrollo de modelos es la de descubrir
cules son las variables importantes o pertinentes. El descubrimiento de las
variables pertinentes est estrechamente asociado con la investigacin de las
estadsticas y la simulacin para investigar las relaciones que hay entre las
muchas variables de un modelo.
FUNCIN DE LOS MODELOS
El concepto de la representacin de algn objeto, sistema o idea, con un modelo,
es tan general que es difcil clasificar todas las funciones que satisfagan los
modelos. La mayora de los autores de libros de simulacin, reconocen por lo
menos cinco usos comunes:
Una ayuda para el pensamiento.
Una ayuda para la comunicacin.
Para entretenimiento e instruccin.
Una herramienta de prediccin.
Una ayuda para la experimentacin.
La utilidad de modelo como ayuda para el pensamiento es evidente. Los modelos
pueden ayudarnos a organizar y clasificar conceptos confusos e inconsistencias.
Por ejemplo, la construccin de un modelo de representacin de una red con el
mtodo PERT (evaluacin de programas y tcnicas de revisin) para un trabajo de
diseo de sistemas complejos, obliga a pensar sobre qu pasos son necesarios y
su consecuencia. Si es adecuada, la construccin de modelos obliga a organizar,
evaluar y experimentar la validez de pensamientos.
Como una ayuda para la comunicacin, los modelos bien pensados no tienen
igual. Una imagen vale ms que mil palabras confirma esta funcin. Todos los
lenguajes verbales tienden a ser ambiguos e imprecisos, cuando se trata de
pensar ideas o descripciones complejas. Los modelos adecuadamente concebidos
pueden ayudar a eliminar esta ambigedad y proporcionan un modo de
comunicacin ms eficiente y efectivo.
Los modelos han sido, y continan teniendo un uso generalizado como ayudas
para el entretenimiento e instruccin. A menudo los modelos son ideales para
entrenar a una persona, para que aprenda nuevas habilidades y pueda afrontar
varias eventualidades antes de que ocurran. Un mueco de tamao natural es
utilizado en ocasiones para ensear tcnicas de primeros auxilios, modelos de
vehculos espaciales se usan para entrenar astronautas, modelos para ensear a
conducir automviles, y simulacin de negocios para entrenar ejecutivos, son
algunos ejemplos de modelos de entrenamiento.
Quizs, uno de los usos ms importantes de los modelos, prctica e
histricamente, es la prediccin de las caractersticas del comportamiento de la
entidad modelada. No es econmicamente factible construir un jet supersnico
para determinar sus caractersticas de vuelo bajo condiciones extremas, sin
embargo, su comportamiento se puede predecir mediante la simulacin Mediante
simulacin se verificaron las disposiciones de emergencia del Apolo 13, antes de
implantarlas; stas les permitieron a los astronautas regresar a salvo despus de
la explosin del tanque de oxigeno. La mayora de los modelos que se tratan en os
libros de simulacin son herramientas de prediccin.
Finalmente, el uso de los modelos hace posible la experimentacin controlada en
situaciones en que los experimentos directos seran imprcticos o prohibitivos por
su costo.
CALSIFICACIN DE LOS MODELOS DE SIMULACIN
Las diferentes clasificaciones de los modelos dan una idea adicional de sus
caractersticas esenciales, porque pueden describirse de muchos modos. Los
modelos pueden clasificarse por sus dimensiones, funciones, propsitos, temas o
grado de abstraccin. La base ms comn es la de tipos de modelos, que incluye
los tipos bsicos: icnico, analgico y simblico o matemtico.
Los modelos pueden clasificarse de manera general y los modelos de simulacin
de manera particular, de diversas formas. Por desgracia, ninguna es
completamente satisfactoria, a pesar de que cada una sirve a un propsito
particular. Algunos de estos esquemas de clasificacin son los siguientes:
Esttico (de corte seccional) vs. Dinmico (series de tiempo)
Determinstico vs Estocstico.
Discreto vs Continuo.
Icnico o fsico vs Analgico vs Simblico.
Podemos pensar a los modelos de simulacin como un espectro continuo,
empezando con los modelos exactos o modelos reales a escala y siguiendo con
los modelos matemticos completamente abstractos (vase la figura 2.1)
Modelos Modelos Modelos Modelos Simulacin por Modelos
fsicos a escala analgico administrativo computadora matemtico
Exactitud Abstraccin
MODELOS ICONICOS O FSICOS
Un modelo icnico es una representacin fsica de algunos objetos, ya sea en
forma idealizada o en escala distinta. Para expresarlo de otro modo, una
representacin es un modelo icnico hasta el grado en que sus propiedades sean
las mismas que tiene lo que representa. Los modelos icnicos son muy adecuados
para la descripcin de acontecimientos en un momento especifico del tiempo. Por
ejemplo, una maqueta es una buena imagen de una fabrica, mientras que las
operaciones reales de una fabrica construid en trminos de un pequeo modelo
que funcione, pueden ser demasiado costosas para construir y modificar a fin de
estudiar sus posibles mejoras. Otra caracterstica de un modelo icnico la
constituyen sus dimensiones , dos dimensiones (fotografa, plano y mapa), o tres
dimensiones(maqueta, globo, automvil y avin), llamados generalmente modelos
escala. Cuando un modelo sobrepasa la tercera dimensin, como ocurre en
muchos problemas de investigacin de operaciones y simulacin, es imposible
construirlo fsicamente, y entonces pertenece a otra categora de modelos
llamados simblicos o matemticos.
MODELOS ANALOGICOS
Los modelos analgicos pueden representar situaciones dinmicas y se usan ms
que los icnicos, porque pueden mostrar las caractersticas del acontecimiento
que se estudia. Las curvas de demanda, las curvas de distribucin de frecuencia
en las estadsticas y los diagramas de flujo, son ejemplos de modelos analgicos.
A menudo un modelo analgico es muy adecuado para representar relaciones
cuantitativas entre las propiedades de los objetos de varias clases. Al transformar
las propiedades en propiedades analgicas, con frecuencia podemos incrementar
nuestra capacidad de hacer cambios. Otra ventaja de los modelos analgico sobre
los icnicos es que ordinariamente puede hacerse que los primeros representen
muchos procesos del mismo tipo, lo que se hace evidente en el flujo de trabajos
en procesos y productos terminados de una fabrica. No podra usarse eficazmente
un modelo icnico para estudiar los efectos de ciertos cambios en el control de
calidad. Un diagrama de flujo es un modelo analgico muy sencillo y eficaz en
esas condiciones.
MODELOS SIMBOLICOS (MATEMATICOS)
Nos interesan principalmente los modelos simblicos que son verdaderas
representaciones de la realidad y toma la forma de cifras, smbolos y ecuaciones
matemticas. Comienzan como modelos abstractos que formamos en nuestra
mente y luego se registran como modelos simblico o matemtico que se usa
comnmente en la investigacin en general, es la ecuacin. Una ecuacin es
concisa y fcil de comprender. Sus smbolos no slo son ms fciles de manipular
que las palabras, sino que se escriben ms rpidamente. Adems de estos
atributos, los modelos simblicos se prestan a las manipulaciones de las
computadora, a travs de lenguajes de programacin de propsito partculas o
general, los cuales trataremos en un captulo posterior.
Los modelos simblicos los hemos descrito hasta ahora en un sentido muy amplio.
Las ecuaciones no slo son ejemplos de modelos, sino que modelos comunes de
negocios incluyen adems, declaraciones de ingresos, tablas de organizacin de
empresas, etc., Otros ejemplos incluyen modelos grficos y pictricos. Hay que
tener en cuenta que pueden representarse problemas para los que las analogas
son ms eficientes que los modelos simblicos. Por ejemplo, un sistema puede ser
tan complicado que la cantidad de trabajo requerida para construir un modelo
simblico sea demasiado costosa si se relaciona con ganancias posibles. A
menudo es difcil asignar tan slo un modelo a una clase, y esto es especialmente
cierto con respecto a los modelos de simulacin, que son modelos analgicos y
que se describen con smbolos matemticos.
TIPOS DE MODELOS MATEMTICOS
Como los modelos matemticos son los que ms interesan principalmente, los
separaremos por categoras, lo que nos dar un soporte lgico para clasificarlos.
Sin que esta clasificacin pretenda estar completa; la podemos a disposicin del
lector, para que ste tenga una mejor comprensin de las diferencias esenciales
entre los modelos.
CUANTITATIVOS Y CUALITATIVOS
Cuando construimos un modelo matemtico e insertamos smbolos para
representar constantes y variables ( en gran parte nmeros), Llamamos a esto un
modelo cuantitativo. Se considera que una ecuacin matemtica es un modelo de
este tipo, porque representa una abstraccin de las relaciones o condiciones entre
constantes y variables. Las frmulas, matrices, diagramas o series de valores que
se obtienen mediante procesos algebraicos son ejemplos comunes de los modelos
matemticos.
Los modelos que se ocupan de las cualidades de los componentes se llaman
cualitativas. Hay muchos problemas en los que no pueden cuantificarse
exactamente debido a uno o ms de los siguientes motivos: tcnicas inadecuadas
de medicin, necesidad de muchas variables, algunas variables desconocidas,
relaciones especiales desconocidas, relaciones demasiado complejas para
expresarse en forma cuantitativa. Sin embargo, mediante el empleo del anlisis
lgico, sistemas de clasificacin, mtodos de ordenamiento, teora de conjuntos,
anlisis dimensional, investigacin de operaciones, anlisis de decisiones y
simulacin se pueden obtener ciertos valores representativos del sistema bajo
anlisis.
ESTANDAR Y HECHOS A LA MEDIDA
Se usan modelos estndar para describir las tcnicas que han llegado a asociarse
con la investigacin de operaciones (I. O.). Para usar esas tcnicas se insertan los
valores (nmeros) apropiados de un problema especfico de negocios en el
modelo estndar para obtener una respuesta.
Se obtiene un modelo hecho a la medida cuando se usan los conceptos bsicos
de diversas disciplinas, y especialmente las matemticas, para construir un
modelo de ajuste al problema de que se trata. Un ejemplo de este caso es el
Anlisis Veture [Thierauf, 1995], utilizado en investigacin de operaciones, que
renen varios mtodos estndar de la I. O..
PLANEACIN DE LOS EXPERIMENTOS DE SIMULACIN EN
COMPUTADORAS

La simulacin en computadoras es un recurso para dirigir experimentos cientficos
en las empresas y sistema econmico. Para planear experimentos de simulacin,
aplicables a los sistemas econmicos e industriales, necesariamente debemos
recurrir a tcnicas como la estadstica matemtica, el anlisis numrico, la
econometra, la programacin en computadora y el diseo de experimentos.
METODOLOGA
La experiencia sugiere que la planeacin de experimentos de simulacin requiera
de un procedimiento que consta de las etapas siguientes:
Formulacin del problema.
Recoleccin y procedimiento de datos tomados en realidad.
Formulacin de un modelo matemtico.
Estimacin de los parmetros de las caractersticas operacionales a partir de los
datos reales.
Evaluacin del modelo y de los parmetros estimados.
Formulacin de un programa para la computadora.
Validacin.
Diseo de los experimentos de simulacin.
Anlisis de los datos se simulacin.
Aunque el orden en que se implantan esos nueve pasos permanece abierto a
discusin, la figura 3.1 los muestra bajo una ordenacin basada en los resultados
de experiencias [Naylor, 1977].
Con toda seguridad, cualquier procedimiento de este tipo resulta sumamente
arbitrario en su naturaleza y la posibilidad de juzgarlo slo existe en un plano
puramente pragmtico.
(1)
FOMULACIN DEL PROBLEMA
(2)
RECOLECCIN Y PROCESAMIENTO
DE DATOS
(3)
FORMULACIN DEL MODELO
MATEMATICO
(4)
ESTIMACIN DELOS PARAMETROS
MODELO RECHAZADO
EVALUACIN DEL (5)
MODELO
MODELO
ACEPTADO (6)
FORMULACIN DEL
PROGRAMA PARA LA
COMPUTADORA
(7)
VERIFICACIN
(8)
DISEO DE EXPERIMENTOS Fig. 3.1 Diagrama de
flujo para la planeacin
(9) de experimentos de
simulacin
ANALISIS DE DATOS DE
LA SIMULACIN
FORMULACIN DEL PROBLEMA
Es necesario en primer lugar definir claramente los objetivos de nuestra
investigacin, antes de hacer cualquier intento encaminado a planear la
realizacin de un experimento en simulacin. Encontraremos que la exposicin
original del problema vara considerablemente de su versin final, ya que la
formulacin del problema es un proceso secuencial que generalmente requiere de
una formulacin continua y progresiva de refinamiento de los objetivos de
experimento durante sus realizacin
Los objetivos de la investigacin, tanto en la empresa y la economa, como
tambin en la mayora de las ciencias sociales, toma generalmente la forma ya
sea de: (1) preguntas que deben contestarse, (2) hiptesis que se deben probarse
y (3) efectos por estimarse.
RECOLECCIN Y PROCESAMIENTO DE DATOS TOMADOS DE LA
REALIDAD.
Necesitaramos colectar y procesar una cierta cantidad de datos antes de que
exista la posibilidad de definir algn problema. Para nuestros propsitos, resulta
completamente irrelevante que los requerimientos para el procesamiento de datos
procedan la formulacin del problema o viceversa; si hemos de dirigir
experimentos de simulacin, es importante que ambas funciones se lleven a cabo.
Existen, por o menos, cinco razones por las cuales es necesario de disponer de un
sistema eficiente para el procesamiento de datos, que permita alcanzar el xito al
realizar los experimentos de simulacin.
En primer instancia la informacin descriptiva y cuantitativa. En segundo, los datos
puedan sugerir hiptesis de cierta validez. Como tercer punto, los datos tambin
pueden sugerir y mejoras o refinamientos en los modelos matemticos. Cuarto; es
necesario que los datos, reducidos a una forma final, se utilicen para estimar los
parmetros de las caractersticas disponibles de operacin relativas a las variables
endgenas, exgenas y de estado del sistema. Finalmente, cabe considerar que
sin tales datos, seran imposibles probar la validez de un modelo para la
simulacin.
La recoleccin de datos es el proceso de capacitacin de los hechos disponibles,
con los cuales pueden ser procesados posteriormente, cuando sean necesarios.
El proceso de recoleccin y el almacenamiento de datos ocurre simultneamente.
FORMULACIN DE LOS MODELOS MATEMTICOS
La formulacin de los modelos matemticos consiste en tres pasos:
i. Especificacin de los componentes
ii. Especificacin de las variables y los parmetros
iii. Especificacin de las relaciones funcionales.
Una de las primeras consideraciones que se toman en cuanta en la formulacin de
un modelo matemtico reside en saber cuntas variables se deben incluir en el
modelo.
La segunda consideracin importante en la formulacin del modelo matemtico se
refiere a la complejidad de los mismos. Por lo general, estamos interesados en al
formulacin de modelos matemticos que produzcan descripciones o
predicciones, razonablemente exactas, referentes al comportamiento de un
sistema dado y reduzca a la vez, el tiempo de computacin y programacin. Sin
embargo, no es posible establecer con exactitud, la interdependencia de loas
caractersticas den los modelos matemticos, ya que tanto l numero de variables
en un modelo, como su complejidad, se encuentran directamente relacionadas con
los tiempos de programacin, cmputo y validez. Si alteramos cualquiera de las
citadas caractersticas, alteramos a su vez el resto de ellas.
Una tercera consideracin en la formulacin de modelo matemticos para
simulacin en computadora estriba en el rea de la eficiencia de computacin, es
decir, la complejidad del algiritmo1.
Entendemos por ello, la cantidad de tiempo de computo requerida para lograr
algn objetivo experimental especfico.
El tiempo consumido para la programacin de la computadora, constituye una
cuarta consideracin al formular modelos para simulacin.
ESTIMACIN DE LOS PARMETROS DE LAS CARACTERISTICAS
OPERACIONALES A PARTIR DE LOS DATOS REALES
Una vez que hemos recolectado los datos apropiados del sistema y formulando
varios modelos matemticos que describen su comportamiento es necesario
estimar sus valores de los parmetros de dichos modelos y probar su significacin
estadstica.
Ejemplo. La estimacin de parmetros de los modelos econmicos cae dentro del
dominio de la economtria
Entre los mtodos importantes de estimacin economtrica descritos por Goldber
y Johnston [Naylor, 1977], y que se comparan sobre la base de sus propiedades
estadsticas y de computacin, se encuentran:
1.- Mtodos de una sola ecuacin.
Mnimos cuadrados ordinarios.
Mnimos cuadrados indirectos (Generalizados).
Ecuacin nica con informacin limitada.
Mnimos cuadrados de dos etapas.
2.- Mtodos de ecuaciones simultneas.
Mxima probabilidad con informacin completa.
Mnimos cuadrados de tres etapas.
EVALUACIN DEL MODELO Y DE LOS PARAMETROS ESTIMADOS
Es necesario hacer un juicio del valor inicial de la suficiencia de nuestro modelo,
para probarlo. Esto se logra haciendo una comparacin de las mediciones iniciales
obtenidas por nuestro modelo de simulacin con las obtenidas de la realidad.
Este paso representa slo la primera etapa en la prueba de un modelo de
simulacin previa a las corridas reales en la computadora, por lo que en este
punto nuestro inters reside en probar las suposiciones o entradas que se
programarn en la computadora.
En caso de que las caractersticas operacionales tomen la forma de distribuciones
de probabilidad, ser necesario aplicar pruebas de bondad de ajuste que
determinen qu tambin se ajusta una distribucin hipottica de probabilidad a los
datos del mundo real. Deseamos tambin probar la importancia estadstica de
nuestras estimaciones de los valores esperados, variancias y otros parmetros de
estas distribuciones de probabilidad. Estas pruebas podran comprender:
1.- Prueba d referente a las medidas.
Prueba de una muestra relativa a las medidas
Diferencias entre medias
2.- Prueba referentes a las variancias
ji cuadrada
Prueba F
3.- Pruebas basadas sobre el conteo de datos.
Prueba referente a las proporciones
Diferencias entre K proporciones
Tablas de contingencia
Pruebas de bondad de ajuste
4.- Pruebas no paramtricas
Las pruebas de signo
Pruebas basadas en suma de rangos
Pruebas de la mediana
La prueba U (Tchebychev)
Pruebas de corridas
Prueba de correlacin en serie
En caso de que las caracteristicas operacionales tomen la forma de los modelos
economtricos, requerimos probar la importancia estadstica de cada uno de los
parmetros estimados en tales modelos, mediante el uso de las pruebas estndar
t, y F. Tambin desearemos aplicar pruebas que nos permitiran las violaciones en
las suposiciones fundamentales de nuestros modelos economtricos; estas
podran comprender las pruebas para:
Errores en las variables
Colinearidad mltiple
Heterosedasticidad
Autocorrelacin
Identificacin
De entre las preguntas que nos interesa formular durante esta etapa del
procedimiento, se encuentran las siguientes:
Incluimos algunas variables que no sean pertinentes, en el sentido de que
contribuyen muy poco a nuestra capacidad para predecir el comportamiento de las
variables endgenas de nuestro sistema?
omitimos la inclusin de una o ms variables exgenas que pudieran afectar el
comportamiento de las variables endgenas en nuestro sistema?
Formulamos incorrectamente una o ms relaciones funcionales entre las
variables endgenas y exgenas de nuestro sistema?
Apreciamos debidamente las estimaciones de los parmetros de las
caracteristicas operacionales de nuestro sistema?
Cmo se comportan los valores tericos de las variables endgenas de nuestro
sistema con los valores histricos o reales basados en clculos manuales? (ya
que an no formulamos un programa para computadora).
Slo si es posibles contestar satisfactoriamente las seis preguntas, procederemos
al paso 6: la formulacin de un programa para computadora. De otro, repetiremos
los pasos del 1 al 5 hasta que sea posible responder satisfactoriamente las
preguntas.
FORMULACIN DE UN PROGRAMA PARA LA COMPUTADORA.
La formualcin de un programa para computadoras, cuyo propsito sea dirigir los
experimentos de simulacin con nuestros modelos del sistema bajo estudio,
requiere que se considere especialmente las siguientes actividades:
Diagrama de flujo
Lenguaje de computadora
Compiladores de propsito general
Lenguajes de simulacin de propsitos especiales
Bsqueda de errores
Datos de entrada y condiciones iniciales
Generacin de datos
Reportes de salida
Al escribir un programa de simulacin para computadora la primera etapa requiere
la formulacin de un diagrama de flujo que bosqueje la secuencia lgica de los
eventos que realizar la computadora, al generar los tiempos planificados para las
variables endgenas de nuestro modelo.
Podemos escribir nuestro programa en un lenguaje de propsitos generales como
FORTRAN, BASIC, PASCAL , C++ o sus visuales o bien emplear un lenguaje de
simulacin como . SIMPAC, DINAMO, PROGRAM SIMULATE, GPSS, o nuevos
como GPSSH, SLAM, PROMODEL, SINFACTORY, MICLROMANAGER, entre
otros. Depender de la aplicacin, el uso del lenguaje adecuado. En un captulo
posterior se describirn alguno de estos lenguajes y su aplicacin particular.
VALIDACIN
Ciertamente, el problema de validar modelos de simulacin es difcil ya que
implica un sinnmero de complejidades de tipo prctico, terico, estadstico e
inclusive filosfico. La validacin de experimentos de simulacin forma parte de un
problema mucho ms general, es decir, el de la validacin de cualquier clase de
modelo o hiptesis. Las preguntas bsicas son: Qu significa validar una
hiptesis? y Cules criterios debern utilizarse para establecer la validez de
una hiptesis?.
An as parece que por lo general slo dos pruebas se consideran apropiadas
para validar los modelos simulacin. Primeramente, Qu tan bien coinciden los
valores simulados de las variables endgenas con los datos histricos conocidos,
si es que estos estn disponibles?. En segundo lugar, Qu tan exactas son las
predicciones del comportamiento del sistema real hechas por el modelo de
simulacin, para perodos futuros (de tiempo)?. Asociada con cada una de estas
pruebas, existe una gran variedad de pruebas estadsticas, tanto como clsicas
como recientes.
DISEO DE LOS EXPERIMENTOS DE SIMULACIN
Una vez que estemos satisfechos con la validez de nuestro modelo para la
computadora, estaremos en posibilidad de considerar su uso para dirigir
efectivamente, los experimentos de simulacin. De hecho, como ya hemos
definido nuestro problema experimental, las variables endgenas y lo factores
(variables exgenas y parmetros), deberemos interesarnos ahora por los detalles
de diseo experimental.
En esta fase, es posible identificar dos metas importantes: en primer lugar,
seleccionaremos los niveles de los factores y las combinaciones de niveles, as
como el orden de experimentos; en seguida y una vez que seleccionaremos
nuestras combinaciones de factores, deberemos esforzarnos por asegurar que los
resultados queden libres de errores fortuitos.
ANALISIS DE LOS DATOS SIMULADOS
La etapa final en el procesamiento requiere un anlisis de los datos generados por
la computadora, a partir del modelo que simular. Tal anlisis consiste de tres
pasos:
1.- Recoleccin y procesamiento de los datos simulados.
2.- Clculo de la estadstica de las pruebas.
3.- Interpretacin de los resultados.
Aunque el anlisis de los datos simulados es de hecho semejante al anlisis de los
datos del mundo real (Vanse los pasos 2, 3 y 4 de la figura 3.1) existen algunas
diferencias importantes. El anlisis de los datos de simulacin en computadora es,
segn los expertos, considerablemente ms difcil que el anlisis de los datos del
mundo real.



















6.2 LAS TECNICAS MONTECARLO
Qu es la simulacin de Montecarlo?
La simulacin Montecarlo es una tcnica matemtica computarizada que permite
tener en cuenta el riesgo en anlisis cuantitativos y tomas de decisiones. Esta
tcnica es utilizada por profesionales de campos tan dispares como los de
finanzas, gestin de proyectos, energa, manufacturacin, ingeniera, investigacin
y desarrollo, seguros, petrleo y gas, transporte y medio ambiente.
Cmo funciona la simulacin de Montecarlo
La simulacin Montecarlo realiza el anlisis de riesgo con la creacin de modelos
de posibles resultados mediante la sustitucin de un rango de valores una
distribucin de probabilidad- para cualquier factor con incertidumbre inherente.
Luego, calcula los resultados una y otra vez, cada vez usando un grupo diferente
de valores aleatorios de las funciones de probabilidad. Dependiendo del nmero
de incertidumbres y de los rangos especificados, para completar una simulacin
Montecarlo puede ser necesario realizar miles o decenas de miles de recalculos.
La simulacin Montecarlo produce distribuciones de valores de los resultados
posibles.
El mtodo de Monte Carlo
1
es un mtodo no determinstico o estadstico numrico,
usado para aproximar expresiones matemticas complejas y costosas de evaluar
con exactitud. El mtodo se llam as en referencia al Casino de Monte
Carlo (Principado de Mnaco) por ser la capital del juego de azar, al ser
la ruleta un generador simple de nmeros aleatorios. El nombre y el desarrollo
sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 y se
mejoraron enormemente con el desarrollo de la computadora.
El uso de los mtodos de Monte Carlo como herramienta de investigacin,
proviene del trabajo realizado en el desarrollo de la bomba atmica durante
la Segunda Guerra Mundial en elLaboratorio Nacional de Los lamos en EE.
UU. Este trabajo conllevaba la simulacin de problemas probabilsticos
de hidrodinmica concernientes a la difusin de neutrones en el material de fisin.
Esta difusin posee un comportamiento eminentemente aleatorio. En la actualidad
es parte fundamental de los algoritmos de Raytracing para la generacin de
imgenes 3D.


En la primera etapa de estas investigaciones, John von Neumann y Stanislaw
Ulam refinaron esta ruleta rusa y los mtodos "de divisin" de tareas. Sin
embargo, el desarrollo sistemtico de estas ideas tuvo que esperar al trabajo de
Harris y Herman Kahn en 1948. Aproximadamente en el mismo ao, Enrico
Fermi, Nicholas Metropolis y Ulam obtuvieron estimadores para los valores
caractersticos de la ecuacin de Schrdingerpara la captura de neutrones a nivel
nuclear usando este mtodo.
El mtodo de Monte Carlo proporciona soluciones aproximadas a una gran
variedad de problemas matemticos posibilitando la realizacin de experimentos
con muestreos de nmeros pseudoaleatorios en una computadora. El mtodo es
aplicable a cualquier tipo de problema, ya seaestocstico o determinista. A
diferencia de los mtodos numricos que se basan en evaluaciones en N puntos
en un espacio M-dimensional para producir una solucin aproximada, el mtodo
de Monte Carlo tiene un error absoluto de la estimacin que decrece
como en virtud delteorema del lmite central.




Orgenes del mtodo
Ejemplo de aplicacin de Monte Carlo. En el juego de barcos, primero se realizan
una serie de tiros a puntos aleatorios. Si el jugador genera un algoritmo puede
deducir la posicin del barco conocidos los datos anteriores.
La invencin del mtodo de Monte Carlo se asigna a Stanislaw Ulam y a John von
Neumann. Ulam ha explicado cmo se le ocurri la idea mientras jugaba un
solitario durante una enfermedad en 1946. Advirti que resulta mucho ms simple
tener una idea del resultado general del solitario haciendo pruebas mltiples con
las cartas y contando las proporciones de los resultados que computar todas las
posibilidades de combinacin formalmente. Se le ocurri que esta misma
observacin deba aplicarse a su trabajo de Los lamos sobre difusin de
neutrones, para la cual resulta prcticamente imposible solucionar las ecuaciones
ntegro-diferenciales que gobiernan la dispersin, la absorcin y la fisin. La idea
consista en probar con experimentos mentales las miles de posibilidades, y en
cada etapa, determinar por casualidad, por un nmero aleatorio distribuido segn
las probabilidades, qu sucedera y totalizar todas las posibilidades y tener una
idea de la conducta del proceso fsico.
Podan utilizarse mquinas de computacin, que comenzaban a estar disponibles,
para efectuar las pruebas numricas y en efecto reemplazar el aparato
experimental del fsico. Durante una de las visitas de von Neumann a Los lamos
en 1946, Ulam le mencion el mtodo. Despus de cierto escepticismo inicial, von
Neumann se entusiasm con la idea y pronto comenz a desarrollar sus
posibilidades en un procedimiento sistemtico. Ulam expres que Monte Carlo
comenz a tener forma concreta y empez a desarrollarse con todas sus fallas de
teora rudimentaria despus de que se lo propuse a Johnny.
A principios de 1947 Von Neumann envi una carta a Richtmyer a Los lamos en
la que expuso de modo influyente tal vez el primer informe por escrito del mtodo
de Monte Carlo. Su carta fue encuadernada junto con la respuesta de Richtmyer
como un informe de Los lamos y distribuida entre los miembros del laboratorio.
Von Neumann sugera aplicar el mtodo para rastrear la generacin istropa de
neutrones desde una composicin variable de material activo a lo largo del radio
de una esfera. Sostena que el problema era adecuado para el ENIAC y estimaba
que llevara 5 horas calcular la accin de 100 neutrones a travs de un curso de
100 colisiones cada uno.
Ulam estaba particularmente interesado en el mtodo Monte Carlo para evaluar
integrales mltiples. Una de las primeras aplicaciones de este mtodo a un
problema determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von
Neumann cuando consideraron los valores singulares de la ecuacin de
Schrdinger.

Ejemplo
Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda,
debemos previamente asignarle un intervalo de nmeros aleatorios a CARA y otro a CRUZ, de
manera de poder interpretar el resultado de la simulacin. Tales intervalos se asignan en funcin
de las probabilidades de ocurrencia de cada cara de la moneda. Tenemos as:
CARA Probabilidad: 0,50 Nmeros aleatorios: 0,000 al 0,499
CRUZ Probabilidad: 0,50 Nmeros aleatorios: 0,500 al 0,999
Despus, al generar un nmero aleatorio a partir de la funcin RAN de la calculadora, por ejemplo,
obtenemos el resultado simulado. As, si obtenemos el nmero aleatorio 0,385, observamos que
est incluido en el intervalo asignado a CARA.
En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las probabilidades de
ocurrencia de los eventos a simular.





















6.3Aplicacin de simulacin en
problemas de lneas de accin
Hoy en da existe una gran variedad de aplicaciones de la simulacin debido a las
diferentes ventajas que sta ofrece sobre otras herramientas utilizadas. Algunas
de estas aplicaciones son:
En la reduccin de costos.
En un sistema:
En el desarrollo del mtodo de anlisis, ya que con los mtodos existentes
para resolver problemas se invierte un tiempo considerable en poder
desarrollar el mtodo de anlisis.
En la Programacin computacional.
En la modelacin de un sistema.
En la experimentacin de prueba y error.
En la industria:
En la capacitacin del personal.
En la aviacin:
En el entrenamiento de pilotos.
En finanzas: Puede usarse para calcular presupuestos, analizar alternativas
de inversin, flujo de efectivo.
En mercadotencia: El analista debe tomar decisiones para colocar la
promocin de un producto en diferentes medios de comunicacin:
peridico, radio, televisin, etc.
En Recursos Humanos: Beneficios de la movilidad en el trabajo, del tipo de
personas para un determinado empleo, de las diferentes estructuras
jerrquicas y de relacin dentro de una empresa.
As tambin, la simulacin ha sido empleada en sistemas tales como: biolgicos,
econmicos, de la salud, de negocios, de produccin, de transportacin, sociales,
urbanos, etc.
Con el transcurso del tiempo el uso de la simulacin como una herramienta de
trabajo ha aumentado, Algunos de los factores que han acentuado el uso son:
- El constante desarrollo de lenguajes y simuladores computacionales.
- La flexibilidad del modelaje va simulacin.
La simulacin es una herramienta verstil que ha sido usada de diferentes
maneras, incluyendo:
* Diseo de sistemas
* Administracin de sistemas
* Entrenamiento y capacitacin
* Comunicacin
* Relaciones pblicas
Esto ha hecho de la simulacin la tcnica ms utilizada dentro de la
Administracin Cientfica/Investigacin de Operaciones y la herramienta de
excelencia de la Ingeniera Industrial.

Cundo es adecuado usar la simulacin?
Paul Fishwick ("Simulation Model Design and Execution: Building Digital Worlds."
Prentice-Hall. Estados Unidos, 1995) seala que la simulacin es recomendable
cuando:
(1) El modelo que representa al sistema bajo estudio es muy complejo, posee
muchas variables y componentes que interactan.
(2) Las relaciones entre las variables son no lineales.
(3) El modelo contiene variables aleatorias.
(4) Se requiere una visin animada de los resultados arrojados por el modelo.
No obstante que la simulacin es por mucho la mejor herramienta para estudiar y
observar el comportamiento o la operacin de un sistema, es necesario hacer
algunas advertencias relativas a su uso:
n En ocasiones los proyectos de simulacin consumen mucho tiempo.
n Por lo general los modelos de simulacin requieren de muchos datos.
n Los resultados pueden ser malinterpretados.
n Algunos factores tcnicos y humanos pueden ser ignorados.
n La validacin de los modelos de simulacin suele ser difcil.