Unidad I. Introduccin a la Simulacin de eventos discretos 1.1.

Introduccin

En aos recientes, el advenimiento de nuevos y mejores desarrollos en el rea de la computacin ha trado consigo innovaciones igualmente importantes en los terrenos de la toma de decisiones y el diseo de procesos y productos. En este sentido, una de las tcnicas de mayor impacto es la simulacin. Hoy en da, el analista tiene a su disposicin una gran cantidad de software de simulacin que le permite tomar decisiones en temas muy diversos. Por ejemplo, determinar la mejor localizacin de una nueva planta, disear un nuevo sistema de trabajo o efectuar el anlisis productivo de un proceso ya existente pero que requiere mejoras. Sin duda, la facilidad que otorga a la resolucin de stas y muchas otras problemticas, ha hecho de la simulacin una herramienta cuyo uso y desarrollo se han visto significativamente alentados. Cada vez resulta ms sencillo encontrar paquetes de software con gran capacidad de anlisis, as como mejores animaciones y caractersticas para generacin de reportes. En general, dichos paquetes ya sea orientado a procesos, a servicios o de ndole general nos proveen de una enorme diversidad de herramientas estadsticas que permiten un manejo ms eficiente de la informacin relevante bajo anlisis, y una mejor presentacin e interpretacin de la misma. El concepto de simulacin engloba soluciones para muchos propsitos diferentes. Por ejemplo, podramos decir que el modelo de un avin a escala que se introduce a una cmara por donde se hace pasar un flujo de aire, puede simular los efectos que experimentar un avin real cuando se vea sometido a turbulencia. Por otro lado, algunos paquetes permiten hacer la representacin de un proceso de fresado o torneado: una vez que el usuario establezca ciertas condiciones iniciales, podr ver cmo se llevara a cabo el proceso real, lo que le permitira revisarlo sin necesidad de desperdiciar material ni poner en riesgo la maquinaria. Entre los distintos tipos de procesos de simulacin que podemos utilizar, en este libro nos ocuparemos del que se basa en el uso de ecuaciones matemticas y estadsticas, conocido como simulacin de eventos discretos. Este proceso consiste en relacionar los diferentes eventos que pueden cambiar el estado de un sistema bajo estudio por medio de distribuciones de probabilidad y condiciones lgicas del problema que se est analizando. Por ejemplo, un proceso de inspeccin donde sabemos estadsticamente que 0.2% de los productos tiene algn tipo de defecto puede simularse con facilidad mediante una simple hoja de clculo, considerando estadsticas de rechazos y productos conformes, y asignando una distribucin de probabilidad con 0.2% de oportunidad de defecto para cada intento de inspeccin.

En el presente captulo abordaremos las definiciones bsicas de los conceptos de la simulacin de eventos discretos. En los siguientes se presentarn algunos otros elementos relevantes, como los nmeros pseudoaleatorios y las pruebas estadsticas necesarias para comprobar esta aleatoriedad, la generacin de variables aleatorias y la caracterizacin de algunas distribuciones de probabilidad de uso comn en la simulacin, lo cual nos permitir realizar una simulacin sencilla con ayuda de una hoja de clculo. Por ltimo, describiremos la utilizacin de un software comercial: Promodel, una versin limitada del cual se incluye en este curso. La simulacin consiste bsicamente en construir modelos informticos que describen la parte esencial del comportamiento de un sistema de inters, as como en disear y realizar experimentos con el modelo y extraer conclusiones de sus resultados para apoyar la toma de decisiones. Tpicamente, se utiliza en el anlisis de sistemas tan complejos que no es posible su tratamiento analtico o mediante mtodos de anlisis numricos. Sus orgenes estn en los trabajos de Student para aproximar la distribucin que lleva su nombre, y los mtodos que Von Neumann y Ulam introdujeron para resolver ecuaciones integrales. Desde entonces, la Simulacin ha crecido como una metodologa de experimentacin fundamental en campos tan diversos como la Economa, la estadstica, la Informtica o la Fsica, y con enormes aplicaciones industriales y comerciales, como los simuladores de vuelo, los juegos de simulacin, o la prediccin burstil o meteorolgica. La crisis del petrleo de los aos setenta oblig a la industria en general a enfocar sus esfuerzos en ser enrgicamente ms eficientes, inicindose as una etapa de desarrollo tecnolgico encaminado a mejorar los procesos existentes y a disear otros nuevos ms eficientes. Este fue el caldo de cultivo necesario para motivar el desarroll en simulacin de procesos. El comienzo fue lento y se dio en forma conceptual, experimental y acadmica en algunas compaas y universidades en Estados Unidos, Canad y Europa. Para 1975 se haba generalizado el desarrollo de simuladores con algunas aplicaciones industriales reducidas. En 1980 empezaron a surgir compaas elaboradoras de software, que desarrollaban paquetes de simulacin para su comercializacin, pero tenan la desventaja de que la entrada y salida de la informacin eran muy rgidas y se presentaban en forma de listados de difcil interpretacin. A finales de los aos 80s se inici el desarrollo de paquetes de simulacin interactivos y su comercializacin marc el comienzo de un uso ms intensivo y generalizado en la

industria y las universidades. Entre 1991 y 1995 se inicia la comercializacin de paquetes de simulacin dinmica y de integracin de energa. En los ltimos aos, la simulacin de procesos en estado estacionario ha llegado a ser una herramienta de apoyo para el diseo de procesos industriales y adems su uso se est extendiendo en las instituciones de formacin de ingenieros industriales. La simulacin de procesos est jugando un papel muy importante en la industria de procesos, como una herramienta adecuada y oportuna para el diseo, caracterizacin, optimizacin y monitoreo del funcionamiento de procesos industriales. Aun cuando en sus inicios la simulacin de procesos estuvo enfocada principalmente a la industria petroqumica y de refinacin del petrleo, su aplicacin se ha ido extendiendo a otras industrias tales como la de combustibles sintticos, pulpa y papel, cemento, metales, minerales, alimentos, etc., en donde se involucra la fase slida. La simulacin de procesos industriales ha involucrado ambos comportamientos de procesos estacionarios y dinmicos. Historia de la simulacin El galopante desarrollo tecnolgico de las ltimas dcadas hace que los trminos que hasta hace poco tiempo eran exclusivos de las novelas de ficcin formen parte de nuestro da a da. Con la capacidad de clculo de los ordenadores ms rpida, y tcnicas visuales perfeccionadas, surgen nuevas ideas sobre desarrollos de herramientas de entrenamiento basadas en tecnologas innovadoras. El empleo de la simulacin se presenta como uno de los mtodos ms efectivos a la hora de trasmitir los conocimientos y anlisis en determinadas materias, pero por su elevado coste solamente es alcanzable para las grandes empresas, o entidades con importante financiacin pblica. Gracias a los avances tecnolgicos la simulacin ha evolucionado enormemente, permitiendo alcanzar excelentes cotas de fiabilidad. Las capacidades de clculo actuales permiten ejecutar una serie de Modelos Matemticos que conjuntamente con las tcnicas visuales reflejan fielmente la realidad en toda su complejidad. El reto que nos depara el presente es una aplicacin masiva de la simulacin con formacin a un amplio sector de la sociedad. Ofrecer las bondades de esta tcnica hasta ahora accesibles a un pequeo porcentaje de la poblacin es uno de los principales objetivos de Lander. Y lo estamos logrando, los productos como Sistema Lander Multipropsito y Lander Simbio suponen un autntico punto de inflexin y

acercamiento de esta tcnica de formacin a un mayor nmero de personas. Con ellos un amplio sector de la sociedad es capaz de adquirir un simulador, mejorar la calidad y el contenido de la formacin.

Esto no quiere decir que ya hemos cumplido nuestros retos. El progreso contina y con l cada avance en el plano tecnolgico debe estar traducido en beneficio de las personas. Lo que nos deparar el futuro no lo sabemos, pero estaremos ah para utilizarlo de la mejor manera posible. Este hito histrico abri las puertas a la aplicacin de la simulacin en el campo del proceso de control industrial as como a las sinergias que generaba esta simulacin basada en la experimentacin y tcnicas de anlisis para descubrir soluciones exactas a problemas clsicos de la industria y la ingeniera.

A mediados de los aos 40 dos hechos sentaron las bases para la rpida evolucin del campo de la simulacin: La construccin de los primeros computadores de propsito general como el ENIAC. El trabajo de Stanislaw Ulam, John Von Neumann y otros cientficos para usar el mtodo de Montercarlo en computadores modernos y solucionar problemas de difusin de neutrones en el diseo y desarrollo de la bomba de hidrgeno. Ulam y Von Neumann ya estuvieron presentes en el proyecto Manhattan. En 1960, Keith Douglas Tocher desarroll un programa de simulacin general cuya principal tarea era la de simular el funcionamiento de una planta de produccin donde las mquinas ciclaban por estados: Ocupado, Esperando, No disponible y Fallo; de manera que las simulaciones en los cambios de estado de las mquinas marcarn el estado definitivo de la produccin de la planta. Este trabajo produjo adems el primer libro sobre simulacin: The Art of Simulation (1963).

Para aquel entonces, IBM desarroll entre 1960 y 1961 el Sistema de Simulacin de propsito general o General Purpose Simulation System (GPSS). El GPSS se dise para realizar simulaciones de teleprocesos involucrando por ejemplo: control de trfico urbano, gestin de llamadas telefnicas, reservas de billetes de avin, etc. La sencillez de uso de este sistema lo populariz como el lenguaje de simulacin ms usado de la poca.

Por otro lado, en 1963 se desarroll SIMSCRIPT, otra tecnologa alternativa al GPSS basada en FORTRAN, ms enfocada a usuarios que no tenan por qu ser obligatoriamente expertos informticos en RAND CORPORATION.

Complementariamente a los desarrollos llevados a cabo por RAND e IBM, el Royal Norwegian Computing Center inici en 1961 el desarrollo del programa SIMULA con ayuda de Univac. El resultado fue SIMULA I, probablemente el lenguaje de programacin ms importante de toda la historia.

En 1967 se fund el WSC (Winter Simulation Conference), lugar donde desde entonces y hasta ahora se archivan los lenguajes de simulacin y aplicaciones derivadas, siendo en la actualidad el referente en lo que a avances en el campo de los sistemas de simulacin se refiere.

Periodo de expansin 1970-1981 Durante este periodo se desarrollaron avanzadas herramientas de modelado y de anlisis de resultados. Gracias tambin a los desarrollos obtenidos en la generacin de datos y a las tcnicas de optimizacin y representacin de datos, la simulacin llega a su fase de expansin donde comienza a aplicarse en mltiples campos

Anteriormente, los datos de salida obtenidos de una simulacin por computadora se presentaban en una tabla o matriz, de manera que se mostraba el efecto que los mltiples cambios en los parmetros tenan sobre los datos. El empleo del formato de matriz se deba al uso tradicional que se haca de la matriz en los modelos matemticos. Sin embargo, los psiclogos advirtieron que los seres humanos perciban mejor los cambios en el desarrollo de las situaciones si miraban grficos o incluso imgenes en movimiento animaciones generadas a partir de dichos datos, como las que se ejecutan en las animaciones de imgenes generadas por computadora. Tabla 1.1. Cronologa de la simulacin Ao Evento 1942-1945 J. V. Neumann S. Ulman desarrollan el mtodo de Montecarlo 1950's Estudios de capacidad de las lneas telefnicas 1961 G. Gordon disea el lenguaje de simulacin GPSS

1961-1979 Impulso de los ordenadores por transistores, Conferencias sobre Aplicacin de la simulacin 1977 J Henriksen mostr el pseudocdigo para la implementacin de modelos de simulacin de eventos discretos 1980's Nuevos lenguajes donde integran resultados de simulacin, animacin SIMAN IV y CINEMA IV. Surgen metodologas independientes del lenguaje de simulacin 1990'sNuevos sistemas donde el proceso de simulacin est totalmente integrado, acercamiento de la simulacin a la empresa privada

1.2.

Definiciones y Aplicaciones Definiciones Es una tcnica numrica para conducir experimentos en un computador digital, la cual incluye ciertos tipos de relaciones lgicas y matemticas necesarias para describir la estructura y comportamiento de un sistema complejo del mundo real sobre un periodo de tiempo. Tambin se considera a la simulacin como un proceso para describir la esencia de la realidad, el cual incluye la construccin, experimentacin y manipulacin de un modelo complejo en un computador. Conjunto de relaciones lgicas, matemticas y probabilsimas que integran el comportamiento de un sistema bajo estudio cuando se presenta un evento determinado (Garca Dunna Eduardo. Garca reyes Heriberto y Crdenas Barrn Leopoldo Eduardo). Simulacin es una tcnica numrica para conducir experimentos en una computadora digital, estos experimentos comprenden ciertos tipos de relaciones matemticas y lgicas, las cuales son necesarias para describir el comportamiento y la estructura de sistemas complejos del mundo real a travs de largos periodos de tiempo (Thomas H. Naylor). Simulacin es el desarrollo de un modelo lgico matemtico de un sistema, de tal forma que se tiene una imitacin de la operacin de un proceso de la vida real o de un sistema a travs del tiempo. La simulacin involucra la generacin de una historia artificial de un sistema, la observacin de esta historia mediante la manipulacin experimental, nos ayuda a inferir las caractersticas operacionales de tal sistema (JERRY BANKS).

Simulacin es una tcnica numrica para realizar experimentos en una computadora digital, estos experimentos involucran ciertos tipos de modelos matemticos y lgicos que describen el comportamiento de sistemas de negocios, econmicos, sociales, biolgicos, fsicos o qumicos a travs de largos periodos de tiempo (H. MAISEL y G. GNUGNOLI). Simulacin es el proceso de disear y desarrollar un modelo de un sistema o proceso real y conducir experimentos con el propsito de entender el comportamiento del sistema o evaluar varias estrategias (dentro de lmites impuestos por un criterio o conjunto de criterios) para la operacin del sistema (Robert. Shannon). Aplicaciones generales Sistemas de computacin: redes de ordenadores, componentes, programacin, bases de datos, fiabilidad. Fabricacin: manejo de materiales, lneas de montaje, equipos de almacenamiento, control de inventario, mantenimiento, distribucin en planta, diseo de mquinas Negocios: anlisis de existencias, poltica de precios, estrategias de marketing, estudios de adquisicin, anlisis de flujo de caja, prediccin, alternativas del transporte, planificacin de mano de obra. Gobierno: armamento y su uso, tcticas militares, prediccin de la poblacin, uso del suelo, prevencin de incendios, servicios de polica, justicia criminal, diseo de vas de comunicacin, servicios sanitarios. Ecologa y medio ambiente: contaminacin y purificacin del agua, control de residuos, contaminacin del aire, control de plagas, prediccin del tiempo, anlisis de sismos y tormentas, exploracin y explotacin de minerales, sistemas de energa solar, explotacin de cultivos. Sociedad y comportamiento: estudios de alimentacin de la poblacin, polticas educativas, estructuras organizativas, anlisis de sistemas sociales, sistemas de asistencia social, administracin universitaria. Biociencias: rendimiento en el deporte, control de epidemias, ciclos de vida biolgicos, estudios biomdicos 1.3. Estructura y caractersticas de la simulacin de eventos discretos

Sistema: La definicin bsica de sistema nos dice que se trata de un conjunto de elementos que se interrelacionan para funcionar como un todo; desde el punto de vista de la simulacin, tales elementos deben tener una frontera clara. Por ejemplo, podemos hablar del sistema de atencin de clientes en un banco, del sistema de inventarios de una empresa o del sistema de atencin en la sala de emergencia de un hospital.

Atributos: Un atributo es una caracterstica de una entidad. Por ejemplo, si la entidad es un motor, los atributos seran su color, peso, tamao o cilindraje. Los atributos son muy tiles para diferenciar entidades sin necesidad de generar una entidad nueva, y pueden adjudicarse al momento de la creacin de la entidad, o asignarse y/o cambiarse durante el proceso.

Son las caractersticas de las entidades, con las cuales se describen y diferencian. Por ejemplo, son atributos de los pacientes, como la edad, el sexo, la duracin de su enfermedad, la gravedad de sta y el cumplimiento del tratamiento.

Un atributo importante en las evaluaciones econmicas, fundamental en los estudios de costoutilidad, sera la calidad de vida. sta se puede estudiar de forma detallada incluyndola mediante un atributo.

Todas las entidades tienen los mismos tipos de atributos, pero con diferentes valores para cada entidad; los valores de los atributos estn, por tanto, ligados a una entidad concreta. Por ejemplo, todos los pacientes tienen edad o presin arterial, pero cada uno posee un valor especfico. El atributo puede asignarse como un valor especfico, una muestra de una distribucin o el resultado de una expresin (p. ej., de una ecuacin condicional).

Existen varios tipos de atributos Tipos de Atributos

P: Parmetros son atributos fijados durante el diseo del sistema U: Variables de entradas o exgenos, fijadas por el entorno D: Variables de entradas fijadas por el usuario Y: Variables de salida son las variables de estado o combinacin de ellas correspondiente a medidas del sistema

Sucesos: Hechos que ocurren en un instante de tiempo y que dan lugar a cambios en el estado del sistema.

Colas: Estados pasivos de una entidad mientras espera el inicio de una actividad

Estados: Condiciones del modelo o sus entidades, de forma que se puede saber si una accin se puede ejecutar o si se puede elegir entre varias.

Reloj de simulacin Puesto que en este tipo de simulacin se est considerando la evolucin temporal del sistema, cuyo estado se modifica slo en instantes discretos de tiempo a causa de la aparicin de algn evento, ser necesario introducir un reloj de simulacin que registre el tiempo virtual transcurrido desde la puesta en marcha del sistema, y que permita referenciar el instante exacto en que ocurre cada uno de los eventos. Es importante no confundir el tiempo virtual que marca el reloj de simulacin con el tiempo de computacin, el cual registra el tiempo real transcurrido desde que la simulacin se puso en marcha.

El tiempo marcado por el reloj de simulacin hace explcito el paso del tiempo a lo largo del modelo. Esto hace posible sealar el comienzo y el final de la simulacin, y la aparicin de eventos clnicos en su momento exacto, sin necesidad de ciclos de

duracin fija. Esto permite una simulacin ms eficiente y realista en funcin de la aparicin de los eventos durante el curso de la enfermedad en los pacientes.

Tambin permite la creacin de relojes secundarios que marcan tiempos importantes, como la estancia hospitalaria, el tiempo de ausencia de efectos adversos o la supervivencia.

Puesto que los cambios en el sistema se producen slo cuando ocurre algn evento, queda claro que el estado del sistema no sufrir ninguna variacin entre 2 eventos consecutivos. Este hecho da sentido a una de las polticas ms habituales para controlar el reloj de simulacin: si se sabe que el evento n se acaba de producir en el instante virtual actual , y que el evento n + 1 se producir en el instante virtual , dado que entre ambos instantes no pasar nada de inters, se avanzar el reloj de simulacin hasta el instante tn+1, y se asignar dicho instante a la variable del programa que representa el reloj de simulacin. Tras avanzar el reloj hasta el instante , se lleva a cabo la actualizacin de las variables de estado y estadsticas del sistema. Este proceso de avance hasta el siguiente evento y actualizacin de variables se repite de forma indefinida hasta que se verifique alguna condicin de fin de la simulacin.

Entidades Son los elementos dinmicos que se simulan a travs del modelo, cambian de estatus, afectan y son afectados por otras entidades y son los protagonistas de los eventos clnicos de estudio del modelo.

Normalmente, en la simulacin de una enfermedad se representan pacientes, pero pueden representarse tambin distintos componentes, como enfermeras, familiares o mdicos. Estas entidades suponen una diferencia importante respecto a los rboles de decisin o a los modelos de Markov, en los cuales se especifican los resultados clnicos, estados o transiciones de los pacientes, pero stos en s no son caracterizados como elementos explcitos del modelo, tal como ocurre en los MSED.

Eventos

Es todo aquello que puede ocurrir durante la simulacin en funcin del proceso que estamos estudiando. Por ejemplo, un evento puede ser un efecto adverso, una admisin hospitalaria, el alta del hospital, un cambio de dosis o una baja laboral. El concepto de evento va ms all de las transiciones de los modelos de Markov, ya que la aparicin de un evento no necesariamente implica el cambio de estado de salud del paciente (p. ej., una visita al mdico). A pesar de que hay una secuencia temporal dada, los eventos pueden suceder de forma casi simultnea y pueden hacerlo en cualquier secuencia lgica en relacin con la historia plausible del proceso de estudio (p. ej., fallo en un rgano diana o fallo multiorgnico en un paciente con sepsis). Al contrario que en los modelos de Markov, estos eventos no presentan ningn tipo de restriccin de memoria.

Los riesgos de que los diferentes eventos ocurran pueden tomar la forma de funciones dependientes de los datos y depender de algunos atributos y variables. Estas funciones pueden cambiar durante la simulacin.

Variables Las variables definen el modelo y reflejan una caracterstica del conjunto, no de entidades especficas. Son especificaciones que se mantienen a lo largo del modelo, aunque sus valores pueden cambiar durante el proceso de simulacin, y van a definir el entorno de la simulacin afectndolo a lo largo de todo el proceso. Las variables de uso comn son: el horizonte temporal (duracin de la simulacin), las tasas de descuento para los costos y los beneficios, las tasas de incidencia, la proporcin de cada tratamiento al inicio, la tasa de admisin o la perspectiva de uso. Slo hay una copia de cada variable que se mantiene para todo el modelo.

Recursos Definidos en un tiempo determinado, su consumo lleva asociado el gasto de una serie de unidades de dichos recursos en momentos de tiempo concretos. En el mbito sanitario estos recursos se pueden dividir en personas (mdicos, enfermeras, cuidadores), bienes (medicamentos, pruebas de laboratorio), espacios (camas hospitalarias, quirfanos) entre otros.

Algunos recursos pueden consumirse de manera simultnea en un momento dado, pero lo ms frecuente es que las entidades tengan que competir por estos recursos, que adems tienen un costo unitario de uso. Un recurso puede tener diferentes unidades de capacidad (pensemos, por ejemplo, en las camas en una sala de emergencia o en el nmero de mdicos en una zona geogrfica determinada).

Acumuladores estadsticos Son variables que acumulan la informacin de lo que ha pasado sin participar en el suceso mismo, es decir, son pasivos. Dependen de la caracterizacin de los resultados pedidos al modelo. Al final de la simulacin, se usan para obtener el resultado final, y las medidas de stos (cocientes costo efectividad). Algunos ejemplos de acumuladores estadsticos son la supervivencia, los costos asociados a los pacientes o el nmero de visitas en un tiempo determinado.

Colas Cuando un paciente utiliza un determinado recurso, ste deja de estar disponible para el resto de los pacientes, lo cual puede generar colas en el sistema. Esta situacin no suele tenerse en cuenta en otro tipo de modelos, en los que los recursos parecen gozar de una capacidad infinita (lo cual est alejado de la mxima de la escasez de recursos en funcin de las necesidades de la poblacin, que es una caracterstica de la toma de decisiones en sanidad). Esta conceptualizacin est vinculada a la idea del costo de oportunidad de los recursos en la propia estructura del modelo.

Retrasos Se pueden generar 2 tipos de retrasos: explcitos, que son los que se generan por algn tipo de accin o proceso (p. ej., la duracin de los exmenes mdicos), e implcitos, causados por otras acciones o condiciones en la simulacin del modelo (p. ej., colas para acceder a una prueba diagnstica).

Cuando se escribe un programa de simulacin para MSED se puede realizar una aproximacin del esquema temporal de funcionamiento de las entidades en el sistema. As, deber describirse la secuencia de eventos y actividades que realizarn las entidades durante su estancia en el sistema y cmo se modificarn. Algunos de los

sistemas ms estudiados son los problemas de colas que se aplican en determinadas situaciones, como la espera que deben tener los pacientes entre visita y visita, si los centros donde son tratados no pueden absorber toda su demanda (p. ej., en un centro e instante de tiempo slo puede ser tratado un paciente a la vez). A modo de resumen, para llevar a cabo la simulacin del sistema se deben seguir una serie de etapas, ampliamente identificadas y discutidas en la literatura cientfica (Figura):

Clasificacin de modelos 1. Esttico. Las variables de estado no dependen del tiempo 2. Dinmico. El valor de las variables de estado es modificado en el tiempo 3. Determinista. Si el sistema no contiene ningn elemento aleatorio es un sistema determinstico. 4. Estocstico. En este caso algn elemento del sistema tiene una conducta aleatoria. Para valores de entradas conocidas no es posible asegurar los valores de salida.

5. Continuo. Se tiene un sistema continuo cuando las relaciones funcionales entre las variables del sistema slo permiten que el estado evolucione en el tiempo en forma continua (basta que una variable evolucione continuamente).Matemticamente, el estado cambia en infinitos puntos de tiempo. 6. Discreto. Se tiene un sistema discreto cuando las relaciones funcionales del sistema slo permiten que el estado vare en un conjunto finito (contable) de puntos temporales. Las causas instantneas de los cambios de estados se denominan eventos.

1.4. Sistemas, Modelos y Control Un Sistema se define como una coleccin de entidades (por ejemplo, personas, mquinas, etc.) que actan e interactan juntas para lograr un fin comn. En la prctica, qu se entiende por sistema?, depende de los objetivos del estudio particular que se pretenda hacer. El conjunto de entidades que componen el sistema para un estudio puede ser slo un conjunto de todas las entidades utilizadas para otro estudio.

Se puede definir el estado de un sistema con un conjunto de variables necesarias para describir el sistema en un punto particular de tiempo, relativo a los objetivos del estudio. Los sistemas se pueden clasificar en dos tipos, discretos y continuos. Un sistema discreto es aquel en el que las variables de estado cambian instantneamente en puntos separados en el tiempo. Un sistema continuo es aquel en el que las variables de estado cambian continuamente con respecto al tiempo. En la prctica muchos sistemas no son completamente discretos o continuos, usualmente es posible clasificarlos en base al tipo de cambios que predominen en el mismo.

En algunos momentos en la vida de un sistema es necesario estudiar el mismo para entender las relaciones entre sus componentes o predecir su comportamiento bajo nuevas condiciones que se consideran. Existen diferentes formas de estudiar un sistema (Figura 1.1):

Experimentar sobre el sistema actual frente a experimentar con un modelo del sistema. Lo primero es preferible siempre y cuando se pueda alterar el sistema con las nuevas condiciones y no sea muy costoso. Sin embargo es muy raro que esto se pueda llevar a cabo, ya que normalmente estos experimentos suelen ser muy

costosos o muy destructivos para el sistema. Incluso puede ocurrir que el sistema no exista pero se quiera estudiar posibles alternativas de construccin del mismo (sistemas de fabricacin, armas nucleares, etc.). Por estas razones es necesario construir un modelo que represente al sistema y estudiar ste para poder responder a las cuestiones planteadas sobre el sistema.

Modelo fsico frente a modelo matemtico: Para muchos la palabra modelo, evoca imgenes de miniaturas, cabinas separadas de los aviones para el entrenamiento de los pilotos, etc. Estos son ejemplos de modelos fsicos (tambin conocidos como modelos icnicos). Sin embargo la mayora de los modelos construidos para estudiar los sistemas son matemticos, los cuales representan un sistema en trminos de relaciones cuantitativas y lgicas que pueden ser cambiadas para ver cmo el modelo reacciona y ver as como debera comportarse el sistema, si el modelo es vlido.

Solucin Analtica frente a Simulacin: Una vez que se ha construido un modelo matemtico, ste debe examinarse para poder concluir el comportamiento del sistema y as responder a las cuestiones planteadas sobre el mismo. Si el modelo es simple, es posible trabajar con estas cantidades y relaciones y obtener una solucin analtica exacta. Sin embargo hay veces en las que obtener una solucin analtica resulta complejo y necesita muchos recursos de computacin. En estos casos el modelo puede ser estudiado por medio de simulacin, es decir, se ejercita el modelo numricamente por medio de entradas para ver cmo stas afectan a las medidas de salida o ejecucin.

Los modelos deben contener slo los aspectos esenciales del sistema real que representan. Aquellos aspectos del sistema que no contribuyen significativamente en su comportamiento no se deben incluir, ya que lo que haran sera obscurecer las relaciones entre las entradas y las salidas. En qu punto se debe parar de incluir realismo en el modelo? Esto depende del propsito para el cual el modelo se haya desarrollado.

Caractersticas que deben presentar los modelos: Deben ser fciles de entender y manejar. Deben ser simples y de costo no excesivo. Deben ser una buena aproximacin del sistema real, que controle el mayor nmero posible de aspectos del mismo y que stos contribuyan de forma significativa al sistema (hay relaciones en el sistema que no son significativas y pueden obviarse en el modelo).

El diseo y control de modelos de modelos obliga a tener conocimientos de cuatro reas de conocimiento distintas:

Modelizacin: necesarios para disear el modelo que permita dar respuestas vlidas del sistema real que represente. El diseo es una fase muy importante, ya que los errores proporcionarn modelos falsos. Programacin: ya que el modelo se ha de implantar con un lenguaje de programacin. Probabilidad y Estadstica: la probabilidad es necesaria para definir y estudiar las variables aleatorias de las entradas, y la estadstica para permitir el diseo y anlisis de los experimentos. Mtodos Heursticos: para permitir llegar a una solucin buena del problema planteado.

Control: Es el elemento de verificacin de datos del sistema, mediante el cual, automticamente vuelve a traer los datos necesarios relacionados con la rutina de procedimiento que se controla. Un Sistema de Control est definido como un conjunto de componentes que pueden regular su propia conducta o la de otro sistema con el fin de lograr un funcionamiento predeterminado, de modo que reduzcan las probabilidades de fallos y se obtengan los resultados buscados. La finalidad de un sistema de control es conseguir, mediante la manipulacin de las variables de control, un dominio sobre las variables de salida, de modo que estas alcancen unos valores prefijados (consigna). 1.5. Mecanismos de tiempo fijo y tiempo variable Parte de la construccin de modelos es el mecanismo de avance de tiempo. Este depender de la aproximacin elegida para describir el comportamiento del sistema. Si se eligi la aproximacin de flujo fsico, este diagrama de flujo podra refinarse para convertirse en el diagrama de flujo del programa. Si se sigui la aproximacin de cambio de estado, el diagrama de flujo desarrollado debera describir el procedimiento que efecta los cambios de estado en el tiempo. Otros dos factores inciden en la construccin del diagrama de flujo del programa: elegir un mecanismo de avance del tiempo y el lenguaje de programacin que se seleccione.

Hay fundamentalmente dos formas de considerar el avance del tiempo en un modelo de simulacin: Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del modelo se comprueba despus de transcurrido cada uno de estos incrementos constantes. Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las comprobaciones y modificaciones de las variables afectadas se realizan slo despus de la ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la ocurrencia de un evento a otro. El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si se elige el incremento por eventos, el reloj se inicializa a 0, y se incrementa al siguiente tiempo en que vaya a ocurrir un suceso, en ese momento, en este momento de actualizacin del reloj se modifican las variables que se vean afectadas por la ocurrencia del suceso. Si por el contrario se elige un incremento de tiempo fijo, el reloj se inicia a 0 y se va actualizando cada vez que pase el incremento de tiempo fijado. En esos instantes se observar el sistema para realizar los cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o que por el contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender antes (por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir errores de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que sucede un suceso hasta que ste se computa (cuando el reloj se incrementa). Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido ningn suceso. Por el contrario si es demasiado grande se producirn muchos errores de redondeo y la dinmica del modelo ser ineficiente. Avance del reloj de simulacin segn los sucesos. Avance del reloj de simulacin en incrementos fijos.

1.6. Etapas de un Proyecto de simulacin

1. Definicin del sistema bajo estudio. En esta etapa es necesario conocer el sistema a modelar. Para ello se requiere saber qu origina el estudio de simulacin y establecer los supuestos del modelo: es conveniente definir con claridad las variables de decisin del modelo, determinar las interacciones entre stas y establecer con precisin los alcances y limitaciones que aquel podra llegar a tener. Antes de concluir este paso es recomendable contar con la informacin suficiente para lograr establecer un modelo conceptual del sistema bajo estudio, incluyendo sus fronteras y todos los elementos que lo componen, adems de las interacciones entre stos, flujos de productos, personas y recursos, as como las variables de mayor inters para el problema. 2. Generacin del modelo de simulacin base. Una vez que se ha definido el sistema en trminos de un modelo conceptual, la siguiente etapa del estudio consiste en la generacin de un modelo de simulacin base. No es preciso que este modelo sea demasiado detallado, pues se requiere mucha ms informacin estadstica sobre el comportamiento de las variables de decisin del sistema. La generacin de este modelo es el primer reto para el programador de la simulacin, toda vez que debe traducir a un lenguaje de simulacin la informacin que se obtuvo en la etapa de definicin del sistema, incluyendo las interrelaciones de todos los posibles subsistemas que existan en el problema a modelar. En caso de que se requiera una animacin, ste tambin es un buen momento para definir qu grfico puede representar mejor el sistema que se modela. Igual que ocurre en otras ramas de la investigacin de operaciones, la simulacin exige ciencia y arte en la generacin de sus modelos. El realizador de un estudio de simulacin es, en este sentido, como un artista que debe usar toda su creatividad para realizar un buen modelo que refleje la realidad del problema que se est analizando. Conforme se avanza en el modelo base se pueden ir incluyendo las variables aleatorias del sistema, con sus respectivas distribuciones de probabilidad asociadas. 3. Recoleccin y anlisis de datos. De manera paralela a la generacin del modelo base, es posible comenzar la recopilacin de la informacin estadstica de las variables aleatorias del modelo. En esta etapa se debe determinar qu informacin es til para la determinacin de las distribuciones de probabilidad asociadas a cada una de las variables aleatorias innecesarias para la simulacin. Aunque en algunos casos se logra contar con datos estadsticos, suele suceder que el formato de almacenamiento o de generacin de reportes no es el apropiado para facilitar el

estudio. Por ello es muy importante dedicar el tiempo suficiente a esta actividad. De no contar con la informacin necesaria o en caso de desconfiar de la que se tiene disponible, ser necesario realizar un estudio estadstico del comportamiento de la variable que se desea identificar, para posteriormente incluirla en el modelo. El anlisis de los datos necesarios para asociar una distribucin de probabilidad a una variable aleatoria, as como las pruebas que se debe aplicar a los mismos, se analizarn ms adelante. Al finalizar la recoleccin y anlisis de datos para todas las variables del modelo, se tendrn las condiciones necesarias para generar una versin preliminar del problema que se est simulando. 4. Generacin del modelo preliminar. En esta etapa se integra la informacin obtenida a partir del anlisis de los datos, los supuestos del modelo y todos los datos que se requieran para tener un modelo lo ms cercano posible a la realidad del problema bajo estudio. En algunos casos sobre todo cuando se trata del diseo de un nuevo proceso o esquema de trabajo no se cuenta con informacin estadstica, por lo que debe estimarse un rango de variacin o determinar (con ayuda del cliente) valores constantes que permitan realizar el modelado. Si ste es el caso, el encargado de la simulacin puede, con base en su experiencia, realizar algunas sugerencias de distribuciones de probabilidad que comnmente se asocien al tipo de proceso que se desea incluir en el modelo. Al finalizar esta etapa el modelo est listo para su primera prueba: su verificacin o, en otras palabras, la comparacin con la realidad. 5. Verificacin del modelo. Una vez que se han identificado las distribuciones de probabilidad de las variables del modelo y se han implantado los supuestos acordados, es necesario realizar un proceso de verificacin de datos para comprobar la propiedad de la programacin del modelo, y comprobar que todos los parmetros usados en la simulacin funcionen correctamente. Ciertos problemas, en especial aquellos que requieren muchas operaciones de programacin o que involucran distribuciones de probabilidad difciles de programar, pueden ocasionar que el comportamiento del sistema sea muy diferente del que se esperaba. Por otro lado, no se debe descartar la posibilidad de que ocurran errores humanos al alimentar el modelo con la informacin. Incluso podra darse el caso de que los supuestos iniciales hayan cambiado una o varias veces durante el desarrollo del modelo. Por lo tanto, debemos asegurarnos de que el modelo que se va a ejecutar est basado en los ms actuales. Una vez que se ha completado la verificacin, el modelo est listo para su comparacin con la realidad del problema que se est modelando. A esta etapa se le conoce tambin como validacin del modelo.

6. Validacin del modelo. El proceso de validacin del modelo consiste en realizar una serie de pruebas al mismo, utilizando informacin de entrada real para observar su comportamiento y analizar sus resultados. Si el problema bajo simulacin involucra un proceso que se desea mejorar, el modelo debe someterse a prueba con las condiciones actuales de operacin, lo que nos dar como resultado un comportamiento similar al que se presenta realmente en nuestro proceso. Por otro lado, si se est diseando un nuevo proceso la validacin resulta ms complicada. Una manera de validar el modelo en este caso, consiste en introducir algunos escenarios sugeridos por el cliente y validar que el comportamiento sea congruente con las expectativas que se tienen de acuerdo con la experiencia. Cualquiera que sea la situacin importante que el analista conozca bien el modelo, de manera que pueda justificar aquellos comportamientos que sean contrarios a las experiencias de los especialistas en el proceso que participan de su validacin. 7. Generacin del modelo final. Una vez que el modelo se ha validado, el analista est listo para realizar la simulacin y estudiar el comportamiento del proceso. En caso de que se desee comparar escenarios diferentes para un mismo problema, ste ser el modelo raz; en tal situacin, el siguiente paso es la definicin de los escenarios a analizar. 8. Determinacin de los escenarios para el anlisis. Tras validar el modelo es necesario acordar con el cliente los escenarios que se quiere analizar. Una manera muy sencilla de determinarlos consiste en utilizar un escenario pesimista, uno optimista y uno intermedio para la variable de respuesta ms importante. Sin embargo, es preciso tomar en cuenta que no todas las variables se comportan, igual ante los cambios en los distintos escenarios, por lo que tal vez sea necesario que ms de una variable de respuesta se analice bajo las perspectivas pesimista, optimista e intermedia. El riesgo de esta situacin radica en que el analista podra caer en un diseo de experimentos capaz de generar una gran cantidad de rplicas, lo que redundara en un incremento considerable de costo, anlisis y tiempo de simulacin. Es por ello que muchos paquetes de simulacin cuentan con herramientas para realizar este proceso, eliminando la animacin y acortando los tiempos de simulacin. Estas herramientas permiten realizar varias rplicas del mismo escenario para obtener resultados con estadsticas importantes respecto de la toma de decisiones (por ejemplo, los intervalos de confianza).

Por su parte, el analista tambin puede contribuir a la seleccin de escenarios, sugiriendo aquellos que considere ms importantes; al hacerlo dar pie a que se reduzca el nmero de combinaciones posibles. 9. Anlisis de sensibilidad. Una vez que se obtienen los resultados de los escenarios es importante realizar pruebas estadsticas que permitan comparar los escenarios con los mejores resultados finales. Si dos de ellos tienen resultados similares ser necesario comparar sus intervalos de confianza respecto de la variable de respuesta final. Si no hay interseccin de intervalos podremos decir con certeza estadstica que los resultados no son iguales; sin embargo, si los intervalos se traslapan ser imposible determinar, estadsticamente hablando, que una solucin es mejor que otra. Si se desea obtener un escenario "ganador" en estos casos, ser necesario realizar ms rplicas de cada modelo y/o incrementar el tiempo de simulacin de cada corrida. Con ello se busca acortar los intervalos de confianza de las soluciones finales y, por consiguiente, incrementar la probabilidad de diferenciar las soluciones. 10. Documentacin del modelo, sugerencias y conclusiones. Una vez realizado el anlisis de los resultados, es necesario efectuar toda la documentacin del modelo.

Esta documentacin es muy importante, pues permitir el uso del modelo generado en caso de que se requieran ajustes futuros. En ella se deben incluir los supuestos del modelo, las distribuciones asociadas a sus variables, todos sus alcances y limitaciones y, en general, la totalidad de las consideraciones de programacin. Tambin es importante incluir sugerencias tanto del uso del modelo como sobre los resultados obtenidos, con el propsito de realizar un reporte ms completo. Por ltimo, debern presentarse asimismo las conclusiones del proyecto de simulacin, a partir de las cuales es posible obtener los reportes ejecutivos para la presentacin final.

Ventajas e inconvenientes de la simulacin de eventos discretos Como hemos visto hasta ahora, la simulacin es una de las diversas herramientas con las que cuenta el analista para tomar decisiones y mejorar sus procesos. Sin embargo, es necesario destacar que, como todas las dems opciones de que disponemos, la simulacin de eventos discretos presenta ventajas y desventajas que, es preciso tomar en cuenta al determinar si es apta para resolver un problema determinado.

Dentro de las ventajas ms comunes que ofrece la simulacin podemos citar las siguientes:

a) Es muy buena herramienta para conocer el impacto de los cambios en los procesos sin necesidad de llevarlos a cabo en la realidad. b) Mejora el conocimiento del proceso actual al permitir que el analista vea cmo se comporta el modelo generado bajo diferentes escenarios. c) Puede utilizarse como medio de capacitacin para la toma de decisiones. d) Es ms econmico realizar un estudio de simulacin que hacer muchos cambios en los procesos reales. e) Permite probar varios escenarios en busca de las mejores condiciones de trabajo de los procesos que se simulan. f) En problemas de gran complejidad, la simulacin permite generar una buena solucin. g) En la actualidad los paquetes de software para simulacin tienden a ser ms sencillos, lo que facilita su aplicacin. h) Gracias a las herramientas de animacin que forman parte de muchos de esos paquetes es posible ver cmo se comportar un proceso una vez que sea mejorado.

Entre las desventajas que pueden llegar a presentar la simulacin estn: a) Aunque muchos paquetes de software permiten obtener el mejor escenario a partir de una combinacin de variaciones posibles, la simulacin no es una herramienta de optimizacin. b) La simulacin puede ser costosa cuando se quiere emplearla en problemas relativamente sencillos de resolver, en lugar de utilizar soluciones analticas que se han desarrollado de manera especfica para ese tipo de casos. c) Se requiere bastante tiempo generalmente meses para realizar un buen estudio de simulacin; por desgracia, no todos los analistas tienen la disposicin (o la oportunidad) de esperar ese tiempo para obtener una respuesta. d) Es preciso que el analista domine el uso del paquete de simulacin y que tenga slidos conocimientos de estadstica para interpretar los resultados.