SIMULACIÓN

INTRODUCCIÓN

Hemos revisado algunas de las características básicas de sistemas de colas. Las fórmulas que se han utilizado para calcular las características del sistema de colas de Poisson eran fáciles de utilizar. Sin embargo, esto no siempre ocurre en los sistemas de colas. Los patrones más complicados de llegadas, como también sistemas de servicios complicados, generalmente conducen a fórmulas más complicadas de colas. Otros métodos para estudiar un sistema de congestión es la Simulación Monte Carlo y el Método de Simulación Directa. Estos dos métodos exigen a menudo el empleo de una computadora; es decir de una máquina cuya concepción se basa en un modelo matemático determinado que permite reconstituir físicamente un fenómeno de organización.

Esta simulación puede adaptarse fácilmente para estudiar una variedad amplia de situaciones de negocios, siempre y cuando las alternativas sean fácilmente especificadas y los datos estén disponibles.

La simulación es un proceso para resolver un problema simulando el proceso con generadores de números aleatorios. Hay dos requisitos básicos para utilizar la simulación.

Requisito 1. Un modelo que represente las características esenciales del sistema.

Requisito 2. Un mecanismo para simular el modelo.

Usualmente, el modelo contiene una o más distribuciones de probabilidad que describen las variables estocásticas que se están estudiando. El mecanismo puede ser un generador de números aleatorios, una tabla de números aleatorios, o un lenguaje de simulación programada.

PROCEDIMIENTO GENERAL DE SIMULACIÓN.

Un procedimiento general para realizar un análisis de simulación puede describirse por medio del diagrama de flujo de la Figura 1.

 

 

 

 

 

 

 

 

 

 


Para el Paso 1 necesitamos desarrollar un modelo que describa las características claves del sistema que se está estudiando. Al desarrollar un modelo es importante determinar las variables de decisión[1] y las variables no controlables[2], como también especificar todas las relaciones que existen entre ambas.

 

CLASIFICACIÓN DEL SISTEMA.

 

El diseño de un modelo de simulación depende de clasificar el sistema como uno de dos tipos:

1.             Un sistema de eventos discretos, en el que el estado del sistema cambia sólo en ciertos puntos en el tiempo. A su vez, este puede clasificarse en:

1.1                  Sistemas de terminación, en el que existen puntos de inicio y terminación precisos y conocidos.

1.2                  Sistemas de no terminación, es aquel que está en curso y que carece de puntos de inicio y terminación precisos y conocidos.

2.             Un sistema continuo, en el que el estado del sistema cambia continuamente en el tiempo, es decir, a cada instante.

Cuando un sistema es de terminación, la longitud de la simulación (la cantidad de tiempo sobre la cual conducir la simulación con propósito de análisis) va de su punto de inicio a su punto de terminación. Para obtener resultados confiables en un sistema de este tipo, se necesita determinar cuántas veces repetir la simulación. En contraste, para un sistema de no terminación, necesita elegir no sólo el número de veces que debe repetir la simulación, sino también una longitud apropiada para cada simulación.

 

IDENTIFICACIÓN DE LOS COMPONENTES DE UNA SIMULACIÓN POR COMPUTADORA.

El diseño de los detalles de una simulación por computadora implica especificar los objetivos del estudio en la forma de salidas numéricas específicas. Entonces debe identificar las entradas necesarias, que caen en una de las siguientes categorías:

a)            Condiciones iniciales, que describen el estado de inicio del sistema.

b)            Datos determinísticos, que consisten en valores conocidos necesarios para realizar los cálculos en la obtención de las salidas.

c)             Datos probabilísticos, que consisten en aquellas cantidades cuyos valores son necesarios para obtener las salidas de la simulación, por que son inciertos. Aunque los valores específicos de estos datos probabilísticos se desconozcan, su comportamiento general debe conocerse mediante una distribución de probabilidad o una función de densidad dependiendo, respectivamente, de si los valores son discretos o continuos.

El Paso 2 es verificar o validar el modelo de simulación. Esto puede lograrse comparando las estadísticas desarrolladas para el modelo con estadísticas similares obtenidos de otros datos históricos del mismo sistema.

Entre los aspectos críticos de los Pasos 3 y 4 están la determinación del tamaño de la muestra (cuantas simulaciones se deben realizar) y la utilización de técnicas estadísticas correctas para analizar los resultados de una simulación.

La salida obtenida de una corrida de simulación es sólo uno de muchos valores posibles. Por consiguiente, en general, no puede confiar en el valor de salida de una sola corrida. Más bien, necesita repetir la corrida de simulación muchas veces, cada vez usando un número aleatorio uniforme inicial diferente, obteniendo así diferentes valores de salida.

En resumen, la simulación es un método que utiliza sistemas de “dispositivos aleatorios'', los sistemas del mundo real que contienen elementos claves de naturaleza probabilística. Consideremos ahora algunos ejemplos para ilustrar los conceptos básicos de simulación.

 

USO DEL MÉTODO DE MONTE CARLO (simulación sobre una muestra artificial)

 

Explicamos el método valiéndonos de un ejemplo.

Ejemplo 1 – Simulación del número de mostradores de servicio.

El Gerente de una empresa desea determinar el número óptimo de mostradores para un nuevo restaurante. El procedimiento que va a utilizar es el de muestreo simulado aleatorio. Ha decidido simular treinta periodos pico de 1 minuto. Por hipótesis ha supuesto las siguientes distribuciones de llegada y de servicio en el mostrador.

Sean A1, A2, …, A30 el número de clientes que llegan a un mostrador solicitando servicio en el minuto 1, 2, ..., 30. Entonces

P{A1 = 1} = ,                          P{A1 = 0} =

.

.

.

 

.

.

.

 
P{A2 = 1} = ,                          P{A2 = 0} =

 

P{A30 = 1} =        y                 P{A30 = 0} =

Esto es, espera ó 0 ó 1 llegada cada minuto y el número total de llegadas en un período de 30 minutos tiene una distribución binomial.

Para cada período simulará las llegadas lanzando una moneda. Una cara (=1) denota una llegada y un sello (=0) denotará no llegada. De acuerdo a la experiencia pasada, él conoce que el tiempo S que un cliente gasta (invierte) en el mostrador está entre 1 y 6 minutos. El gerente está incierto en la distribución exacta de los

tiempos de servicio. De acuerdo a esto, postula que la distribución del tiempo de

servicio es discreta uniforme entre 1 y 6 minutos. Ver Figura 2.

 

 


Figura 2

 
Como se mencionó previamente, se ha decidido simular el tiempo de servicio para cada cliente lanzando un dado. La Tabla 1 da el resultado de simular para un mostrador de servicio. La Columna 2 (debajo de Ai) de la Tabla 1 da el resultado de simular la distribución de llegada para cada período i de 1 minuto. Por ejemplo, llegadas que ocurren en los períodos 1, 2, 4, 6, 7, 9, 11, y así sucesivamente. La Columna 3 (debajo de Si) da el resultado de simular los tiempos de servicio para cada cliente que llega. Por ejemplo, el cliente que llega en el período 1 tiene un tiempo de servicio de 1 minuto, en el período 2 de 3 minutos, en el período 4 de 6 minutos, en el período 6 de 3 minutos y así sucesivamente.

____

  54

 

3

51

 

 

Además,

(En la Columna 4): Bi = tiempo en el cual el cliente que llegó en el período i empieza a recibir servicio.

(En la Columna 5): Ei = tiempo en el cual el cliente que llegó en el periodo i completó su servicio (o dejó el sistema).

Por ejemplo, para el período 1 tenemos

B1 = 1 y E1 = S1 = 1

            B2 = 2      puesto que el cliente que llegó al principio del período 1 completó el servicio al final del período 1.

E2 = E1 + S2 = 1 + 3 = 4

= (tiempo en que se terminó el servicio del último cliente) +

(tiempo de servicio del cliente 3).

B3 y S3 no tienen valores, pues ningún cliente llegó al principio del período 3.

B4 = E2 + 1 = 4 + 1 = 5

E4 = E2 + S4 = 4 + 6 = 10

En general, para un cliente que llega al principio del período i:

Bi =

 
                               i                      Si él es el único cliente en la cola

                               Ei - 1 + 1         Si hay un cliente en la cola

 

 

 

y el cliente llegó al comenzar

el período i -1.

También,

Ei = Ei –1 + Si si un cliente que llegó al comenzar el período i – 1, (en la Columna 6 à Wq): Wi denota el tiempo de espera para el i-ésimo cliente.

Ahora

Wi = Bii

= (tiempo que el cliente llegó en el período i empezó a recibir servicio) – (tiempo en el que llegó al mostrador).

(En la Columna 7 à Ws): Ti denota el tiempo que el i-ésimo cliente gastó en el sistema = Si + Wi.

Después de completar la simulación estamos en capacidad de estimar las estadísticas importantes que describen el comportamiento de un mostrador, con un servidor como se muestra a continuación.

Tiempo esperado en cola:

 

 


Tiempo esperado total de permanencia en el sistema:

 

 


La Tabla 2 da el resultado de la simulación del sistema con dos mostradores de verificación. Las primeras tres columnas de la Tabla 2 son idénticas a las columnas correspondientes de la Tabla 1. Las otras fórmulas de cálculo para Ei, Wi y Ti también se aplican al sistema de dos mostradores excepto para la determinación de Bi, el tiempo en que el i-ésimo cliente empieza a recibir servicio.

Ahora Bi se determina por Ei –1 y Ei –2, los dos tiempos de servicio precedentes. Si i > Ei –1 ó i > Ei –2, entonces Bi=i. Si i £ Ei –1 o i £ Ei –2, entonces Bi=min(Ei –1, Ei –2) + 1.

 

Tiempo esperado en cola:

 

 


Tiempo esperado total de permanencia en el sistema:

 

 


Notamos que un mostrador de dos servicios tiene sustancialmente tiempo de espera y tiempo de espera más servicio más bajo por cliente (Tabla 3).

Tabla 3

ESTADÍSTICAS DE SIMULACIÓN

 

Un mostrador

Dos mostradores

Tiempo estimado

10,19 minutos

0,44 minutos

de espera

por cliente

por minutos

Tiempo en el

13,56 minutos

3,81 minutos

Sistema

por cliente

por minutos

 

GENERACIÓN DE RESULTADOS POSIBLES: TABLAS DE NÚMEROS ALEATORIOS.

En el Ejemplo 1 hemos visto que la simulación requiere la generación de resultados posibles. Utilizamos dos mecanismos para generar estos resultados probables.

Mecanismo 1. Una moneda “buena” para generar llegadas.

Mecanismo 2. Un dado “bueno” para generar tiempo de servicio.

Un tercer dispositivo para generar resultados es utilizar una tabla de números aleatorios (generados usualmente por medio de un programa de computador).

Ejemplo 2 – Simulación de un sistema de control de inventarios.

Sea Dt la demanda mensual de raquetas de tenis (recibidas por un distribuidor de artículos deportivos). De datos históricos se ha obtenido la siguiente distribución de probabilidad de Dt.

Dt para cualquier mes t es una variable no controlable. La variable controlable es el suministro O, para cualquier mes t. Sea St el número de raquetas vendidas en el mes t. Entonces:

St = Dt, si Dt < Ov

puesto que es política de la compañía vender al costo cualquier exceso de raquetas a su subsidiaria extranjera en el Japón, la utilidad total obtenida en la operación de un mes es:

(precio neto unitario de venta) * (número de raquetas vendidas) = $20 St.

Para resumir,

 

Cuadro de texto: MODELO QUE DEBE SIMULARSE
St = Dt		si	Dt £ Ot
St =Ot	 	si 	Dt > Ot’

Unidad total = $20St.
 

 

 

 

 


La compañía está considerando las dos políticas siguientes de pedido.

Política 1. Sea Ot = Dt -1

y

Política 2. Sea

¿Qué política proporcionaría la mayor utilidad?.

Un diagrama de flujo general para simular el problema de la raqueta de tenis se muestra en la Figura 3.

 

Escoja con Demanda Inicial, D0.

 
 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Primero simularemos la Política 1. Utilizando la distribución mensual de la demanda, obtenemos los siguientes intervalos de tres dígitos requeridos por el método de Monte Carlo.

 

 

Sean

D0 = demanda esperada = (0,25)(100) + (0,50)(200) + (0,25)(300)

= 25 + 100 + 75 = 200

Los cálculos de la simulación se dan en la tabla siguiente.

 

Política 1

 

Demanda Dt

Número

Cantidad vendida

Utilidad

D0 = 200

aleatorio

De raquetas Ot

mensual

D1 = 300

810

O1 = D0 = 200

40 000

D2 = 200

282

O2 = D1 = 300

40 000

D3 = 200

238

O3 = D2 = 200

40 000

D4 = 200

368

O4 = D3 = 200

40 000

D5 = 100

127

O5 = D4 = 200

20 000

D6 = 200

742

O6 = D5 = 100

20 000

D7 = 200

384

O7 = D6 = 200

40 000

D8 = 300

931

O8 = D7 = 200

40 000

D9 = 200

708

O9 = D8 = 300

40 000

D10 = 300

779

O10 = D9 = 200

40 000

 

 

 

$360 000

Utilidad mensual promedio = $360 000 / 10 = $36 000


Sea D0 = D1 = 200 unidades para la Política 2. Una simulación de 9 meses para la política 2, se da en la tabla siguiente.

 

Política 2

 

Demanda Dt

Número

Cantidad pedida

Utilidad

D0 = D1 = 200

aleatorio

mensual

D2 = 100

068

O2 = 200

20 000

D3 = 200

228

O3 = 150

30 000

D4 = 200

359

O4 = 150

30 000

D5 = 300

933

O5 = 200

40 000

D6 = 300

955

O6 = 250

50 000

D7 = 300

947

O7 = 300

60 000

D8 = 300

842

O8 = 300

60 000

D9 = 300

905

O9 = 300

60 000

D10 = 300

921

O10 = 300

60 000

 

 

 

$410 000

Utilidad mensual promedio = $410 000 / 9 = $45 556

 

Basados en la simulación de 10 y 9 meses, vemos que la Política 2 produce una mayor contribución a la utilidad promedia mensual que la Política 1. Sin embargo, debido al tamaño pequeño de la muestra (n = 10 y 9) podríamos vacilar en proponer par implementación la Política 2. En realidad, una simulación de 30 o más meses sería más deseable.

El Ejemplo 2 ilustra varios de los pasos importantes en un análisis de simulación. Varios comentarios son ahora realizados con el fin de obtener un buen análisis de simulación.

q                 Desarrollo del modelo - Definición del problema.

El desarrollo de un modelo con el fin de realizar un análisis de simulación difiere muy poco del modelo desarrollado para resolver poblemos de negocios. Básicamente, este comprende la especificación de metas e identificando la decisión relevante o las variables controlables como también las variables no controlables del problema que se debe analizar. Obviamente, las variables de decisión y las variables no controlables determinan el alcance que la meta (o metas) debe lograr.

q                 Especificaciones de las distribuciones de probabilidad.

Dos tipos de distribuciones de probabilidad pueden utilizarse en un análisis de simulación: distribuciones empíricas y distribuciones matemáticas.

q                 Determinación de las condiciones de partida para un análisis de simulación.

Las variables de decisión y las variables no controlables, por definición, adquirirán valores diferentes cuando la simulación progrese. Sin embargo, debe tomarse una decisión al empezar el análisis de simulación con respecto al valor adecuado de cada una de estas variables.

Para determinar “buenos” valores de partida para las variables y otros parámetros, el analista puede ignorar datos obtenidos en los períodos iniciales del análisis de simulación.

q                 Determinación del número de períodos que se deben simular.

La extensión de la corrida de simulación (usualmente dada en períodos de tiempo) depende críticamente de la meta de la simulación. Uno de los enfoques más comúnmente conocidos es correr el modelo de simulación hasta que los resultados presenten lo que se denomina una condición de equilibrio.

Otro enfoque es correr la simulación por un período de extensiones fijas, tales como 3 meses, 1 año, o 3 años, y así sucesivamente y analizar la razonabilidad de los resultados en términos de costos totales y promedios, así como también de frecuencias relativas.

q                 Lenguajes de simulación de propósitos especiales.

El interés difundido en el uso de simulación como un medio de analizar problemas complejos de negocios, ha dado lugar al desarrollo de diversos lenguajes de simulación. Estos lenguajes son tales que ciertas operaciones que se necesitan comúnmente en los estudios de simulación pueden realizarse fácilmente. Aunque el FORTRAN es capaz de hacer casi cualquier cosa que pueden hacer estos lenguajes especiales de simulación, el FORTRAN a menudo es menos eficiente en problemas de gran escala. Los representantes de los lenguajes populares de propósito especial son SIMSCRIPT (General Purpose Systems Simulation) y DYNAMO que es un lenguaje escrito especialmente para acomodar un desarrollo de Jay W. Forrester denominado “dinámica industrial”.

 

USO DEL MÉTODO DE SIMULACIÓN DIRECTA (sobre datos reales)

Vamos a estudiar, valiéndonos de un método gráfico, un fenómeno de espera constituido por una línea y una estación.

Ejemplo 3 – Simulación constituida por una línea y una estación.

Hemos obtenido los intervalos entre las llegadas de las unidades y los intervalos de servicio. La medida fue hecha sobre 20 unidades consecutivas; el lector notará que este número sería francamente insuficiente en la práctica y que no lo adoptamos aquí para evitar cálculos demasiado largos.

Un estudio estadístico mostró que la distribución de las llegadas era Poissoniana, en tanto que la de los intervalos de servicio no era exponencial. Los datos se proporcionan en la Tabla 4. Valiéndonos de ellos, construiremos el diagrama de la Figura 4 cuya construcción es casi evidente. Este diagrama permite obtener fácilmente los tiempos medios de espera en el sistema o en la línea; permite igualmente calcular los diversos valores medios n, v, p.

El tiempo medio de espera en el sistema, se obtendrá en forma muy aproximada haciendo la suma de los tiempos de espera en el sistema y dividiendo ese resultado entre 20; obtenemos así;

(Ecuación 1)

 
 


(Ecuación 2)

 

En la misma forma, para el tiempo medio de espera en la cola:

 

33,1

1,65

 
Cuadro de texto: Tabla 4


El tiempo de inactividad total de la estación:

La tasa de inactividad con relación al tiempo total:

Para calcular las probabilidades p0, p1, p2, p3 , calcularemos las relaciones:

En dónde Ti es el tiempo total durante el cual hay un número i de unidades en el sistema. Admitiremos en seguida que:

Esta manera de operar no es rigurosa, pero basta en la práctica.

Obtenemos así:



Figura 4: Representación gráfica de una línea de espera con una estación.

r :   Llegada de la unidad r

r’ :   Principio del servicio de la unidad r

r’’ :  Fin del servicio de la unidad r

tr =  Intervalo de tiempo entre la llegada de la unidad r y la de la unidad r + 1

sr = Tiempo de servicio de la unidad r

wr = Tiempo de espera en la línea de la unidad r

wr + sr = Tiempo de espera en el sistema de la unidad r

r’

 

r’’

 

                 Espera de una unidad en el servicio


                 Inactividad del servicio

Para obtener los intervalos en la línea junte las abscisas.

Admitiremos:

Calculado en esta forma, obtenemos:

Este método, para ser válido, debe aplicarse a una muestra de mayor tamaño, por ejemplo un centenar de unidades. El ejemplo ha sido dado para ilustrar el método y servir de introducción a la exposición más general que sigue:

Sean:

(1)  tr el intervalo de tiempo entre la llegada de la unidad r y la de la unidad r + 1;

(2)  sr el tiempo de servicio de la unidad r;

(3)  wr el tiempo de espera en la línea de la unidad r

Entonces:


La figura siguiente representa las dos situaciones posibles. (a) Se muestra el caso donde hay una espera; en (b) aquel en donde no existe espera.

La fórmula anterior, permite calcular fácilmente por recurrencia, las wr. Mostrémoslo valiéndonos del ejemplo precedente.

Se tiene:

Así que

Así que

Así que

Etc.

El conjunto de los cálculos se presenta en la tabla siguiente:

 

 

wa

sa

ta

wa + sa - ta

wa + 1

wa + sa

a

0

0,2

3,4

-3,2

0

0,2

b

0

4,0

1,8

2,2

2,2

4,0

c

2,2

0,1

4,2

-1,9

0

2,3

d

0

0,8

0,6

0,2

0,2

0,8

e

0,2

2,2

3,1

-0,7

0

2,4

f

0

6,7

4,5

2,2

2,2

6,7

g

2,2

0,7

0,3

2,6

2,6

2,9

h

2,6

0,5

1,7

1,4

1,4

3,1

i

1,4

0,4

2,2

-0,4

0

1,8

j

0

0,2

2,2

-2,0

0

0,2

k

0

0,4

0,2

0,2

0,2

0,4

l

0,2

1,4

0,6

1,0

1,0

1,6

m

1,0

0,2

1,0

0,2

0,2

1,2

n

0,2

0,1

0,2

0,1

0,1

0,3

o

1,0

3,4

0,7

2,8

2,8

3,5

p

2,8

1,4

1,1

3,1

3,1

4,2

q

3,1

2,2

2,7

2,6

2,6

5,3

r

2,6

2,9

3,4

2,1

2,1

5,5

s

2,1

2,5

0,6

4,0

4,0

4,6

t

4,0

2,8

7,8

-1,0

0

6,8

Total: 24,7

Total: 57,8

 

Esta tabla permite calcular el tiempo medio de espera en sistema y el tiempo medio de espera en la cola (Ecuación 1 y Ecuación 2). Para calcular el número medio de unidades en el sistema, o en la cola, se construirá una gráfica como la de la Figura 4, o bien la Tabla 5 que le corresponde. Sobre esta última tabla se observa que los acontecimientos se describen con referencia a un reloj teórico, cuyos intervalos de tiempo son los décimos de la unidad de tiempo seleccionada. Las llegadas y las salidas se registrarán en las columnas (2) y (5) y los totales se colocarán en las columnas (3) y (4).

Este tipo de cálculo presenta un interés particular si se estudian sistemas en cascada. Las salidas de un sistema se consideran entonces como las entradas del siguiente. Por otra parte, este procedimiento permite estudiar el régimen transitorio de un fenómeno de espera cuando el método analítico resulta demasiado complicado.

Tabla 5

 
(1)

(2)

(3)

(4)

(5)

 

(1)

(2)

(3)

(4)

(5)

0,1 t

Llegadas

Unidades en el sistema

Unidades en la línea

Salidas

 

0,1 t

Llegadas

Unidades en el sistema

Unidades en la línea

Salidas

0

1

1

0

 

 

71

 

2

1

 

1

 

1

0

 

 

72

 

2

1

 

2

 

0

0

1

 

73

 

2

1

 

3

 

0

0

 

 

74

 

1

0

1

4

 

0

0

 

 

75

 

0

0

1

5

 

0

0

 

 

76

 

0

0

 

6

 

0

0

 

 

77

 

0

0

 

7

 

0

0

 

 

78

 

0

0

 

 

 

 

 

 

 

 

 

 

 

 

30

 

0

0

 

 

93

 

0

0

 

31

 

0

0

 

 

94

1

1

0

 

32

 

0

0

 

 

95

 

1

0

 

33

 

0

0

 

 

96

 

1

0

 

34

1

1

0

 

 

97

 

1

0

 

35

 

1

0

 

 

98

 

1

0

 

36

 

1

0

 

 

99

 

1

0

 

37

 

1

0

 

 

100

1

2

1

 

 

 

 

 

 

 

101

 

2

1

 

50

 

1

0

 

 

102

 

1

0

1

51

 

1

0

 

 

103

 

1

0

 

52

1

2

1

 

 

104

 

1

0

 

53

 

2

1

 

 

 

 

 

 

 

54

 

2

1

 

 

124

 

0

0

1

55

 

2

1

 

 

125

 

0

0

 

 

 

 

 

 

 

126

 

0

0

 

 

 

 

 

 

 

127

 

0

0

 

 

 

 

 

 

 

128

 

0

0

 

 

 

 

 

 

 

129

 

0

0

 

 

 

 

 

 

 

130

 

0

0

 

 

 

 

 

 

 

131

1

1

0

 

 

 

 

 

 

 

132

 

1

0

 

q                 ¿Puede la Simulación sustituir a la experiencia?.

La experiencia es valorada en el mundo actual porque ayuda a tomar mejores decisiones en tiempos de crisis y cambio en la medida en que aporta conocimientos al respecto de los problemas y especialmente de sus causas.

En el trabajo diario las relaciones entre las decisiones realizadas y los resultados obtenidos no son fáciles de ver por el efecto de las demoras y la complejidad de las organizaciones. Además, teniendo en cuenta lo difícil que resulta tener un panorama completo del funcionamiento de las compañías, los directivos rara vez tendrán la oportunidad de entender el efecto completo que generan sus decisiones en el largo plazo.

Frente a estas barreras de aprendizaje, y la utilidad indiscutible que genera la experiencia y el entendimiento, simular las posibilidades de la organización y sus comportamientos resulta ser una herramienta muy práctica en la medida en que brinda la oportunidad de experimentar supuestos y aprender de los errores en un ambiente sin riesgo en el cual puede integrarse una visión holística de la organización a partir de los puntos de vista y las hipótesis de quienes la estén interpretando. De esta manera, será posible experimentar sobre un modelo que representa la organización como un sistema, el cual es definido por quienes interactúan diariamente con el. Lo importante entonces, es aprovechar este modelo para desarrollar un ambiente de aprendizaje en el cual sea posible entender la dinámica del sistema y tener una experiencia producida al entender cómo las decisiones afectan toda la organización.

La simulación se convierte entonces en un juego que se traduce en el reto de probar el sistema continuamente para entenderlo en su integridad y llegar a los límites en busca de mejores posibilidades de desempeño. De esta manera, será posible visualizar el impacto y alcance de las decisiones estratégicas para poder comunicarlas y generar un aprendizaje organizacional para el cambio.

 

SIMULACIÓN POR COMPUTADORA.

Resumiendo, la simulación por computadora es una herramienta útil para estudiar sistemas complejos que no pueden analizarse matemáticamente debido a lo siguiente:

1.        No es posible o práctico desarrollar una metodología de solución basándose en un análisis matemático.

2.        Aplicar un análisis matemático requiere supuestos adicionales acerca del modelo que no son aplicables o realistas.

La simulación por computadora permite diseñar y construir un modelo de computadora que imita el argumento real de un problema.

 

VENTAJAS Y DESVENTAJAS DE LA SIMULACIÓN POR COMPUTADORA.

 

Se identifican las siguientes desventajas de usar una simulación por computadora:

1)       Los resultados numéricos obtenidos se basan en el conjunto específico de números aleatorios, cuyos valores corresponden a sólo uno de los resultados posibles. Por lo tanto, los valores finales reportados en una simulación son sólo estimaciones de los valores reales que está buscando. Una mala decisión basada en los resultados de una simulación puede tener serias consecuencias financieras.

2)       Para obtener estimaciones más exactas y para minimizar la probabilidad de tomar una mala decisión, usted debería (a) hacer un gran número de ensayos en cada simulación y/o (b) repetir toda la simulación un gran número de veces.

3)       Cada simulación requiere su propio diseño especial para imitar el argumento real bajo la investigación y su propio programa de computadora asociado. Aunque es posible aprender y usar paquetes de software especializados, el esfuerzo de desarrollo en el diseño y programación de simulación del mundo real es extremadamente tardado.

Como resultado de estas desventajas, usted debería intentar resolver su problema usando técnicas analíticas siempre que sea posible. Hacer esto requiere menos esfuerzo y da como resultado respuestas exactas en vez de estimaciones. No obstante, a pesar de las desventajas, la simulación por computadora es una de las técnicas más comúnmente usadas porque ofrece las siguientes ventajas:

1)       La simulación le permite analizar grandes problemas complejos para los que no están disponibles resultados analíticos. De hecho, la mayoría de los problemas del mundo real encajan en esta categoría.

2)       Como con cualquier forma de simulación, la simulación por computadora permite que el tomador de decisiones experimente con muchas políticas y argumentos diferentes sin cambiar o experimentar realmente con el sistema existente real.

3)       La simulación por computadora le permite comprimir tiempo.

4)       Algunas técnicas analíticas requieren de experiencia matemática sofisticada tanto para utilizarlas como para comprenderlas. Una simulación por computadora puede requerir pocas o ningunas matemáticas complejas y por tanto, puede ser intuitivamente más comprensible.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

AUTORES:

 

PACHADO SÁNCHEZ, Fernando –

e-mail: dcajal@jujuytel.com.ar ó va_k@uol.com.ar

UCSE



[1] Variables de decisión: una cantidad cuyo valor se puede controlar y es necesario determinar para solucionar un problema de decisión; definen lo que se quiere hacer.

[2] Variables no controlables: una cantidad cuyo valor no se puede controlar pero que influye para solucionar un problema de decisión.