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 = Bi – i
= (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.
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.
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,
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
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 |
(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.