Modelado de simulación

Modelado de simulación (del inglés simulation modeling) es un método de investigación en el que un sistema real se sustituye por su modelo, que reproduce con suficiente precisión la estructura y el comportamiento del sistema. En general, un modelo de simulación se entiende como un sistema de software (un modelo computacional) con el que se pueden realizar experimentos computacionales: «ejecutar» el modelo en un ordenador con diferentes conjuntos de parámetros de entrada y analizar los resultados obtenidos.

El objetivo de este modelado es comprender las propiedades del sistema estudiado o evaluar las consecuencias de diversas estrategias para su funcionamiento sin realizar experimentos directos en el objeto real. Este método se considera un caso particular del modelado matemático, que presupone que la solución analítica (formulada) del problema es desconocida o demasiado compleja de obtener. Un modelo de simulación reproduce el curso de los procesos en el tiempo, a menudo con la participación de factores aleatorios, y permite obtener estimaciones numéricas de las características del sistema mediante el procesamiento estadístico de los resultados de múltiples ejecuciones del modelo.

Propiedades y teoremas clave

El modelado de simulación, a diferencia del analítico, proporciona un resultado en forma de un conjunto de realizaciones numéricas, en lugar de una fórmula explícita. Por lo tanto, para obtener información fiable sobre el sistema estudiado, es necesario realizar una serie de experimentos con el modelo y procesar los resultados estadísticamente.

Fundamentos estadísticos

• Ley de los grandes números: La propiedad más importante que subyace a este método. Según esta ley, al aumentar el número de ejecuciones independientes del modelo (el número de realizaciones aleatorias), los valores medios de las características de salida tienden a sus esperanzas matemáticas teóricas.
• Teorema del límite central: Este resultado permite evaluar la precisión de los resultados de la simulación. Establece que la desviación del valor medio obtenido en $N$ ejecuciones independientes con respecto al valor medio verdadero es aproximadamente proporcional a $1/\sqrt{N}$. Esto permite construir intervalos de confianza para las estimaciones obtenidas.
• Ley de Little: En la teoría de colas, esta ley ($\bar{L}=\lambda \bar{W}$) relaciona el número medio de solicitudes en el sistema ($\bar{L}$), la intensidad de su llegada ($\lambda$), y el tiempo medio de permanencia en el sistema ($\bar{W}$). Sirve como una herramienta importante para la verificación (comprobación de la corrección) de los modelos de simulación de colas.

Paradigmas principales de modelado

En el modelado de simulación se distinguen varios enfoques, que difieren en el nivel de abstracción y el tipo de proceso considerado.

• Modelado de eventos discretos (del inglés Discrete-Event Simulation, DES): Se centra en eventos que cambian el estado del sistema en momentos discretos del tiempo (por ejemplo, la llegada de un cliente o la finalización de un servicio). Es el paradigma dominante en la investigación de operaciones para el análisis de sistemas de colas, cadenas logísticas y líneas de producción.
• Dinámica de sistemas (del inglés System Dynamics, SD): Opera con variables agregadas y modela la dinámica continua de los sistemas mediante la resolución de sistemas de ecuaciones diferenciales. Es adecuado para el análisis de sistemas socioeconómicos complejos.
• Modelado basado en agentes (del inglés Agent-Based Modeling, ABM): Considera el sistema como un conjunto de objetos autónomos (agentes), cada uno de los cuales actúa según reglas predefinidas. El comportamiento global del sistema surge como resultado de la interacción de múltiples agentes. Se utiliza para modelar sistemas sociales, epidemias y mercados.

En la práctica moderna, a menudo se utilizan herramientas multiparadigma (por ejemplo, AnyLogic) que permiten combinar estos enfoques en un solo modelo.

Ejemplos

Ejemplo 1: Sistema de colas M/M/1

Consideremos un sistema con un solo canal de servicio, un flujo de llegadas de Poisson con una tasa $\lambda$ y un tiempo de servicio exponencial con una tasa $\mu$ ($\lambda <\mu$). Analíticamente, se sabe que la longitud media de la cola en estado estacionario es $L={\rho }^2/(1-\rho )$, donde $\rho =\lambda /\mu$. Un modelo de simulación de este sistema, después de ejecutar un número suficiente de solicitudes, mostrará un valor medio empírico de la longitud de la cola cercano al teórico. Por ejemplo, con $\lambda =2$ y $\mu =3$, el valor teórico es $L=4$. El resultado de la simulación podría dar $\bar{L}\approx 3.98$, lo que confirma la corrección del modelo.

Ejemplo 2: Método de Montecarlo para calcular el número π

El método de Montecarlo es un caso particular del modelado de simulación. Para estimar el número π se puede inscribir un cuarto de círculo de radio 1 en un cuadrado unitario. A continuación, se «lanzan» aleatoriamente un gran número de puntos $N$ en este cuadrado. La relación entre el número de puntos que caen dentro del cuarto de círculo ($K$) y el número total de puntos $N$ será aproximadamente igual a la relación de sus áreas: $K/N\approx (\pi \cdot 1^2/4)/1^2=\pi /4$. De aquí se deduce que $\pi \approx 4K/N$. Este enfoque se utiliza ampliamente para resolver problemas de integración multidimensional y en el análisis probabilístico.

Aplicación en la investigación de operaciones

El modelado de simulación es una de las herramientas clave de la investigación de operaciones, especialmente cuando el sistema es demasiado complejo para una solución analítica. Tradicionalmente, se consideraba el «método de último recurso», pero el desarrollo de la tecnología computacional lo ha convertido en una herramienta estándar y potente para resolver tareas como:

• Producción y logística: análisis de líneas de producción, gestión de inventarios, diseño de almacenes y redes de transporte.
• Sector de servicios: optimización del funcionamiento de centros de llamadas, hospitales (modelado de flujos de pacientes), bancos.
• Economía y finanzas: análisis de procesos de negocio, evaluación de riesgos, modelado del movimiento de precios de activos financieros.
• Gemelos digitales (del inglés Digital Twin): una dirección moderna en la que se crea un modelo de simulación constantemente actualizado de un objeto físico específico (una máquina herramienta, un automóvil, un edificio), que recibe datos sincronizados del objeto real. Esto permite predecir el comportamiento y optimizar la gestión en tiempo real.

Véase también

• Dinámica de sistemas
• Investigación de operaciones