Simulación de Eventos Discretos (SED)
- Propuesto por
- Banks, Carson, Nelson & Nicol (textbook lineage); foundational work by Tocher & Conway (1960s)
- Año
- 1960s (formalized); modern computational form from 1970s onward
- Tipo
- Stochastic process simulation
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
La Simulación de Eventos Discretos (SED) es un paradigma de modelado computacional en el que el estado de un sistema cambia solo en una secuencia contable de puntos en el tiempo: los eventos.
Entre eventos nada cambia, por lo que el reloj de simulación salta directamente de un evento al siguiente. Formalizada a través de los textos fundacionales de Banks, Carson, Nelson y Nicol, y de Law en las décadas de 1960-2000, la SED se ha convertido en la herramienta estándar para analizar sistemas de colas, flujos de pacientes en atención médica, líneas de fabricación y redes logísticas donde las entidades se mueven a través de recursos a lo largo del tiempo.
La intuición detrás del método
Imagine un servicio de urgencias de un hospital: los pacientes llegan, esperan a una enfermera, reciben tratamiento y se van. La vida real no se actualiza cada milisegundo: cambia solo cuando sucede algo: llega un paciente, una enfermera queda libre o un paciente es dado de alta. La SED captura exactamente esta lógica. La simulación mantiene una lista ordenada de eventos futuros y los procesa uno por uno, avanzando un reloj virtual a cada tiempo de evento en lugar de avanzar cada milisegundo. Esto la hace rápida incluso para sistemas complejos, y permite a los analistas preguntar '¿qué pasaría si añadimos una enfermera más?' o '¿qué pasaría si las llegadas se duplican los lunes?' sin tocar el sistema real.
Historia
Los fundamentos de la SED fueron sentados a finales de la década de 1950 y principios de la de 1960 por investigadores como K.D. Tocher y R.W. Conway, quienes desarrollaron los primeros lenguajes de simulación de propósito general (GSP, GPSS). El paradigma de programación de eventos —mantener una lista de eventos futuros ordenada por tiempo— se convirtió en estándar en la década de 1970. El libro de texto de Banks, Carson, Nelson y Nicol (primera edición 1984, ahora en su quinta edición, 2010) y el volumen complementario de Law (primera edición 1982, ahora en su quinta edición, 2015) consolidaron la metodología, los procedimientos de análisis de salida y las técnicas de modelado de entrada que definen la práctica moderna. La SED se extendió rápidamente a través de la investigación de operaciones, la ingeniería industrial y la gestión de la atención médica, y hoy en día se implementa tanto en bibliotecas de código abierto (SimPy, simmer) como en plataformas comerciales.
Cuándo usarlo
La SED es adecuada siempre que un sistema pueda describirse como entidades discretas que se mueven a través de recursos gobernados por tiempos de llegada y servicio estocásticos. Es la opción apropiada para sistemas de colas, flujo de pacientes en servicios de urgencias y salas de hospital, análisis de rendimiento de fabricación y cadenas de suministro, dotación de personal en centros de llamadas y enrutamiento logístico, dondequiera que el analista necesite evaluar la capacidad, los cuellos de botella o los escenarios 'qué pasaría si' sin experimentar con el sistema real. No se requiere suposición de normalidad. El número de réplicas debe ser suficiente (típicamente al menos 30, o ≥1000 para intervalos de confianza estrechos); con muy pocas réplicas, los resultados de la SED no son fiables y un modelo analítico de colas puede ser preferible. Las entradas de distribución (distribuciones de tiempo de llegada y servicio) deben estimarse a partir de datos históricos; cuando no existen datos, se necesita la elicitación de expertos o ejecuciones piloto.
Limitaciones y consideraciones
- Incertidumbre de entrada: los resultados solo son tan fiables como las distribuciones de llegada y servicio ajustadas.
- Sesgo del período de calentamiento: ignorar el período de calentamiento infla o desinfla las estimaciones de estado estacionario.
- Réplicas: muy pocas réplicas (menos de ~30) producen intervalos de confianza amplios que hacen que las comparaciones de escenarios no sean fiables.
- Costo computacional: los modelos complejos con muchas entidades y recursos pueden requerir un tiempo de ejecución sustancial para lograr intervalos de confianza estrechos.
- La validación del modelo requiere datos históricos para la verificación; los procesos mal mapeados conducen a resultados engañosos.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Maneja procesos complejos y no lineales —contención de recursos, enrutamiento variable, colas de prioridad— que los modelos analíticos de colas no pueden representar.
- Produce intervalos de confianza realistas a través de réplicas independientes, haciendo explícita la incertidumbre.
- Soporta la experimentación 'qué pasaría si' y la comparación de escenarios sin interrumpir el sistema real.
- No hay suposiciones de distribución sobre los resultados; se puede acomodar cualquier distribución de entrada.
- Aplicable en una amplia gama de dominios —salud, fabricación, logística, operaciones de servicios— sin cambiar el paradigma central.
Aplicaciones
- Flujo de pacientes en urgencias: evaluación de niveles de personal, políticas de triaje y capacidad de camas para reducir los tiempos de espera.
- Rendimiento de fabricación: identificación de estaciones de trabajo cuellos de botella, dimensionamiento de búferes y planificación de horarios de turnos.
- Cadena de suministro y logística: modelado de operaciones de almacén, enrutamiento de entregas y reposición de inventario bajo demanda estocástica.
- Dotación de personal en centros de llamadas: determinación del número de agentes y reglas de enrutamiento para cumplir los acuerdos de nivel de servicio.
- Operaciones de aeropuertos y puertos: simulación de asignación de puertas, manejo en tierra y rendimiento de carga.
Cómo funciona
Cómo funciona
El analista mapea el proceso real: entidades (pacientes, trabajos, vehículos), recursos (enfermeras, máquinas, camiones), colas y lógica de enrutamiento. Este modelo conceptual es el plano para todo lo que sigue: los mapas de procesos vagos producen simulaciones poco fiables.
Los tiempos entre llegadas y las duraciones de servicio se ajustan a distribuciones de probabilidad —típicamente exponencial, Erlang, log-normal o empírica— utilizando datos históricos y pruebas de bondad de ajuste. La entrada de distribución es la principal fuente de incertidumbre en la SED; si los datos son escasos, los análisis de sensibilidad a través de familias de distribuciones plausibles son esenciales.
Se inicializa el calendario de eventos (lista de eventos futuros). Cada tipo de evento (llegada, inicio de servicio, fin de servicio, salida) se codifica con las transiciones de estado que provoca. Un flujo de números aleatorios impulsa cada elemento estocástico, y se asignan flujos separados a los procesos de llegada y servicio para que las técnicas de reducción de varianza, como los números aleatorios comunes, puedan aplicarse más tarde.
La simulación se ejecuta durante un período de calentamiento antes de que se recopilen las estadísticas. En el tiempo cero, el sistema suele estar vacío: una condición inicial artificial que sesga las estimaciones de estado estacionario. El período de calentamiento (estimado por el método de Welch o similar) permite que el sistema alcance el equilibrio estadístico antes de que comience la medición.
Se ejecutan múltiples réplicas independientes, cada una utilizando una semilla aleatoria diferente. Las réplicas, no las observaciones dentro de una sola ejecución, son las unidades de análisis estadístico. Se recomiendan al menos 30 réplicas para una estimación fiable del intervalo de confianza; el número requerido puede determinarse mediante un procedimiento piloto secuencial.
Se calculan estadísticas resumidas —tiempo medio de espera, rendimiento, utilización de recursos— a través de réplicas y se informan con intervalos de confianza del 95%. Si el intervalo de confianza es demasiado amplio, se aplican más réplicas o técnicas de reducción de varianza. Las comparaciones de escenarios utilizan las mismas semillas aleatorias (números aleatorios comunes) para reducir el ruido entre escenarios.
Errores comunes
- Ejecutar menos de 1000 réplicas cuando se necesitan intervalos de confianza estrechos — utilice un procedimiento piloto secuencial para determinar el número mínimo requerido.
- Omitir o subdimensionar el período de calentamiento — las métricas de estado estacionario recopiladas de un sistema vacío en el tiempo cero están sesgadas a la baja para la utilización y al alza para los tiempos de espera.
- Usar una sola ejecución larga en lugar de múltiples réplicas independientes — las observaciones dentro de una ejecución están autocorrelacionadas y no pueden tratarse como puntos de datos independientes para la estimación del intervalo de confianza.
- Ajustar la familia de distribución incorrecta a los tiempos de llegada o servicio — siempre realice pruebas formales de bondad de ajuste e inspeccione la distribución ajustada frente a los datos empíricos antes de aceptarla.
- Confundir la SED con la simulación continua — la SED es apropiada para sistemas donde los cambios de estado se basan en eventos; para stocks y flujos que evolucionan continuamente, la dinámica de sistemas es el paradigma correcto.
Preguntas frecuentes
¿Cuántas réplicas necesito?
Un mínimo de 30 réplicas independientes es un punto de partida común para el análisis preliminar, pero los intervalos de confianza estrechos para la toma de decisiones suelen requerir 100-1000 o más. Utilice un procedimiento piloto secuencial: ejecute un lote inicial de 10-30 réplicas, estime la varianza, luego calcule las réplicas adicionales necesarias para lograr su ancho de banda objetivo.
¿Cómo determino el período de calentamiento?
El método gráfico de Welch es el enfoque más utilizado: trace un promedio móvil de la métrica de rendimiento a lo largo del tiempo e identifique el punto en el que se estabiliza. Alternativamente, utilice la prueba de Mecklenburg-White o simplemente ejecute el modelo el tiempo suficiente para que el calentamiento represente menos del 10% de la longitud total de la ejecución. Omitir el calentamiento sesga las estimaciones de estado estacionario.
¿Cuándo debo usar SED en lugar de un modelo analítico de colas?
Los modelos analíticos de colas (M/M/c y variantes) proporcionan resultados exactos o aproximados de forma cerrada para sistemas simples e idealizados. Utilice la SED cuando el proceso tenga enrutamiento complejo, múltiples tipos de recursos en competencia, tiempos de servicio no exponenciales, llegadas por lotes o tasas de llegada variables en el tiempo, situaciones en las que las soluciones analíticas no están disponibles o requieren suposiciones simplificadoras poco realistas.
¿Qué pasa si no tengo datos históricos para ajustar las distribuciones?
La elicitación de expertos (por ejemplo, estimaciones mínima, más probable y máxima para ajustar una distribución triangular) es un recurso aceptado para modelos preliminares. Realice análisis de sensibilidad a través de familias de distribuciones plausibles para comprender cómo la incertidumbre de entrada se propaga a la incertidumbre de salida. Recopile datos reales a medida que el modelo madura.
Métodos relacionados
Fuentes
Banks, J., Carson, J.S., Nelson, B.L. & Nicol, D.M. (2010). Discrete-Event System Simulation (5th ed.). Pearson.
ISBN: 978-0136062127Copiado.Law, A.M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill.
ISBN: 978-0073401324Copiado.