De cero a listo para defender. Seguí los pasos en orden.
Si tenés menos tiempo, priorizá los pasos 1, 3 y 5. Con eso ya podés sostenerte en la defensa.
Tu guión para la defensa oral. Expandí cada bloque. Cronometrate mientras practicás.
Un texto narrativo que explica todo el trabajo de forma que se pueda retener. Leelo de corrido una vez. Después otra vez marcando lo que no entendiste.
Este texto cuenta el trabajo como una historia con lógica: por qué existe el problema, cómo se fue resolviendo históricamente, qué hicimos nosotros y qué demostramos. Si entendés la lógica, no necesitás memorizar de memoria: podés reconstruir las respuestas en el momento.
Imaginá que sos el encargado de una caja de supermercado. Querés saber: si entran 10 clientes por hora, y cada cliente tarda en promedio 4 minutos en ser atendido, ¿cuánto tiempo promedio va a esperar una persona en la fila?
Esa pregunta parece simple, pero tiene trampa. La respuesta no es solo dividir números. El tiempo de espera depende de cuándo llega cada cliente, de cuánto tarda cada atención (que varía), y de si el cajero está libre u ocupado cuando alguien llega. Es un sistema con aleatoriedad.
Este tipo de sistemas, donde entidades compiten por recursos limitados, se llaman sistemas de colas. Pueden ser clientes en una caja, aviones esperando pista, paquetes en una red, o pedidos en un servidor.
Si no analizás bien el sistema, tomás decisiones malas. Por ejemplo: "agreguemos otro cajero" puede no resolver nada si el problema es que los clientes llegan todos juntos en ciertos horarios. Sin análisis, tirás plata.
La rama de la matemática que estudia estos sistemas se llama Teoría de Colas. La fundó un ingeniero danés llamado A.K. Erlang en 1909 para optimizar redes telefónicas. Más de 100 años después, sus ideas siguen siendo la base.
El modelo más estudiado de la teoría de colas se llama M/M/1. Cada letra tiene un significado:
Primera M: las llegadas siguen una distribución de Poisson. Es decir, los clientes llegan de forma aleatoria a una tasa promedio constante que llamamos λ (lambda). En nuestro caso: λ = 10 clientes por hora.
Segunda M: los tiempos de atención siguen una distribución exponencial. La tasa promedio de servicio es μ (mu). En nuestro caso: μ = 15 clientes por hora.
1: hay un único servidor atendiendo.
Con estos tres datos, la Teoría de Colas puede darte fórmulas exactas para saber cuánto tiempo promedio espera alguien, cuánta gente hay en la fila en promedio, y qué tan ocupado está el servidor.
Antes de aplicar las fórmulas, hay que verificar una condición fundamental: que el sistema sea estable. La estabilidad se mide con un número llamado ρ (rho), el factor de utilización:
Este número dice que el servidor está ocupado el 66.7% del tiempo. Para que el sistema sea estable, ρ tiene que ser menor a 1. Si ρ ≥ 1, significa que llegan clientes más rápido de lo que se pueden atender, y la cola crece infinitamente. Nuestro sistema tiene ρ = 0.667, así que está en zona segura.
L (entidades promedio en el sistema) = ρ / (1 − ρ) = 0.667 / 0.333 = 2.00
Lq (entidades promedio en la cola) = ρ² / (1 − ρ) = 1.333
W (tiempo promedio en el sistema) = 1 / (μ − λ) = 1 / 5 hs = 12 minutos
Wq (tiempo promedio en la cola) = λ / [μ(μ − λ)] = 8 minutos
Estos son los valores teóricos exactos. El problema es que solo valen bajo condiciones muy estrictas: estado estacionario infinito y distribuciones estrictamente exponenciales. En la vida real eso casi nunca se cumple.
Las fórmulas del M/M/1 son elegantes, pero tienen un límite serio: solo funcionan cuando el sistema es simple y las distribuciones son exponenciales puras. En cuanto el sistema tiene múltiples etapas, diferentes tipos de clientes, recursos compartidos, turnos laborales, o distribuciones más realistas como Weibull o Triangular, las fórmulas cerradas dejan de existir.
Ante eso, la primera alternativa es el Método de Monte Carlo: en lugar de fórmulas, generás miles de números aleatorios para simular muchas corridas del sistema y estimás las métricas por promedio. Es más flexible que las fórmulas, pero tiene un problema: no modela el sistema como una secuencia de eventos en el tiempo. No "ve" qué pasa momento a momento.
La solución definitiva es la Simulación de Eventos Discretos, o DES. En DES, el sistema avanza evento por evento: "llega un cliente", "empieza la atención", "termina la atención", "llega otro cliente"... Cada evento ocurre en un instante de tiempo específico, y entre eventos el sistema no cambia.
El corazón del DES es una estructura de datos llamada FEL (Future Event List): una lista ordenada cronológicamente de todos los eventos programados para ocurrir. El motor de simulación toma el primer evento de la lista, avanza el reloj hasta ese instante, lo procesa, actualiza el estado del sistema, y genera los próximos eventos. Así, paso a paso, reproduce el comportamiento completo del sistema.
Esto permite cosas imposibles con fórmulas: heterogeneidad en distribuciones, comportamientos transitorios, análisis "what-if" (¿qué pasa si agrego un servidor? ¿si cambio el horario?), y detección de cuellos de botella en sistemas complejos.
La escalera conceptual del trabajo es entonces: Teoría de Colas → Monte Carlo → DES. Cada paso es más poderoso que el anterior. SIMUL8 implementa DES. Esa es la justificación de por qué usamos SIMUL8.
SIMUL8 es un software de simulación de eventos discretos desarrollado por SIMUL8 Corporation a partir de los años 90. Su gran diferencial en esa época era que te permitía construir modelos de forma visual, arrastrando bloques, sin necesidad de programar nada. Antes de eso, hacer una simulación requería escribir código en lenguajes como SIMSCRIPT o GPSS.
Para construir un modelo en SIMUL8 usás cuatro bloques principales que se conectan en secuencia, como una línea de producción:
1. Work Entry Point → donde entran las entidades al sistema (ej: los clientes). Se configura con una distribución de llegadas (en nuestro caso, exponencial con λ=10).
2. Queue → la sala de espera. Las entidades esperan acá si el servidor está ocupado. Tiene disciplina FIFO (primero en llegar, primero en ser atendido) y capacidad ilimitada.
3. Work Center → el servidor, la estación de trabajo donde ocurre el procesamiento. Se configura con una distribución de tiempos de servicio (exponencial con μ=15) y cantidad de servidores (1 en nuestro caso).
4. Work Exit Point → la salida. Las entidades salen acá y SIMUL8 registra todas las métricas: tiempo en sistema, tiempo en cola, throughput.
SIMUL8 fue evolucionando en cuatro generaciones que coinciden con los paradigmas tecnológicos de cada época. En los 90s era básicamente modelado gráfico. En los 2000s sumó análisis estadístico y exportación a Excel. En los 2010s integró ERP como SAP y Oracle, y optimización automática con algoritmos evolutivos. Y en los 2020s, con la Industria 4.0, se transformó: pasó a la nube, se conectó con sensores IoT en tiempo real, y soporta gemelos digitales e inteligencia artificial.
Esa trayectoria es clave para el argumento del paper: SIMUL8 no es el mismo software que era en los 90. Creció junto con los paradigmas de la ingeniería, y hoy actúa como puente entre la simulación discreta clásica y la Era 4 de los gemelos digitales.
Para validar que SIMUL8 funciona bien, necesitábamos un caso de prueba donde supiéramos de antemano cuál debería ser la respuesta correcta. El M/M/1 es perfecto para eso: tiene solución analítica exacta. Si SIMUL8 da los mismos números que la fórmula, sabemos que el motor de simulación es confiable.
Construimos el modelo en SIMUL8 con los cuatro bloques (Entry → Queue → Work Center → Exit) con los parámetros que ya conocemos: λ=10, μ=15. Después lo corrimos 50 veces de forma independiente, cada corrida simulando 480 minutos (un turno laboral de 8 horas).
Al inicio de cada simulación, el sistema arranca vacío: no hay nadie en la cola ni siendo atendido. Eso es irreal. En el mundo real, el sistema ya tiene cierto nivel de actividad cuando lo medís. Durante los primeros minutos, la simulación está en un estado "transitorio" que no refleja el comportamiento estable del sistema.
Por eso descartamos los primeros 60 minutos de cada réplica. A eso se le llama warm-up o período de calentamiento. Solo contamos los datos de los 420 minutos restantes, cuando el sistema ya está en régimen normal.
Después de las 50 réplicas, calculamos media, desvío estándar e intervalo de confianza al 95% para cada métrica, y las comparamos con los valores analíticos del M/M/1.
Los resultados fueron muy claros. En todas las métricas, el error entre la simulación y el valor analítico fue menor al 5%:
| Métrica | Valor teórico | SIMUL8 | Error |
|---|---|---|---|
| Utilización (ρ) | 0.667 | 0.671 ± 0.008 | 0.60% |
| Entidades en sistema (L) | 2.000 | 2.087 ± 0.142 | 4.35% |
| Tiempo en sistema (W) | 12.00 min | 12.52 ± 0.89 min | 4.33% |
| Entidades en cola (Lq) | 1.333 | 1.394 ± 0.138 | 4.58% |
| Tiempo en cola (Wq) | 8.00 min | 8.37 ± 0.87 min | 4.63% |
No. Y es importante saber explicarlo. La solución analítica del M/M/1 asume un sistema corriendo infinitamente en estado estacionario perfecto. La simulación, en cambio, corre 480 minutos con variabilidad aleatoria entre réplicas. Esa pequeña diferencia es matemáticamente esperada y completamente aceptable. Si el error hubiera sido 0.00%, eso sería sospechoso.
El intervalo de confianza al 95% muestra que la variabilidad entre réplicas es baja, lo que confirma que el estimador es estable.
El segundo resultado importante fue el análisis de sensibilidad. Variamos la tasa de llegadas para ver cómo reacciona el sistema cuando se acerca a la saturación:
| λ (cl/h) | ρ | Wq (min en cola) |
|---|---|---|
| 5 | 0.333 | 2 min |
| 10 | 0.667 | 8 min |
| 12 | 0.800 | 16 min |
| 14 | 0.933 | 56 min |
El dato más llamativo: cuando ρ pasa de 0.667 a 0.933, el tiempo de espera se multiplica por 7 veces, de 8 a 56 minutos. Ese comportamiento no es lineal. Nadie lo adivinaría por intuición. Y ahí está el valor real de la simulación: permite detectar estos efectos antes de que ocurran en el sistema real.
El trabajo concluye con una historia de cuatro eras en la gestión de sistemas complejos. Cada era resolvió mejor el problema que la anterior, pero cada una también tiene sus límites:
Era 1 — Empírica: las decisiones se tomaban por experiencia y ensayo-error directamente sobre sistemas físicos. Muy caro, muy lento, sin rigor estadístico.
Era 2 — Modelos analíticos: teoría de colas e investigación operativa. Rigor matemático, pero solo para sistemas simples con distribuciones exponenciales.
Era 3 — Simulación discreta (SIMUL8): experimentación virtual sobre modelos digitales. Podés probar cualquier escenario sin tocar el sistema real. SIMUL8 democratiza este acceso.
Era 4 — Industria 4.0 (Gemelos Digitales): el modelo digital se conecta en tiempo real con el sistema físico a través de sensores IoT. La simulación deja de ser una herramienta de análisis y se convierte en una herramienta de control continuo.
SIMUL8 ocupa el lugar de puente entre la Era 3 y la Era 4. Su evolución tecnológica, que fue de lo gráfico básico en los 90s hasta la nube y los gemelos digitales en los 2020s, lo posiciona como un artefacto tecnológico de transición, no solo una herramienta de cálculo.
Esa es la hipótesis central del trabajo, y los resultados la confirman: SIMUL8 reproduce con precisión la teoría analítica clásica, y al mismo tiempo su arquitectura lo habilita para integrarse con los paradigmas más modernos de la ingeniería digital.
Todo lo que tenés que saber en una página. Para repasar antes de entrar.