Identificación de la aleatoriedad en los Sistemas.

Identificar la aleatoriedad en los sistemas es equivalente a identificar las fuentes de aleatoriedad de las componentes de los sistemas y el tipo de distribuciones de probabilidad que las representan. La identificación y modelización adecuada de las fuentes de aleatoriedad es crucial para la corrección del modelo y evitar muchos de los fallos, las observaciones que se pueden recoger sobre las variables aleatorias relevantes para el estudio de simulación pueden utilizarse de diferentes maneras a la hora de especificar la distribución de probabilidad correspondiente.

La simulación ha de incorporar, por lo tanto, la aleatoriedad presente en el mundo real que el modelo ha de representar. Siempre que sea posible hay que recoger observaciones de las variables aleatorias de entrada. Las decisiones y especificaciones a que nos estamos refiriendo han de hacerse a partir de los datos disponibles, y podemos encontrarnos con una gran variedad de situaciones. En unos casos tendremos un exceso de datos, mientras que en otros dispondremos de muy pocos, y en ambos casos la procedencia de los datos puede ser o bien directamente la distribución de interés o indirectamente una distribución relacionada.

Tener pocos datos significa que nos encontramos en una de las situaciones siguientes, o en alguna combinación de las mismas: la muestra de que disponemos es pequeña, o solo tenemos un resumen estadístico, por ejemplo, media, variancia, valores mínimo y máximo, mediana, moda, etc., o la información disponible es de tipo cualitativo, consistente, por ejemplo, en entrevistas con personas informadas o con experiencia sobre situaciones relacionadas. De todas maneras, en el dilema distribuciones empíricas- distribuciones teóricas, no hay que perder de vista que una distribución empírica puede tener ciertas irregularidades, particularmente cuando solo se dispone de pocos datos, mientras que una distribución teórica suaviza los datos y puede proporcionar información sobre la distribución subyacente. 

Las dificultades para generar datos fuera del intervalo de valores observados puede ser una limitación importante a la hora de utilizar una distribución empírica si tenemos en cuenta que muchas de las medidas del rendimiento de los sistemas que se simulan dependen fuertemente de la probabilidad de que ocurran sucesos.

Referencia. Jaime Barceló. (1996). SIMULACIÓN DE SISTEMAS DISCRETOS. 06/04/2016, de ISDEFE Sitio web:https://z-1-lookaside.fbsbx.com/file/libro-simulacion_de_sistemas_discretos.pdf?token=AWxSU4vZtmOtcKb_FT7H7AoVth17Nt_W3mmAc6rTJWyOMMjgjbk1U5pjyZd0KzFOuBGktYARQRJwvJjA8s089cJ7lKG-n0gMYbBrKfX3prCy7NqR10re5Eh8R1JgstQboZhWfNlZyX8peygYE7RN84S2