Holarch

Guía · Análisis

Simulación de Monte Carlo en ingeniería de sistemas: de estimaciones puntuales a probabilidades

Escuchar esta guía (audio en inglés) 19 min

La simulación de Monte Carlo en ingeniería de sistemas sustituye una única mejor estimación por una distribución de resultados. Esta guía trata la elección de las distribuciones de entrada, la ejecución de suficientes muestras, la lectura de percentiles y de la probabilidad de cumplir un requisito, la correlación y los errores habituales, aplicados a la pasada de captura de imágenes de un pequeño satélite de observación de la Tierra.

En esta página
  1. Por qué engañan las estimaciones puntuales
  2. Entradas inciertas como distribuciones
  3. Ejecutar muchas muestras
  4. Leer los resultados
  5. Cuántas ejecuciones bastan
  6. La correlación y su efecto
  7. Errores habituales
  8. Ejemplo resuelto: la pasada de captura de imágenes de EO-1
    1. Las estimaciones puntuales
    2. El resultado de Monte Carlo
    3. El mismo ejemplo con correlación
  9. Pruébelo en Holarch
  10. Siguientes pasos

Por qué engañan las estimaciones puntuales

La mayoría de las estimaciones de ingeniería se dan como un solo número: la campaña de integración dura 14 semanas, la carga útil consume 38 W, la estación de tierra procesa una pasada en 45 minutos. Cada número suele ser el valor más probable, y sumar valores más probables da un total que no dice nada sobre con qué frecuencia se supera, por dos motivos.

  • Entradas asimétricas. Las duraciones reales de las tareas rara vez son simétricas. Una tarea que lo más probable es que dure 6 minutos puede terminar en 4, pero también puede durar 9 cuando algo sale mal. La media de una tarea así está por encima de su valor más probable, y la suma de las medias está por encima de la suma de los valores más probables.
  • Sesgo de fusión. Donde se unen caminos paralelos, el trabajo espera al más lento. El máximo esperado de varios caminos inciertos es mayor que el máximo de sus valores esperados, porque cualquier camino que se retrase retrasa el conjunto.

Lo mismo vale para los presupuestos. Un presupuesto de masa o de potencia construido con valores nominales oculta la posibilidad de que varias partidas salgan altas a la vez, y un cronograma construido con duraciones nominales oculta la posibilidad de que el camino crítico se alargue. Un solo número no puede decir qué probabilidad tiene de cumplirse. Una distribución sí.

La simulación de Monte Carlo es la forma más sencilla de obtener esa distribución: describa cada entrada incierta como una distribución de probabilidad, extraiga un valor para cada entrada, calcule el resultado y repita muchas veces. El conjunto de resultados aproxima la distribución de la salida, y de él se leen medias, percentiles y la probabilidad de cumplir un requisito. En términos de ISO/IEC/IEEE 15288 es una herramienta del proceso de análisis del sistema, y su resultado suele ser la evidencia de la verificación por análisis, uno de los cuatro métodos de una matriz de verificación de requisitos.

Entradas inciertas como distribuciones

Una distribución expresa lo que se sabe de una entrada. Elija la más sencilla que se ajuste a la información disponible; tres formas cubren la mayor parte del trabajo de ingeniería de sistemas. Los ejemplos proceden de la pasada de captura de imágenes del satélite que se desarrolla más abajo.

DistribuciónParámetrosÚsela cuandoEjemplo
UniformeMínimo y máximoSe conocen los límites y nada favorece un valor sobre otroCodificar y almacenar una franja de imagen tarda de 20 a 40 segundos, según el contenido de la escena
TriangularMínimo, más probable, máximoLos expertos pueden dar un rango y un valor más probable, a menudo desplazado hacia el lado largoEnviar el plan de captura de imágenes tarda de 4 a 9 minutos, lo más probable 6
NormalMedia y desviación típicaMuchos efectos pequeños e independientes se suman, o los datos medidos muestran una dispersión simétricaProcesar los productos de imagen tarda 45 minutos con una desviación típica de 10
  • Una distribución uniforme es honesta cuando solo se conocen los límites, pero da a los extremos tanto peso como al centro.
  • Una distribución triangular es la elección habitual para las estimaciones de tres puntos de los ingenieros. Su media es (mín + más probable + máx) / 3, así que una cola superior larga lleva la media por encima del valor más probable: 4, 6 y 9 minutos dan una media de 6,33.
  • Una distribución normal tiene colas no acotadas. Para duraciones, masas y otras magnitudes que no pueden ser negativas, mantenga la desviación típica pequeña respecto a la media, o use una distribución con límite inferior.
  • Otras formas tienen usos concretos: la lognormal para magnitudes que son producto de factores, la exponencial para tiempos entre sucesos aleatorios, la de Weibull para tiempos hasta el fallo y la beta para fracciones entre 0 y 1.

Mantenga fijo lo que no es incierto. Un modelo en el que varían todas las entradas es más difícil de revisar y oculta las pocas entradas que determinan el resultado.

Ejecutar muchas muestras

Una ejecución de Monte Carlo es un resultado posible: cada entrada incierta recibe un valor aleatorio de su distribución, cada decisión se extrae con su probabilidad, y el modelo calcula el resultado como si ese fuera el caso real. Un estudio repite esto cientos o miles de veces con extracciones independientes. Dos reglas prácticas:

  • Fije la semilla aleatoria cuando el resultado se convierta en evidencia. La misma semilla reproduce las mismas ejecuciones, de modo que un revisor puede repetir el estudio y cualquier ejecución concreta se puede volver a reproducir para ver qué ocurrió en ella.
  • Mantenga la lógica del modelo en el modelo. Las ramas con probabilidades, los bucles con recuentos y los límites de recursos van en el mismo flujo que ejecuta la simulación, no en una hoja de cálculo aparte que se aleja del diseño. El flujo suele ser el escenario operativo del análisis funcional, con duraciones añadidas.

Leer los resultados

Un estudio produce una lista de resultados, uno por ejecución. Léala de cuatro maneras.

  • Histograma. La forma de los resultados: dónde cae la mayoría de las ejecuciones, si la distribución es asimétrica y lo largas que son las colas.
  • Media y desviación típica. Resúmenes útiles, con un intervalo de confianza de la media que se estrecha a medida que se añaden ejecuciones. La media sola no dice nada del riesgo.
  • Percentiles. P50 es la mediana: la mitad de las ejecuciones terminan por debajo. P90 o P95 es un valor de compromiso: el resultado que se cumple en el 90 % o el 95 % de los casos. Los cronogramas y los presupuestos se suelen comprometer en P80 o P90 en lugar de en la media.
  • Probabilidad de cumplir un requisito. La proporción de ejecuciones que cumplen un umbral, por ejemplo «tiempo total de 100 minutos como máximo». Se lee en la curva de probabilidad acumulada (la curva S), que representa, para cada valor x, la proporción de ejecuciones con un resultado de x como máximo. Un requisito enunciado con una probabilidad («en al menos el 90 % de los casos») se comprueba directamente frente a este número.

El margen se puede leer de la misma forma: la diferencia entre el umbral y la media es el margen en promedio; la diferencia entre el umbral y el valor P90 o P95 es el margen que se tiene con la confianza con la que uno se compromete.

Cuántas ejecuciones bastan

Un resultado de Monte Carlo es en sí mismo una estimación, y su precisión crece con la raíz cuadrada del número de ejecuciones. Para una probabilidad p estimada a partir de N ejecuciones, el error típico es aproximadamente √(p(1 − p) / N). Cerca del 0 % o del 100 %, el intervalo simple de ±2 errores típicos funciona mal, así que la tabla usa el intervalo de Wilson, que se mantiene entre el 0 y el 100 %.

Ejecuciones (N)Ejecuciones que cumplen el umbral (p ≈ 97,6 %)Error típicoIntervalo del 95 %
100981,5 puntos porcentualesDel 93,0 % al 99,4 %
2001951,1 puntos porcentualesDel 94,3 % al 98,9 %
1,0009760,5 puntos porcentualesDel 96,5 % al 98,4 %
2,0001,9510,3 puntos porcentualesDel 96,8 % al 98,1 %
10,0009,7560,15 puntos porcentualesDel 97,2 % al 97,8 %

La prueba práctica: el estudio tiene suficientes ejecuciones cuando el intervalo de confianza del número sobre el que se decide ya no cruza la línea de decisión. En el ejemplo de más abajo, el requisito pide un 90 %; incluso 100 ejecuciones dan un intervalo que se mantiene por encima del 90 %, así que el veredicto queda decidido pronto. Si la estimación hubiera sido del 91 % con un intervalo del 88 % al 94 %, harían falta más ejecuciones. Las medias se estabilizan rápido; los percentiles de las colas (P95, P99) y las probabilidades de fallo pequeñas necesitan muchas más ejecuciones, porque solo unas pocas caen ahí.

La correlación y su efecto

Extraer cada entrada de forma independiente supone que una descarga larga no dice nada sobre el procesamiento que viene después. A menudo eso es falso: un gran volumen de datos hace lentos a ambos, una nave fría ralentiza varios pasos de calentamiento, una estructura pesada necesita un mecanismo más pesado. Las entradas que comparten una causa están correlacionadas.

La correlación positiva no cambia la media de una suma, pero amplía la dispersión: los valores altos llegan juntos y los bajos también, en lugar de compensarse. Las colas se alejan, y con ellas el valor P90 o P95 en el que se basa un compromiso. Por tanto, ignorar una correlación positiva real subestima el riesgo.

Formas de tratarla:

  • Modelar explícitamente la causa común: extraer el volumen de datos una vez por ejecución y derivar de él ambas duraciones.
  • Extraer las entradas correlacionadas de un número aleatorio compartido, para que se muevan juntas ejecución a ejecución.
  • Como mínimo, ejecutar el estudio una vez con entradas independientes y otra totalmente correlacionadas, e informar de ambos: la realidad está entre los dos.

Errores habituales

ErrorPor qué engañaEn su lugar
Falsa precisiónInformar de «P(cumplir) = 97,56 %» a partir de rangos de entrada estimados sugiere una certeza que las entradas no tienenRedondee a lo que permiten las entradas, dé el intervalo de confianza e indique de dónde salen los rangos
Entradas supuestamente independientes que no lo sonSe ignoran las causas compartidas, la dispersión es demasiado estrecha y las colas demasiado cortasModele la causa común, o acote el resultado con un estudio independiente y otro correlacionado
Ignorar las colasInformar solo de la media oculta con qué frecuencia no se cumple el requisitoInforme de P50 y de P90 o P95, y de la probabilidad de cumplir cada umbral
Rangos simétricos para magnitudes asimétricasUna distribución normal en torno al valor más probable elimina la cola superior largaUse una forma triangular o lognormal cuando los excesos sean mayores que los defectos
Demasiado pocas ejecucionesEl veredicto cambia cuando el estudio se repite con otra semillaAñada ejecuciones hasta que el intervalo ya no cruce la línea de decisión
Un modelo que difiere del diseñoUna copia del flujo en una hoja de cálculo se aleja de la secuencia real, de sus caminos paralelos y de sus decisionesSimule el flujo que se mantiene en el modelo, para que un cambio de diseño llegue al análisis

Ejemplo resuelto: la pasada de captura de imágenes de EO-1

EO-1 es un CubeSat 6U que toma imágenes de tierras de cultivo, la misión ficticia del proyecto de ejemplo de MBSE. Su especificación de requisitos del sistema contiene un requisito de tiempo que se verifica mediante análisis:

6.5 Planning Cycle Time. The mission shall complete each planning cycle, from target list uplink to product delivery, within 100 minutes.

El plan de verificación de 6.5 dice: una simulación de Monte Carlo de la pasada de captura de imágenes cumple los 100 minutos con una probabilidad de al menos el 90 %. La Measure MOE-7 Planning Cycle Time especifica el requisito, con un umbral de 100 minutos y un objetivo de 80 minutos.

El cronograma operativo es la acción OPS Run Nominal Imaging Pass. La estación de tierra envía el plan de captura de imágenes, la nave lo decodifica y lo carga, y después gira hacia el primer objetivo mientras la cámara se calienta. Toma imágenes de cuatro objetivos, cada uno una franja que se captura y luego se codifica. Si hay un contacto con tierra a la vista (75 % de las pasadas), transmite los datos; si no, los guarda para la siguiente pasada. Por último, la batería se recarga con luz solar mientras tierra recibe la descarga y procesa los productos de imagen.

ActionPosición en el flujoDuraciónMás probable (min)Media (min)
OPS.1 Transmit Imaging PlanInicioTriangular, de 4 a 9 minutos, pico en 666.33
OPS.2 Receive Imaging PlanA continuaciónFija, 1 minuto11
OPS.3 Load Command ScheduleA continuaciónFija, 2 minutos22
OPS.4 Rotate to TargetEn paralelo con OPS.5Normal, media 3, desviación típica 0,5 minutos33
OPS.5 Prepare CameraEn paralelo con OPS.4Fija, 5 minutos55
OPS.6 Capture Image StripBucle, 4 objetivosNormal, media 40, desviación típica 6 segundos0,67 por objetivo0,67 por objetivo
OPS.7 Encode and Store ImageBucle, 4 objetivosUniforme, de 20 a 40 segundos0,50 por objetivo0,50 por objetivo
OPS.8 Transmit Image DataContacto a la vista (75 %)Normal, media 8, desviación típica 1,5 minutos88
OPS.9 Hold Data OnboardSin contacto (25 %)Fija, 1 minuto11
OPS.10 Recharge Battery in SunlightEn paralelo con OPS.11 y OPS.12Fija, 35 minutos3535
OPS.11 Receive DownlinkDespués, OPS.12Fija, 9 minutos99
OPS.12 Process Image ProductsDespués de OPS.11Normal, media 45, desviación típica 10 minutos4545

Las estimaciones puntuales

  • Valores más probables, tomando la rama de contacto, que es la más probable: 6 + 1 + 2 + máx(3, 5) + 4 × (0,67 + 0,50) + 8 + máx(35, 9 + 45) = 80,7 minutos. Frente al umbral de 100 minutos, esto parece casi 20 minutos de margen.
  • Valores medios, ponderando las dos ramas por su probabilidad (0,75 × 8 + 0,25 × 1 = 6,25): 6,33 + 1 + 2 + 5 + 4,67 + 6,25 + máx(35, 54) = 79,25 minutos.

Ambos números dicen que la pasada cabe con holgura. Ninguno dice con qué frecuencia no cabe, y eso es justo lo que pregunta el requisito.

El resultado de Monte Carlo

Un estudio del mismo flujo extrae cada duración y la decisión de contacto en cada ejecución, y deja que los caminos paralelos compitan. La tabla da una comprobación de un millón de ejecuciones calculada por separado en Python y el estudio de 2.000 ejecuciones de Holarch que muestran las capturas de más abajo. Usan generadores de números aleatorios distintos, así que difieren por el error de muestreo (para 2.000 ejecuciones, unos 0,25 minutos en la media, 0,5 minutos en P95 y 0,35 puntos porcentuales en una probabilidad).

SalidaPython, 1.000.000 de ejecucionesHolarch, 2.000 ejecuciones, semilla 2026
Tiempo total medio79,35 minutos79,35 minutos
Desviación típica10,35 minutos10,16 minutos
P5 / P50 / P9562,4 / 79,3 / 96,6 minutos62,4 / 79,4 / 96,0 minutos
P9092,8 minutos92,4 minutos
P(total ≤ 80 minutos), el objetivo de MOE-752.7%52.4%
P(total ≤ 100 minutos), requisito 6.597.6%97,8 % (1.955 de 2.000; intervalo del 95 %: del 97,0 % al 98,3 %)

Lo que dicen los números:

  • El requisito se cumple. Alrededor del 97,6 % de las pasadas terminan en 100 minutos o menos, muy por encima del 90 % exigido, y el intervalo de 2.000 ejecuciones se mantiene por encima del 90 % con amplio margen.
  • El margen es menor de lo que parece. El margen sobre la media es de unos 20,6 minutos, pero el valor P95 es de unos 96,6 minutos, así que con un 95 % de confianza solo quedan unos 3,4 minutos. Aproximadamente una pasada de cada cuarenta no cumple el umbral. En casi todas esas ejecuciones, OPS.12 Process Image Products tardó más de una hora (67 minutos de media, frente a su media de 45), y en el 95 % de ellas la rama de contacto añadió la descarga de 8 minutos.
  • El objetivo es lanzar una moneda al aire. El objetivo de 80 minutos de MOE-7 está casi exactamente en la mediana: solo se cumple en alrededor de la mitad de las pasadas. La estimación de 80,7 minutos con los valores más probables lo oculta por completo.
  • Aquí el sesgo de fusión es pequeño. La media de 79,35 minutos está solo 0,1 minutos por encima de la estimación con valores medios, porque la cadena de tierra (OPS.11 y OPS.12, media de 54 minutos) es más corta que la recarga de 35 minutos solo en alrededor del 3 % de las ejecuciones. En un flujo cuyos caminos paralelos tengan longitudes más parecidas, la diferencia crece.

El estudio también señala la palanca. OPS.12 Process Image Products concentra la mayor parte de la dispersión (una desviación típica de 10 minutos, frente a unos 3 minutos de la decisión de contacto y 1 minuto de todo lo demás), así que acortar el tiempo de procesamiento mueve la cola; acelerar los pasos de la nave apenas sirve.

El mismo ejemplo con correlación

La descarga y el procesamiento dependen ambos de cuántos datos de imagen produjo la pasada: más datos significan una transmisión más larga y un procesamiento más largo. Extraer OPS.8 y OPS.12 de un único número aleatorio compartido por ejecución (8 + 1,5z y 45 + 10z minutos para la misma z normal estándar), de modo que una descarga larga vaya con un procesamiento largo, mantiene ambas distribuciones como estaban y da:

SalidaIndependientes (Python / Holarch)OPS.8 y OPS.12 correlacionadas (Python / Holarch)
Media79,35 / 79,35 minutos79,35 / 79,04 minutos
Desviación típica10,35 / 10,16 minutos11,35 / 11,44 minutos
P9596,6 / 96,0 minutos98,5 / 99,0 minutos
P(total ≤ 100 minutos)97.6% / 97.8%96.1% / 96.2%

La media no cambia y la dispersión crece alrededor de una décima parte. El valor P95 se aleja unos dos minutos, lo que reduce el margen con un 95 % de confianza de unos 3,4 minutos a unos 1,5. El requisito sigue cumpliéndose al 90 %, pero un compromiso más estricto, como 100 minutos en el 95 % de las pasadas, quedaría ahora al límite. Para un compromiso en P95, el caso correlacionado es el más seguro para planificar.

Descargar el ejemplo: el estudio de incertidumbre de la pasada de captura de imágenes de EO-1 como libro de Excel (entradas con sus distribuciones, los resultados independientes y correlacionados con percentiles y P(cumplir), y la tabla de número de ejecuciones), o los mismos datos en CSV: entradas y distribuciones de la pasada de captura de imágenes y resultados de Monte Carlo, percentiles y P(cumplir). Úselo como plantilla para informar de su propio estudio.

Pruébelo en Holarch

En Holarch, Monte Carlo se ejecuta sobre el flujo de acciones del modelo: el mismo diagrama de Action que describe la operación es el modelo que se simula. La Duración de cada Action es un número fijo o una distribución con unidad, como =triang.dist(4, 9, 6) minutos (mínimo, máximo, pico), =norm.dist(40, 6) segundos o =uniform.dist(20, 40) segundos. Hay diez distribuciones disponibles, entre ellas beta, lognormal, exponencial y Weibull. Véase Simulación para más detalles.

La pasada de captura de imágenes como diagrama de Action, con las E/S y los recursos ocultos: el bucle se ejecuta cuatro veces, la OR decide el contacto, y el último paralelo espera a la más lenta entre la recarga y el procesamiento en tierra.
  1. Cree el proyecto CubeSat con Gestionar proyectos → Archivos de proyecto ▾ → Nuevo proyecto de demostración → CubeSat (ingeniería de sistemas guiada). Ya contiene OPS Run Nominal Imaging Pass con las duraciones de la tabla, el requisito 6.5 y la Measure MOE-7.
  2. Abra el diagrama de Action de la acción y elija ▶ Simular ▾ → Monte Carlo. Fije Ejecuciones en 2000, Semilla aleatoria en 2026 y Variar duraciones fijas en Ninguno (la demostración añade ±10 % a las duraciones fijas por defecto; el estudio de aquí las mantiene fijas) y pulse ▶ Ejecutar Monte Carlo.
  3. Lea Estadísticas, Distribución de la duración y Probabilidad acumulada (curva S) en la pestaña Distribución. Introduzca 100 en el campo x de la curva S para leer P(X ≤ 100 min).
Distribución de la duración y curva S para 2.000 ejecuciones con la semilla 2026. La lectura da la probabilidad de terminar en 100 minutos o menos.
  1. Abra la pestaña Factores para ver qué acciones consumen el tiempo en todas las ejecuciones y qué combinaciones de ramas se produjeron.
  2. Haga clic en Comprobar frente a requisito… y elija la Measure MOE-7 Planning Cycle Time. Rellena el criterio (≤ 100 minutos, a partir de su umbral y su sentido de mejora) y el requisito 6.5; mantenga la probabilidad exigida del 90 %. La tabla da P(cumplir) con su intervalo de confianza, el margen y el veredicto. Cambie Usar a Objetivo para comprobar el objetivo de 80 minutos, que no se cumple, con alrededor de un 52 %.
La comprobación del requisito: P(cumplir) está muy por encima del 90 % exigido, así que el resultado es Pasa.
  1. Registrar resultado… muestra una vista previa de los cambios: el Projected Value de MOE-7 pasa a ser la media, y un Test Case que verifica 6.5 recibe el estado Aprobado y el texto del resultado. Aplíquelos como un único paso de deshacer.

El editor de Duración de Holarch extrae cada distribución de forma independiente. La comparación correlacionada de arriba usó Duraciones controladas por enganches de script que leen un único valor compartido por ejecución, algo que el editor de Duración todavía no ofrece. Para acotar la correlación en su propio modelo, compare el estudio independiente con un cálculo totalmente correlacionado hecho fuera de la herramienta. La energía de la batería a lo largo de la pasada también se simula: la cantidad mínima y la final del recurso Battery Charge son salidas de Monte Carlo que acepta la comprobación del requisito. Los presupuestos de masa y de potencia con contingencias y márgenes se mantienen en Presupuestos y TPM, y el mismo razonamiento se aplica a los valores inciertos de un estudio de alternativas: una clasificación que se invierte dentro de los rangos de entrada todavía no es una decisión.

Siguientes pasos

  • Simulación: ejecuciones de eventos discretos y de Monte Carlo, los paneles y la comprobación frente a requisitos.
  • Presupuestos y TPM: sumas con contingencia, asignaciones, márgenes y medidas de rendimiento.
  • Diagramas de Action: el flujo, las construcciones, los recursos y los scripts que lee una simulación.