Vous êtes sur la page 1sur 16

CAPTULO 1

PRINCIPIOS
BSICOS DE LA
SIMULACIN

1.1 Introduccin a la simulacin


1.2 Definiciones de simulacin
1.3 Ventajas y desventajas de la simulacin
1.4 Elementos clave para garantizar el xito de un modelo de simulacin
1.5 Pasos para realizar un estudio de simulacin
1.6 Problemas

1
Captulo 1 Principios bsicos de la simulacin

1.1 Introduccin a la simulacin


En aos recientes, el advenimiento de nuevos y mejores desarrollos en el rea de la compu-
tacin ha trado consigo innovaciones igualmente importantes en los terrenos de la toma
de decisiones y el diseo de procesos y productos. En este sentido, una de las tcnicas de
mayor impacto es la simulacin.
Hoy en da, el analista tiene a su disposicin una gran cantidad de software de simu-
lacin que le permite tomar decisiones en temas muy diversos. Por ejemplo, determinar la
mejor localizacin de una nueva planta, disear un nuevo sistema de trabajo o efectuar el
anlisis productivo de un proceso ya existente pero que requiere mejoras. Sin duda, la fa-
cilidad que otorga a la resolucin de stas y muchas otras problemticas, ha hecho de la
simulacin una herramienta cuyo uso y desarrollo se han visto significativamente alenta-
dos. Cada vez resulta ms sencillo encontrar paquetes de software con gran capacidad de
anlisis, as como mejores animaciones y caractersticas para generacin de reportes. En
general, dichos paquetes ya sea orientados a procesos, a servicios o de ndole gene-
ral nos proveen de una enorme diversidad de herramientas estadsticas que permiten
un manejo ms eficiente de la informacin relevante bajo anlisis, y una mejor presenta-
cin e interpretacin de la misma.
El concepto de simulacin engloba soluciones para muchos propsitos diferentes.
Por ejemplo, podramos decir que el modelo de un avin a escala que se introduce a una
cmara por donde se hace pasar un flujo de aire, puede simular los efectos que experi-
mentar un avin real cuando se vea sometido a turbulencia. Por otro lado, algunos pa-
quetes permiten hacer la representacin de un proceso de fresado o torneado: una vez
que el usuario establezca ciertas condiciones iniciales, podr ver cmo se llevara a cabo
el proceso real, lo que le permitira revisarlo sin necesidad de desperdiciar material ni po-
ner en riesgo la maquinaria.
Entre los distintos tipos de procesos de simulacin que podemos utilizar, en este li-
bro nos ocuparemos del que se basa en el uso de ecuaciones matemticas y estadsticas,
conocido como simulacin de eventos discretos. Este proceso consiste en relacionar los
diferentes eventos que pueden cambiar el estado de un sistema bajo estudio por medio
de distribuciones de probabilidad y condiciones lgicas del problema que se est anali-
zando. Por ejemplo, un proceso de inspeccin donde sabemos estadsticamente que 0.2%
de los productos tiene algn tipo de defecto puede simularse con facilidad mediante una
simple hoja de clculo, considerando estadsticas de rechazos y productos conformes, y
asignando una distribucin de probabilidad con 0.2% de oportunidad de defecto para ca-
da intento de inspeccin.
En el presente captulo abordaremos las definiciones bsicas de los conceptos de la
simulacin de eventos discretos. En los siguientes se presentarn algunos otros elemen-
tos relevantes, como los nmeros pseudo aleatorios y las pruebas estadsticas necesarias
para comprobar esta aleatoriedad, la generacin de variables aleatorias y la caracteriza-
cin de algunas distribuciones de probabilidad de uso comn en la simulacin, lo cual
nos permitir realizar una simulacin sencilla con ayuda de una hoja de clculo. Por lti-
mo, describiremos la utilizacin de un software comercial: Promodel, una versin limitada
del cual se incluye en este libro.

2
1.2 Definiciones de simulacin

1.2 Definiciones de simulacin


Para poder realizar un buen estudio de simulacin es necesario entender los conceptos
bsicos que componen nuestro modelo.
Comenzaremos por definir el concepto de simulacin de eventos discretos como
el conjunto de relaciones lgicas, matemticas y probabilsticas que integran el comporta-
miento de un sistema bajo estudio cuando se presenta un evento determinado. El objetivo
del modelo de simulacin consiste, precisamente, en comprender, analizar y mejorar las
condiciones de operacin relevantes del sistema.
En la definicin anterior encontramos elementos como sistema, modelo y evento, de
los cuales se desprenden otros conceptos importantes dentro de una simulacin, por lo
que a continuacin abundaremos en cada uno de ellos.
La definicin bsica de sistema nos dice que se trata de un conjunto de elementos que
se interrelacionan para funcionar como un todo; desde el punto de vista de la simulacin,
tales elementos deben tener una frontera clara. Por ejemplo, podemos hablar del sistema
de atencin de clientes en un banco, del sistema de inventarios de una empresa o del siste-
ma de atencin en la sala de emergencia de un hospital. Cada uno de ellos puede dividir-
se en elementos que son relevantes para la construccin de lo que constituir su modelo
de simulacin; entre ellos tenemos entidades, estado del sistema, eventos actuales y futu-
ros, localizaciones, recursos, atributos, variables y el reloj de la simulacin.
Una entidad es la representacin de los flujos de entrada a un sistema; ste es el ele-
mento responsable de que el estado del sistema cambie. Ejemplos de entidades pueden
ser los clientes que llegan a la caja de un banco, las piezas que llegan a un proceso o el
embarque de piezas que llega a un inventario.
El estado del sistema es la condicin que guarda el sistema bajo estudio en un momen-
to determinado; es como una fotografa de lo que est pasando en el sistema en cierto
instante. El estado del sistema se compone de variables o caractersticas de operacin
puntuales (digamos el nmero de piezas que hay en el sistema en ese momento), y de va-
riables o caractersticas de operacin acumuladas, o promedio (como podra ser el tiempo
promedio de permanencia de una entidad en el sistema, en una fila, almacn o equipo).
Un evento es un cambio en el estado actual del sistema; por ejemplo, la entrada o sa-
lida de una entidad, la finalizacin de un proceso en un equipo, la interrupcin o reactiva-
cin de una operacin (digamos por un descanso del operario), o la descompostura de
una mquina. Podemos catalogar estos eventos en dos tipos: eventos actuales, que son
aquellos que estn sucediendo en el sistema en un momento dado, y eventos futuros,
que son cambios que se presentarn en el sistema despus del tiempo de simulacin, de
acuerdo con una programacin especfica. Por ejemplo, imagine que cierta pieza entra a
una mquina para que sta realice un proceso. El evento actual sera precisamente que la
entidad llamada pieza se encuentra en la mquina. El evento futuro podra ser el mo-
mento en que la mquina concluir su trabajo con la pieza y sta seguir su camino hacia
el siguiente proceso lgico, de acuerdo con la programacin: almacenamiento, inspeccin
o entrada a otra mquina.
Las localizaciones son todos aquellos lugares en los que la pieza puede detenerse pa-
ra ser transformada o esperar a serlo. Dentro de estas localizaciones tenemos almacenes,
bandas transportadoras, mquinas, estaciones de inspeccin, etctera.

3
Captulo 1 Principios bsicos de la simulacin

Los recursos son aquellos dispositivos diferentes a las localizaciones necesarios


para llevar a cabo una operacin. Por ejemplo, un montacargas que transporta una pieza
de un lugar a otro: una persona que realiza la inspeccin en una estacin y toma turnos
para descansar; una herramienta necesaria para realizar un proceso pero que no forma parte
de una localizacin especfica, sino que es trasladada de acuerdo con los requerimientos de
aquel.
Un atributo es una caracterstica de una entidad. Por ejemplo, si la entidad es un motor,
los atributos seran su color, peso, tamao o cilindraje. Los atributos son muy tiles para
diferenciar entidades sin necesidad de generar una entidad nueva, y pueden adjudicarse
al momento de la creacin de la entidad, o asignarse y/o cambiarse durante el proceso.
Como indica su nombre, las variables son condiciones cuyos valores se crean y modifi-
can por medio de ecuaciones matemticas y relaciones lgicas. Pueden ser continuas (por
ejemplo, el costo promedio de operacin de un sistema) o discretas (por ejemplo, el n-
mero de unidades que deber empacarse en un contenedor). Las variables son muy tiles
para realizar conteos de piezas y ciclos de operacin, as como para determinar caracte-
rsticas de operacin del sistema.
El reloj de la simulacin es el contador de tiempo de la simulacin, y su funcin con-
siste en responder preguntas tales como cunto tiempo se ha utilizado el modelo en la si-
mulacin, y cunto tiempo en total se quiere que dure esta ltima. En general, el reloj de
simulacin se relaciona con la tabla de eventos futuros, pues al cumplirse el tiempo pro-
gramado para la realizacin de un evento futuro, ste se convierte en un evento actual. Re-
gresando al ejemplo de la pieza en la mquina, cuando el tiempo de proceso se cumpla, la
pieza seguir su camino hasta su siguiente localizacin; el reloj de la simulacin simu-
la precisamente ese tiempo.
Podemos hablar de dos tipos de reloj de simulacin: el reloj de simulacin abso-
luto, que parte de cero y termina en un tiempo total de simulacin definido, y el reloj de
simulacin relativo, que slo considera el lapso de tiempo que transcurre entre dos
eventos. Por ejemplo, podemos decir que el tiempo de proceso de una pieza es relativo,
mientras que el tiempo absoluto sera el tiempo global de la simulacin: desde que la pieza
entr a ser procesada hasta el momento en el que termin su proceso.
Como se mencion antes, existen distintos modelos de simulacin que permiten re-
presentar situaciones reales de diferentes tipos. Podemos tener modelos fsicos como
el del avin que mencionamos en la seccin anterior o modelos matemticos, a los cua-
les pertenecen los modelos de simulacin de eventos discretos. Asimismo, los modelos
pueden diferenciarse segn el tipo de ecuaciones matemticas que los componen. Por
ejemplo, se conoce como modelos continuos a aquellos en los que las relaciones entre
las variables relevantes de la situacin real se definen por medio de ecuaciones diferen-
ciales, dado que stas permiten conocer el comportamiento de las variables en un lapso
de tiempo continuo. Problemas como saber de qu manera se transfiere el calor en un
molde o determinar cmo fluye cierto material dentro de una tubera, e incluso discernir
el comportamiento del nivel de un tanque de gasolina al paso del tiempo mientras el ve-
hculo est en marcha, pueden simularse en estos trminos.
Adems de modelos continuos tenemos modelos discretos. En ellos el comporta-
miento que nos interesa analizar puede representarse por medio de ecuaciones evalua-
das en un punto determinado. Por ejemplo, si hacemos un muestreo del nmero de

4
1.2 Definiciones de simulacin

personas que llegaron a un banco en un lapso de tiempo especfico, podemos simular es-
ta variable con ecuaciones ligadas a distribuciones de probabilidad que reflejen dicho
comportamiento.
Otro tipo de clasificacin es el de los modelos dinmicos o estticos. Los modelos di-
nmicos son aquellos en los que el estado del sistema que estamos analizando cambia
respecto del tiempo. Por ejemplo, el nmero de personas que hacen fila para entrar a una
sala de cine vara con el tiempo. Por otro lado, los modelos estticos representan un re-
sultado bajo un conjunto de situaciones o condiciones determinado; por ejemplo, al lan-
zar un dado los nicos valores que se puede obtener son 1, 2, 3, 4, 5 o 6, de manera que el
resultado de la simulacin ser uno de tales valores posibles; este tipo de simulacin ge-
neralmente se conoce como simulacin de Monte Carlo.
Por ltimo, podemos hablar de modelos determinsticos y modelos probabilsti-
cos, conocidos tambin como estocsticos. Los primeros se refieren a relaciones cons-
tantes entre los cambios de las variables del modelo. Por ejemplo, si las cajas empleadas
en un proceso contienen siempre 5 productos, cada vez que se aada una caja al inven-
tario ste se incrementar en 5 unidades. Si, por el contrario, se da una distribucin de pro-
babilidad en el proceso de manera que algunas cajas contienen 3 productos, otras 4 y as
por el estilo, el inventario se modificar segn el nmero de piezas de cada caja y, en con-
secuencia, ser necesario un modelo estocstico. En el caso de la simulacin de eventos
discretos hablaremos de modelos matemticos, discretos, dinmicos, y que pueden in-
cluir variables determinsticas y probabilsticas.

Ejemplo 1.1

Un taller recibe ciertas piezas, mismas que son acumuladas en un almacn temporal en
donde esperan a ser procesadas. Esto ocurre cuando un operario transporta las piezas del
almacn a un torno. Desarrolle un modelo que incluya el nmero de piezas que hay en el al-
macn esperando a ser atendidas en todo momento, y el nmero de piezas procesadas
en el torno.
En la siguiente figura podemos observar cmo se vera un modelo de simulacin pa-
ra este ejemplo.

Piezas en almacn Piezas procesadas

Torno
Figura 1.1
Almacn
Modelo de simulacin
para el ejemplo 1.1

5
Captulo 1 Principios bsicos de la simulacin

En este ejemplo podemos identificar algunos de los elementos que participan en un mo-
delo de simulacin, de acuerdo con las definiciones que hemos comentado:

Sistema: En este caso, el sistema est conformado por el conjunto de elementos interre-
lacionados para el funcionamiento del proceso: las piezas, el almacn temporal, el opera-
rio, el torno.
Entidades: En este modelo slo tenemos una entidad: las piezas, que representan los flu-
jos de entrada al sistema del problema bajo anlisis.
Estado del sistema: Podemos observar que cuando llevamos 1 hora 10 minutos de simu-
lacin (vea el extremo superior derecho de la figura) en el almacn se encuentran 9 piezas
esperando a ser procesadas; el operario est transportando una pieza ms para procesar-
la en el torno. El torno, por lo tanto, no est trabajando en ese momento, aunque ya ha
procesado 4 piezas. Adems de estos datos, podemos llevar un control de otras estadsti-
cas relacionadas con el estado del sistema, como el tiempo promedio de permanencia de
las piezas en los estantes del almacn temporal o en el sistema global.
Eventos: Entre otros, podramos considerar como eventos de este sistema el tiempo de
descanso del operario o la salida de una pieza tras ser procesada por el torno. Adems es
posible identificar un evento futuro: la llegada de la siguiente pieza al sistema (tendramos
ms eventos de este tipo respecto de las piezas que esperan a que el operario las tome).
Localizaciones: En este caso tenemos el almacn al que debern llegar las piezas y en el
que esperarn a ser procesadas, as como el torno en donde esto ocurrir.
Recursos: En este modelo, un recurso es el operario que transporta las piezas del alma-
cn al torno.
Atributos: Digamos que (aunque no se menciona en el ejemplo) las piezas pueden ser de
tres tamaos diferentes. En este caso, un atributo llamado tamao podra agregarse a la
informacin de cada pieza que llega al sistema, para posteriormente seleccionar el tipo de
operacin que deber realizarse y el tiempo necesario para llevarla a cabo de acuerdo con
dicho atributo.
Variables: Tenemos dos variables definidas en este caso: el nmero de piezas en el alma-
cn y el nmero de piezas procesadas en el torno.
Reloj de la simulacin: Como se puede ver en la esquina superior derecha de la figura
1.1, en este momento la simulacin lleva 1 hora 10 minutos. El reloj de la simulacin con-
tinuar avanzando hasta el momento que se haya establecido para el trmino de la simu-
lacin, o hasta que se cumpla una condicin lgica para detenerla, por ejemplo, el nmero
de piezas que se desean simular.

Otro concepto importante que vale la pena definir es el de rplica o corrida de la simu-
lacin. Cuando ejecutamos el modelo en una ocasin, los valores que obtenemos de las
variables y parmetros al final del tiempo de simulacin generalmente sern distintos de
los que se producirn si lo volvemos a correr usando diferentes nmeros pseudo aleato-
rios. Por lo tanto, es necesario efectuar ms de una rplica del modelo que se est anali-
zando, con la finalidad de obtener estadsticas de intervalo que nos den una mejor
ubicacin del verdadero valor de la variable bajo los diferentes escenarios que se presen-
tan al modificar los nmeros pseudo aleatorios en cada oportunidad.

6
1.3 Ventajas y desventajas de la simulacin

En este sentido, la pregunta clave es cunto tiempo se debe simular un modelo para
obtener resultados confiables. En general, podemos decir que todas las variables que se ob-
tienen en trminos de promedios presentan dos diferentes etapas: un estado transitorio
y un estado estable. El primero se presenta al principio de la simulacin; por ejemplo, en
el arranque de una planta, cuando no tiene material en proceso: el ltimo de los procesos
estar inactivo hasta que el primer cliente llegue, y si el tiempo de simulacin es bajo, su
impacto sobre la utilizacin promedio de este proceso ser muy alto, lo cual no ocurrira
si el modelo se simulara lo suficiente para lograr una compensacin. En el estado transi-
torio hay mucha variacin entre los valores promedio de las variables de decisin del mo-
delo, por lo que formular conclusiones con base en ellos sera muy arriesgado, toda vez
que difcilmente nos daran una representacin fiel de la realidad.
Por otro lado, en el estado estable los valores de las variables de decisin permane-
cen muy estables, presentando slo variaciones poco significativas. En este momento las
decisiones que se tomen sern mucho ms confiables. Sin embargo no todas las variables
convergen al estado estable con la misma rapidez: algunas pasan con ms lentitud que
otras de un estado transitorio a un estado estable. Es responsabilidad del analista verificar
que las variables de decisin del modelo se encuentren en estado estable antes de dete-
ner el tiempo de la simulacin.
Otro factor importante para decidir el tiempo de simulacin es el costo de la corrida.
Mayor tiempo de simulacin requiere ms tiempo computacional, lo cual implica, nece-
sariamente, un costo ms alto. Por supuesto, la situacin empeora si a esto le agregamos
que en algunos casos es necesario efectuar ms de tres rplicas.

8
7
6
5
4
3 Estado Estado
2 transitorio estable

1
Figura 1.2
0 Grfica de estabilizacin
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97

de una variable

1.3 Ventajas y desventajas de la simulacin


Como hemos visto hasta ahora, la simulacin es una de las diversas herramientas con las
que cuenta el analista para tomar decisiones y mejorar sus procesos. Sin embargo, es
necesario destacar que, como todas las dems opciones de que disponemos, la simu-
lacin de eventos discretos presenta ventajas y desventajas que es preciso tomar en cuenta
al determinar si es apta para resolver un problema determinado.

7
Captulo 1 Principios bsicos de la simulacin

Dentro de las ventajas ms comunes que ofrece la simulacin podemos citar las si-
guientes:

a) Es muy buena herramienta para conocer el impacto de los cambios en los proce-
sos sin necesidad de llevarlos a cabo en la realidad.
b) Mejora el conocimiento del proceso actual al permitir que el analista vea cmo se
comporta el modelo generado bajo diferentes escenarios.
c) Puede utilizarse como medio de capacitacin para la toma de decisiones.
d) Es ms econmico realizar un estudio de simulacin que hacer muchos cambios
en los procesos reales.
e) Permite probar varios escenarios en busca de las mejores condiciones de trabajo
de los procesos que se simulan.
f ) En problemas de gran complejidad, la simulacin permite generar una buena so-
lucin.
g) En la actualidad los paquetes de software para simulacin tienden a ser ms sen-
cillos, lo que facilita su aplicacin.
h) Gracias a las herramientas de animacin que forman parte de muchos de esos pa-
quetes es posible ver cmo se comportar un proceso una vez que sea mejorado.

Entre las desventajas que puede llegar a presentar la simulacin estn:

a) Aunque muchos paquetes de software permiten obtener el mejor escenario a par-


tir de una combinacin de variaciones posibles, la simulacin no es una herramien-
ta de optimizacin.
b) La simulacin puede ser costosa cuando se quiere emplearla en problemas relati-
vamente sencillos de resolver, en lugar de utilizar soluciones analticas que se han
desarrollado de manera especfica para ese tipo de casos.
c) Se requiere bastante tiempo generalmente meses para realizar un buen estu-
dio de simulacin; por desgracia, no todos los analistas tienen la disposicin (o la
oportunidad) de esperar ese tiempo para obtener una respuesta.
d) Es preciso que el analista domine el uso del paquete de simulacin y que tenga s-
lidos conocimientos de estadstica para interpretar los resultados.

1.4 Elementos clave para garantizar el xito


de un modelo de simulacin
Independientemente de los beneficios que conlleva la simulacin, es imposible garantizar
que un modelo tendr xito. Existen ciertas condiciones clave que pueden traer problemas
si no se les pone atencin al momento de usar la simulacin para la toma de decisiones.
A continuacin destacaremos algunas de las causas por las que un modelo de simulacin
podra no tener los resultados que se desean:

Tamao insuficiente de la corrida. Como se mencion antes, para poder llegar a con-
clusiones estadsticas vlidas a partir de los modelos de simulacin es necesario que las
variables aleatorias de respuesta estn en estado estable. El problema estriba en que, ge-

8
1.4 Elementos clave para garantizar el xito de un modelo de simulacin

neralmente, cuando el modelo consta de ms de una variable de decisin, es difcil que


stas alcancen un estado estable al mismo tiempo: es posible que una se encuentre esta-
ble y la otra no en un momento determinado, por lo que las conclusiones respecto de la
segunda variable no sern estadsticamente confiables.
Variable(s) de respuesta mal definida(s). Aun cuando el modelo de simulacin sea
muy eficiente y represente la realidad en gran medida, si la variable de respuesta seleccio-
nada no es la apropiada ser imposible tomar decisiones que tengan impacto en la ope-
racin del sistema bajo estudio.
Por ejemplo, digamos que una variable de respuesta es el nivel de inventarios de cier-
to producto. Al mismo tiempo, la poltica de la empresa establece que no se debe parar
ninguno de los procesos de fabricacin. En consecuencia, el problema no ser el inventa-
rio final, sino el ritmo de produccin necesario para que aquel cumpla con los requeri-
mientos de diseo que se desean.
Errores al establecer las relaciones entre las variables aleatorias. Un error comn de
programacin es olvidar las relaciones lgicas que existen entre las variables aleatorias del
modelo, o minimizar su impacto. Si una de estas variables no est definida de manera co-
rrecta, ciertamente an es posible tener un modelo que se apegue a la realidad actual; sin
embargo, si el sistema no se lleva hasta su mxima capacidad para observar su compor-
tamiento, podra resultar imposible visualizar el verdadero impacto de las deficiencias.
Errores al determinar el tipo de distribucin asociado a las variables aleatorias del
modelo. Este tipo de problema es muy similar al anterior, slo que en este caso se utili-
zan distribuciones que no son las ms adecuadas o que responden nicamente a un in-
tento de simplificar los estudios estadsticos. Digamos, por ejemplo, que se nos dan los
siguientes parmetros de produccin aproximados: mnimo 10, mximo 40 y promedio
30. En esta circunstancia la tentacin de simplificar el estudio de la variable asignndole
una distribucin triangular con parmetros (10, 30, 40) es muy grande; no obstante, hacer-
lo afectara de manera importante los resultados de la simulacin, pues el modelo podra
alejarse de lo que sucede en la realidad.
Falta de un anlisis estadstico de los resultados. Un problema comn por el que la
simulacin suele ser objeto de crtica, radica en asumir que se trata de una herramienta
de optimizacin. Esta apreciacin es incorrecta, ya que involucra variables aleatorias y ca-
ractersticas propias de un modelo que incluye probabilidades. Por lo mismo como se
apunt antes, es necesario realizar varias corridas a fin de producir diferentes resulta-
dos finales para las variables de respuesta y, a partir de esos valores, obtener intervalos de
confianza que puedan dar un rango en dnde encontrar los valores definitivos. Este tipo
de problemas se presentan tambin al comparar dos escenarios: podramos encontrar un
mejor resultado para uno de ellos, pero si los intervalos de confianza de las variables de
respuesta se traslapan resultara imposible decir que el resultado de un escenario es me-
jor que el del otro. De hecho, estadsticamente hablando ambos resultados pueden ser
iguales. En ese caso incrementar el tamao de corrida o el nmero de rplicas puede ayu-
dar a obtener mejores conclusiones.
Uso incorrecto de la informacin obtenida. Un problema que se presenta en ocasio-
nes es el uso incorrecto de la informacin recabada para la realizacin del estudio, ya sea
a travs de un cliente o de cualesquiera otras fuentes. Muchas veces esta informacin se
recolecta, analiza y administra de acuerdo con las necesidades propias de la empresa, lo

9
Captulo 1 Principios bsicos de la simulacin

que implica que no siempre est en el formato y la presentacin que se requiere para la
simulacin. Si la informacin se utiliza para determinar los parmetros del modelo sin ser
depurada y reorganizada, es muy probable que la precisin de los resultados del estudio
se vea afectada.
Falta o exceso de detalle en el modelo. Otro punto importante a considerar es el nivel
de detalle del modelo. En muchas ocasiones algn proceso se simplifica tanto que tiende
a verse como una caja negra que nos impide ver qu ocurre en el interior, aunque s haya
entrada y salida de datos que interactan con otras partes del modelo. Cuando esto suce-
de, el impacto que podran tener los subprocesos que se llevan a cabo en la caja negra
(es decir, del proceso sobresimplificado) no se incluye en la simulacin. Por ejemplo, si se
analiza un sistema de distribucin y se da por sentado que el almacn siempre surte sus
pedidos, no incluiremos el impacto de los tiempos necesarios para surtir las rdenes, ni la
posibilidad de que haya faltantes de producto; excluiremos tambin los horarios de comi-
da, en los que no se surten pedidos, y las fallas en los montacargas que transportan los pedi-
dos hasta los camiones para su distribucin. Por otra parte, si el modelo se hace demasiado
detallado, tanto el tiempo dedicado al estudio como el costo de llevarlo a cabo podran
incrementarse sustancialmente. Es labor del encargado de la simulacin sugerir y clarifi-
car los niveles de detalle que se requieren en el modelo, resaltando los alcances y limita-
ciones de cada uno.

1.5 Pasos para realizar un estudio de simulacin


Debemos considerar que igual a como ocurre con otras herramientas de investiga-
cin la realizacin de un estudio de simulacin requiere la ejecucin de una serie de ac-
tividades y anlisis que permitan sacarle el mejor provecho. A continuacin se mencionan
los pasos bsicos para realizar un estudio de simulacin, aunque en muchas ocasiones se-
r necesario agregar otros o suprimir algunos de los aqu enumerados, de acuerdo con la
problemtica en cuestin.

1. Definicin del sistema bajo estudio. En esta etapa es necesario conocer el sistema a
modelar. Para ello se requiere saber qu origina el estudio de simulacin y establecer los
supuestos del modelo: es conveniente definir con claridad las variables de decisin del
modelo, determinar las interacciones entre stas y establecer con precisin los alcances y
limitaciones que aquel podra llegar a tener.
Antes de concluir este paso es recomendable contar con la informacin suficiente
para lograr establecer un modelo conceptual del sistema bajo estudio, incluyendo sus
fronteras y todos los elementos que lo componen, adems de las interacciones entre s-
tos, flujos de productos, personas y recursos, as como las variables de mayor inters para
el problema.
2. Generacin del modelo de simulacin base. Una vez que se ha definido el sistema
en trminos de un modelo conceptual, la siguiente etapa del estudio consiste en la gene-
racin de un modelo de simulacin base. No es preciso que este modelo sea demasiado
detallado,pues se requiere mucha ms informacin estadstica sobre el comportamiento de
las variables de decisin del sistema. La generacin de este modelo es el primer reto para
el programador de la simulacin, toda vez que debe traducir a un lenguaje de simulacin

10
1.5 Pasos para realizar un estudio de simulacin

la informacin que se obtuvo en la etapa de definicin del sistema, incluyendo las interrela-
ciones de todos los posibles subsistemas que existan en el problema a modelar. En caso
de que se requiera una animacin, ste tambin es un buen momento para definir qu
grfico puede representar mejor el sistema que se modela.
Igual que ocurre en otras ramas de la investigacin de operaciones, la simulacin exi-
ge ciencia y arte en la generacin de sus modelos. El realizador de un estudio de simu-
lacin es, en este sentido, como un artista que debe usar toda su creatividad para realizar
un buen modelo que refleje la realidad del problema que se est analizando. Conforme se
avanza en el modelo base se pueden ir incluyendo las variables aleatorias del sistema, con
sus respectivas distribuciones de probabilidad asociadas.
3. Recoleccin y anlisis de datos. De manera paralela a la generacin del modelo
base, es posible comenzar la recopilacin de la informacin estadstica de las variables
aleatorias del modelo. En esta etapa se debe determinar qu informacin es til para la
determinacin de las distribuciones de probabilidad asociadas a cada una de las variables
aleatorias innecesarias para la simulacin. Aunque en algunos casos se logra contar con
datos estadsticos, suele suceder que el formato de almacenamiento o de generacin de
reportes no es el apropiado para facilitar el estudio. Por ello es muy importante dedicar el
tiempo suficiente a esta actividad. De no contar con la informacin necesaria o en caso de
desconfiar de la que se tiene disponible, ser necesario realizar un estudio estadstico del
comportamiento de la variable que se desea identificar, para posteriormente incluirla en
el modelo. El anlisis de los datos necesarios para asociar una distribucin de probabili-
dad a una variable aleatoria, as como las pruebas que se debe aplicar a los mismos, se
analizarn ms adelante. Al finalizar la recoleccin y anlisis de datos para todas las varia-
bles del modelo, se tendrn las condiciones necesarias para generar una versin prelimi-
nar del problema que se est simulando.
4. Generacin del modelo preliminar. En esta etapa se integra la informacin obteni-
da a partir del anlisis de los datos, los supuestos del modelo y todos los datos que se re-
quieran para tener un modelo lo ms cercano posible a la realidad del problema bajo
estudio. En algunos casos sobre todo cuando se trata del diseo de un nuevo proceso
o esquema de trabajo no se cuenta con informacin estadstica, por lo que debe esti-
marse un rango de variacin o determinar (con ayuda del cliente) valores constantes que
permitan realizar el modelado. Si ste es el caso, el encargado de la simulacin puede, con
base en su experiencia, realizar algunas sugerencias de distribuciones de probabilidad
que comnmente se asocien al tipo de proceso que se desea incluir en el modelo. Al fina-
lizar esta etapa el modelo est listo para su primera prueba: su verificacin o, en otras pa-
labras, la comparacin con la realidad.
5. Verificacin del modelo. Una vez que se han identificado las distribuciones de pro-
babilidad de las variables del modelo y se han implantado los supuestos acordados,
es necesario realizar un proceso de verificacin de datos para comprobar la propiedad
de la programacin del modelo, y comprobar que todos los parmetros usados en la
simulacin funcionen correctamente.Ciertos problemas,en especial aquellos que requieren
muchas operaciones de programacin o que involucran distribuciones de probabilidad
difciles de programar, pueden ocasionar que el comportamiento del sistema sea muy di-
ferente del que se esperaba. Por otro lado, no se debe descartar la posibilidad de que ocu-
rran errores humanos al alimentar el modelo con la informacin. Incluso podra darse el

11
Captulo 1 Principios bsicos de la simulacin

caso de que los supuestos iniciales hayan cambiado una o varias veces durante el desa-
rrollo del modelo. Por lo tanto, debemos asegurarnos de que el modelo que se va a ejecu-
tar est basado en los ms actuales.
Una vez que se ha completado la verificacin, el modelo est listo para su compara-
cin con la realidad del problema que se est modelando. A esta etapa se le conoce tam-
bin como validacin del modelo.
6. Validacin del modelo. El proceso de validacin del modelo consiste en realizar una
serie de pruebas al mismo, utilizando informacin de entrada real para observar su com-
portamiento y analizar sus resultados.
Si el problema bajo simulacin involucra un proceso que se desea mejorar, el mode-
lo debe someterse a prueba con las condiciones actuales de operacin, lo que nos dar
como resultado un comportamiento similar al que se presenta realmente en nuestro pro-
ceso. Por otro lado, si se est diseando un nuevo proceso la validacin resulta ms com-
plicada. Una manera de validar el modelo en este caso, consiste en introducir algunos
escenarios sugeridos por el cliente y validar que el comportamiento sea congruente con
las expectativas que se tienen de acuerdo con la experiencia. Cualquiera que sea la situa-
cin, es importante que el analista conozca bien el modelo, de manera que pueda justifi-
car aquellos comportamientos que sean contrarios a las experiencias de los especialistas
en el proceso que participan de su validacin.
7. Generacin del modelo final. Una vez que el modelo se ha validado, el analista est
listo para realizar la simulacin y estudiar el comportamiento del proceso. En caso de que
se desee comparar escenarios diferentes para un mismo problema, ste ser el modelo
raz; en tal situacin, el siguiente paso es la definicin de los escenarios a analizar.
8. Determinacin de los escenarios para el anlisis. Tras validar el modelo es necesa-
rio acordar con el cliente los escenarios que se quiere analizar. Una manera muy sencilla de
determinarlos consiste en utilizar un escenario pesimista, uno optimista y uno intermedio
para la variable de respuesta ms importante. Sin embargo, es preciso tomar en cuenta
que no todas las variables se comportan igual ante los cambios en los distintos escena-
rios, por lo que tal vez sea necesario que ms de una variable de respuesta se analice ba-
jo las perspectivas pesimista, optimista e intermedia. El riesgo de esta situacin radica en
que el analista podra caer en un diseo de experimentos capaz de generar una gran can-
tidad de rplicas, lo que redundara en un incremento considerable de costo, anlisis y
tiempo de simulacin. Es por ello que muchos paquetes de simulacin cuentan con he-
rramientas para realizar este proceso, eliminando la animacin y acortando los tiempos
de simulacin. Estas herramientas permiten realizar varias rplicas del mismo escenario
para obtener resultados con estadsticas importantes respecto de la toma de decisiones
(por ejemplo, los intervalos de confianza).
Por su parte, el analista tambin puede contribuir a la seleccin de escenarios, sugi-
riendo aquellos que considere ms importantes; al hacerlo dar pie a que se reduzca el
nmero de combinaciones posibles.
9. Anlisis de sensibilidad. Una vez que se obtienen los resultados de los escenarios es
importante realizar pruebas estadsticas que permitan comparar los escenarios con los
mejores resultados finales. Si dos de ellos tienen resultados similares ser necesario com-
parar sus intervalos de confianza respecto de la variable de respuesta final. Si no hay in-
terseccin de intervalos podremos decir con certeza estadstica que los resultados no son

12
1.6 Problemas

iguales; sin embargo, si los intervalos se traslapan ser imposible determinar, estadstica-
mente hablando, que una solucin es mejor que otra. Si se desea obtener un escenario
ganador en estos casos, ser necesario realizar ms rplicas de cada modelo y/o incre-
mentar el tiempo de simulacin de cada corrida. Con ello se busca acortar los intervalos
de confianza de las soluciones finales y, por consiguiente, incrementar la probabilidad de
diferenciar las soluciones.
10. Documentacin del modelo, sugerencias y conclusiones. Una vez realizado el
anlisis de los resultados, es necesario efectuar toda la documentacin del modelo.
Esta documentacin es muy importante, pues permitir el uso del modelo generado
en caso de que se requieran ajustes futuros. En ella se deben incluir los supuestos del mo-
delo, las distribuciones asociadas a sus variables, todos sus alcances y limitaciones y, en ge-
neral, la totalidad de las consideraciones de programacin.Tambin es importante incluir
sugerencias tanto del uso del modelo como sobre los resultados obtenidos, con el prop-
sito de realizar un reporte ms completo. Por ltimo, debern presentarse asimismo las
conclusiones del proyecto de simulacin, a partir de las cuales es posible obtener los re-
portes ejecutivos para la presentacin final.
En la figura 1.3 se presenta una grfica de Gantt en donde se muestra, a manera de
ejemplo, la planificacin de los pasos para realizar una simulacin que hemos comentado
en esta seccin.

Actividad
Definicin del sistema
Modelo de simulacin base
Recoleccin y anlisis de datos
Modelo preliminar de simulacin
Verificacin del modelo
Validacin del modelo
Modelo final de simulacin
Determinacin de escenarios
Anlisis de sensibilidad
Documentacin final
Tiempo

Figura 1.3 Grfica de Gantt de un proyecto de simulacin

1.6 Problemas
1. Determine los elementos de cada uno de los siguientes sistemas, de acuerdo con lo
que se coment en la seccin 1.2.
a) La sala de emergencia de un hospital.
b) Un banco mercantil.

13
Captulo 1 Principios bsicos de la simulacin

c) Una lnea telefnica de atencin a clientes.


d) La recepcin de un hotel.
e) Un taller de tornos.
f) El proceso de pintura de un automvil.

2. Determine los elementos de cada uno de estos sistemas, de acuerdo con lo que se
analiz en la seccin 1.2.
a) El sistema de mantenimiento de los equipos de una empresa, llevado a cabo por
una cuadrilla de personas.
b) Un aeropuerto.
c) Una bodega de distribucin de productos.
d) Una lnea embotelladora de refrescos.
e) Un sistema de control de trnsito para la ciudad.
f ) Una lnea de armado de refrigeradores.

3. Determine cules podran ser las entidades en cada uno de los siguientes sistemas.
a) Un cajero automtico.
b) Un sistema automtico de inspeccin de botellas.
c) Una mquina dobladora de lmina.
d) Un proceso de empaque de televisores.

4. Determine cules podran ser las entidades en cada uno de los siguientes sistemas.
a) Un sistema de distribucin de paquetera.
b) Un sistema de cobranza.
c) Un conmutador telefnico.
d) Un departamento de devolucin de mercanca.

5. Determine qu atributos podran ser relevantes para la simulacin de los siguientes


sistemas.
a) El maquinado de una familia de engranes.
b) Un proceso de pintura de refrigeradores.
c) Un sistema de recepcin de materia prima.
d) Un proceso de soldadura para varios productos.

6. Determine qu atributos podran ser relevantes para la simulacin de los siguientes


sistemas.
a) Un proceso de empaque de 10 productos por caja, donde cada producto es dife-
rente.
b) Un proceso de separacin de 3 productos para enviarlos a sus respectivas reas de
procesamiento.
c) Un sistema de inspeccin de calidad de piezas maquinadas.
d) Un sistema de programacin de mantenimiento que califica sus trabajos como ur-
gentes y no urgentes, adems de asignarles etiquetas de Pendiente de asignar,
Asignado, En proceso y Terminado.

14
1.6 Problemas

7. Determine el promedio mvil de los nmeros de la tabla siguiente y grafique los pro-
medios, llega a estado estable la grfica? En caso afirmativo, a partir de qu valor se
puede considerar el inicio del estado estable?

0.563 0.240 0.558 0.805 0.417 0.545 0.549 0.559 0.772 0.233
0.102 0.471 0.569 0.380 0.822 0.687 0.710 0.935 0.139 0.454
0.095 0.136 0.919 0.150 0.165 0.977 0.130 0.110 0.252 0.444
0.950 0.941 0.741 0.933 0.081 0.830 0.457 0.186 0.550 0.893
0.903 0.113 0.111 0.876 0.001 0.622 0.461 0.069 0.916 0.348
0.942 0.380 0.876 0.534 0.659 0.827 0.593 0.428 0.916 0.730
0.093 0.469 0.574 0.562 0.191 0.214 0.267 0.786 0.322 0.476
0.558 0.089 0.397 0.015 0.860 0.961 0.775 0.046 0.112 0.756
0.425 0.733 0.879 0.444 0.886 0.638 0.661 0.289 0.890 0.513
0.178 0.051 0.598 0.328 0.041 0.267 0.556 0.814 0.326 0.795
0.226 0.145 0.508 0.611 0.760 0.979 0.020 0.601 0.145 0.123

1 n
Promedio mvil: rn =
n - ri para n = 1, 2, , 100
i =1

8. Determine el promedio mvil de los nmeros de la tabla siguiente y grafique los pro-
medios, llega a estado estable la grfica? En caso afirmativo, a partir de qu valor se
puede considerar el inicio del estado estable?

0.899 0.053 0.141 0.226 0.506 0.523 0.316 0.870 0.614 0.844
0.873 0.402 0.823 0.476 0.969 0.472 0.248 0.326 0.221 0.946
0.209 0.925 0.873 0.965 0.525 0.055 0.454 0.560 0.789 0.083
0.048 0.317 0.680 0.372 0.821 0.474 0.559 0.849 0.366 0.852
0.801 0.048 0.721 0.525 0.363 0.433 0.151 0.335 0.668 0.528
0.970 0.354 0.276 0.638 0.527 0.776 0.285 0.084 0.438 0.942
0.111 0.888 0.010 0.529 0.852 0.536 0.704 0.804 0.095 0.329
0.784 0.570 0.885 0.165 0.020 0.224 0.425 0.300 0.801 0.831
0.942 0.888 0.367 0.343 0.703 0.365 0.457 0.110 0.891 0.320
0.734 0.165 0.085 0.962 0.692 0.123 0.588 0.738 0.388 0.984

1 n
Promedio mvil: rn =
n - ri para n = 1, 2, , 100
i =1

9. Genere en una hoja de clculo 100 nmeros con la funcin xi = 3ln(1 ri ), donde ri
es un nmero pseudo aleatorio entre cero y uno, obtenido a partir de la funcin
ALEATORIO de la hoja de clculo. Suponga que estos valores son tiempos de proceso
de cierta pieza. Determine un promedio mvil de estos valores conforme se va reali-
zando el procesamiento de las piezas, y grafique ese promedio. El tiempo promedio

15
Captulo 1 Principios bsicos de la simulacin

de proceso es estable? Y si ahora se generan 200 nmeros? (Sugerencia: Para evitar


que se recalculen los nmeros aleatorios, es necesario copiarlos y pegarlos usando un
pegado especial de slo valores.)

10. Genere en una hoja de clculo 100 nmeros con la funcin xi = 5 + 10ri , donde ri es
un nmero pseudo aleatorio entre cero y uno, obtenido a partir de la funcin ALEA-
TORIO de la hoja de clculo. Suponga que estos valores son tiempos de atencin a
clientes en un banco. Determine un promedio mvil de estos valores conforme se va
realizando la atencin de los clientes, y grafique ese promedio. El tiempo promedio
de atencin a clientes es estable? Y si ahora se generan 200 nmeros?

16