PRINCIPIOS BASICOS DE LA SIMULACION

ELEMENTOS

Existen ciertas condiciones clave que pueden traer problemas si no se les pone atención al momento de usar la simulación para la toma de decisiones. A continuación destacaremos algunas de las causas por las que un modelo de simulación podría no tener los resultados que se desean:

Tamaño insuficiente de la corrida. Como se mencionó antes, para poder llegar a conclusiones estadísticas válidas a partir de los modelos de simulación es necesario que las variables aleatorias de respuesta estén en estado estable

Variable(s) de respuesta mal definida(s). Aun cuando el modelo de simulación sea muy eficiente y represente la realidad en gran medida, si la variable de respuesta seleccionada no es la apropiada será imposible tomar decisiones que tengan impacto en la operación del sistema bajo estudio.

Errores al establecer las relaciones entre las variables aleatorias. Un error común de programación es olvidar las relaciones lógicas que existen entre las variables aleatorias del modelo, o minimizar su impacto

Errores al determinar el tipo de distribución asociado a las variables aleatorias del modelo. Este tipo de problema es muy similar al anterior, sólo que en este caso se utilizan distribuciones que no son las más adecuadas o que responden únicamente a un intento de simplificar los estudios estadísticos

Falta de un análisis estadístico de los resultados. Un problema común por el que la simulación suele ser objeto de crítica, radica en asumir que se trata de una herramienta de optimización

Uso incorrecto de la información obtenida. Un problema que se presenta en ocasiones es el uso incorrecto de la información recabada para la realización del estudio, ya sea a través de un cliente o de cualesquiera otras fuentes

Falta o exceso de detalle en el modelo. Otro punto importante a considerar es el nivel de detalle del modelo. En muchas ocasiones algún proceso se simplifica tanto que tiende a verse como una "caja negra"que nos impide ver qué ocurre en el interior, aunque sí haya entrada y salida de datos que interactúan con otras partes del modelo. Cuando esto sucede, el impacto que podrían tener los subprocesos que se llevan a cabo en la "caja negra" (es decir, del proceso sobresimplificado) no se incluye en la simulación. Por ejemplo, si se analiza un sistema de distribución y se da por sentado que el almacén siempre surte sus pedidos, no incluiremos el impacto de los tiempos necesarios para surtir las órdenes, ni la posibilidad de que haya faltantes de producto; excluiremos también los horarios de comida, en los que no se surten pedidos, y las fallas en los montacargas que transportan los pedidos hasta los camiones para su distribución

JUAN SEBASTIAN ÑUSTEZ CORREDOR INGENIERIA INDUSTRIAL ASIGNATURA SIMULACION

PASOS PARA REALIZAR UN ESTUDIO DE SIMULACION

PASOS

1. Definición del sistema bajo estudio. En esta etapa es necesario conocer el sistema a modelar. Para ello se requiere saber qué origina el estudio de simulación y establecer los supuestos del modelo: es conveniente definir con claridad las variables de decisión del modelo, determinar las interacciones entre éstas y establecer con precisión los alcances y limitaciones que aquel podría llegar a tener.

2. 2. Generación del modelo de simulación base. Una vez que se ha definido el sistema en términos de un modelo conceptual, la siguiente etapa del estudio consiste en la generación de un modelo de simulación base

3. 3. Recolección y análisis de datos. De manera paralela a la generación del modelo base, es posible comenzar la recopilación de la información estadística de las variables aleatorias del modelo. En esta etapa se debe determinar qué información es útil para la determinación de las distribuciones de probabilidad asociadas a cada una de las variables aleatorias innecesarias para la simulación.

4. 4. Generación del modelo preliminar. En esta etapa se integra la información obtenida a partir del análisis de los datos, los supuestos del modelo y todos los datos que se requieran para tener un modelo lo más cercano posible a la realidad del problema bajo estudio

5. 5. Verificación del modelo. Una vez que se han identificado las distribuciones de probabilidad de las variables del modelo y se han implantado los supuestos acordados, es necesario realizar un proceso de verificación de datos para comprobar la propiedad de la programación del modelo, y comprobar que todos los parámetros usados en la simulación funcionen correctamente

6. 6. Validación del modelo. El proceso de validación del modelo consiste en realizar una serie de pruebas al mismo, utilizando información de entrada real para observar su comportamiento y analizar sus resultados.

7. Generación del modelo final. Una vez que el modelo se ha validado, el analista está listo para realizar la simulación y estudiar el comportamiento del proceso

8. Determinación de los escenarios para el análisis. Tras validar el modelo es necesario 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 más importante.

9. 9. Análisis de sensibilidad. Una vez que se obtienen los resultados de los escenarios es importante realizar pruebas estadísticas que permitan comparar los escenarios con los mejores resultados finales.

10.

Documentación del modelo, sugerencias y conclusiones. Una vez realizado el análisis de los resultados, es necesario efectuar toda la documentación del modelo. Esta documentación es muy importante, pues permitirá el uso del modelo generado en caso de que se requieran ajustes futuros

INTRODUCCION A LA SIMULACION

HISTORIA

El concepto de simulación engloba soluciones para muchos propósitos diferentes. Por ejemplo, podríamos decir que el modelo de un avión a escala que se introduce a una cámara por donde se hace pasar un flujo de aire, puede simular los efectos que experimentará un avión real cuando se vea sometido a turbulencia

el advenimiento de nuevos y mejores desarrollos en el área de la computación ha traído consigo innovaciones igualmente importantes en los terrenos de la toma de decisiones y el diseño de procesos y productos. En este sentido, una de las técnicas de mayor impacto es la simulación

DEFINICIONES DE SIMULACION

DEFINICIONES

• simulación de eventos discretos como el conjunto de relaciones lógicas, matemáticas y probabilísimas que integran el comportamiento de un sistema bajo estudio cuando se presenta un evento determinado

• 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 simulación, tales elementos deben tener una frontera clara.

• estado del sistema es la condición que guarda el sistema bajo estudio en un momento determinado; es como una fotografía de lo que está pasando en el sistema en cierto instante.

• entidad es la representación de los flujos de entrada a un sistema; éste es el elemento responsable de que el estado del sistema cambie

• evento es un cambio en el estado actual del sistema; por ejemplo, la entrada o salida de una entidad, la finalización de un proceso en un equipo

• Las localizaciones son todos aquellos lugares en los que la pieza puede detenerse para ser transformada o esperar a serlo

• Los recursos son aquellos dispositivos —diferentes a las localizaciones— necesarios para llevar a cabo una operación.

• Un atributo es una característica de una entidad. Por ejemplo, si la entidad es un motor, los atributos serían su color, peso, tamaño o cilindraje

• El reloj de la simulación es el contador de tiempo de la simulación, y su función consiste en responder preguntas tales como cuánto tiempo se ha utilizado el modelo en la simulación, y cuánto tiempo en total se quiere que dure esta última

• Los modelos dinámicos son aquellos en los que el estado del sistema que estamos analizando cambia respecto del tiempo

• réplica o corrida de la simulación. Cuando ejecutamos el modelo en una ocasión, los valores que obtenemos de las variables y parámetros al final del tiempo de simulación generalmente serán distintos de los que se producirán si lo volvemos a correr usando diferentes números pesado aleatorios. Por lo tanto, es necesario efectuar más de una réplica del modelo que se esté analizando, con la finalidad de obtener estadísticas de intervalo que nos den una mejor ubicación del verdadero valor de la variable bajo los diferentes escenarios que se presentan al modificar los números pesado aleatorios en cada oportunidad

VENTAJAS Y DESVENTAJAS DE LA SIMULACI

Ventajas
• o) Es muy buena herramienta para conocer el impacto de los cambios en los procesos sin necesidad de llevarlos a cabo en la realidad.
• b) Mejora el conocimiento del proceso actual al permitir que el analista vea cómo se comporta el modelo generado bajo diferentes escenarios.

• c) Puede utilizarse como medio de capacitación para la toma de decisiones.

• d) Es más económico realizar un estudio de simulación 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 simulación permite generar una buena solución

• . g) En la actualidad los paquetes de software para simulación tienden a ser más sencillos, lo que facilita su aplicación





Desventajas

• a) Aunque muchos paquetes de software permiten obtener el mejor escenario a partir de una combinación de variaciones posibles, la simulación no es una herramienta de optimización.

• b) La simulación puede ser costosa cuando se quiere emplearla en problemas relativamente sencillos de resolver, en lugar de utilizar soluciones analíticas que se han desarrollado de manera específica para ese tipo de casos.

• c) Se requiere bastante tiempo —generalmente meses— para realizar un buen estudio de simulación; por desgracia, no todos los analistas tienen la disposición (o la »• oportunidad) de esperar ese tiempo para obtener una respuesta.

• d) Es preciso que el analista domine el uso del paquete de simulación y que tenga sólidos conocimientos de estadística para interpretar los resultados.