1

Revista Internacional de la Educacin en Ingeniera, Vol. 6, No. 1, 2013, 1-7

ISSN 1940-1116
AcademiaJournals.com

ENTRENAMIENTO PARA TOMA DE DECISIONES POR

MEDIO DE SIMULACIN Y CASOS DE ESTUDIO
M. en C. Leopoldo Viveros Rosas1, M. en C. Rebeca Daz Tllez2,
Dr. Mario Luis Chew Hernndez3, M. en C. Vernica Velzquez Romero 4
ResumenEn este artculo mostramos los resultados obtenidos de la aplicacin de la simulacin como
herramienta para entrenamiento en situaciones de decisin para ingenieros industriales. El primer caso hace
referencia a una industria productora de filtros para gasolina en la cual se generan situaciones de decisin
sobre la secuenciacin de produccin; el simulador es utilizado para enfrentar decisiones individuales,
conjuntas y de negociacin. El segundo caso captura la problemtica de un centro de distribucin local donde
las situaciones de decisin se centran en la Teora de Restricciones. En ambos casos se desarrollan los
simuladores correspondientes que capturan la problemtica a tratar, se utilizan como medio de
entrenamiento y se mide la mejora en las decisiones.
Palabras claveSimulacin, Decisiones, Casos de Estudios, Secuenciacin, Teora de Restricciones.

INTRODUCCIN
Uno de los grandes retos a los que se enfrentan las universidades en la formacin de profesionales en Ingeniera
Industrial es proporcionar a sus egresados las competencias necesarias para la toma de decisiones en funcin del
anlisis y manejo de informacin proveniente de las situaciones problemticas a resolver. Dentro de las herramientas
para entrenamiento se presenta la simulacin como una opcin de mejorar la toma de decisiones y disminuir los
tiempos de respuesta a situaciones de conflicto o incertidumbre.
REVISIN DE LA LITERATURA
Casos de estudio
Existen diversos mecanismos para solventar la necesidad de generar competencias en toma de decisiones, los
cuales requieren de una estrecha vinculacin con el sector industrial. Uno de esos mecanismos es el desarrollo de
Casos de Estudio como Actividad Ldica de aprendizaje. El estudiante debe hacer uso y manejo de los
conocimientos adquiridos dentro de su formacin para proponer una solucin al problema planteado. Los casos de
estudio son vistos en los modelos actuales de educacin por competencias como una de las herramientas ms
impactantes de formacin del aprendizaje. Silvia Sosa (2006) cita lo que Robert Yin menciona en su artculo de
estudio de casos: el estudio de casos es una investigacin emprica que estudia un fenmeno contemporneo dentro
de su contexto real, en la que los lmites entre el fenmeno y el contexto no son claramente visibles, y en la que se
utilizan distintas fuentes de evidencia. Por ello, el estudio de casos es una metodologa de investigacin
ampliamente utilizada en el anlisis de las organizaciones por las distintas disciplinas cientficas, incluso aunque
muchos acadmicos consideran que los casos nos alejan de la manera normal en que se debe hacer ciencia, ya que
sta se tiende a identificar con los anlisis estadsticos y las grandes muestras. Adems propone que se profundice
en esta tcnica y se utilice ms como herramienta pedaggica; en sus conferencias en la UNAM, (Conferencia de
1

Leopoldo Viveros Rosas es profesor asociado A del TESCo en la Unidad de Estudios de Posgrado e Investigacin.
lviverosr@hotmail.com (Autor Corresponsal)
2
Rebeca Daz Tllez es profesor asociado A del TESCo en la Divisin de Ingeniera Ambiental. rbkdiaz@hotmail.com
3
Mario Luis Chew Hernndez es profesor asociado B del del TESCo en la Unidad de estudios de Posgrado e Investigacin.
mchew@tesco.edu.mx
4
Vernica Velzquez Romero es profesor asociado A del TESCo en la Divisin de Ingeniera Industrial.
bronikvelro@hotmail.com

Bosh en la UNAM. "Study Cases"), dice que un caso de estudio (Case Study) es una herramienta que permite evaluar
la capacidad de abstraccin, el pensamiento estratgico y las competencias sociales de un candidato. Se confronta el
candidato con un problema (el caso) para que lo evalen y tenga la oportunidad de presentar sus soluciones.
En Ruiz, Anguita & Jorrn (2006) se aplica el estudio de casos en las asignaturas de Educacin Musical y
Educacin Social, obteniendo resultados que indican que el diseo educativo planteado por casos de estudio favorece
la adquisicin de los contenidos conceptuales, actitudinales y procedimentales que les permitieron formar alumnos
en competencias. As mismo se increment la participacin de los alumnos y se mejor la relacin de equipo de
trabajo. Adems, Villareal (2003) indica que el objetivo de su trabajo es proponer un diseo metodolgico para el
empleo del estudio de casos en la investigacin cientfica y reivindicar la validez del mismo cuando se dan las
condiciones adecuadas, se sigue un diseo correcto y se aplica de una manera rigurosa. Por su parte, Schwartz,
Mennin, & Web (2001) dicen que el caso de estudio es una de las herramientas que se ha desarrollado para un
aprendizaje de principios generales y buenas costumbres, y pone de manifiesto que el Aprendizaje Basado en la
Solucin de Problemas (Problem Based Learning, PBL) centra todo el proceso de aprendizaje en un problema mal
estructurado, y en este contexto el profesor deja su rol tradicional de poseedor y distribuidor del saber para
convertirse en un animador del grupo; es alguien que pregunta sobre el pensamiento, encamina, prueba y desafa el
pensamiento de los estudiantes, ajusta los desafos, los mantiene involucrados, maneja la dinmica del grupo y
mantiene el proceso en movimiento. Los estudiantes se convierten en autnticos agentes de su aprendizaje, de ser
oyentes pasivos pasan a ser sujetos activos que resuelven problemas, toman decisiones y construyen significados.
Simulacin como herramienta de entrenamiento
Las herramientas de simulacin orientadas a eventos discretos ofrecen una plataforma que permite abordar con
xito un proceso de mejora continua de sistemas complejos para los cuales las tcnicas analticas clsicas basadas en
el clculo diferencial, teora de probabilidades y mtodos algebraicos, no pueden ser utilizadas para formalizar de
modo sencillo la complejidad de los procesos (Guasch et al. 2005).
A continuacin se enuncian algunas de las aplicaciones de la simulacin como herramienta de entrenamiento:
1. Inmediatamente despus del 9/11, la Universidad del Condado de Burlington (BCC) se dio cuenta de que el
enfoque en la preparacin de emergencia deba cambiar. BCC respondi identificando las necesidades de la
comunidad: desarrollar el entrenamiento de simulacros personalizado usando simuladores de pacientes
humanos de alta fidelidad y tecnologa. Ms de 8,500 individuos, en todos niveles, han recibido el
entrenamiento (Spellman, 2008).
2. La simulacin de eventos discretos es una tcnica que permite crear modelos, apoyndose en equipos y
programas informticos, que posteriormente servirn para analizar el comportamiento de un sistema en
diferentes circunstancias, analizando los posibles cambios y sus consecuencias. Desafortunadamente, an son
muchos los sectores industriales que no aprovechan de las ventajas que esta tecnologa ofrece para la toma de
decisiones, el ahorro de costes o la optimizacin de procesos industriales (Castrilln, 2008).
3. Tambin puede utilizarse la simulacin para entrenar capacidades en distintos niveles ya que el entrenamiento
en vivo es eficaz para conseguir reacciones instintivas a situaciones especiales, mientras que el entrenamiento
simulado brinda la posibilidad de entrenar un gran nmero de estudiantes en varias destrezas dentro de un
ambiente controlado (Greswell, 2009).
4. El ambiente turbulento de los negocios requiere cada vez grupos ms grandes de expertos en negocios. La
experiencia requerida por la empresa es una combinacin de conocimientos y algunas destreza diferentes, y
debe suministrar a los aprendices la vista global del funcionamiento de la organizacin comercial como un
todo. Adems mientras que el trabajo se incrementa, el equipo y el esfuerzo de grupo cada vez es mayor, la
fuerza potencial de la colaboracin debe estar presente en un ambiente de aprendizaje (Lainema & Lainema,
2009), dicha experiencia puede ser adquirida por un juego de simulacin.
5. El entrenamiento por simulacin ofrece muchos beneficios econmicos, principalmente este mtodo reduce el
tiempo en entrenar el personal remplazado; la simulacin por ordenador tambin permite una evaluacin ms
completa del software de automatizacin antes de echarlo a andar en la lnea del proceso de manufactura
(Fiske, 2007).
6. La computadora puede permitir la creacin de nuevos ambientes de entrenamiento de manera que nicamente
es posible imaginarlas actualmente. El diseo de simuladores por ordenador basados en procedimientos
quirrgicos es un proceso altamente complejo y sofisticado (Haluck, 2005).
7. El uso de la simulacin est ganando terreno en la educacin de enfermera alrededor del Reino Unido.
Actualmente los consejos de enfermera y obstetricia estn investigando el uso de la simulacin de enfermera
preregistro (Wilford, 2006).
8. El entrenamiento con simulacin mejora la seguridad e incrementa la habilidad para tratar eficientemente
situaciones de paro cardiaco. Se menciona que no se buscan tcnicas de accin tanto como priorizacin en la

toma de decisiones, trabajo en equipo y comunicacin son algunos aspectos mejorados despus del
entrenamiento (Burlacu, 2008).
9. Las nuevas tendencias y acontecimientos tecnolgicos para el entrenamiento con simuladores de vuelo los
convierten en la herramienta perfecta para crear expertos. Los simuladores electrnicos son ms econmicos y
ms eficientes por lo que han reemplazado los monstruos hidrulicos anteriores. Para cubrir las demandas de
entrenamiento, los fabricantes estn produciendo dispositivos de entrenamiento de simulacin de vuelo
(Welch, 2009).
10. Existe informacin sobre el entrenamiento con simulacin para bomberos en los EE.UU. la cual describe
cmo se entrenan los bomberos sobre diferentes clases (tipo, tamao y simulacin de fuego de tiempo real
(Montagna, 2008).
11. Evaluando la validez del LapSim nos preguntamos, puede el simulador de realidad virtual de LapSim
distinguir entre principiantes y expertos? Los resultados muestran que el rendimiento de varias tareas sobre
el simulador corresponde al nivel respectivo de la experiencia en endoscopia en la poblacin de investigacin.
Este estudio demuestra la validez del concepto para el simulador de realidad virtual de LapSim. Por lo tanto,
mide la destreza relevante y puede estar integrado en el entrenamiento de endoscopia y programa de
valoracin (Duffy etal. 2005).
12. El entrenamiento de simulacin se compar con el entrenamiento tradicional en lo concerniente a la destreza
de direccin de ruta area inicial de residentes superiores. Se present un estudio que compara la destreza de
direccin de ruta area inicial de un grupo de estudiantes de medicina interna, que son entrenados usando
entrenamiento basado en simulacin. Los estudiantes fueron divididos en grupos tradicionalmente entrenados
y entrenados con simulacin (Kory etal. 2007).
DESARROLLO
Entrenamiento Para Secuenciacin
En sta seccin se presentan los resultados del uso del simulador para entrenar a estudiantes de ingeniera
industrial para resolver problemas de secuenciacin. Se consideran tres diferentes fases dentro del entrenamiento. En
la primera fase el individuo se familiariza con el problema de secuenciacin y con el simulador; dentro de esta
misma fase, una vez que el participante entiende la situacin problemtica y se ha familiarizado con el simulador se
mide el aprendizaje individual para la resolucin de problemas de secuenciacin. En la segunda fase se utiliza el
mismo simulador y se analizan las decisiones conjuntas para la decisin de la secuenciacin. En una tercera etapa se
mide el efecto de la experiencia ganada por simulacin en la toma de decisiones como herramienta para la
negociacin.
A fin de que los estudiantes enfrentaran un problema de secuenciacin de complejidad real, el simulador se
construy en base a datos reales de una PYME local dedicada, entre otras cosas, a la produccin de filtros de
gasolina para automvil. Esto no implica una prdida de generalidad con otros problemas de secuenciacin ya que la
mayora de las PYMES que produce n-artculos en diferentes procesos llevan una produccin en serie y por lotes. Se
ha mostrado que las habilidades que una persona adquiere en el entrenamiento por simulacin de escenarios reales
puede ser utilizada en la toma de decisiones en situaciones reales (Burlacu, 2008), (Domuracki, 2009), (FBI Law
Enforcement Bulletin, 2007), (Military & Aerospace Electronics, 2010) y (U. S. Naval Institute Proceedings, 2005).
En la Fase I, los sujetos experimentales enfrentan individualmente el problema de secuenciacin presentado por
el simulador. Cada alumno tomar el papel del ingeniero de piso que debe decidir la secuencia en la que se trabajar
la serie de pedidos del mes, buscando el cumplimiento de las demandas en tiempo. La medida del nivel de habilidad
del estudiante estar dada por el nmero de incumplimientos o supervit incurridos en cada ronda de simulacin.
En la Fase II, se usa el simulador para estudiar la toma de decisin colectiva. Se forman grupos de dos
participantes y se plantea la siguiente situacin hipottica: dos personas con la misma experiencia deben tomar la
decisin de programar las diferentes rdenes que llegan de los pedidos de filtros para autos, las dos trabajan para la
misma empresa y en el mismo departamento, ninguna de ellas recibe ninguna compensacin ni penalizacin por
cumplir o no con el pedido, sin embargo saben que a la larga si no entregan a tiempo pueden perder su trabajo, as
que entre ms pedidos cumplan es mejor para ellos.
Por ltimo en la Fase III se considera el caso hipottico de dos vendedores A y B de la misma empresa, que
tienen experiencia en secuenciacin ganada por separado mediante el simulador, que promueven 10 diferentes tipos
de modelo de filtros para vender. Cada ao se sortean entre los vendedores los 10 modelos, por lo que cada ao son
diferentes los modelos asignados a cada vendedor. Si el modelo que les toc un ao, tiene pendientes piezas por
entregar del ao anterior, ellos deben cumplir con esa entrega ms la entrega del ao en curso. Existe una
penalizacin por cada pieza que no entreguen a tiempo. En virtud de que la manufactura de todos los modelos tiene
los vendedores deben negociar como van a programar sus pedidos cada uno, tratando de disminuir cada quien su

penalizacin. Si los vendedores no llegan a un acuerdo la produccin se retrasar por motivos de preparacin de
herramentales. En este caso de estudio a diferencia de la decisin grupal, tratada en la Fase II, las partes tienen
intereses distintos, cada uno busca minimizar su propia penalizacin.
Desde el punto de vista de teora de negociacin, se establece que el programa de produccin acordado (contrato
entre las partes) ptimo es aquel que divide las penalizaciones equitativamente (o el valor esperado de estas). Cmo
no se tienen asuntos varios para negociar y valorar, lo que permitira encontrar contratos eficientes al modo de las
negociaciones integrativas, una manera de definir contratos ptimos es hacer que las penalizaciones sean distribuidas
equitativamente entre las partes. En la Figura 1 se muestra el esquema de la toma de decisiones abordada en la Fases
II y III.

Figura 1.Esquema de toma de decisiones Grupales

Fase I Decisiones individuales
Inicialmente se busca que los participantes ganen familiaridad con el simulador, se solicita a los mismos que
utilicen el simulador para un problema simplificado. Se debe realizar la planeacin de la produccin durante tres
periodos con el objetivo de cumplir con la demanda de cada periodo antes del da 21. En cada periodo se registran
los tiempos de entrega de los siete modelos de filtro demandados, el promedio de estos tiempos se muestra en la
Figura 2.
Como se puede observar en la Figura 2, para el periodo 1, todos los participantes logran entregar los filtros
demandados antes del da 21 indicando que ya poseen conocimiento significativo sobre el problema de
secuenciacin. Se cumplen con las demandas del periodo 3 en menor tiempo que en el periodo 1 en todos los casos,
excepto por los participantes 1 y 7, donde el tiempo empleado para satisfacer la demanda es el mismo. La
disminucin en das promedio requeridos para satisfacer la demanda va desde 5 das menos (participante 5) a 1 da
menos (participante 3).
Una vez ganada la familiaridad con el caso de estudio y el simulador, los sujetos experimentales enfrentan al caso
de estudio completo. Se tienen datos de cuatro corridas de cuatro periodos cada uno para los diez participantes. Para
cada periodo, los estudiantes deben satisfacer la demanda mensual y semanal para cada uno de los cuatro periodos y
para cada uno de los diez modelos de filtro.

Figura 2.Tiempos promedio empleados

para la satisfaccin de la demanda

Figura 3. Periodos con dficit.

El anlisis de los resultados proporciona informacin de que en muy pocos periodos los estudiantes generaron
dficits. Esto es, de 160 periodos simulados, nicamente en 19 de ellos se gener dficit. Aproximadamente el 12%
de los periodos presento dficit tal como se muestra en la Figura 3.
Un segundo aspecto de la secuenciacin es el supervit, entendido como la cantidad de sobreproduccin
(produccin en exceso) que se tienen en el periodo. Se puede observar del anlisis de resultados que en la
generalidad los participantes buscan disminuir el supervit.
En virtud de esta informacin se cuantifica el supervit promedio obtenido por periodo y jugador, penalizando
aquellos periodos que obtuvieron dficit (se les agrega un supervit de 2000 filtros).
Se deriva como resultado que en la mayora de los participantes el supervit promedio fue disminuyendo en cada
una de las corridas, tal como se muestra en la Tabla 1.
Tabla 1
Promedio total de jugador por corrida
CORRIDA 1 CORRIDA 2 CORRIDA 3 CORRIDA 4
JUGADOR 1
3745.20
2797.32
2468.27
2316.70
JUGADOR 2
2495.87
3477.47
2788.17
2052.60
JUGADOR 3
5096.17
4888.07
3916.07
4249.20
JUGADOR 4
3049.02
3151.63
3111.25
3368.97
JUGADOR 5
2330.57
2352.12
1799.30
2243.97
JUGADOR 6
5842.07
6467.97
5275.75
4648.92
JUGADOR 7
3241.22
2873.92
3478.87
2911.29
JUGADOR 8
3222.52
2711.97
2602.25
2859.95
JUGADOR 9
2663.41
1971.18
1959.72
1818.68
JUGADOR 10 2433.56
2387.68
2027.68
1830.98

Tabla 2
Promedio global de supervit por corrida.
PROMEDIO

CORRIDA 1 CORRIDA 2 CORRIDA 3 CORRIDA 4

3411.97
3307.94
2942.74
654.41

Para los jugadores 1, 2, 6, 9 y 10, la corrida 4 es la

que presenta el menor supervit. Para los jugadores 3, 5
y 8 es la corrida 3 la que presenta el menor supervit,
mientras que para el jugador 1 el menor supervit se
encuentra en la corrida 1 y para el jugador 2 se
encuentra en la corrida 2.

En la Tabla 2 se muestra el promedio global por corrida, en la cual se puede observar que globalmente el
promedio de supervit fue disminuyendo en cada corrida.
Fase II Decisiones conjuntas
Descripcin general del experimento:
Se forman equipos de dos personas las cuales deben acordar el orden en el que se programen los trabajos
que llegan cada 20 das, el tiempo que se tarden en llegar a un acuerdo retrasar la produccin, es por ello
de la importancia del tiempo que demoren en acordar la decisin.
Los integrantes del equipo no tienen penalizacin ni por parte del cliente ni por parte de la organizacin
para cumplir con los pedidos, sin embargo, de tener a tiempo los productos depende su trabajo y un posible
ascenso. Es de inters de ambos decidir una buena secuencia.
Se realizarn cuatro corridas de cuatro periodos mensuales cada uno y reportarn al final de cada periodo
el promedio de los supervits de los filtros, si llegan a tener dficits en cualquier modelo se les penalizar
con un supervit de 2000 filtros del modelo que haga falta a fin de mantener la consistencia del problema.
La finalidad de los equipos no es mantener supervits sino cubrir el programa de produccin y llegar a
acuerdos lo antes posible. Sin embargo si es menor el supervit la secuencia de programacin es mejor por
los costos que esto implica.
Las mtricas a tomar son el tiempo que se tardan en decidir la secuencia de ejecucin de las rdenes de
produccin y los supervits que se tengan al final de cada periodo.
Un excelente resultado es que se lleguen a cubrir todos los pedidos y se tenga muy poco supervit, entre 0
y 1000 piezas, mientras que un mal resultado es cualquier incumplimiento en el periodo.
En la Tabla 3 se muestran los tiempos promedio, por periodo, que cada equipo tardo en llegar a un acuerdo,
mientras que en la Tabla 4 se encuentra el promedio del tiempo por corrida, tambin de cada equipo.
Con estos resultados se puede observar que existe una disminucin del tiempo que cada equipo tarda en llegar a
un acuerdo sobre la secuencia de produccin de los filtros de gasolina de tal forma que se cumpla con la demanda.

Tabla 3. Tiempo promedio (minutos) por

periodo por equipo.
PROMEDIOS
GRUPO 1
GRUPO 2
GRUPO 3
GRUPO 4
GRUPO 5
GRUPO 6
GRUPO 7
GRUPO 8

TIEMPO EN MINUTOS
PERIODO 1 PERIODO 2 PERIODO 3 PERIODO 4
25.25
25.50
20.50
16.50
29.75
29.00
25.00
19.25
28.50
23.00
18.00
15.00
20.75
16.75
15.75
13.75
19.25
13.75
13.00
13.50
23.25
21.75
19.00
16.50
21.50
22.00
18.25
16.00
22.25
17.25
16.75
13.75

Tabla 4. Tiempo promedio (minutos) por

corrida por equipo.
PROMEDIOS
GRUPO 1
GRUPO 2
GRUPO 3
GRUPO 4
GRUPO 5
GRUPO 6
GRUPO 7
GRUPO 8

TIEMPO EN MINUTOS
PERIODO 1 PERIODO 2 PERIODO 3 PERIODO 4
24.50
26.25
20.00
17.00
34.50
28.00
22.50
18.00
27.50
22.50
18.75
15.75
23.25
20.75
12.25
10.75
23.25
14.25
11.25
10.75
26.75
23.25
17.00
13.50
25.25
20.50
19.50
12.50
26.50
19.25
14.25
10.00

Los resultados de la toma de decisiones conjunta se resumen a continuacin:

a) En ningn caso los menores supervits se dan en la primera corrida.
b) Seis equipos de ocho (1, 2, 3, 5, 6 y 8) mostraron menores dficits en los periodos de las corridas tres o
cuatro. De estos equipos, cuatro (1, 2, 6 y 8) tuvieron todos los periodos de la corrida cuatro con los
menores dficits del experimento. El hecho de que los supervits menores se presenten en corridas
posteriores (tres o cuatro) parecen confirmar la ganancia de experiencia.
En la Tabla 5 se muestran los resultados de las corridas donde se observa el menor supervit por equipo por
periodo, mientras que en la Figura 5 se muestra el porcentaje de corridas con menor supervit.

Tabla 5. Corrida donde se observa el menor

supervit del periodo.

Figura 4. Porcentaje de corridas donde se

muestra el menor supervit
Fase III Negociacin
Para esta fase de negociacin se desarrolla el experimento que se describe a continuacin:
1. Se toman equipos de dos participantes para negociar, los cuales ya han tenido experiencia en la simulacin
individual realizada con anterioridad.
2. Se cuenta con 10 modelos de filtro de gasolina a producir.
3. Al inicio de cada ao a cada parte involucrada se le asignan aleatoriamente 5 modelos de cuya produccin
ser responsable.
4. Es conocida la distribucin de probabilidad que sigue la variable aleatoria de la demanda de cada filtro as
como la variable aleatoria de produccin. Dicha capacidad de produccin es inferior a la demanda total por
periodo, asegurando, de esta manera, que siempre habr dficit y partes penalizadas.
5. Cada periodo a simular es de 20 das.
6. Los participantes en la negociacin deben llegar a un acuerdo referente al orden en que se procesarn los
10 trabajos (cinco de cada uno) con el objetivo de minimizar las penalizaciones de cada uno de acuerdo al
diseo del problema.
7. Se generan 50 escenarios con los filtros asignados y con la secuencia negociada. Se reporta la penalizacin
promedio de los cincuenta escenarios. Este proceso se repite por los 12 periodos que dura el ao.
8. Para el siguiente ao se vuelven a sortear los modelos de los filtros de gasolina y se repite la simulacin.
Se espera que el comportamiento de los contratos de los alumnos participantes tienda a acercarse a la frontera
eficiente. En la Figura 5 se muestra una representacin de la frontera eficiente.

Lnea que muestra donde

se
encuentran
los
contratos equitativos

El jugador rojo
gana todo

El jugador rojo
gana todo

ZOPA

El jugador amarillo
gana todo

Figura 5. Frontera eficiente perfecta

El jugador amarillo
gana todo

Figura 6. Zona de posibles acuerdos

En la Figura 5 el eje x representa la ganancia de una primer parte (jugador amarillo), el eje y representa las
ganancias de una segunda parte (jugador rojo). La interseccin de la frontera eficiente y los ejes dan los valores que
se obtienen si el jugador amarillo obtiene todo y el rojo nada (100%,0) y si el jugador rojo gana todo y el amarillo
nada (0,100%). Los resultados obtenidos por cada equipo deben ser evaluados usando esta frontera. Los contratos
cercanos a la frontera son eficientes (maximizaron las ganancias de los jugadores), los contratos cercanos a la lnea
de 45 o la lnea de equilibrio, son contratos equitativos (distribuyen las ganancias ms o menos igual entre los
jugadores). Un contrato ideal es uno que cae en la interseccin de la lnea de equilibrio y la curva de la frontera
eficiente; si se consideran los valores de reserva de cada jugador, amarillo x, rojo y, entonces la zona de posibles
acuerdos (ZOPA) disminuye (tal como se muestra en la FiguRa 6) y los contratos equitativos no necesariamente
estn en la lnea de 45 pues deben tener en cuenta los valores de reserva de las partes. Para esta simulacin el
ganar significa que se tiene 0% de penalizaciones, y el perder que se tiene el 100% de las penalizaciones.
Los resultados de este experimento se muestran en la Tabla 6, donde se expresan los porcentajes promedio de las
penalizaciones totales que cada jugador recibi al hacer las negociaciones de cuatro corridas.
Tabla 6. Promedio de porcentajes de penalizacin por equipos y corridas.
PORCENTAJES DE PENALIZACIONES POR CADA EQUIPO Y JUGADOR
Corrida 1

Corrida 2

Corrida 3

Corrida 4

Jugador 1

60%

47%

45%

53%

Jugador 2

40%

53%

55%

47%

Jugador 3

62%

61%

54%

61%

Jugador 4

38%

39%

46%

39%

Jugador 5

26%

28%

31%

28%

Jugador 6

74%

72%

69%

72%

Jugador 7

61%

56%

52%

53%

Jugador 8

39%

44%

48%

47%

Jugador 9

70%

24%

80%

27%

Jugador 10

30%

76%

20%

73%

Jugador 11

23%

42%

57%

57%

Jugador 12

77%

58%

43%

43%

Equipo 1
Equipo 2
Equipo 3
Equipo 4
Equipo 5
Equipo 6

En las Figuras 7 a la 12 se muestra el comportamiento de los contratos alcanzados en las negociaciones.

70% 80% 90% 100%

CORRIDA 2
CORRIDA 1

40%

100%

EQUIPO 3

CORRIDA 2 Y 4

CORRIDA 2

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Figura 8. Dispersin en la frontera eficiente del equipo 2.

EQUIPO 4

CORRIDA 4

40%
20% 30%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Figura 9. Dispersin en la frontera eficiente del equipo 3.

0%

10%

40%
0% 10% 20% 30%

CORRIDA 1

50%

60%

60%

CORRIDA 3

CORRIDA 1

70% 80% 90%100%

Figura 7. Dispersin en la frontera eficiente del equipo 1.

70% 80% 90% 100%

CORRIDA 4

CORRIDA 3

0% 10% 20% 30%

CORRIDA 4

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

50%

EQUIPO 2

50%

60%

CORRIDA 3

0% 10% 20% 30% 40%

50% 60% 70%

80% 90% 100%

EQUIPO 1

CORRIDA 3

CORRIDA 2

CORRIDA 1

0% 10% 20%

30% 40% 50% 60% 70% 80% 90% 100%

Figura 10. Dispersin en la frontera eficiente del equipo 4.

CORRIDA 1

50%

CORRIDA 3

CORRIDA 1

0%

10% 20% 30%

40% 50% 60% 70% 80% 90% 100%

Figura 11. Dispersin en la frontera eficiente del equipo 5.

CORRIDA 3 y 4

40%

CORRIDA 2

CORRIDA 2

0% 10% 20% 30%

50%

60%

60%

CORRIDA 4

40%
0% 10% 20% 30%

100%

EQUIPO 6

70% 80% 90% 100%

70% 80% 90% 100%

EQUIPO 5

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Figura 12. Dispersin en la frontera eficiente del equipo 6.

La experiencia ganada en el simulador para la mayora de los equipos es muy clara y se hace notar con la
tendencia de los porcentajes de penalizacin que cada equipo va adquiriendo, como se acercan a la frontera eficiente
pone en claro que la adquisicin de experiencia en la negociacin y la manera en que se distribuyen sus
penalizaciones a lo largo de la lnea de equilibrio evidencia su experiencia individual.
Cada uno de los equipos, de manera ms rpida o ms lenta, tienen una tendencia, esa tendencia debe enfocarse a
generar acuerdos que les lleven a satisfacer sus necesidades en la negociacin, si ambas partes quedan satisfechas
con lo que han logrado, entonces los contratos eficientes se han cumplido.
Entrenamiento para Teora De Restricciones
Para el desarrollo del caso de estudio se utiliza la informacin de un Centro de Distribucin (CEDIs) de la
localidad, y dicha informacin se utiliza para crear un modelo de simulacin por el mtodo Montecarlo que captura
la complejidad suficiente; una vez validado el modelo se le proporciona a los participantes de la actividad la
informacin generada por el simulador as como una explicacin del que los ubique en la problemtica del CEDIs.
Con la informacin proporcionada los participantes deben proponer las tasas operacin y calcular las medidas de
desempeo.
Operacin del caso de estudio
El caso de estudio se plantea como el anlisis para la mejora de operacin del CEDIs local que se encarga de la
distribucin de bebidas refrescantes. A los participantes se les proporcionan los datos simulados para la operacin de
seis das. Se espera que los participantes realicen el anlisis estadstico necesario para obtener las tasas de llegadas y
de servicio para que con esos tiempos calculen las medidas de desempeo del sistema. Es importante hacer notar que
a todos los participantes se les entregan los mismos datos con la finalidad de no sesgar el conocimiento a la
variabilidad de los escenarios.
Se espera que los participantes formulen la operacin como un sistema de lneas de espera, que en algn
momento formen cuellos de botella, con sus respectivas tasas de servicio y llegadas para que puedan calcular las
medidas de desempeo actuales (clientes en sistema, clientes en espera, tiempo en espera, tiempo en servicio, nivel
de servicio) y posteriormente puedan proponer sus parmetros del sistema que conllevarn a una mejor operacin.
A pesar de que se trata el estudio de casos como un juego de simulacin, se quiere evitar la idea de que pueda
utilizarse el simulador como un video juego donde el usuario nicamente introduzca valores a los parmetros del
sistema y recolecte la informacin para poder seleccionar el que mejor le convenga. Por este motivo se pide que cada
participante justifique de manera contundente los parmetros que desea se introduzcan en el simulador.

10

Aprendizajes del caso de estudio

Con la ejecucin del caso de estudio, se busca que los participantes mejoren su visin sistmica de los problemas
que puede resolver un Ingeniero Industrial; en este caso en particular problemas referentes a la Teora de
Restricciones. De los participantes en este juego se destaca lo siguiente:
1. Aun cuando los estudiantes cuentan con los conocimientos de teora de lneas de espera, les ha costado
trabajo establecer los parmetros con los que trabaja actualmente el CEDIs.
2. Cuentan con los conocimientos de estadstica inferencial pero se les dificulta la integracin de estos
conocimientos con la realidad que se les presenta, motivo por el cual no relacionan la informacin que se les
proporciona con herramientas como pruebas de bondad de ajuste, tabla de contingencias, entre otras.
3. Cuando se les plantea por primera vez el problema del CEDIs, los estudiantes generalmente divagan sobre
las posibles soluciones sin tomar en cuenta el verdadero problema que se les plantea, se les debe ir guiando
para que no se salgan del problema en cuestin y empleen el tiempo en la solucin del problema planteado.
4. Cuando se encamina a los participantes, ellos buscan las herramientas necesarias para la solucin del
problema y se comprometen ms con el caso de estudio; el problema estriba en que requieren de un
empujn para romper su inercia.
5. Una vez que los participantes encuentran los valores iniciales de operacin del CEDIs, estas tasas de
operacin son evaluadas en el simulador, con lo que se generan los nuevos datos de servicio los cuales
ayudan a los estudiantes a decidir si su propuesta beneficia o no la operacin.
CONCLUSIONES
Indiscutiblemente se ha mostrado la utilidad de la simulacin como medio de entrenamiento para la toma de
decisiones; en el caso del simulador para la secuenciacin de procesos se observa la ganancia de experiencia en el
hecho de la reduccin de tiempo para la entrega de pedidos y la bsqueda de un menor nmero de inventario
(positivo o negativo) as como la mejora de resultados en el caso de decisiones conjuntas. Se observa que se alcanzan
acuerdos sobre las secuencias que se deben seguir de manera rpida y con niveles de inventario reducido. Tambin se
logran contratos eficientes para el caso de negociacin.
Para la simulacin del CEDIs se obtiene otro tipo de resultado, no por eso menos importante, el cual consiste en
ayudar a los participantes a integrar los conocimientos adquiridos para la solucin integral de un problema con un
enfoque de sistemas.
Con estas dos aplicaciones de la simulacin como herramienta para entrenamiento en toma de decisiones en
algunas actividades profesionales como Ingenieros Industriales se puede observar el ahorro de tiempo y la mejora de
las decisiones tanto individuales como grupales.
REFERENCIAS Y BIBLIOGRAFIA
1)

Burlacu, C. (2008). Effect of pediatric simulation training on candidates confidence. Pediatric Anesthesia, 566-567.

2)

Castrilln, J. (2008). La simulacin de procesos, clave en la toma de decisiones. DYNA, 221-227.

3)

Conferencia de Bosh en la UNAM. "Study Cases". (s.f.).

4)

Domuracki, K. M. (2009). Learning on a simulator does transfer to clinical practice. Resuscitation, 346-349.

5)

Duffy, A., Hogle, H., Mc.Carthy, H., Lew, J., Egan, A., & Christos, P. (2005). Construct validity for the LAPSIM
laparoscopic surgical simulator. Surgical Endoscopy, 401-405

6)

FBI Law Enforcement Bulletin. (2007). Computer-Based Training. FBI Law Enforcement Bulletin, 26-30.

7)

Fiske, T. (2007). Benefits of dynamic simulation for operator training. Hydrocarbon Processing. Academic Search
Premier, 86(12), 17.

8)

Greswell, J. (2009). A Case of Simulation versus Reality? Military Technology, 80-81.

9)

Guasch, A., Piera, M. ., Casanovas, J., & Figueras, J. (2005). Modelado y Simulacin, Aplicacin a procesos
logsticos de fabricacin y servicios. Mxico: Alfaomega.

10) Haluck, R. (2005). Design considerations for computerbased surgical simulators. Minimally Invasive Therapy & Allied
Technologies, 235-2433.

11

11) Kory, P., Eisen, L., Adachi, M., Ribaudo, V., & Rosenthal, M. (2007). Initial Airway Management Skills of Senior
Residents: Simulation Training Compared With Traditional Training. Chest, 1927-1931.
12) Lainema, T., & Lainema, K. (2009). Advancing Acquisition of Business Know-How: Critical Learning Elements.
Journal of Research on Technology in Education, 183-198.
13) Military y Aerospace Electronics. (2010). Simulation and Training. Military & Aerospace Electronics, 22-23.
14) Montagna, F. (2008). Simulation Training: Decision-Making Aid. Fire Engineering, 111-132.
15) Ruiz Requies, I., Anguita Martnez, R., y Jorrn Abellan, I. (2006). Un estudio de casos basado en competencias para el
nuevo maestro/experto en nuevas tecnologas aplicadas a la educacin. Revista Latinoamericana de Tecnologa
Educativa.
16) Schwartz, P., Mennin, S., y Web, G. (2001). Problem - based learning, case studies, experience and practice. USA:
Individual Contributiors.
17) Silvia Sosa, C. (2006). El estudio de casos como estrategia de investigacin. Tesis Doctoral. Sitio eumed.Net/Tesis.
18) Spellman, J. (2008). Ready or Not: Preparation Through Simulation. Community College Journal of Research &
Practice, 920-921.
19) U. S. Naval Institute Proceedings. (2005). Simulation Training TODAY. U. S. Naval Institute Proceedings, 28-29.
20) Villareal Larrinaga. (2003). El estudio de casos como metodologa de investigacin cientfica en economa de la
empresa y direccin estratgica. Universidad del pas vasco.
21) Wilford, A. (2006). Integrating simulation training into the nursing curriculum. British Journal of Nursing, 926-930.
22) Welch, L. (2009). Practice Makes Perfect. Booklist, 25-30.

Copyright of Revista Internacional de Educacin en Ingeniera is the property of PDHTech,

LLC and its content may not be copied or emailed to multiple sites or posted to a listserv
without the copyright holder's express written permission. However, users may print,
download, or email articles for individual use.