Como Mejorar La Logistica de Su Empresa PDF

MIQUEL ÀNGEL PIERA
TONI GUASCH
JOSEP CASANOVAS
JUAN JOSÉ RAMOS
CÓMO MEJORAR
LA LOGÍSTICA DE SU
EMPRESA MEDIANTE
LA SIMULACIÓN
Madrid - Buenos Aires - México

© Miguel Ángel Piera, Toni Guasch, Josep Casanovas, Juan José Ramos, 2006
(Libro en papel)
© Miguel Ángel Piera, Toni Guasch, Josep Casanovas, Juan José Ramos, 2013
(Libro electrónico)
Reservados todos los derechos.
“No está permitida la reproducción total o parcial de este libro, ni su tratamiento

informático, ni la transmisión de ninguna forma o por cualquier medio, ya sea
electrónico, mecánico, por fotocopia, por registro u otros métodos sin el permiso
previo y por escrito de los titulares del Copyright”
Ediciones Díaz de Santos, S.A.

Albasanz, 2
28037 MADRID
ediciones@editdiazdesantos.com
www.editdiazdesantos.com
ISBN: 978-84-9969-650-8 (Libro electrónico)

ISBN: 978-84-7978-738-7 (Libro en papel)
Dedicat a la Gemma, l’Alba, la Judit, el Marc,
als meus pares Josep M.a i M.a Carme,
i als meus fillols Andreu i Gabriel
Miquel Àngel Piera
Dedicat a la Maria, l’Alba, l’Andreu i el Guillem

Toni Guasch
Dedicat a Rosa, Ada y Laura

Josep Casanovas
Dedicado a María José y Julia

Juan José Ramos
Índice
Sobre los autores .................................................................. XI

Prólogo .................................................................................. XIII
1. Introducción y motivación ............................................. 1

Herramientas de ayuda a la toma de decisiones en pro-
ducción......................................................................... 4
La toma de decisiones en logística ................................... 7
¿Por qué los procesos logísticos, de fabricación o de ser-
vicios, deben ser considerados sistemas complejos? ... 10
Ventajas de la simulación digital ...................................... 12
Entornos gráficos de simulación: factor de riesgo............ 14
Áreas de aplicación........................................................... 14
2. ¿Qué es un proyecto de simulación? ............................. 17
Etapas de un proyecto de simulación................................ 18
3. Importancia de los datos ................................................ 25
Proceso de recogida de datos ............................................ 26
Algunas ideas que facilitarán la tarea de recogida y análi-
sis de datos ................................................................... 26
IX
X ÍNDICE
Aleatoriedad versus comportamiento determinista........... 27

¿Puede un ordenador generar los mismos datos que un
sistema real?................................................................ 29
Identificación de las propiedades estadísticas .................. 31
Funciones de distribución teóricas más utilizadas ............ 32
4. Construcción y funcionamiento de un modelo de si-
mulación basado en un sistema sencillo........................ 35
Ejemplo............................................................................. 36
Definiciones previas.......................................................... 37
Simulación manual ........................................................... 39
5. Verificación y validación de modelos ............................ 45
¿Qué se entiende por verificación y validación? .............. 46
Dificultades para la validación.......................................... 53
6. Herramientas informáticas para la simulación............ 55
Lenguajes y entornos de simulación................................. 56
Criterios para la evaluación de las herramientas informá-
ticas .............................................................................. 59
Funcionalidad ................................................................... 60
Facilidad............................................................................ 67
Eficiencia .......................................................................... 68
Fiabilidad .......................................................................... 68
Portabilidad....................................................................... 69
Empresa ............................................................................ 69
Coste ................................................................................. 70
7. Aplicaciones y ejemplos.................................................. 73
Campos de aplicación ....................................................... 73
Ejemplos ........................................................................... 79
Apéndice A. Simulación en Internet .................................... 99
Apéndice B. Bibliografía ..................................................... 103
Sobre los autores
Los autores poseen una dilatada experiencia docente e investi-

gadora en el campo de la simulación digital, así como en el desa-
rrollo y uso de software especializado y en su aplicación sectorial
(www-iri.upc.es/logisim). Han participado en numerosos proyectos
de transferencia de tecnología, relacionados con la mejora de los
procesos productivos en sistemas siderúrgicos y textiles, en la in-
dustria farmacéutica o en el sector de la automoción, la mejora de
procesos logísticos de transporte en procesos portuarios, y en otros
campos de aplicación, como la logística asociada a los sistemas
de prevención y seguridad en la evacuación de edificios. Asimismo,
han liderado y participado en distintos proyectos de investiga-
ción, desarrollo e innovación (I+D+I) y han dedicado un notable
esfuerzo a la transferencia de conocimiento organizando cursos,
seminarios, y conferencias internacionales sobre aspectos metodo-
lógicos y aplicados de la simulación. Se adjunta un CD-ROM con
información relacionada con el centro de transferencia de tecnolo-
gía en simulación LogiSim, así como información y resultados de
proyectos de simulación industriales en los que se han aplicado la
metodología que se introduce en el presente libro.
XI
Prólogo
Las personas expertas en simulación consideran inconcebible

que cualquier nuevo sistema pueda ser diseñado y construido, o
uno ya existente modificado, sin el empleo de la simulación en el
marco del estudio que proporcione los criterios para tomar la de-
cisión. Las técnicas de simulación se emplean para predecir el
comportamiento de sistemas complejos y para comprender los im-
pactos del cambio. Tienen muchas y reconocidas ventajas, permi-
ten diagnosticar el sistema antes de ser construido, reducen el ries-
go y el tiempo necesario de puesta en marcha o modificación de
sistemas existentes.
Aunque su uso ha crecido notablemente en los últimos años,
todavía se realizan importantes inversiones sobre sistemas nuevos o
modificaciones sin el beneficio de la capacidad de predicción de la
simulación. Algunas veces, estos sistemas no responden a los re-
querimientos de diseño y deben ser modificados una vez construi-
dos. Por otra parte, en muchos casos y para cubrir riesgos, se so-
bredimensiona la capacidad de los sistemas. Aunque estos se
comportan según las especificaciones, emplean los recursos de
forma poco eficiente y, por tanto, son más costosos de lo necesario.
XIII
XIV PRÓLOGO
Un estudio de simulación, a menudo permite ahorrar importantes

recursos al minimizar el factor de riesgo y al facilitar un diseño
equilibrado del sistema. Un reciente informe, patrocinado por la
Comunidad Europea, cuantificaba el impacto de la simulación en
un incremento de entre el 5 y el 10% en la productividad global de
las empresas.
La característica más significativa de la simulación de modelos
de eventos discretos es su notable capacidad para contemplar los
efectos aleatorios presentes en la mayoría de los procesos reales.
Tradicionalmente, la simulación de eventos discretos ha sido apli-
cada con éxito al análisis y diseño de procesos de fabricación. En
la última década su uso se ha extendido a otras áreas tales como
logística, transporte, servicios, sanidad, informática o comunica-
ciones. La popularización de estas técnicas ha ido paralela al in-
cremento de potencia y flexibilidad de las nuevas herramientas. Su
facilidad de manejo y sus entornos de visualización/animación
han facilitado la incorporación de nuevos usuarios menos «espe-
cializados». Si bien se ha popularizado su utilización, también se
ha incrementado su mal uso. Un modelo de simulación no puede
ser mejor que los datos y las técnicas empleadas en su construc-
ción.
Existen varios libros que cubren distintos aspectos de las téc-
nicas de simulación. Podemos encontrar, desde una mera intro-
ducción a aplicaciones de la simulación, hasta libros científicos
donde se describen los últimos algoritmos y sus ventajas para op-
timizar el rendimiento de los simuladores, pasando por libros aca-
démicos en los cuales se presentan los requisitos para la construc-
ción de simuladores. El primer objetivo perseguido en el presente
libro es introducir al lector en estas técnicas y acercarlo a su po-
tencial. El segundo es contribuir a su difusión en el entorno em-
presarial. Se presentan conceptos, vocabulario, así como las herra-
mientas informáticas necesarias para el desarrollo de modelos de
simulación de sistemas orientados a eventos, todo ello de forma in-
dependiente a un lenguaje de simulación específico.
PRÓLOGO XV
Los autores disponen de una dilatada experiencia en el desa-

rrollo de modelos en distintos campos, y pretenden resumir en
este libro algunas de sus experiencias que faciliten la tarea de mo-
delado. Para una presentación más formal de la metodología de
modelado, se recomienda al lector el libro Modelado y simula-
ción: aplicación a procesos logísticos de fabricación y servicios de
los mismos autores.
Capítulo
1
Introducción y motivación
La elevada competitividad industrial, así como las exigencias

en precios y calidad del producto, obliga a que las empresas deban
reconfigurar continuamente su cartera de productos, sus métodos
operativos, sus enfoques de mercado, su proceso de acopio de ma-
teriales y distribución de los productos.
Por un lado nos encontramos que en el ámbito industrial existe
un conjunto importante de empresas que deben redefinir sus pro-
cesos productivos, pero por otro lado nos encontramos con una fal-
ta de métodos, criterios y herramientas que faciliten la toma de de-
cisiones, dando una respuesta correcta no tan solo a los aspectos
estratégicos y económicos, sino también a los aspectos tácticos y
operacionales.
Puede decirse que las soluciones que pueden aportar a un mis-
mo problema los ingenieros o los economistas suele ser muy dife-
rente, y en algunos casos incluso contradictorias, debido princi-
palmente a que los objetivos estratégicos, de costos y financiación
no siempre son compatibles con los objetivos de producción. Con-
sidérense, a título de ejemplo, los departamentos de Ventas, Pro-
ducción y Expedición de una industria, los cuales presentan nece-
1
2 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN
sidades y parámetros de rendimiento distintos, la solución que

suele adoptarse suele ser una solución de compromiso en la que se
ponderan las soluciones particulares que darían mejor beneficio a
cada uno de los departamentos por separado.
De modo más general, las empresas deben competir conside-
rando no un objetivo particular sino que deben poder contemplar el
problema en su globalidad, considerando los diferentes indicadores
de posicionamiento en el mercado a la vez, y no una solución de
compromiso que pondere las soluciones particulares alcanzadas a
partir de visiones particionadas del problema. Considérense, a tí-
tulo de ejemplo, los siguientes parámetros de posicionamiento que
suelen contemplarse en la toma de decisiones:
• Flexibilidad: capacidad de reacción frente a cambios en los
plazos de entrega, para lo cual se deben poder realizar cambios
en las plantillas, volumen de producción, gama de productos, etc.
• Calidad: grado de satisfacción de las necesidades y expecta-
tivas de los clientes en el producto final, la cual suele para-
metrizarse mediante especificaciones técnicas, características
físicas y tiempos de respuesta entre otros.
• Servicio: grado de cumplimiento de los compromisos adquiri-
dos en cuanto a los plazos de entrega, cantidades y precios.
• Coste: el precio del producto final no viene determinado tan
solo por los aspectos de producción, sino que depende con-
siderablemente de las políticas de distribución, acopio de
materiales, gestión de stock.
• Innovación: capacidad sistemática de poder generar produc-
tos o servicios nuevos, o bien de producir los mismos pro-
ductos y servicios de maneras diferentes.
Aunque en los enfoques clásicos de producción las empresas
priorizaban algunos de los parámetros descritos, ignorando o mi-
nimizando el resto, en la actualidad es necesario poder tomar de-
cisiones bajo una perspectiva más amplia en la que se contemplen
INTRODUCCIÓN Y MOTIVACIÓN 3
de modo integrado y no competitivo las prioridades de los distintos

departamentos que configuran las empresas.
Es necesario enfocar, de manera innovadora y competitiva, la
toma de decisiones en la empresa, y reconsiderar el nuevo marco del
planteamiento estratégico de las operaciones, los conceptos de pro-
ducción ajustada (lean manufacturing), la logística como fuente
de ventaja competitiva y la necesidad de instrumentar herramientas
informatizadas para la planificación de la cadena de suministro.
La distinción clásica entre empresas industriales y empresas de
servicios es cada vez menos relevante, ya que en la actualidad, la ma-
yor parte de empresas manufactureras contemplan aspectos de ser-
vicio, es decir, no sólo deben ser excelentes en los aspectos físicos
del producto, sino que también necesitan actuar como hábiles sumi-
nistradores de servicios. Al integrar en la cadena de producción estos
aspectos relacionados con los servicios que en general las empresas
ofrecen o contratan, existe un conjunto de características particulares
que no pueden ser parametrizadas ni ponderadas de igual modo en la
toma de decisiones. Algunos de estos aspectos son:
• Los servicios se diferencian de los materiales a manipular, ya
que ellos son: intangibles, heterogéneos (no estandarizados),
inseparables (significa la dificultad de separar la producción
del servicio del consumo), y perecederos (imposibles de al-
macenar).
• Los servicios logísticos también tienen esas características
singulares, sin embargo, también difieren en gran parte de los
servicios descritos en la literatura de servicios. Por ejemplo,
los servicios logísticos principalmente involucran relaciones
negocios-negocios, donde no solo el comprador es el apos-
tador crítico, sino también su cliente, el cual puede ser di-
rectamente agraviado debido a un mal servicio. Además,
hay en muchos casos una necesidad de interacción estrecha
tanto con los procesos de los clientes como con los procesos
de sus compradores.
Especificar todos estos aspectos cualitativos como parámetros

de entrada a paquetes informáticos de ayuda a la toma de decisio-
nes no siempre será posible debido, entre otros aspectos, a los
componentes de incertidumbre inherentes al comportamiento hu-
mano, así como otros aspectos que aparecen de modo indirecto
como consecuencia de relaciones entre los componentes que inte-
gran el sistema.
Esta falta de herramientas y metodologías justifica que algunos
autores definan el concepto de logística en el contexto industrial
como un arte y una ciencia: «el arte y la ciencia de obtener, pro-
ducir y distribuir material y productos, en el lugar, tiempo y canti-
dades adecuadas». Más formalmente, la logística se puede definir
como el proceso de planeamiento, implementación y control efi-
ciente y a costos razonables del flujo y almacenamiento de mate-
rias primas, inventarios de productos en proceso, de productos ter-
minados, y toda la información relacionada comprendida entre el
punto de origen y el punto de consumo final, con el fin de lograr la
satisfacción de los requerimientos del cliente.
Para que la logística pueda pasar de ser como un arma útil para
la reducción de los costes del transporte a toda una cultura empre-
sarial de mejora continua y a una necesidad estratégica, será nece-
sario disponer de metodologías y herramientas informáticas que
faciliten la toma de decisiones entendiendo el problema a resolver
bajo una perspectiva integradora, y no como un compromiso entre
los subproblemas en que se ha descompuesto el problema logístico.
Herramientas de ayuda a la toma

de decisiones en producción
La planificación es una actividad cuyo principal objetivo es al-
canzar el mejor uso de los recursos para satisfacer la demanda (ga-
rantizando requerimientos y anticipando oportunidades) para un
cierto periodo de tiempo denominado «horizonte de planificación».
En el caso concreto de la industria, la planificación de la pro-

ducción debe contemplar de modo integrado tres tipos de periodos
para la toma de decisiones: largo plazo, medio plazo y corto plazo.
En la planificación a largo plazo la toma de decisiones suele cen-
trarse en aspectos estratégicos, tales como productos, selección
de equipos y procesos, recursos, servicios y localización. La pla-
nificación a medio plazo comporta la toma de decisiones tácticas,
tales como sobre el acopio de material, establecer las cantidades de
producción de cada producto, con el objetivo de optimizar algún
criterio de rendimiento tal como la minimización de los costes sin
violar las restricciones de capacidad. En la planificación a corto
plazo las decisiones están vinculadas a los aspectos más operacio-
nales, como la programación diaria de operaciones y la secuencia-
lización de tareas.
Existen un conjunto de aspectos que deben tenerse en cuenta al
seleccionar herramientas informáticas de ayuda a la toma de deci-
siones: horizonte de planificación (estratégico, táctico, operacio-
nal), cantidad de materiales a procesar (relación jerárquica entre las
piezas necesarias para la fabricación de los subproductos), tipos de
productos a fabricar (diversificación de la producción), capacidad
de los recursos (paradas de mantenimiento, tiempos de set-up),
reprocesamiento de material defectuoso, demanda (estática, diná-
mica, determinista o estocástica), acopio de material (roturas de
stock).
Los modelos utilizados para el análisis y la toma de decisiones
en planificación pueden ser clasificados en:
• Modelos deterministas analíticos: se caracterizan en que los

parámetros son conocidos y con valores específicos, y el ob-
jetivo consiste en alcanzar una solución analítica a través de
técnicas de programación matemática. Estos modelos suelen
ofrecer soluciones bajo ciertas hipótesis de trabajo, pero se
encuentran limitados a representaciones estacionarias del
sistema.
• Modelos analíticos estocásticos: se caracterizan porque al

menos uno de los parámetros es desconocido, pero se supone
que responde a una cierta función de distribución estadística.
Aunque estos modelos suelen representar con mayor grado
de detalle el comportamiento de los sistemas reales que pre-
sentan un cierto comportamiento estocástico, al no ser diná-
micos, no permiten una correcta actualización temporal del
estado de los objetos descritos.
• Modelos económicos: se centran en la especificación de la
relación comprador-vendedor desde una perspectiva de cos-
tes.
• Modelos de simulación: permiten alcanzar representaciones
con un elevado grado de detalle del sistema en estudio. Faci-
litan considerablemente la toma de decisiones mediante un
análisis del tipo «¿qué pasaría si ...?
En los últimos años han aparecido en el mercado una gran di-
versidad de paquetes informáticos de ayuda a la toma de decisiones
en la planificación y gestión de materiales, como son por ejemplo:
MRP, ERP, DRP, SCM. Todos estos paquetes intentan planificar la
demanda y procesamiento de materiales a lo largo del tiempo. De-
safortunadamente, los modelos con los que trabajan no contemplan
la importancia de los recursos, de modo que estos planificadores
presentan ciertas dificultades en capturar aquellos aspectos de la di-
námica de las unidades de producción y transporte, los cuales tie-
nen una incidencia importante en el rendimiento de los sistemas
con elevada diversidad de producción.
Por otro lado, dado que los recursos (unidades de producción y
de transporte) tampoco pueden ser considerados como objetos sen-
cillos de modelar: las relaciones entre recursos presentan caracte-
rísticas técnicas (i.e. orden de las operaciones), dependencia (i.e. un
operador puede supervisar varias unidades pero solo puede atender
a una), capacidad limitada (en función del tipo de operación), tam-
bién se han desarrollado metodologías y entornos informáticos de
ayuda a la toma de decisiones sobre la gestión y planificación de

recursos como son: aproximaciones Just-in-Time, Theory of Cons-
traints, Schedulers y Planners. Desafortunadamente, estos entornos
suelen asumir en algunos casos que el material es un problema se-
cundario, en otros se limitan a mejorar el rendimiento de los re-
cursos críticos (cuellos de botella), así como también, algunas de
estas aproximaciones (schedulers y planners) que la disponibilidad
de los recursos responde a actividades deterministas.
En los sistemas reales de producción hay un elevado grado de
dependencia entre las decisiones sobre recursos y sobre materiales.
Considérese, por ejemplo, que niveles grandes de ocupación de re-
cursos (la saturación de recursos es deseable para el departamento
de producción) suele penalizar la diversidad en producción (flexi-
bilidad deseable para departamento de ventas). Este tipo de con-
flictos tan solo pueden ser tratados eficientemente si el modelo
puede contemplar de modo simultáneo tanto los aspectos relacio-
nados con el material, como los aspectos relacionados con los re-
cursos a gestionar.
La toma de decisiones en logística

La principal dificultad en la resolución de los problemas logís-
ticos en la industria estriba en que cada vez que se toma una deci-
sión sobre una determinada variable, deberá tenerse en cuenta cuál
va a ser el alcance de la decisión; no sólo en cuanto a la respuesta
del sistema, sino también de qué forma afectará a otras variables
íntimamente relacionadas con la inicial. Desde un punto de vista
más formal, la dificultad en el uso de sistemas informáticos que
ayuden a la toma de decisiones estriba en la gran cantidad de va-
riables que intervienen, las interacciones existentes entre ellas y los
intereses conflictivos e incluso contrapuestos que muchas veces
presentan. Poder dar respuestas a problemas de localización de
centros productivos y logísticos, tales como: ¿dónde se deberían
ubicar las instalaciones?, ¿cómo se deberían diseñar las redes de

distribución con sus almacenes y redes de transporte?, o poder va-
lidar un plan de producción antes de su implantación, son algunos
ejemplos de problemas logísticos para los que no existen paquetes
informáticos estándar que puedan dar la respuesta que la industria
necesita.
Otro problema inherente a la planificación de la producción,
programación de actividades, transporte, diseño y finanzas es la
presencia de incertidumbre. Considérese a título de ejemplo la
fluctuación en el precio de los carburantes, la disponibilidad de po-
tencia eléctrica, el acopio de materia prima. Un factor clave en la
optimización bajo incertidumbre es la exploración del espacio de
búsqueda, el cual es difícil de tratar en la práctica industrial debido
al tamaño intratable si se realiza una búsqueda exhaustiva. La
toma de decisiones bajo incertidumbre suele presentar un nivel de
complejidad adicional por la presencia de variables de decisión
enteras que suelen utilizarse para describir relaciones lógicas y
otras decisiones discretas.
La falta de herramientas analíticas que ayuden y faciliten la
toma de decisiones es uno de los principales problemas con los que
se encuentran los ingenieros y directivos que tienen la necesidad de
mejorar el rendimiento de aquellos sistemas cuyo comportamiento
depende de un número elevado de variables. Determinar cambios
en los procedimientos, en los flujos de información, así como en la
organización y en las políticas de funcionamiento tradicionales de
la empresa son algunos ejemplos de tareas que deben ser realizadas
para reaccionar ante perturbaciones y adaptarse a los constantes
cambios del mercado o del entorno.
La dificultad que comporta la toma de decisiones ligadas a
procesos complejos se hace evidente en una gran diversidad de
campos en los que prácticamente se desconoce la influencia que
pueden tener los cambios locales sobre el rendimiento global de los
procesos. Considérense, a modo de ejemplo, todos aquellos siste-
mas que no pueden procesar de modo inmediato las peticiones de

trabajo, las cuales son retenidas y priorizadas en colas de espera
asociadas a los distintos recursos.
El problema es todavía más complicado cuando se pretende
optimizar —o en su caso simplemente mejorar— el rendimiento de
un sistema que presenta un comportamiento estocástico (predecible
desde un punto de vista estadístico) a partir de cambios en sus pro-
cesos internos. Para conseguir este objetivo debemos contemplar no
tan sólo las fluctuaciones estadísticas, sino también las distintas si-
tuaciones que se derivan de la dependencia entre sucesos.
Ejemplos de sistemas con características similares a las des-
critas pueden encontrarse en las líneas de producción, en los siste-
mas hospitalarios, sistemas de transporte, redes de comunicación,
sistemas de defensa y sistemas de procesamiento de la informa-
ción. A modo de ilustración, supongamos que en un sistema de
producción tenemos un conjunto de piezas con determinadas peti-
ciones de trabajo asociadas que deberán competir entre ellas para
poder utilizar algunos recursos compartidos. Estos suelen ser, entre
otros, máquinas, operarios, herramientas, unidades de transporte
(palets, por ejemplo), o también el espacio de los almacenes loca-
les. De modo similar, en los sistemas hospitalarios tenemos peti-
ciones de servicio asociadas a los pacientes que compiten para
acceder a recursos comunes. En este caso, ambulancias, camillas,
salas, sillas de ruedas, camas, médicos de distintas especialida-
des, enfermeros/as, máquinas de rayos X, TAC, RMN y quirófanos,
entre otros.
Para tratar la complejidad que presenta la optimización de pro-
blemas logísticos caracterizados por incertidumbre y un número
elevado de variables de decisión altamente acopladas, en este libro
se introducen las principales características de la simulación de sis-
temas orientados a eventos discretos como metodología para dar
respuesta a la toma de decisiones en el campo de la logística. Estas
herramientas de simulación ofrecen una plataforma que permite
abordar con éxito un proceso de mejora continua de sistemas com-

plejos para los cuales las técnicas analíticas clásicas, basadas en el
uso de cálculo diferencial, teoría de probabilidades y métodos al-
gebraicos no pueden ser utilizadas para formalizar de modo senci-
llo la complejidad de estos sistemas.
La simulación digital consiste en imitar en un ordenador el
comportamiento de un sistema bajo ciertas condiciones de opera-
ción. Para ello es necesario formalizar —construir el modelo
basándonos en la sintaxis de un cierto lenguaje de simulación—
el conocimiento que se tiene del sistema que se desea simular,
mediante relaciones lógicas, matemáticas y simbólicas. El cono-
cimiento que se adquiere en la fase de desarrollo del modelo de
simulación constituye una buena base para sugerir los cambios que,
con mayor probabilidad, generarán beneficios en el rendimiento
global del sistema. De modo análogo, permite simplificar el núme-
ro de experimentos a ser realizados en el entorno de simulación.
Una vez se dispone de un modelo correcto, este puede ser uti-
lizado para analizar y evaluar cómo afectarían ciertos cambios al
rendimiento del sistema, tanto en su organización como en las po-
líticas de gestión de recursos compartidos, antes de que dichos
cambios sean aplicados en el sistema real. La experimentación en
entornos de simulación digital permite también adquirir un mejor
conocimiento de las interacciones entre distintas variables de de-
cisión a partir de la observación de los resultados que se obtienen al
provocar cambios en los parámetros del modelo.
¿Por qué los procesos logísticos,

de fabricación o de servicios, deben ser
considerados sistemas complejos?
La complejidad de un sistema no debe medirse simplemente en
función del número de componentes (o subsistemas) que lo inte-
gran —existen sistemas electrónicos con un considerable número
de componentes que se encuentran lejos de ser clasificados como

sistemas complejos, por ejemplo, un televisor—, ni tampoco en
función del número de ecuaciones necesarias para describir su
comportamiento.
Entendemos que la complejidad de un sistema no es una pro-
piedad inherente al comportamiento del propio sistema, sino más
bien a la falta de metodología y de herramientas que permitan es-
pecificar y formalizar el conocimiento que se tiene del mismo con
el objetivo de desarrollar un modelo que presente un comporta-
miento similar al del sistema real. Así pues, se da el caso de que el
conocimiento de las leyes físicas que rigen la dinámica de un pro-
ceso, así como tener una buena base en el uso de herramientas
matemáticas, permiten que algunos sistemas que en el pasado ha-
bían sido considerados complejos, en la actualidad ya no lo sean.
De algún modo, puede decirse que todavía no existe hoy en día
una metodología, reconocida y aceptada por los distintos sectores
empresariales y académicos, que permite formalizar exhaustiva-
mente el conocimiento que se tiene de los sistemas logísticos, de
producción o de servicios. Algunos autores afirman que el desa-
rrollo de un modelo de simulación debe considerarse tanto un arte
como una ciencia. «Aunque no se dispone de una metodología
que permita garantizar el desarrollo de modelos adecuados a los
objetivos particulares de cada estudio, sí existen unas ciertas guías
generales o secuencias de pasos que facilitan dicha tarea».
El arte del modelado se caracteriza por la habilidad de abstraer
tan sólo las características de interés del problema, seleccionar y
modificar las suposiciones generales que se tienen del sistema, y de
enriquecer y manipular el modelo hasta obtener una aproxima-
ción útil del sistema que se desea estudiar.
En el caso particular de los sistemas logísticos, de fabricación o
de servicios, y en general también en aquellos sistemas en los que
determinados elementos compiten por acceder a recursos compar-
tidos, y cuyo estado puede variar de forma asíncrona y en paralelo,
se requiere no tan sólo de una buena metodología para describir el

comportamiento del sistema, sino también que el modelador tenga
un buen conocimiento del cómo, cuándo y por qué el estado del
mismo sufre un cambio. Este conocimiento se encuentra general-
mente distribuido entre los distintos departamentos de las empre-
sas, lo cual dificulta de modo considerable el desarrollo de un mo-
delo. Conocer paso a paso cada una de las posibles consecuencias
que pueden aparecer como resultado de iniciar, o finalizar una
cierta acción, no es una tarea trivial.
Ventajas de la simulación digital

El modelado mediante simulación es una técnica muy flexible
y, en general, de fácil aplicación. Es potente, ya que sus modelos
no requieren las simplificaciones asumidas al trabajar únicamente
con técnicas analíticas. Obtener información de un modelo de si-
mulación suele ser más fácil que hacerlo del sistema real.
En contrapartida, conseguir los datos apropiados sobre el sis-
tema en estudio puede resultar caro o imposible: el sistema de re-
ferencia puede simplemente no existir.
A modo de resumen, se enumeran a continuación algunas de
las ventajas que ofrece el uso correcto de los entornos de simula-
ción digital.
• Permiten evaluar estrategias de mejora sin perturbar el fun-

cionamiento del sistema real.
• Permiten evaluar hipótesis sobre cómo y por qué aparecen
ciertos fenómenos en el sistema estudiado.
• El tiempo puede ser expandido o comprimido, de modo que
podemos acelerar el experimento y así observar ciertos fe-
nómenos que prevemos se van a producir en un instante de-
terminado o a lo largo del estudio.
• Mejor conocimiento sobre cómo afectan ciertas variables de

decisión al comportamiento global de todo el sistema.
• Permiten analizar los cuellos de botella, indicando el estado y
grado de utilización de los distintos recursos.
• Un proyecto de simulación suele ayudar de forma decisiva a
entender la secuencia real de operaciones del sistema.
• Finalmente, los modelos de simulación permiten responder a
preguntas del tipo: «qué ocurriría si…» que son tan esencia-
les para la mejora del rendimiento de sistemas considerados
complejos.
• La constante investigación en los campos de la simulación y
de la computación permiten suponer que, en breve, van a
poder responderse preguntas del tipo ¿podría ocurrir este su-
ceso? o bien, ¿qué concatenación de sucesos pueden condu-
cir a una determinada situación o estado?
A pesar de esta flexibilidad, la simulación no soluciona todos

los problemas. Construir un modelo de simulación puede ser
costoso, principalmente porque debe ser verificado y validado.
Adicionalmente, el coste de la experimentación se incrementa en
la medida que lo hacen los tiempos de computación y de análisis
de alternativas. La naturaleza estadística de la simulación re-
quiere realizar varios ensayos sobre el mismo modelo para con-
seguir resultados fiables y precisos. De todos modos, y al mar-
gen de estas desventajas, la simulación se mantiene como una de
las herramientas más útiles para la gran mayoría de los proble-
mas de ingeniería. Tanto en el diseño, planificación u opera-
ción de los sistemas, la simulación puede ser utilizada para ob-
tener información valiosa que facilite la toma de decisiones
acertadas.
Entornos gráficos de simulación:

factor de riesgo
El correcto uso de las técnicas de simulación suele aportar im-
portantes beneficios tanto cualitativos como cuantitativos, sobre
todo en aquellos proyectos de toma de decisiones que pueden
comportar inversiones económicas considerables.
En la actualidad, las herramientas de simulación no son utili-
zadas por profesionales especializados en este campo, sino por in-
genieros (expertos en otros campos) que buscan en la simulación
una respuesta rápida (se suele trabajar bajo una fuerte presión para
encontrar resultados) a problemas industriales. En muchas situa-
ciones, la simulación ha sido utilizada como última herramienta,
cuando el problema no ha podido ser solucionado correctamente
por ninguna otra metodología.
La evolución de los lenguajes de simulación de sistemas orien-
tados a eventos discretos —sólo asequibles a verdaderos especia-
listas— hacia entornos de simulación con capacidad de programa-
ción gráfica —utilizables de modo inmediato por usuarios sin
ningún tipo de experiencia en este campo—, potencia el uso (a me-
nudo incorrecto) de estas herramientas. A modo de ilustración,
una revisión de la documentación comercial de algunos paquetes
de software de simulación confirma dicha impresión: without re-
quiring a computer expert (GENETIK, Insight Logistics), designed
for end-user (HOCUS,P-E International), even for inexperienced
users (ProModel, Production Modeling Corporations).
Áreas de aplicación
La simulación se ha empleado tradicionalmente para:
• Diseño o mejora de sistemas.
• Gestión de sistemas.
• Entrenamiento y educación.
• Comunicación y ventas.
En la última década se ha popularizado el empleo de la simu-

lación en los sectores productivos, logísticos y de servicios. Para
muchas empresas, la simulación se ha convertido en una práctica
estándar en el diseño o modificación de instalaciones o procesos.
Las encuestas efectuadas en Estados Unidos indican que la simu-
lación es la técnica más empleada y que el rango de aplicaciones es
muy amplio. A continuación se enumeran algunos de los campos
donde el uso correcto de las herramientas de simulación orientadas
a eventos discretos ha aportado y aporta mejoras considerables en
el rendimiento global del sistema:
Industrias
Procesos logísticos Servicios
productivas
Automóvil Transporte por ferrocarril Sanidad
Espacio Sistemas portuarios Restaurantes
Electrónica Transporte por camión Bancos
Metal, acero Transporte por avión Centros de llamada
Papel/Textil Sistemas intermodales Gestión de residuos
Cerámica Almacenes Hostelería
Mueble Logística de procesos Planificación
Alimentación productivos de emergencias
Minería Cadena de suministros o catástrofes
Capítulo
2
¿Qué es un proyecto
de simulación?
Un proyecto de simulación es dinámico por naturaleza. Los re-

sultados que se van obteniendo a medida que se desarrolla el pro-
yecto pueden poner de manifiesto nuevos problemas, así como li-
mitaciones inherentes al sistema en estudio, que pueden forzar a
reconsiderar factores de diseño. También la motivación inicial del
cliente puede variar a lo largo del proyecto como consecuencia de
los resultados obtenidos, o por factores externos al propio proyec-
to. Para tener éxito en un entorno tan cambiante es necesario de-
sarrollar una aproximación metodológica correcta. Los elementos
que se presentan en este capítulo tienen como objetivo servir de
guía para abordar con éxito un proyecto de simulación.
En la práctica, el éxito en el uso de una tecnología tan potente
como la simulación no depende tan solo de los aspectos puramen-
te técnicos, sino de otros aspectos complementarios como son:
• Tener o ganarse el apoyo de los órganos con capacidad de de-
cisión de las empresas, para poder superar los obstáculos
que pudieran aparecer.
• Inspirar confianza. El cliente o usuario final responsable de la
toma de decisiones no tiene generalmente el tiempo disponi-
17
ble para fiscalizar todo el trabajo efectuado. En consecuencia,

se tomarán decisiones en relación a los resultados de un es-
tudio de simulación si el grupo que ha realizado el estudio se
ha ganado dicha confianza sobre la base de un trabajo serio y
riguroso.
Etapas de un proyecto de simulación

La Tabla 2.1 muestra el conjunto de etapas de un proyecto de
simulación. Estas etapas pueden ser interpretativas, analíticas o
de desarrollo. Aunque puede parecer que el desarrollo de un pro-
ceso de simulación es un proceso secuencial, en la práctica no es
así. Por ejemplo, si el modelo de simulación obtenido no supera la
etapa de validación (etapa 5), es posible que sea necesario modifi-
car tanto el modelo conceptual como el de simulación.
Formulación del problema

La especificación de objetivos es una de las tareas más impor-
tantes de cualquier proyecto y lógicamente también de un proyecto
de simulación. Si los objetivos no están claros o son poco concretos,
existe el peligro de no abordar el problema para el cual se ha soli-
citado el proyecto de simulación y, por tanto, ser incapaz de res-
ponder a las expectativas generadas. En consecuencia, es necesario,
ya en la fase previa a la aceptación del proyecto, saber identificar los
objetivos para los cuales se ha optado por utilizar la simulación, de
forma que sean precisos, razonables, comprensibles y medibles.
Estos objetivos nos servirán de guía a lo largo del estudio.
Diseño del modelo conceptual

Una vez conocidos los objetivos del proyecto, podemos tener la
tentación de iniciar de forma inmediata la construcción del mode-
lo de simulación. Esto suele conducir a la obtención de modelos de
¿QUÉ ES UN PROYECTO DE SIMULACIÓN? 19
Tabla 2.1. Etapas de un proyecto de simulación.
Etapa Descripción
1. Formulación Define el problema a estudiar, incluyendo los
del problema. objetivos escritos del problema.
2. Diseño del modelo Especificación del modelo a partir de las carac-
conceptual. terísticas de los elementos del sistema a estudiar
y sus interacciones teniendo en cuenta los obje-
tivos del problema.
3. Recogida de datos. Identificar, recoger y analizar los datos necesa-
rios para el estudio.
4. Construcción Construcción del modelo de simulación par-
del modelo. tiendo del modelo conceptual y de los datos.
5. Verificación Comprobar que el modelo se comporta como
y validación. es de esperar y que existe la correspondencia
adecuada entre el sistema real y el modelo.
6. Diseño de En función de los objetivos del estudio, desa-
experimentos rrollar las estrategias de definición de los esce-
y experimentación. narios a simular. Experimentar.
7. Análisis de resultados. Analizar los resultados de la simulación con la
finalidad de detectar problemas y recomendar
mejoras o soluciones.
8. Documentación. Proporcionar documentación sobre el trabajo
efectuado.
9. Implementación. Poner en práctica las decisiones efectuadas con
el apoyo del estudio de simulación.
simulación con múltiples lagunas y de difícil mantenimiento. Es

por ello conveniente formular o especificar el modelo de simula-
ción empleando un nivel de abstracción (modelo conceptual) su-
perior al del propio código. El modelo conceptual especifica las re-
laciones estructurales más importantes del sistema a simular y, en
consecuencia, constituye un medio de diálogo y de coordinación
entre los distintos departamentos o grupos involucrados.
También corresponde a esta etapa especificar qué resultados o

estadísticas se espera obtener del modelo de simulación para res-
ponder a las preguntas planteadas en los objetivos. A menudo, al
especificar los resultados, se detecta que hay partes del modelo que
pueden ser simplificadas, dado que son redundantes o no contri-
buyen a responder a las preguntas planteadas.
Recogida de datos
En general, se recomienda cuestionar siempre toda la informa-

ción y datos disponibles: ¿cuál es la fuente?, ¿cuándo se recogió?,
¿cómo fue recogida?, ¿tiene ésta sentido?, ¿tenemos insuficientes
datos o son excesivos? Para tener buenos resultados es condición
indispensable disponer de unos buenos datos. Desgraciadamente,
en muchos casos no se dispone de toda la información y datos
necesarios pero, aun así, se requiere que se dé respuesta a las pre-
guntas planteadas. En estos casos es necesario efectuar hipótesis
razonables en colaboración con el usuario final. Si los datos son
limitados o su calidad es dudosa es conveniente ser prudente a la
hora de extraer conclusiones en base a los resultados generados por
el simulador. No obstante, aun en los casos en los que hay proble-
mas con los datos, dichos resultados y el conocimiento adqui-
rido durante el estudio de simulación siempre podrán aportar
información valiosa para la toma de decisiones.
Construcción del modelo
En numerosos proyectos de simulación se dedica más esfuerzo a

la construcción del modelo que a la resolución del problema. A me-
nudo la obtención de un modelo ejecutable se convierte errónea-
mente en el objetivo prioritario. La estrategia dominante debería ser
la comprensión del problema, el análisis de los resultados y la ob-
tención de soluciones. Para avanzar más rápidamente en la consecu-
ción de estos objetivos, es recomendable trabajar de forma progresi-

va y construir en primer lugar uno o varios modelos simplificados
que capturen las partes más esenciales del sistema de interés.
Verificación y validación
Bien al contrario que en los procesos judiciales en los que se pre-

supone inocentes a los encausados hasta que no se demuestre su
culpabilidad, en el campo de la simulación la experiencia recomien-
da suponer que todo modelo es incorrecto excepto que se demuestre
lo contrario. Los esfuerzos en dotar a los actuales simuladores de po-
tentes herramientas para facilitar su uso, curiosamente han contri-
buido a uno de los principales peligros de la simulación: «olvidarse
del mundo real y aceptar sin reparos los resultados del modelo». Para
tener una garantía razonable de que el modelo de simulación repre-
senta la realidad, y como consecuencia, tomar decisiones estratégicas
u operacionales basándose en los resultados, es absolutamente ne-
cesario verificar y validar antes el modelo de simulación.
La verificación consiste en comprobar que el modelo se ejecu-
ta correctamente y según las especificaciones (según el modelo
conceptual). La validación consiste en comprobar que las teorías,
hipótesis de trabajo, así como suposiciones son correctas. Algunos
autores consideran que un modelo es válido si responde correcta-
mente a las preguntas que nos queremos formular sobre el sistema
real, o lo que es lo mismo, es válido si nos es útil. Si el proceso to-
davía no existe, trataremos de validar una parte del mismo me-
diante el estudio de componentes conocidos, y será necesario con-
trastar los resultados con expertos del proceso de interés para
comprobar si el modelo se comporta tal como ellos esperan.
Los costes asociados a haber realizado una verificación y vali-
dación inadecuada pueden ser incalculables. Pueden conducir a
tomar decisiones perjudiciales, retrasar proyectos y a asumir ries-
gos o gastos innecesarios.
Diseño de experimentos y experimentación

Aspecto estratégico en la resolución de problemas de decisión
en sistemas complejos, deberemos introducir aquí la planificación
específica de nuestro entorno de experimentación a fin de poder ad-
ministrar de forma razonable nuestros recursos a la hora de deter-
minar cuáles serán las combinaciones de factores que caracteriza-
rán cada uno de los escenarios a simular.
Entenderemos como escenario cada una de las configuraciones
de niveles en los factores (parámetros) con los que desearemos
evaluar o simular nuestro sistema. Así desarrollaremos una estra-
tegia del tipo «¿qué pasa si?», y trataremos de averiguar las con-
figuraciones de valores del sistema «óptimas». Esto conlleva la
manipulación de gran cantidad de información y la aplicación de
técnicas de diseño experimental como los planes factoriales frac-
cionales, que nos ayudarán a desarrollar correctamente nuestro
proyecto sobre la base de establecer cómo vamos a recoger dicha
información. En esta fase será útil la participación de expertos es-
tadísticos y la utilización de las herramientas adecuadas, así como
tener en cuenta las técnicas específicas tácticas que se emplean en
la fase de análisis de resultados.
Análisis de los resultados

Fuertemente entroncado con el punto anterior, y a partir de
los distintos escenarios desarrollados mediante un adecuado diseño
experimental, debemos tratar de resolver en esta fase dos proble-
mas principales: el marco temporal de nuestro estudio y la calidad
estadística de nuestros resultados.
En primer lugar debemos determinar, en función del tipo de
sistema en estudio (por ejemplo si se trata del estado estacionario o
transitorio de un proceso), cuáles son los datos que vamos a reco-
lectar de nuestra simulación. Así, puede interesarnos descartar to-
dos aquellos datos que corresponden a la fase de carga inicial del
sistema, ya que consideramos que no aportan nada a nuestro estu-

dio o que, simplemente, distorsionan nuestras estadísticas. También
puede interesarnos monitorizar un proceso precisamente durante su
fase de carga, y solo hasta que alcance un determinado estado en el
que consideramos se dan las condiciones de estabilidad deseadas y
nuestro estudio deja de tener interés.
En segundo lugar, debemos especificar el número de repeticio-
nes o ejecuciones del modelo de simulación, para cada una de las
configuraciones de factores o escenarios, necesarias para garantizar
una determinada calidad estadística de nuestros resultados. En de-
finitiva, se trata de adjuntar a dichos resultados un sello de credibi-
lidad experimental. Como contrapartida, debemos buscar las fór-
mulas y métodos que optimicen la utilización de nuestros recursos
en términos de tiempo de computación o de limitaciones temporales
del propio estudio de simulación. En esta etapa se emplean a me-
nudo técnicas específicas como las que buscan la reducción de la
variancia, números aleatorios comunes (CRN) o variables antitéticas
(AV), entre otras. Estas mismas técnicas pueden ser útiles para la
mejora de los coeficientes de los metamodelos de simulación. Estos
son ecuaciones matemáticas que relacionan las variables de entrada
y de salida de un modelo de simulación y pueden ser utilizados, en
su caso, como mecanismo eficiente para la obtención rápida de
respuestas en determinados tipos de problemas.
En general, el valor añadido más importante de un estudio de
simulación no lo constituyen los resultados finales obtenidos con el
modelo. El resultado más valioso es el conocimiento adquirido en
el proceso de análisis, que permite aportar argumentos cualitativos
y/o cuantitativos justificados a favor o en contra de las diferentes
opciones de diseño planteadas.
Documentación
Es importante mantener una documentación permanentemente
actualizada que refleje el estado del proyecto y que evolucionará y
se enriquecerá en paralelo con el desarrollo del mismo. Los obje-

tivos perseguidos con la documentación son:
• Reflejar el estado del proyecto en un momento dado. Utili-

zando herramientas de trabajo en grupo, el personal técnico o
directivo relacionado sigue al día el progreso del proyecto.
• Informar sobre todo el proyecto (documento final).
• Facilitar la futura reutilización del modelo si ésta fuera de in-
terés.
• Se recomienda recoger en los informes la siguiente informa-
ción: introducción; objetivos; hipótesis; descripción física
del sistema; justificación de la metodología empleada; des-
cripción del modelo, análisis de los experimentos efectuados
y conclusiones.
Implementación
En este contexto, se entiende por implementación la toma de

decisiones y aplicación de conclusiones como consecuencia del es-
tudio de simulación. Un proyecto de simulación no tiene éxito si
las mejoras o cambios que ha justificado técnica y económica-
mente no son posteriormente implementados.
Para que las recomendaciones sean tenidas en cuenta es nece-
sario que el modelo sea creíble. Para ello, no es suficiente con
que el modelo sea válido. También es necesario que quienes vayan
a tomar las decisiones estén convencidos de su validez. Esta cre-
dibilidad la conferirán, tanto la calidad y solidez del estudio rea-
lizado, como la seriedad y experiencia del equipo que realiza la
simulación.
Capítulo
3
Importancia de los datos
El análisis de los datos de los que se dispone sobre el sistema a

modelar es una tarea imprescindible que, correctamente desarro-
llada, facilita y simplifica considerablemente el desarrollo de los
modelos y de los proyectos de simulación.
La recogida de datos es una de las etapas más laboriosas de un
proyecto de simulación. En general, y de modo muy especial en los
sistemas complejos, el conocimiento sobre el funcionamiento del
sistema, necesario para construir el modelo de simulación, está
repartido entre diferentes personas de la empresa. Para obtener
toda esta información el modelador tiene que estar dispuesto a de-
terminar y buscar la información necesaria y las fuentes que pue-
dan proporcionarla.
El proceso de recogida y análisis de la información puede ser
abrumador. Los datos no se presentan en general en el formato ne-
cesario para definir el modelo. Muchos esfuerzos dirigidos a la ob-
tención de estos acaban con muchos datos pero con poca informa-
ción útil para la construcción del modelo. Si la información
obtenida es insuficiente deberán efectuarse hipótesis razonables
para proseguir el estudio.
25
Proceso de recogida de datos

La primera etapa a seguir en el proceso de recogida de datos es
determinar la información necesaria basándose en los objetivos
planteados en el proyecto y en función del nivel de detalle deseado.
El empleo de diagramas causa-efecto facilita el proceso de re-
cogida de datos en la medida en que indican cuales de ellos son
más significativos. En general, los datos a considerar en la cons-
trucción del modelo son todas aquellas variables que pueden influir
sobre el rendimiento del sistema (en general, las que influyen sobre
los datos de salida del estudio). Por ejemplo, en el caso de las lí-
neas de producción, el tiempo de ciclo de las máquinas, los tiem-
pos de transporte, el rendimiento de los operadores, las llegadas de
las peticiones, etc.
En la fase de desarrollo del modelo, los datos disponibles se
clasificarán en alguno de los siguientes grupos: estados, eventos,
entradas, salidas, parámetros y tiempos.
Aunque el proceso de recogida de datos parezca costoso en
tiempo y recursos, los ingenieros con experiencia en el uso de las
actuales herramientas de simulación coinciden en su importancia,
pues la calidad de esta información va a condicionar la validez
del estudio en desarrollo.
Algunas ideas que facilitarán la tarea

de recogida y análisis de datos
Una planificación inicial del proceso de recogida de datos
aporta beneficios en el tiempo de construcción del modelo. Los da-
tos no provienen en general de una sola fuente. Son el resultado del
análisis de la información existente, de extrapolaciones, de entre-
vistas, de medidas efectuadas para el estudio y de la intuición que
proporciona la experiencia.
IMPORTANCIA DE LOS DATOS 27
Algunos procesos son, por propia naturaleza, muy ricos en da-

tos. En general, las empresas con procesos muy automatizados,
como los de fabricación, tienen mucha información registrada. En
el otro extremo, las empresas de servicios, tienen poca información
útil para construir el modelo. Cuando el proceso es pobre en datos,
la forma más usual de obtener la información es a través de infor-
mes, entrevistas personales o la observación.
Para la toma de medidas del comportamiento de sistemas exis-
tentes, debemos determinar qué métodos son los más adecuados
para nuestro propósito, los cuales pueden variar desde el uso de un
ordenador que registre los datos automáticamente, hasta la graba-
ción de un vídeo para una posterior extracción de los mismos.
También se recomienda detectar circunstancias poco comunes, y
considerar como sería conveniente tratarlas.
Es conveniente intentar analizar los datos conforme son reco-
gidos. Puesto que el almacenamiento y análisis de datos innecesa-
rios no aporta ningún beneficio, es aconsejable determinar si las
muestras recogidas son adecuadas para obtener las distribuciones
necesarias para la simulación, o si debería realizarse un muestreo
más preciso o a un nivel de abstracción superior.
Posiblemente debamos intentar combinar conjuntos de datos
homogéneos, comprobar la homogeneidad de los datos en periodos
de trabajo sucesivos, y durante los mismos periodos en días suce-
sivos. También evaluar la necesidad de utilizar distribuciones dife-
rentes para un mismo conjunto de datos.
Aleatoriedad versus comportamiento

determinista
Cuando es posible describir completamente el resultado de una
actividad en términos de su entrada, se dice que la actividad es de-
terminista. En caso contrario se dice que la actividad es estocástica.
El concepto datos aleatorios no debe confundirse con el de un

proceso estocástico, sino con una simplificación de la descripción
del sistema que va a permitir replicar su comportamiento sin tener
que formalizar todas aquellas relaciones causa-efecto que apartan
los resultados de poderse evaluar como deterministas.
Considérese el sistema ilustrado en la Figura 3.1. Se trata de un
manipulador que recoge piezas de una cinta transportadora y las al-
macena en el stock interno de una máquina (M1). Desde un punto
de vista tecnológico, la grapa del manipulador dispone de un con-
junto de sensores cuyas señales van a permitir determinar la posi-
ción y orientación de la pieza, información necesaria para que el
manipulador pueda recogerla y clasificarla en un cierto stock. El
tiempo necesario para realizar un ciclo de trabajo depende de dis-
tintos factores, tales como la posición y orientación de la siguiente
pieza a ser procesada respecto a la grapa del manipulador, la posi-
ción final donde va a ser transportada, el peso de la pieza, etc.
Nótese que el conocimiento de estos datos junto con el conjunto de
ecuaciones algebraico-diferenciales que describen la dinámica del
manipulador, así como la orientación y posición de la siguiente pie-
za deberían ser suficientes como para poder predecir con exactitud
Máquina
M1
Robot
R1
Figura 3.1. Sistema Manipulador: transporte de cinta a máquina.

el tiempo que se invertirá en la siguiente operación de transporte,

de modo que será posible generar en un ordenador las mismas sa-
lidas y cambios de estado que en el sistema real, lo cual (tal y
como era de prever) rompe los principios de aleatoriedad.
Aunque las unidades de producción, así como los manipula-
dores y unidades de transporte que pueden encontrarse en las líne-
as de producción están lejos —afortunadamente— de presentar
un comportamiento aleatorio, el uso de modelos estocásticos para
representar la evolución de un sistema sobre la base de los cambios
de estado provocados por una secuencia de eventos, facilita no
tan solo la tarea de construcción del modelo, sino también la vali-
dación del mismo.
Por otro lado, la descripción mediante formulaciones deter-
ministas de muchos fenómenos no tan solo es desaconsejable sino,
en la práctica, imposible. En este conjunto de eventos «estocásti-
cos», se encuentran todos aquellos directa o indirectamente rela-
cionados con las actividades de los operadores humanos, como
son por ejemplo: las peticiones de información, el tiempo de repa-
ración de las máquinas, de llegadas de material, los fallos en las
operaciones, etc.
¿Puede un ordenador generar los mismos datos

que un sistema real?
Para responder a esta pregunta, considérese de nuevo el sistema
presentado en la Figura 3.1, pero esta vez como un elemento más
dentro de una línea de producción. El objetivo del estudio de si-
mulación será detectar y evaluar los cuellos de botella que se pro-
duzcan en el sistema. Bajo estas consideraciones, no vamos a uti-
lizar la misma secuencia de números obtenida directamente del
sistema físico (Tabla 3.1), sino que intentaremos que los valores
obtenidos por el simulador mediante generadores de variables ale-
Tabla 3.1. Tiempos de ciclo del sistema manipulador.

9,3 9,8 9,1 8,9 9,4 10,7 8,7 11,4 10,4 9,7
8,7 9,8 9,6 13,0 9,6 10,5 9,5 8,5 11,9 10,1
9,7 11,0 9,7 10,3 10,0 10,2 9,5 9,1 10,1 11,5
10,5 8,9 12,2 9,7 9,7 8,5 12,0 10,0 9,6 10,4
9,5 8,3 10,9 9,1 9,8 8,9 12,9 9,7 10,7 9,7
10,4 7,6 9,7 9,5 8,4 10,4 8,7 8,5 8,0 11,2
7,4 10,0 11,3 8,3 8,0 9,3 10,0 10,1 10,5 8,9
9,3 7,1 10,5 10,1 8,3 8,6 11,5 10,3 10,8 11,0
10,0 9,5 9,0 9,2 10,1 10,0 10,8 8,5 10,6 11,6
10,7 9,7 9,6 9,9 10,0 10,0 11,0 9,5 9,8 9,7
atorias presenten las mismas propiedades estadísticas que aquellos.

Nótese además, que otra muestra recolectada del mismo sistema
físico no seguirá necesariamente la misma pauta de la primera
muestra, pero sí es de esperar que presente las mismas propiedades
estadísticas.
Así pues, el objetivo no es conseguir generar una secuencia de
datos idéntica a la obtenida en una muestra del sistema a modelar,
sino poder generar datos con las mismas propiedades estadísticas
que los datos de la muestra.
Podemos utilizar funciones de distribución de probabilidad para
describir, a ciertos niveles de abstracción, el comportamiento gene-
ral aproximado de los sistemas en estudio. Un modelo es una abs-
tracción del sistema de interés. Esto implica que sólo se modela lo
que ocurre y no necesariamente la mecánica de cómo suceden los
eventos. En este contexto las funciones de distribución de probabi-
lidad resultan muy útiles para especificar un conocimiento abstrac-
to y distribuido de los sistemas a simular. Construir un modelo que
reflejara con detalle la mecánica de un sistema complejo a partir de

los datos muestreados constituiría una tarea complicada que reque-
riría personal especializado y una inversión en tiempo considerable,
y repercutiría fuertemente sobre el coste del proyecto.
El uso de funciones de distribución de probabilidad simplifica
altamente la tarea de modelado. Los modelos de simulación de
sistemas orientados a eventos discretos se desarrollan combinando
los valores generados por el simulador que pueden caracterizar
un determinado evento, y ecuaciones o grafos que permiten for-
malizar las posibles relaciones entre dichos eventos y el nuevo es-
tado del sistema.
Identificación de las propiedades estadísticas

Un método para poder describir las propiedades estadísticas de
una muestra consiste en especificar la probabilidad de aparición
que tiene cada uno de los datos recogidos en la muestra. Para ello,
es posible disponer de un conjunto de herramientas comerciales
que facilitan tanto la construcción de un histograma (Figura 3.2),
en el cual se recoge la frecuencia de aparición de cada uno de los
datos, como la parametrización de una función de densidad de
probabilidad cuyas propiedades estadísticas sean lo más similares
posible a la muestra con la que se trabaja.
0,5
0,2
0,0
7,0 8,2 9,4 10,6 11,8 13,0
Figura 3.2. Histógrama y función de densidad

de probabilidad ajustada.
El objetivo que se persigue es generar valores aleatorios que

respondan a las mismas propiedades estadísticas que los datos re-
cogidos en la muestra. Podremos utilizar un generador de variables
aleatorias que sigan una función de densidad de probabilidad co-
nocida (normal, lognormal, gamma, exponencial, weibull, etc.) o
bien será necesario implementar un algoritmo o función de usuario
que nos permita generar los valores de interés.
En definitiva, se trata de decidir si los valores generados por
una función de densidad de probabilidad conocida presentan ca-
racterísticas suficientemente similares a la de los datos recogidos
en la muestra del sistema a modelar. Para ello existe un conjunto de
tests de hipótesis que permiten tomar la decisión de aceptar o no
una función de densidad de probabilidad como una representa-
ción abstracta suficientemente buena de un sistema.
Funciones de distribución teóricas

más utilizadas
En el caso de no disponer de información suficiente como para
determinar la distribución estadística que sigue un determinado
fenómeno o proceso, se recomienda el uso de distribuciones es-
tándar que, de modo genérico, suelen utilizarse para modelar si-
tuaciones conocidas, como, por ejemplo:
Distribución Algunas situaciones en las que se suele utilizar

Exponencial Tiempos entre llegadas en procesos con independencia
entre ocurrencias. Vida o averías de dispositivos.
Poisson Proceso de llegadas. Tamaños de lotes. Número de ítems
pedidos a un almacén.
Normal Tiempo de servicio de una unidad de producción sin con-
siderar posibles fallos, errores aditivos de medida.
Distribución Algunas situaciones en las que se suele utilizar

Uniforme Tiempo de servicio cuando la información disponible es
escasa.
Gamma Tiempo de servicio de varias unidades de producción idén-
ticas dando servicio en paralelo a la misma carga de en-
trada, considerando fallos en las máquinas.
LogNormal Tiempo de servicio de varias unidades de producción tra-
bajando en secuencia considerando fallos en las máquinas.
Aplicable en modelos económicos.
Weibull Tiempo entre fallos de una pieza o equipo. Tiempo de
vida de un equipo electrónico.
Erlang Apropiada en actividades cuyas fases siguen tiempos ex-
ponenciales, como el tráfico telefónico clásico. También en
tiempos de servicio o de reparación.
Triangular Es útil para modelar el tiempo necesario para realizar una
operación cuando solo se conoce el tiempo mínimo, el
máximo o el más probable o moda.
Binomial Tests de piezas: número de ítems defectuosos en un lote de
tamaño determinado.
Capítulo
4
Construcción
y funcionamiento de un
modelo de simulación basado
en un sistema sencillo
La simulación de modelos basada en la metodología de eventos

discretos consiste en la reproducción mediante un ordenador de las
operaciones de un sistema real. Estas pueden ser las desarrolladas
a diario en un aeropuerto, el proceso de ensamblaje en una línea de
fabricación o la asignación de personal sanitario a los diferentes
turnos de trabajo de un hospital. Tradicionalmente, el análisis de
estos procesos se ha efectuado mediante complejos modelos ma-
temáticos desarrollados por expertos. Los programas de simulación
disponibles en la actualidad permiten que el análisis de estos pro-
cesos pueda ser efectuado por personas no expertas en técnicas de
programación o en técnicas matemáticas.
La simulación de procesos mediante eventos discretos en la
práctica real siempre será lógicamente efectuada en un ordena-
dor, aunque en el ejemplo que se muestra a continuación se efec-
tuará manualmente a fin de mostrar los mecanismos básicos de un
proceso de simulación.
35
Ejemplo
El sistema de interés es un proceso de recepción, procesado y
expedición de órdenes a clientes. La Figura 4.1 muestra las tres ac-
tividades más significativas del mismo. Disponemos de cuatro tra-
bajadores por cada turno diario de ocho horas. La franja horaria
normal de trabajo es desde las nueve de la mañana hasta las cinco
de la tarde. No obstante, la jornada laboral se alarga si no ha sido
posible expedir todas las órdenes recibidas a lo largo del día.
4 órdenes ordinarias/día
6 órdenes prioritarias/día
Recepción Proceso de
de órdenes de órdenes Expedición
2 horas/orden ordinaria
4 horas/orden prioritaria
Figura 4.1. Esquema del proceso de órdenes.
Los parámetros más significativos del proceso son:
• En promedio, se reciben diez órdenes cada día.

• Hay dos tipos de órdenes: las ordinarias y las prioritarias. El
40% de las órdenes son ordinarias y el 60% restante son
prioritarias.
• En promedio, una orden ordinaria requiere dos horas de pro-
ceso y una orden prioritaria cuatro horas.
• Sólo se aceptan órdenes hasta la una del mediodía.
Si efectuamos un análisis del comportamiento del sistema ba-

sándonos en los valores promedio se puede sacar la conclusión
CONSTRUCCIÓN Y FUNCIONAMIENTO DE UN MODELO DE SIMULACIÓN… 37
errónea de que no existirá ningún retraso en las órdenes y de que

los recursos humanos están aprovechados al 100%:
órdenes ordinarias = 4 órdenes/día × 2 horas/orden = 8 horas/día
órdenes prioritarias = 6 órdenes/día × 4 horas/orden = 24 horas/día
capacidad necesaria = 8 + 24 = 32 horas/día
capacidad disponible = 4 trabajadores/día × 8 horas/día = 32 horas/día
porcentaje de utilización = cap. necesaria/cap. disponible × 100=100%
Definiciones previas
Más adelante se muestra una simulación manual del proceso
anterior contemplando que las órdenes llegan de forma aleatoria.
Sin embargo, antes de proceder con la simulación es conveniente
adelantar las siguientes definiciones:
• Variables de estado: son el conjunto de variables que permi-

ten determinar el estado de un sistema en un instante deter-
minado. Para el ejemplo propuesto, serán el número de ór-
denes en la cola y el número de órdenes en proceso.
• Eventos: sucesos que ocurren en instantes determinados de
tiempo y que pueden cambiar el estado del sistema. En nues-
tro caso, la llegada de una nueva orden y la expedición de
una orden.
• Entidad: describe el objeto que es procesado, manipulado o
transportado en el modelo. En el ejemplo propuesto se ma-
neja tan solo un único tipo de entidades, las órdenes.
• Cola: está formada por un conjunto de entidades ordenadas.
Por ejemplo, una cola de coches a la espera de poner gasoli-
na, una cola de aviones a la espera para despegar. En nuestro
ejemplo, se tiene una cola de órdenes en espera para ser pro-
cesadas.
• Recurso: es una persona, máquina o cualquier otro elemento

que proporciona un servicio o efectúa operaciones sobre las
entidades. En el ejemplo propuesto son los cuatro trabajado-
res que procesan las órdenes.
• Variable aleatoria: es aquella variable cuyo valor no puede
conocerse de forma precisa o determinista. Por ejemplo, el
momento de llegada de una orden.
• Distribución: es la ley que gobierna el comportamiento pro-
babilístico de la variable aleatoria. Para el ejemplo propues-
to, la que determina el tiempo entre las llegadas de las dis-
tintas órdenes.
La Figura 4.2 muestra gráficamente las acciones asociadas al
evento de llegada de una orden. Si todos los trabajadores están
ocupados, la orden espera en la cola. En caso contrario, se le asig-
na un trabajador y se inicia su proceso.
Llegada de
una orden
NO 4 trabaj. SÍ
ocupados
Se inicia el La orden se
proceso de espera en la
la orden cola
Figura 4.2. Diagrama de flujo del evento de llegada de una orden.
El segundo evento representa las acciones ligadas a la expedi-

ción de una orden (Figura 4.3). Al finalizar el procesado de una or-
den, uno de los trabajadores queda libre. Si hay órdenes en cola, el
trabajador tomará la orden e iniciará su proceso. En caso contrario,
el trabajador permanece a la espera de la llegada de nuevas órdenes.
Orden es
expedida
NO SÍ
No hay órdenes
en la cola
Quitar una
Trabajadores en orden de la
espera de órdenes cola
Se inicia el
proceso de
la orden
Figura 4.3. Diagrama de flujo del evento de expedición

de una orden.
Simulación manual
Para analizar el comportamiento del sistema se simula la diná-
mica del proceso en el cual la llegada de órdenes es aleatoria. La
Figura 4.4 para cada una de las órdenes la hora de llegada, el tiem-
po que está en cola, el tiempo de proceso y la hora de expedición.
orden 9 a 10 10 a 11 11 a 12 12 a 13 13 a 14 14 a 15 15 a 16 16 a 17 17 a 18 18 a 19 19 a 20
1
2 Orden ordinaria
Orden prioriataria
3
4
Expedición
5
6 Inicio del Horas extras
proceso
7
8 Orden en la cola
9 para el proceso
10
Figura 4.4. Diagrama de la simulación manual.

Las primeras dos órdenes llegan a las 9 de la mañana. La ter-

cera orden llega una hora más tarde, a las 10 de la mañana. Dado
que estas primeras órdenes son ordinarias y hay trabajadores para
procesarlas, las tres órdenes son expedidas al cabo de dos horas.
Más adelante, a las 13 horas, llega la orden número 8. En este
instante, los cuatro trabajadores están ocupados. En consecuen-
cia, no se puede iniciar su proceso hasta una hora más tarde des-
pués de ser expedida la orden número 5. Para completar las órde-
nes 8, 9 y 10 se precisa que tres trabajadores alarguen su jornada de
trabajo más allá de las 5 de la tarde.
La Tabla 4.1 muestra también de forma tabular los resultados
de la simulación a mano. La primera columna muestra en qué ins-
tante ocurre cada evento. En la cuarta columna se muestra el tipo
de evento, evento de llegada de una orden o evento de expedición de
una orden. En la columna número dos se muestra la orden que se
recibe o expide y en la siguiente columna, la tercera, se muestra el
tipo de orden, ordinaria o prioritaria. En las columnas quinta y
sexta se muestran el número de órdenes en la cola y el número de
órdenes en el sistema (desde que llega la orden hasta que ésta es
expedida) respectivamente. La penúltima columna muestra el tiem-
po que está cada orden en la cola a la espera de ser procesada. La
última columna muestra, en el evento de expedición, el tiempo
total que ha permanecido la orden en el sistema. El tiempo total
será la suma del tiempo en la cola más el tiempo en proceso.
Las últimas cuatro columnas muestran datos importantes para
analizar el comportamiento del sistema. Estas estadísticas son
recogidas cada vez que hay un evento. Por ejemplo, el número de
órdenes en la cola alcanza su valor máximo a las 13 horas. Las
últimas tres órdenes están en la cola una, dos y tres horas respecti-
vamente. A continuación se resume el comportamiento del proce-
so observado mediante la simulación manual,
tiempo de ciclo promedio para órdenes ordinarias = 8 h/4 órdenes = 2 h/orden
tiempo de ciclo promedio para las prioritarias = 30 h/6 órdenes = 5 h/orden
tiempo promedio en la cola = 6 h/10 órdenes = 0,6 h/orden
tiempo máximo en la cola = 3 h

nivel de servicio promedio = 7 órdenes a tiempo/10 órdenes = 70%
3 trabajadores han tenido que trabajar un total de 6 horas extras para comple-
tar las órdenes.
Tabla 4.1. Tabla de la simulación manual del proceso de órdenes.

Número Tipo Tipo Número Número Tiempo Tiempo
Tiempo
de de de en en en en
(hora)
orden orden evento cola sistema cola sistema
9 1 Ordinaria Llegada 0 1 — —
11 1 Ordinaria Exped. 0 2 — 2h
11 4 Priorit. Llegada 0 2 — —
15 4 Priorit. Exped. 1 5 — 4h
19 8 Priorit. Exped. 0 2 1h 5h
Aunque inicialmente parecía que el diseño del proceso era el

adecuado, las llegadas aleatorias provocan colas y retardos poste-
riores en el procesado de las órdenes. En este ejemplo se ha obser-
vado que las llegadas aleatorias provocan desviaciones significati-
vas respecto al comportamiento esperado inicialmente. Otros
posibles escenarios a contemplar podrían ser:
• Escenario 1: ¿cómo afecta al comportamiento del proceso si
el número de órdenes diarias varía entre 8 y 12 (el valor
promedio todavía es 10)?
• Escenario 2: ¿cuál es el impacto sobre el comportamiento del
sistema si el tiempo para procesar las órdenes prioritarias varía
entre las 3 y las 5 horas (el valor promedio todavía es 4)?
• Escenario 3: ¿cómo afecta al comportamiento del proceso si
la proporción de órdenes de cada tipo llegadas diariamente es
aleatoria (el valor promedio es todavía de 40%, 60%)?
Si se efectúa la simulación de cada uno de los escenarios ante-
riores, o de la combinación de varios de dichos escenarios, se puede
observar un deterioro de las estadísticas de comportamiento del
proceso provocado por el incremento de variabilidad en el mismo.
Al realizar la simulación anterior, se ha supuesto como cono-
cido el número de órdenes que llegan en cada franja horaria. Sin
embargo, en la práctica diaria existe una diversidad de motivos
que no permiten que dichos tiempos puedan ser conocidos, como
son por ejemplo:
• El proceso simulado todavía no existe en la realidad.
• Se desea simular el comportamiento de un sistema real bajo
condiciones diferentes de operación.
Aunque no se disponga de la información anterior, si que, en
general, se dispone de datos que, convenientemente analizados,
pueden informar sobre la distribución del número de órdenes que
llegan cada hora. Esta información se ha podido obtener de forma
precisa a partir de una muestra real, o de forma aproximada, a

partir del conocimiento general del que se dispone sobre el sistema.
Se supone conocida la probabilidad de que en una hora deter-
minada lleguen 1, 2, 3 o 4 órdenes. La distribución de probabili-
dades se muestra en la Tabla 4.2.
Tabla 4.2. Distribución de probabilidad de llegadas de órdenes.
Órdenes/hora Probabilidad (%) Prob. acumulada
1 40 40
2 30 70
3 20 90
4 10 100
Una forma para simular cuál sería el número de órdenes que

llegarían en la siguiente hora consistiría en introducir 100 bolas en
un saco numeradas de la 01 hasta la 100 y sacar una al azar. Si el
valor extraído estuviera comprendido entre el 01 y el 40, el nú-
mero de órdenes sería 1. Si estuviera entre el 41 y el 70, llegarían
2 órdenes, entre el 71 y el 90, llegarían 3 y entre el 91 y el 100 lle-
garían 4. Para proseguir, se repone la bola y se procede de forma
exactamente igual para obtener el número de órdenes de la hora si-
guiente. Nótese que, del total de bolas, 40 están comprendidas en-
tre los valores 01 y 40: la probabilidad de que el número de órde-
nes sea 1 será 0,4 (40%).
Tabla 4.3. Número de órdenes recibidas en cada franja horaria.

Hora Número al azar Número de órdenes
9 54 2
10 12 1
11 36 1
12 60 2
13 90 4
El simulador tiene que ser capaz de generar las órdenes que lle-
gan cada hora a partir del conocimiento disponible sobre la distri-
bución de probabilidad. Para ello se han diseñado algoritmos de ge-
neración de números al azar (números pseudoaleatorios) que
cumplen dicho fin. La Tabla 4.3 muestra los números al «azar» y el
número de órdenes asignadas por el simulador para cada hora.
Las herramientas actuales de simulación simplifican mucho la
tarea de construcción y experimentación con el modelo de simula-
ción. El modelo del ejemplo anterior viene representado por la
Figura 4.5.
Llegada de Proceso de las

Expedición
órdenes órdenes
0 0
0
Figura 4.5. Proceso de órdenes.
La mayoría de las herramientas actuales generan automática-

mente estadísticas sobre el comportamiento dinámico del sistema.
Capítulo
5
Verificación y validación
de modelos
Un aspecto muy importante que incide de modo determinante

en el éxito de los proyectos de simulación es que el modelo con el
que se trabaja sea una representación suficientemente fiable y, por
lo tanto creíble, del comportamiento del sistema. Nótese que cual-
quier predicción o propuesta de mejora formulada a partir de los re-
sultados obtenidos experimentando con un modelo incorrecto, pue-
de llegar a comportar, en su caso, la aprobación de inversiones
que no resuelvan correctamente los problemas que se habían plan-
teado.
No existe un método genérico para determinar si un modelo es
correcto. Esto es debido a que la validez de un modelo debe ser
particularizada en términos de los objetivos para los cuales ha sido
desarrollado, considerando tanto el nivel de precisión aceptable,
como el conjunto de condiciones de experimentación que cubren el
dominio de aplicación.
A pesar de no disponer de una metodología basada en unas re-
glas generales que permitan de modo sistemático establecer cuán-
do un modelo es suficientemente válido para un cierto propósito, sí
que se dispone de un conjunto de pautas y procedimientos que, de
45
algún modo, permiten evaluar el grado de fiabilidad del modelo

con el que se trabaja.
No es posible probar por completo el modelo contra todos los
inputs posibles, por cuestiones de tiempo, recursos y racionalidad
intelectual. En consecuencia, la fase de verificación y validación
no tiene como objetivo demostrar que el modelo es correcto,
sino intentar demostrar que éste es incorrecto. Si son fallidos to-
dos los intentos para demostrar que el modelo es incorrecto, se
incrementa el grado de confianza en el mismo y en sus resultados
posteriores.
¿Qué se entiende por verificación y validación?

Verificación consiste en asegurar que el modelo conceptual ha
sido transformado de forma correcta en un modelo de simulación
por ordenador. Validación, por otro lado, consiste en asegurar que
el modelo representa la realidad con la precisión suficiente según el
objetivo perseguido.
Un aspecto clave es el de la precisión suficiente. Ningún mo-
delo es 100% preciso. Todo lo contrario, el objetivo de un modelo
no es que sea absolutamente preciso sino constituir una simplifi-
cación que facilite entender y explorar una realidad más compleja.
El grado de simplificación o el nivel de precisión necesarios de-
penden del objetivo para el cual el modelo es construido. Es nece-
sario, pues, conocer bien el objetivo perseguido antes de cons-
truir, verificar y validar el modelo.
Después de construir el modelo de simulación, queremos estar
seguros de que el modelo se comporta como está previsto (verifi-
cación). Esta tarea puede parecer simple, pero los modelos de los
procesos reales tienen múltiples actividades produciéndose de for-
ma simultánea que pueden provocar interacciones no previstas o
erróneas. Es por tanto necesario diseñar y desarrollar diagnósticos
VERIFICACIÓN Y VALIDACIÓN DE MODELOS 47
para detectar y corregir las relaciones no controladas y los posibles

errores que puedan aparecer en el modelo.
Para construir el modelo conceptual es necesario proponer

una serie de hipótesis de trabajo, que acaban formalizándose en un
conjunto de relaciones entre los distintos sucesos que describen
los posibles cambios de estado del sistema. El grado de validez de
algunas de las hipótesis puede afectar de modo determinante a la
validez de los resultados obtenidos mediante la simulación. Nóte-
se, por ejemplo, que algunas de las hipótesis formuladas en el
desarrollo de modelos estadísticos (indispensables para la cons-
trucción del modelo de simulación) pueden haberlo sido a partir
de un conjunto de datos restringidos, y en consecuencia no repre-
sentar el comportamiento del sistema bajo otras condiciones de
operación.
La facilidad de uso de los actuales simuladores, junto con la

potencia de las herramientas de programación con que vienen do-
tados, permite la utilización de aquellos por parte de usuarios inex-
pertos. Ello posibilita, contrariamente a lo deseado, el desarrollo de
modelos erróneos. Por este motivo, es muy importante darse cuen-
ta de que la verificación y validación de un modelo debe ser con-
siderada como una de las etapas del proceso de desarrollo del pro-
pio modelo. Esta etapa se desarrolla de forma continuada a lo
largo de todo el ciclo de vida del proyecto de simulación. En el ini-
cio del proyecto de simulación el modelo conceptual tiene que ser
validado. Adicionalmente, a medida que avanza el proyecto es
probable que se revise el modelo conceptual, lo que provoca una
revalidación del modelo. A medida que el modelo conceptual se
transforma en un modelo de simulación, los elementos que com-
ponen el modelo tienen que ser verificados. Aunque no es posible
evaluar la validez absoluta de un modelo sobre todo el dominio de
aplicación, los tests y evaluaciones se realizan hasta que se consi-
dera que el modelo desarrollado puede ser utilizado como sustitu-
to del sistema físico.
En la Figura 5.1 se ha representado una versión simplificada

del proceso de modelado en la cual se ilustra la relación del pro-
ceso de verificación y el de validación como etapas propias en el
proceso de modelado.
Sistema Físico Valoración

modelo
conceptual
Análisis y
Validación modelado
de datos
Experimentación
Programación
Modelo de simulación Modelo conceptual
Valoración
modelo
simulación
Figura 5.1. Esquema simplificado del proceso de modelado.
El conjunto de tests a realizar para evaluar el grado de validez

de un modelo suelen agruparse en alguno de los siguientes epígra-
fes, atendiendo a los objetivos a validar.
1. Validación del modelo conceptual: consiste en determinar
que las teorías, hipótesis de trabajo, así como las suposicio-
nes bajo las que se ha formalizado el modelo conceptual son
correctas, y que la representación de los objetivos en el
modelo es razonable para el uso que se prevé del mismo.
2. Validación de los datos: consiste en garantizar que los datos
utilizados para la construcción del modelo, su evaluación y
diagnóstico, así como los utilizados en la realización de
experimentos son adecuados y correctos.
3. Verificación del modelo de simulación: conjunto de pruebas
y métodos que permiten garantizar que la implementación
del modelo conceptual es correcta.
4. Validación funcional: conjunto de tests que permiten deter-

minar si el comportamiento que se obtiene experimentando
con el modelo puede ser considerado suficientemente válido
(correcto) para los objetivos para los cuales ha sido desa-
rrollado.
A continuación se presentan, a modo de ilustración, algunas de
las técnicas y pruebas que suelen utilizarse tanto de modo objetivo
como subjetivo para evaluar la validez de los modelos.
Validación del modelo conceptual
Para poder desarrollar un modelo conceptual es necesario tener

un conocimiento profundo del sistema real de interés. Para obtener
este conocimiento en general es necesario interaccionar con las
personas que tienen la información y la experiencia sobre cómo se
comporta el sistema. El modelador tiene que interpretar la infor-
mación obtenida para poder construir el modelo conceptual. En
esta etapa existe la nada desdeñable posibilidad de que el modelo
conceptual sea incorrecto debido a que la información obtenida no
haya sido interpretada correctamente. Por esto es importante la
validación del modelo conceptual.
No existen métodos formales para la validación del modelo
conceptual. Es útil especificar correctamente el proyecto de simu-
lación. La especificación tiene que incluir los objetivos, la meto-
dología de modelado empleada y la descripción del modelo. Este
documento puede ser revisado por el personal con experiencia en el
sistema de interés con el objetivo de detectar errores e incorporar
mejoras.
Validación de los datos
Los datos son extraídos del proceso real y más tarde emplea-
dos para parametrizar el modelo conceptual y, posteriormente, el
modelo de simulación. También son empleados para la valida-

ción y experimentación. Si los datos son poco precisos, también lo
será el modelo de simulación. Es por tanto importante, que se in-
viertan las energías necesarias para asegurar la calidad de los datos
obtenidos.
En la mayoría de los estudios de simulación hay datos que
son imprecisos o no están en el formato adecuado o, sencillamente,
no se dispone de ellos. En esta situación es necesario adoptar me-
didas para obtener o estimar los datos. Es también necesario efec-
tuar estudios de sensibilidad para evaluar el efecto provocado por la
incertidumbre sobre los datos.
Verificación del modelo de simulación
Varios aspectos del modelo deben ser verificados. La primera

estrategia consiste en revisar el código para garantizar que los datos
y la lógica implementada sea la correcta. Una aproximación com-
plementaria es que la revisión sea efectuada por otra persona.
El comportamiento dinámico del modelo también tiene que
ser revisado. En este apartado se incluyen los aspectos temporales
(por ejemplo, tiempos de ciclo, de reparación o de transporte), el
control de los elementos (por ejemplo, turnos de trabajo, agendas
de trabajo o planificación). Otro mecanismo de verificación con-
siste en efectuar un seguimiento de los eventos. La mayor parte de
simuladores ofrecen las herramientas necesarias para realizar un se-
guimiento, en forma de traza, de los eventos que ocurren en la rea-
lización de un cierto experimento. La validez de la secuencia ob-
tenida puede ser fácilmente confirmada a partir del conocimiento
que se tiene del sistema. Cuando se trabaja con sistemas complejos,
esta técnica tan solo puede utilizarse en periodos cortos, al aparecer
un número muy elevado de eventos.
La animación es un elemento muy útil para verificar el com-
portamiento dinámico del sistema. Aunque la visualización de la
evolución del modelo no permite evaluar los parámetros de rendi-

miento del sistema, ni prever con cierto rigor el comportamiento
del sistema ante distintas situaciones, sí permite verificar en una
primera instancia la calidad del modelo y facilitar posteriormente
su validación al poder ser comparado con el funcionamiento del
sistema real. Asimismo, la visualización interactiva de la evolución
del sistema simulado permite depurar errores de diseño, detectar
datos inconsistentes o incoherentes y otros errores que sólo pueden
detectarse a partir de la monitorización simultánea en pantalla de
diferentes variables del modelo en estudio.
Hay un conjunto de técnicas que son útiles tanto para verificar
como para validar el comportamiento del modelo, entre ellas,
• Tests de condiciones extremas: tanto la estructura del mode-

lo, así como los resultados de los experimentos, deberían
ser coherentes cuando se experimenta con el modelo bajo
condiciones extremas o bajo condiciones no recomendables
en el sistema físico.
• Tests de degeneración: la degeneración del comportamiento
de un modelo suele diagnosticarse seleccionando y variando
ciertos valores en los parámetros de entrada. Considérese, por
ejemplo, la evolución de una cola de espera asociada a un
servidor en el cual el proceso de llegadas es superior al tiem-
po de servicio del servidor. La evolución del tamaño de la
cola debería obedecer a los cambios en los valores de los pa-
rámetros.
• Seguimiento de trayectorias: la lógica del modelo puede ser
comprobada a partir de un seguimiento (traza) del estado de
las entidades que fluyen entre los elementos que integran el
modelo. Así pues, es de esperar que los atributos de una pie-
za se vean actualizados después de haber sido atendida por
algún servidor (máquina), al igual que ocurriría sobre el sis-
tema real.
Validación funcional
Hay dos mecanismos para validar el sistema. El primero es

comparar el modelo de simulación con el proceso real. La segunda
aproximación es comparar el modelo con un modelo analítico del
mismo proceso. Esta segunda aproximación, cuando es posible, es
útil si no es posible acceder al sistema real.
Si se dispone del proceso real, se pueden comparar los datos
del mismo (datos históricos) con los obtenidos con el modelo
cuando éste último es ejecutado en las mismas condiciones que el
proceso real. Evidentemente, no deben utilizarse para ello los mis-
mos datos que sirvieron para caracterizar las distribuciones esta-
dísticas que rigen los fenómenos de nuestro modelo. Otro meca-
nismo de validación es mostrar el modelo a personas expertas en el
proceso de interés. La interacción con las distintas personas que co-
nocen parte del sistema que se desea modelar, suele utilizarse para
determinar si el comportamiento del modelo es o no razonable
ante distintas condiciones de operación.
Si no se dispone del proceso real se puede optar por comparar
el modelo de simulación con un modelo analítico. Es poco proba-
ble que el modelo analítico sea capaz de predecir exactamente el
resultado de la simulación, dado que si éste fuera el caso lo más
probable es que no se hubiera construido el modelo de simulación.
No obstante, es posible que el modelo analítico sea capaz de ge-
nerar aproximaciones al comportamiento del proceso real que sir-
van de base suficiente para la comparación y validación. Para fa-
cilitar el proceso de comparación es a menudo útil simplificar el
modelo de simulación o el experimento que se realiza sobre él, y
así experimentar en condiciones parecidas a las del modelo analí-
tico. Por ejemplo, se podría trabajar en el modelo de simulación
con valores deterministas (promedio) en lugar de valores alea-
torios.
Dificultades para la validación

Muchos modelos son construidos para evaluar el comporta-
miento de procesos que no existen. Incluso cuando el proceso real
existe, es probable que el modelo se emplee para evaluar diseños
alternativos que todavía no existen. El que el modelo sea válido
para la condiciones actuales de operación no garantiza que sea
válido cuando se modifique para representar algún cambio en el
proceso real.
En el proceso de validación a menudo se comparan los resul-
tados del modelo (datos operacionales) con los resultados reales. El
modelo se ejecuta en las mismas condiciones que el sistema real
para evaluar si se comporta de forma parecida. Uno de los aspectos
que puede comprometer el proceso de validación es el que los da-
tos obtenidos sobre el comportamiento del proceso real no sean lo
suficientemente precisos. Aunque los datos obtenidos del proceso
real sean correctos, si la muestra obtenida sobre el comportamien-
to del proceso real no es significativa, el proceso de validación
puede ser erróneo.
La conclusión principal que se extrae es que, a pesar que en la
teoría un modelo es o no es válido, en la práctica diaria es muy di-
fícil demostrar la validez absoluta de un modelo. Solo es posible
pensar en términos de la confianza que se tiene en el mismo, lo
cual asociamos al concepto de credibilidad.
Adicionalmente, hay que tener en cuenta que la aceptación de
un estudio de simulación no depende exclusivamente de la validez
del modelo. Las técnicas de verificación y validación garantizan la
calidad técnica del modelo. Sin embargo, no determinan el nivel de
aceptación del proyecto. Como consecuencia, y para conseguir
que el trabajo sea aceptado, aparte de considerar la calidad del
modelo hay que asegurar también la calidad del proyecto en su
conjunto.
Capítulo
6
Herramientas informáticas
para la simulación
La popularidad que ha estado adquiriendo la simulación

orientada a eventos discretos en los últimos años se ha visto
acompañada de un incremento notable de entornos y herramientas
de simulación comerciales cuyas prestaciones están continua-
mente mejorando con el objetivo de facilitar su uso a usuarios no
expertos.
Los mecanismos internos (por ejemplo, la gestión de la cola de
eventos y la generación de números aleatorios) son esencialmente
los mismos para todas las herramientas. Las diferencias principales
entre ellas reside en las funciones y metodología de modelado, y en
las interfaces de usuario. La mayoría de las herramientas tienen in-
terfaces gráficas, se requiere poca programación y el conjunto de
opciones se pueden seleccionar a través de menús desplegables.
Cada vez más, los mecanismos para la animación están integrados
con las funciones de modelado. De esta forma se dispone directa-
mente de un nivel mínimo de animación. En algunos casos, los me-
canismos de animación pueden ser muy sofisticados.
A menudo, las herramientas de programación son evaluadas
solo sobre la base de dos o tres criterios, tales como el precio, fa-
55
cilidad de uso o la calidad de las demostraciones comerciales.

Aunque todos los entornos han sido desarrollados para cubrir las
necesidades de los usuarios finales mediante interfaces amigables y
fáciles de utilizar, una mala elección de las herramientas informá-
ticas suele acabar repercutiendo tanto en un incremento conside-
rable de horas de programación por parte de personal especialista,
como la compra de librerías adicionales que no se suministraban
con el entorno.
Al igual que en el campo de la programación no existe el con-
cepto de: «el mejor lenguaje de programación», puesto que cada
lenguaje ofrece herramientas muy potentes y depuradas que pueden
ser útiles para satisfacer ciertos objetivos y totalmente inservibles
para abordar otro tipo de problemas, tampoco existe el concepto
«El mejor simulador» en el campo de la simulación de modelos de
eventos discretos. Aunque algunos entornos de simulación ofrecen
más funciones que otros, no existe ningún paquete que satisfaga de
manera óptima los diversos aspectos del desarrollo de un proyecto
de simulación en todos los campos de aplicación.
En este capítulo se presentarán algunos criterios que deben
tenerse en cuenta para seleccionar y evaluar la herramienta de si-
mulación. Existen diversas fuentes bibliográficas donde se discute
cuál es el programa de simulación más apropiado a cada tipo de
problema, en cambio existen muy pocas referencias que describan
una metodología que ayude a seleccionar el programa más ade-
cuado, técnicas que permitan evaluar la capacidad de las herra-
mientas de simulación, así como los criterios y recomendaciones a
tener en cuenta en dicho proceso.
Lenguajes y entornos de simulación

Aunque cualquier lenguaje de programación podría ser utili-
zado para simular el comportamiento de un sistema orientado a
eventos discretos, existen un conjunto de características inherentes
HERRAMIENTAS INFORMÁTICAS PARA LA SIMULACIÓN 57
tanto a los proyectos de simulación como a la evolución que pre-

sentan los sistemas que se desean simular que aconsejan el uso de
herramientas propias al campo de la simulación:
• Herramientas necesarias para programar un modelo de si-
mulación, entre las que podemos destacar: generación de
números y variables aleatorias que responden a ciertas fun-
ciones de distribución particulares, gestión automatizada del
tiempo de simulación, gestión automatizada de las rutinas de
tratamiento de los eventos que determinan el comportamien-
to del sistema, algoritmos de análisis de los resultados, y
generación de informes entre otros. Todas estas característi-
cas repercuten en una reducción considerable del tiempo de
programación del modelo.
• El mantenimiento de un modelo de simulación se ve enor-
memente simplificado cuando este ha sido programado con
una herramienta de simulación. Nótese que una característi-
ca inherente a la metodología de modelado es la constante
manipulación del modelo a partir de los resultados obtenidos
del simulador.
• Las herramientas de simulación ofrecen funciones específicas
para la detección de errores, como es el caso de la aparición
de bloqueos en sistemas de transportes.
Aunque no existen todavía unos criterios ampliamente acepta-
dos para clasificar las herramientas de simulación, hoy en día la
mayoría de herramientas comerciales suelen agruparse en dos
grandes clases que se describen a continuación: lenguajes de si-
mulación de propósito general y entornos de simulación.
Lenguajes de simulación de propósito general
Los lenguajes que pueden utilizarse para la simulación de un sis-

tema orientado a eventos discretos pueden ser tanto lenguajes de pro-
gramación de propósito general (por ejemplo el Pascal y el Visual

C++ o Java), como lenguajes de simulación de propósito general
(como el GPSS, Simscript II.5 y Slam II), los cuales aparecieron a
partir de 1960. La principal característica de los lenguajes de pro-
gramación es que ofrecen una librería de instrucciones suficiente-
mente completa como para permitir programar cualquier tipo de
modelo por complejo que este sea. La principal limitación es que re-
quiere una inversión considerable de tiempo y personal especializa-
do para el desarrollo del modelo de simulación, con la que el man-
tenimiento del modelo para futuros experimentos suele presentar
grandes limitaciones si no se ha formalizado convenientemente.
Entornos de simulación
El principal objetivo para el que se desarrollan entornos de si-

mulación es facilitar la fase de programación del modelo, aunque a
veces a costa de restringir flexibilidad y versatilidad a los campos
propios de aplicación. Los primeros entornos de simulación orien-
tados a eventos discretos aparecieron en la década de los 80 del si-
glo pasado (Arena, Promodel, Witness). Aunque estos entornos
permiten reducir considerablemente las tareas de programación,
las directivas bajo las que se trabaja no permiten la flexibilidad o la
eficiencia que ofrecen los lenguajes de propósito general o incluso
determinados lenguajes específicos de simulación del pasado. No
obstante, muchos de los entornos de simulación actuales incorporan
bloques que pueden ser programados desde lenguajes de alto nivel
como C++ y Visual Basic, de modo que la diferencia en cuanto a
prestaciones entre simuladores y lenguajes de simulación está de-
sapareciendo en la práctica. También debemos comentar varios ám-
bitos en los que en la actualidad se está trabajando y articulando so-
luciones en el mercado del software de simulación: las arquitecturas
distribuidas de simulación, la simulación en la red, la simulación pa-
ralela y el desarrollo de componentes fiables y reutilizables. Algu-
nas de ellas pretenden aprovechar el enorme potencial de cálculo
disponible hoy en las redes a fin de desarrollar modelos más sofis-

ticados e intensivos en cálculo a costes razonables.
Criterios para la evaluación de las herramientas

informáticas
Para seleccionar los criterios de evaluación se toma como re-
ferencia la Norma ISO 9126. Los criterios que propone son (Figu-
ra 6.1), funcionalidad, fiabilidad, facilidad, eficiencia, mantenibi-
lidad y portabilidad.
¿Tiene la herramienta las

funciones requeridas o
necesarias?
Funcionalidad
¿Es fácil trasladar ¿Es la herramienta
el programa robusta?
desarrollado? Fiabilidad
Portabilidad
ISO
9126
Mantenibilidad Facilidad
¿Es fácil modificar, ¿Cuál es el esfuerzo

Eficiencia
o mejorar el programa necesario para empezar
desarrollado? la herramienta?
¿Es la herramienta
eficiente?
Figura 6.1. Criterios de evaluación de las herramientas informáticas.
En este capítulo se analizan todos los criterios de la Norma

ISO 9126, exceptuando la mantenibilidad. No obstante, otros dos
criterios adicionales de interés son la calidad y solvencia de la
empresa que desarrolla y vende la herramienta de simulación y los
costes de la misma.
Hay que recordar, sin embargo, que aunque la correcta selec-
ción de la herramienta de simulación es importante, no garantiza el
éxito del proyecto de simulación. La mejor garantía para el éxito

reside en la experiencia, calidad y formación del personal que
trabaja en el proyecto.
Funcionalidad
La funcionalidad de una herramienta de simulación puede ser
evaluada atendiendo a los siguientes aspectos:
• Construcción del modelo.
• Simulación y animación.
• Entradas y salidas.
Aunque los simuladores actuales suelen ofrecer las herramien-
tas necesarias para la formalización de cualquier sistema orientado
a eventos discretos, el tiempo invertido en el desarrollo del mode-
lo, así como en su mantenimiento depende considerablemente de
las funciones predefinidas en el entorno, las cuales, en muchos
casos, han sido desarrolladas para campos de aplicación particula-
res. Es fácil darse cuenta que las funciones disponibles en un si-
mulador de sistemas financieros serán radicalmente diferentes a las
ofrecidas en un simulador de sistemas de tráfico. Se recomienda la
evaluación de simuladores orientados a problemas del campo de
aplicación al que pertenece el sistema que se desea estudiar, eva-
luando el nivel de detalle que se desea alcanzar.
Construcción del modelo
Los aspectos a considerar son:

• Descomposición jerárquica:
La agrupación de funciones en módulos o submodelos per-
mite estructurar mejor el modelo de simulación y adoptar
una metodología de modelado bottom-up o top-down.
• Interfaces con programas o módulos fuera del modelo de

simulación escritos en Visual Basic, C++ u otros lenguajes:
El modelo de simulación debe ser formalizado del modo
más simplificado posible pero garantizando que recoja todas
las dinámicas de interés que rigen el comportamiento del
sistema y afectan de algún modo a los objetivos de los expe-
rimentos. Como ya se ha mencionado, debe valorarse la ca-
pacidad de aceptar código en un lenguaje de alto nivel a fin
de poder modelar objetos o funcionalidades del sistema no
previstos en el entorno de desarrollo estándar.
• Basados o no en una metodología de modelado:
En la literatura se pueden encontrar diversas metodologías de
modelado de modelos de eventos-discretos, IDEF, Redes
de Petri, Activity Scanning, etc. El empleo de una metodología
de modelado facilita la documentación, revisión y mejora de los
modelos. El inconveniente principal es que imponen un con-
junto de restricciones que en algunos casos pueden limitar la
flexibilidad. La mayoría de herramientas comerciales no adop-
tan per se una metodología estándar de modelado, no obstante
se recomienda adoptar una de estas en la medida de lo posible.
• Submodelos continuos:
Si el sistema a analizar contiene fenómenos eminentemente
continuos, que precisan de modelos en ecuaciones diferen-
ciales ordinarias, es necesario que el entorno de simulación so-
porte el desarrollo de modelos combinados, modelos con sub-
sistemas continuos y subsistemas basados en eventos-discretos.
• Librería de funciones:
Un entorno de simulación tiene que disponer de funciones
potentes y flexibles para representar de forma elegante la
complejidad inherente a los sistemas reales. Estas funcio-
nes tienen que permitir modelar los elementos físicos de in-
terés (por ejemplo, servidores, cintas y transportadores), sus

restricciones, y las reglas de gestión y planificación. El dis-
poner de un conjunto rico de funciones contribuye en gran
medida a reducir el tiempo y el esfuerzo necesario para cons-
truir el modelo de simulación.
• Mecanismos de programación equivalentes a los de los len-
guajes de programación de alto nivel: if-then-else, while, etc.
Es generalmente necesario que el entorno de simulación
aporte un conjunto de funciones que permita el control del
flujo de la simulación de una manera parecida a la de los len-
guajes de programación convencionales.
• Definición de atributos y de variables globales:
Los atributos son necesarios para caracterizar las entidades
del modelo de simulación. El modelo de simulación no tiene
que limitar el número de atributos que se puede asignar a cada
tipo de entidad, dado que en general es necesario un número
elevado de atributos. Por ejemplo, en un proceso de fabricación
las entidades del modelo pueden ser las piezas en proceso de
fabricación. Estas piezas pueden estar caracterizadas por (atri-
butos) cliente, plazo de entrega mínimo y máximo, tipo de
pieza, coste, color, etc. Las variables globales almacenan va-
lores que son accesibles por todos los elementos del modelo.
• Distribuciones de probabilidad:
La mayoría de los entornos de simulación permiten generar
números aleatorios y variables aleatorias a partir de un con-
junto significativo de funciones de distribución teóricas o
experimentales predefinidas.
• Acceso a las variables de estado:
Es deseable el acceso o modificación de las variables de es-
tado del modelo. Por ejemplo, es a menudo necesario tomar
decisiones en función del estado, ocupación, de una cola.
• Tamaño del modelo:

El entorno de simulación tiene que tener la capacidad sufi-
ciente para modelar y simular el problema de interés.
• Conexión con determinados estándares de facto:

Es deseable que el modelo pueda conectarse de forma fácil
con programas de amplio y fácil uso como hojas de cálculo y
gestores de bases de datos, con lo que se pueden aprove-
char las enormes potencialidades de software permanente-
mente actualizado y que incorpora funcionalidades que no
tendría sentido desarrollar específicamente en el contexto
del entorno de simulación. Un ejemplo de estas ventajas sería
la capacidad de visualización dinámica de gráficos que pro-
porciona Excel© o la conexión del simulador con una base
de datos que soporte el protocolo SQL.
Simulación y animación
• Componentes gráficos:
La animación de un modelo puede en general ser definida en
base a los tres componentes gráficos siguientes (Figura 6.2):
1. Objetos estáticos: son aquellos elementos gráficos,
por ejemplo, el dibujo de fondo, que se mantienen
inalterables a lo largo de la simulación.
2. Objetos dinámicos: son aquellos elementos que modi-
fican sus características gráficas y/o su posición a lo
largo de la simulación.
3. Información y estadísticas dinámicas: información
textual, numérica o gráfica: las informaciones gráficas
pueden ser diagramas temporales, histogramas, nive-
les, …
Figura 6.2. Componentes de una animación.
• Importación de gráficos CAD:

Si existe un dibujo CAD del entorno (fondo) a simular, es
conveniente la conversión e importación automática al en-
torno de simulación. Esta función permite un ahorro notable
de tiempo si la animación es compleja.
• Debugger interactivo (DI):

Es normal cometer errores cuando se construye el modelo. El
DI facilita la búsqueda y corrección de errores dado que:
1. La simulación puede ser monitorizada a medida que
progresa. Este seguimiento puede ser efectuado de
forma continua a medida que avanza la simulación o
bien se puede simular el modelo hasta un instante de
tiempo determinado o hasta que se cumple una deter-
minada condición. En este instante o a partir de este
instante se puede mostrar la información deseada.
2. La simulación puede ser ejecutada paso a paso para
seguir los eventos activados o las variables de interés.
3. La simulación se puede parar temporalmente para ob-

servar el estado de las variables, colas, recursos y con-
tadores o para modificar el estado de variables de in-
terés.
4. Se pueden detectar fenómenos o eventos poco fre-
cuentes.
• Modelo ejecutable:
Es muy interesante la capacidad de ejecutar el modelo (no
modificar) el modelo sin necesidad de una licencia de desa-
rrollo. Esta característica del entorno permitirá distribuir el
modelo sin necesidad de que el receptor adquiera la licencia
de desarrollo. Para algunos entornos es necesario que el re-
ceptor adquiera una licencia para la ejecución.
Entradas y salidas
• Análisis de los datos de entrada:

Para parametrizar el modelo de simulación es en general
necesario obtener, a partir de los datos disponibles, las dis-
tribuciones de probabilidad que modelan el comportamien-
to de los diferentes elementos. Por ejemplo, frecuencia de
llegadas, tiempos de proceso o averías. Esta tarea requiere
un módulo o función que permita obtener la mejor distri-
bución a partir de los datos conocidos. Si el entorno de si-
mulación no dispone de esta funcionalidad se pueden ad-
quirir herramientas informáticas estadísticas que realizan
este ajuste.
• Estadísticas:
Un buen entorno de simulación tiene que permitir definir
estadísticas tanto continuas como discretas.
• Análisis de los datos de salida:

En general, los entornos de simulación permiten almacenar
los resultados de la simulación en una base de datos o en ar-
chivos de trabajo. Posteriormente se emplea un analizador de
datos de salida para analizar estos valores. Estos analizadores
permiten obtener gráficas del comportamiento dinámico, his-
togramas e intervalos de confianza.
• Análisis del régimen permanente:
Es conveniente que el entorno permita analizar el comporta-
miento del modelo en régimen permanente. En consecuencia,
tiene que ser posible definir un tiempo de calentamiento para
eliminar las estadísticas recogidas en el transitorio.
• Simulaciones independientes:
Debe ser posible efectuar múltiples simulaciones empleando
diferentes secuencias de números aleatorios.
• Escritura o lectura directa a/o desde archivos:
Las funciones de lectura o escritura de datos a/o desde ar-
chivos son muy útiles para leer o almacenar grandes canti-
dades de información.
• Escritura o lectura a (o desde) bases de datos u hojas de cálculo:
Dado que la mayoría de los posibles usuarios de los modelos
de simulación están familiarizados con el uso de hojas de cál-
culo, es muy útil que la entrada de parámetros o la salida de
resultados se efectúe a través de una hoja de cálculo. De
esta forma el usuario final no tiene que estar familiarizado
con los detalles del entorno de simulación. Cuando una par-
te significativa de la información del modelo tiene que ser
empleada o compartida con otras aplicaciones (por ejemplo,
un planificador), puede ser conveniente almacenar la infor-
mación compartida en una base de datos.
• Conexión con aplicaciones externas:

La conexión con otras aplicaciones es necesaria si el modelo
tiene que trabajar en colaboración con otras aplicaciones.
Por ejemplo, planificadores u optimizadores.
Facilidad
La mayoría de vendedores de entornos de simulación hacen én-
fasis en la potencia, pero, en algunos casos, su elevada complejidad
dificulta notablemente el obtener resultados positivos en un tiempo
razonable. Los aspectos que facilitan que el entorno de simulación
sea fácil de emplear son:
• Capacidad de interacción del ratón con el entorno.

• Calidad de la documentación, manual interactivo.
• Animación.
• Menús y opciones simples.
• Entradas gráficas siempre que sea posible.
• Generación automática de estadísticas.
• Ayuda sensitiva al contexto.
• Opciones de depuración y seguimiento.
• Mecanismos de detección de errores.
La tendencia actual es hacia los entornos gráficos tipo Win-

dows, que reducen la cantidad de información que hay que intro-
ducir en el teclado. La capacidad de definir gráficamente los ele-
mentos del modelo y sus relaciones también contribuye a que los
entornos sean más fáciles de usar.
Eficiencia
La velocidad de ejecución es un factor importante en la medida
en que uno de los costes más importantes de un proyecto de simu-
lación es el tiempo del analista. La velocidad de simulación está
penalizada muchas veces por el número de entidades y elementos
del modelo.
Muchos paquetes tienen varias formas de ejecutar un modelo.
1. Con animación: permite visualizar el comportamiento di-
námico del modelo.
2. A marcha rápida: permite avanzar más deprisa hasta el ins-
tante de interés dado que no actualiza la información gráfi-
ca (sin animación). A partir del momento elegido se puede
ejecutar el modelo con animación.
3. Proceso en lotes: ejecuta todo el modelo sin animación. Es
el modo que permite la ejecución más veloz, en general, una
vez se ha depurado y validado el modelo y se realizan las
ejecuciones de explotación.
Fiabilidad
La fiabilidad del entorno de simulación es uno de los aspectos
más complicados de evaluar debido que las limitaciones o errores
generalmente no aparecen con los primeros ejemplos de evalua-
ción. En consecuencia, en lugar de evaluar la viabilidad del en-
torno se cree más idóneo evaluar la capacidad de respuesta de la
empresa que desarrolla entornos de simulación ante posibles
errores:
• ¿Tiene el vendedor una certificación de calidad del software?
• ¿Cuán robusta es la tecnología empleada en desarrollar el
entorno de simulación?
• ¿Cuál es el mecanismo de corrección de errores y cómo son

las mejoras proporcionadas al usuario final?
Portabilidad
La portabilidad evalúa si el entorno de simulación puede eje-
cutarse en diferentes sistemas operativos. Algunos aspectos que
afectan o están ligados a la portabilidad son:
• Si precisa de placas gráficas o «drivers» especiales.
• La capacidad o no de trabajar en red.
• Si requiere de compiladores o entornos adicionales. Por
ejemplo Excel, Access, Visual Basic, C++, etc.
Empresa
La inversión en simulación generalmente va más allá del precio
de compra del entorno de simulación. Para proteger la inversión y
asegurar que el entorno será soportado durante el periodo de inte-
rés, hay un conjunto de aspectos ligados a la empresa que desarro-
lla y vende los programas.
• Estabilidad de la empresa:
Un aspecto a tener en cuenta es el tiempo que lleva la em-
presa en temas de simulación y si esta temática es su negocio
principal, o solo colateral.
• Historia de la empresa:
Se debe tener en cuenta si la empresa está involucrada en un
proceso de mejora continua de sus productos y si saca regu-
larmente al mercado actualizaciones del entorno de simula-
ción.
• Aceptación:
¿Cuántos clientes tiene?, ¿en qué sectores?
• Apoyo técnico:
¿Dónde esta el distribuidor más cercano? ¿Qué medios emplea
la empresa o distribuidor para proporcionar apoyo técnico?
• Formación:
Una formación efectiva puede ayudar a los nuevos usuarios a
arrancar desde una mejor posición. En consecuencia, es im-
portante analizar si se ofrecen cursos generalistas o a medida
de las necesidades particulares.
• Consultoría:
Si el usuario no tiene la capacidad científica y técnica para
abordar un proyecto puede ser de interés subcontratar parte o
la totalidad del proyecto a una consultora externa. En conse-
cuencia, puede ser de interés evaluar si el propio distribuidor
u otras consultoras tienen la capacidad para apoyar el pro-
yecto con el entorno seleccionado. Otro aspecto a considerar
es la experiencia de la persona o personas que liderarán el
proyecto subcontratado.
• Otros servicios:
Muchas de las empresas de simulación ofrecen otros servi-
cios de interés para los usuarios. Como por ejemplo: grupo
de usuarios en Internet, revista interna, casos de estudio y
reuniones de usuarios.
Coste
El coste de un proyecto de simulación no incluye solamente la
compra del entorno, dado que los gastos de personal pueden ser
muy superiores al del entorno de simulación. En consecuencia, es

conveniente tener en cuenta el coste total a la hora de decidir la
compra. No tiene sentido adquirir un entorno con menos presta-
ciones si esto repercute en un incremento del esfuerzo del personal.
Otro aspecto que hay que tener en cuenta es qué se está com-
prando con la oferta efectuada por el vendedor. Algunos aspectos
son:
• ¿Qué funciones o elementos incluye el precio de referen-
cia?
• ¿Qué funciones o elementos no incluye y cuál es su precio?
• ¿Cuál es el coste del mantenimiento anual para el primer
año y la previsión para los años siguientes? ¿Cuál es el coste
de las nuevas versiones?
• ¿Cuál es el coste de un curso de formación estándar? ¿Cuál
es el coste de un curso de formación a medida en casa del
cliente?
• ¿Qué descuentos se ofrecen por la compra de más de una li-
cencia?
• ¿Cuál es el coste de distribución de un modelo ejecutable
run-time?
Capítulo
7
Aplicaciones y ejemplos
El campo de aplicación de las técnicas de simulación basadas

en eventos discretos ha crecido notablemente en los últimos años.
Las mejoras en las interfaces y el desarrollo de simuladores o mó-
dulos orientados a aplicaciones específicas ha facilitado el acceso a
estas herramientas. La visualización, mediante la animación por
ordenador, de los resultados de la simulación proporciona credibi-
lidad y acceso inmediato a los resultados, de forma más clara y
amable que la proporcionada por el análisis de tediosos listados o
visiones estáticas de la evolución de los sistemas.
Campos de aplicación
A continuación se describen algunas de las áreas en las que se
ha aplicado o aplica la simulación como herramienta de ayuda a la
toma de decisiones estratégicas u operativas.
73
Fabricación
Una de las áreas en donde tradicionalmente se ha aplicado in-

tensivamente la simulación es en el campo de los procesos de fa-
bricación y los sistemas de manipulación de materiales. Las moti-
vaciones que han impulsado el empleo de la simulación son:
• Las empresas están forzadas a ser competitivas.
• El nivel de automatización es muy elevado.
• Las nuevas formas de trabajo, como por ejemplo just in time
tienen que ser evaluadas.
• Los procesos de fabricación están generalmente bien definidos.
• Estos procesos son generalmente demasiado complejos para
ser analizados con técnicas analíticas.
Los aspectos específicos que se pueden estudiar son:
• Las necesidades de equipo y/o personal: número y tipo de
máquinas para alcanzar un determinado objetivo; número,
tipo y distribución física de los elementos internos de trans-
porte; distribución y espacio para los stocks; evaluación del
impacto del cambio del product mix sobre el ritmo producti-
vo; evaluación del efecto de un nuevo equipo en una instala-
ción existente; planificación de las tareas del personal.
• Análisis de rendimientos: análisis de producción; análisis
del tiempo en el sistema; análisis de los cuellos de botella.
• Evaluación de estrategias operacionales: planificación de
la producción; políticas de gestión de inventarios; estrate-
gias de control; políticas de control de calidad.
Redes de distribución (supply chain)
En el mundo de las corporaciones virtuales, ya no son las em-

presas productoras las que compiten entre sí, sino las redes de dis-
APLICACIONES Y EJEMPLOS 75
tribución. Un ejemplo de corporación virtual es Nike. Esta corpo-

ración no tiene fábricas, camiones o tiendas. Se caracteriza, sin em-
bargo, por ser una de las corporaciones con más éxito en el área de
las prendas deportivas.
La mayoría de estas corporaciones dependen de un conjunto de
suministradores, recursos de transporte, fábricas y almacenes para
el correcto funcionamiento de sus redes. Como consecuencia del
uso combinado de empresas propias y empresas externas es a me-
nudo difícil conocer el impacto de los cambios o las vías de actua-
ción para mejorar el comportamiento de las redes.
Las técnicas de simulación proporcionan mecanismos para
examinar y mejorar las redes de distribución de una forma que no
podría ser alcanzada con otras técnicas. La complejidad y variabi-
lidad asociada con estos sistemas hace prácticamente imposible su
análisis de forma precisa con métodos analíticos convencionales. El
interés de la simulación para el análisis de procesos de distribución
queda avalado con la siguiente frase :
«IBM dispone de una cadena de suministro increiblemente com-
pleja. Se desarrolló un sistema de simulación que se utilizó para la ca-
dena de suministro de juegos de guerra, evaluando diferentes escena-
rios para ver los efectos del los cambios a contemplar. La simulación
ha cambiado fundamentalmente el modo en el que estamos realizando
los negocios».
«A different shade of blue: how IBM transformed itself using the
power of networked information». Industry Week, B. Doug, 7/7/97.
Transporte
El sector del transporte es un área con un interés creciente en

las técnicas de simulación. En ausencia de las herramientas de si-
mulación, se podría emplear una hoja de cálculo o una herramien-
ta de optimización (por ejemplo, Programación Lineal). No obs-
tante, a pesar de que estas herramientas son extremadamente útiles
para resolver muchos problemas, no son en general adecuadas,

dado que no pueden manejar de forma conveniente las siguientes
características de este tipo de sistemas:
1. Complejidad: en los sistemas reales encontramos reglas que
no pueden ser incluidas fácilmente en una hoja de cálculo o
un optimizador.
2. Dinámica: los modelos de simulación, por su propia natu-
raleza, contemplan las características dinámicas de los sis-
temas. Es muy difícil incluir los aspectos dinámicos en una
hoja de cálculo o un optimizador.
3. Azar: los sistemas reales de transporte están sujetos al azar.
Algunos ejemplos son: tiempos de tránsito, tiempos de car-
ga/descarga, tiempos entre averías, tiempos de mantenimiento.
4. Presión en la toma de decisiones: en ausencia de modelos
detallados de simulación, se tiende a tomar decisiones muy
conservadoras para evitar problemas por falta de medios
logísticos de transporte.
Ejemplos de simulación se pueden encontrar en todos los mo-
dos de transporte. Muchas grandes empresas del sector del trans-
porte, ya sean aéreas, por ferrocarril, barco o camión, emplean en la
actualidad la simulación para estudiar sus operaciones. Las empre-
sas transportadoras emplean la simulación para racionalizar sus
circuitos de transporte y planificar mejor sus operaciones. Los puer-
tos, compañías de ferrocarril y las terminales aéreas emplean la si-
mulación para determinar su capacidad y mejorar sus operaciones:
• Puertos: los puertos y las terminales portuarias son procesos
que precisan evolucionar muy rápidamente para adaptarse a
los continuos cambios del mercado. Este proceso de adapta-
ción precisa a menudo de fuertes inversiones y/o de cambios
en su logística operativa. Estos sistemas son intensivos en el
ritmo de trabajo, 24 horas al día, 365 días al año. Desde un
punto de vista organizacional, la coordinación de todas las
actividades que se llevan a cabo es una tarea difícil debido

al elevado número de grupos o empresas que intervienen:
autoridad portuaria, autoridades marítimas, operadores de
terminales, empresas estibadoras, empresas de transporte,
compañías de ferrocarriles, sindicatos, etc. La simulación, en
la medida en que permite contemplar los aspectos más sig-
nificativos y sus interrelaciones, es una herramienta muy útil
para la ayuda en la toma de decisiones, tanto estratégicas
como operacionales.
• Ferrocarriles: dentro del ámbito del transporte por ferroca-
rril, la simulación es una herramienta de gran utilidad para la
ayuda en la toma de decisiones estratégicas, por ejemplo, el
problema del dimensionamiento –optimizar– una flota de
vagones teniendo en cuenta la producción de las diferentes
factorías, el cliente final y tipo del material, los tiempos de
carga/descarga y los tiempos de tránsito. A parte de optimizar
la flota de vagones, la simulación también permite definir la
mejor estrategia para su gestión. Otro ámbito de aplicación
de la simulación es, por ejemplo, evaluar la sensibilidad de
un sistema ferroviario a perturbaciones en la red.
• Terminales aéreas: en este campo, muchos son los aspectos
susceptibles de ser analizados mediante simulación. Algunas
aplicaciones son: análisis y diseño del sistema de cintas de
transporte de maletas, análisis de flujos de pasajeros y de las
necesidades de espacio, y análisis del movimiento de los
aviones en tierra y asignación de las puertas de atraque.
La capacidad de mejora en los procesos logísticos y de trans-
porte mediante el uso de modelos de simulación puede ser consi-
derable debido al potencial de:
• Reducción en los costes de infraestructura móvil.
• Reducción de los costes operativos.
• Mejora del nivel de servicio.
Sanidad
Es cada vez más fuerte la presión sobre el entorno sanitario

para controlar sus costes manteniendo o mejorando sus niveles de
servicio. En consecuencia, uno de los retos principales a los que se
enfrenta en la actualidad el sistema sanitario es cómo incrementar
la eficiencia de las operaciones. Es decir, determinar la mejor for-
ma de organizar los múltiples recursos necesarios para proporcio-
nar un servicio de calidad manteniendo o reduciendo los costes. La
distribución o planificación de estos recursos no puede ser efec-
tuada con la ayuda de fórmulas simples dado que las interrelacio-
nes entre ellos son, generalmente, complejas. La simulación es
una herramienta adecuada para el análisis y la ayuda a la toma de
decisiones por su capacidad para modelar estas relaciones y los fac-
tores aleatorios inherentes a estos sistemas. La simulación permite
explorar múltiples opciones de forma económica y sin riesgos y, de
modo especial, sin degradar el nivel de servicio actual.
Una de las aplicaciones clásicas de la simulación en el entorno
sanitario es la determinación de los recursos necesarios (camas,
quirófanos, de Rayos-X, «boxes», médicos, enfermeras, etc.) para
un centro determinado dado un conjuntos de restricciones y de pa-
rámetros (tipología y flujos de pacientes, horarios, tiempos de ser-
vicio, etc.). Casos de particular interés pueden ser la simulación de
servicios de urgencias o el estudio de la evolución de los costes aso-
ciados a determinados tipos de enfermedades graves o frecuentes.
Negocios (Bussines Process Reengineering –BPR–)
La simulación se aplica con éxito a otros muchos campos que

aquí se han agrupado bajo el nombre genérico de BPR:
• Procesos administrativos propios de empresas de servicios:
bancos, empresas de seguros, administración, como pueden
ser la circulación de documentos, estimación de riesgos, etc.
• Actividades logísticas diversas: desde las operaciones para la

perforación de pozos petrolíferos hasta las actividades ex-
tractivas de una mina.
• Actividades de atención al cliente: call-centers, restaurantes,
taquillas en bancos, estaciones o aeropuertos.
Ejemplos
En este apartado se ilustra a través de aplicaciones reales dife-
rentes aspectos relacionados con el desarrollo y experimentación de
modelos de simulación que han sido desarrollados por Logisim
(http://www-iri.upc.es/logisim) en colaboración con otras ingenie-
rías.
Automatización de la gestión logística de un almacén

de DAMM en el Prat de Llobregat
Las técnicas de simulación anteriormente descritas se han em-

pleado tradicionalmente en modo off-line para la ayuda a la toma
de decisiones estratégicas y para la evaluación de estratégicas
operacionales. Otra área de aplicación en el que la simulación
tiene un potencial elevado para contribuir a la mejora de estos pro-
cesos es en desarrollo de modelos de simulación en tiempo real
para la evaluación, detección de fallos o mejoras de sistemas de
control reales.
La implantación o mejora de sistemas de control automático de
procesos logísticos puede ser muy complicada si se trabaja direc-
tamente en el escenario real. Adicionalmente, todas las posibles
configuraciones de trabajo no pueden ser evaluadas dado que esta-
mos restringidos por el estado del proceso logístico real. Por últi-
mo, algunos problemas pueden ser muy difíciles de resolver debi-
do a la dificultad en «tracear» todas sus posibles causas y la
imposibilidad de repetir exactamente la misma secuencia de even-
tos que han provocado el fallo. La simulación en tiempo real es una

opción atractiva que puede ser empleada para superar las dificul-
tades anteriores:
• Las pruebas y diagnósticos se pueden efectuar sin perturbar
las operaciones logísticas reales.
• Se pueden evaluar todos los escenarios deseados dado que no
estamos condicionados por el funcionamiento real actual del
proceso. Adicionalmente, la posibilidad de escalar el tiempo
permite reducir el tiempo total necesario para realizar los
experimentos sobre los escenarios contemplados.
• Encontrar el origen de los errores y corregirlos es mucho
más fácil en un entorno de laboratorio en el que los experi-
mentos pueden ser repetidos tantas veces como se desea.
Con lo que los resultados finales palpables son:
• Reducción de los plazos de entrega.
• Reducción de costes.
• Sistemas de control más fiables.
• Gestión más óptima de los procesos.
Ejemplos en los que estas técnicas tienen un interés real son,
entre otros:
• Optimización de los sistemas de gestión de almacenes inte-
ligentes: muchos almacenes son diseñados para tener una
cierta capacidad de entrada/salida que muchas veces no se
cumple en la realidad. El empleo del simulador permite el di-
seño o ajuste de las políticas de gestión real sin las dificulta-
des de trabajar contra la realidad.
• Diseño e implantación de sistemas de control de procesos lo-
gísticos: antes de implantar el sistema de control en la reali-
dad, se prueba y mejora contra el simulador.
DAMM es una empresa que se caracteriza por apostar fuerte-

mente por la mejora tecnológica de sus procesos. La instalación
que se presenta ha sido pionera en España. La Figura 7.1 muestra
un esquema del almacén anexo a la planta de producción. Está
compuesto por los siguientes elementos:
• Línea 1 y Línea 2 de envasado de cerveza: los palets de bote-
lla reciclable entran en la línea y los palets de botella llena sa-
len de la línea. La productividad de la línea depende del tipo
de producto que se produce y de las incidencias de la línea.
• Sistemas de carga automática (SCA1 y SCA2) que reciben
de los camiones palets de botella reciclable. Estos palets son
trasladados a las líneas o a las estibas por la flota de los
AGV. Los sistemas de carga automática también reciben
palets de botella llena de los AGV que posteriormente son
cargados en los camiones.
• Áreas de estiba (AE) que almacena transitoriamente los pa-
lets de botella reciclable que entrarán posteriormente en la lí-
nea y los palets de botella llena que se trasladarán poste-
riormente a los SCA.
Figura 7.1. Esquema del almacén.

• Una flota de 10 AGV que trasladan los palets de los SCA a

las estibas o líneas; de las estibas a las líneas; de las líneas
a los SCA y de las estibas a los SCA.
Para el guiado de los AGV se emplean caminos señalados me-
diante un conjunto de aproximadamente 950 imanes. Cada AGV es
capaz de conocer y ajustar su posición dentro del almacén a partir
de la información proporcionada por los imanes.
Al ser una instalación pionera, se creyó oportuno desarrollar un
modelo de simulación en tiempo real del almacén y del movimien-
to de los AGV de forma que el sistema de control real se pudiera
probar y mejorar en un entorno de laboratorio y sin perturbar la
realidad. La Figura 7.2 muestra la arquitectura del entorno de labo-
ratorio empleado. Está compuesto por los siguiente módulos: Ge-
nerador de misiones para los AGV (subsistema real); Control de
tráfico de los AGV (subsistema real); Simulador en tiempo real; y
Comunicador (ECI). Cada uno de estos módulos puede trabajar en
un PC diferente. Se emplean los protocolos TCP/IP y RPC (Remo-
te Procedure Call) para los intercambios de información.
Los subsistemas reales de planificación de misiones y de con-
trol de tráfico, en lugar de enviar y recibir información del proceso
Figura 7.2. Arquitectura del entorno de trabajo.

real, la reciben del simulador a través del comunicador. El modelo

de simulación tiene que generar y transmitir a los subsistemas rea-
les la misma información que recibirán de la realidad: estado de los
diversos sensores de planta, llegadas de camiones y cargas, posi-
ción y estado de los AGV. Así mismo, el simulador tiene que mo-
ver los AGV siguiendo las órdenes reales recibidas del sistema de
control de tráfico.
Este trabajo de simulación ha tenido una duración total de cin-
co meses y se ha desarrollado en paralelo con el resto de trabajos
de ingeniería necesarios para la implantación del sistema. Los re-
sultados obtenidos en el trabajo relacionado con el simulador han
sido muy satisfactorios, dado que han permitido mejorar el sistema
de control y garantizar su calidad.
Sistema de clasificación, inspección y encajado

de bobinas de hilo
El objetivo del estudio de simulación ha sido analizar el diseño,

previo a la construcción, de un proceso de transporte, inspección,
etiquetado, embolsado y encajado de bobinas de hilo de un proce-
so textil. El estudio ha sido realizado en colaboración con Cogni-
vision Research S.L., empresa de ingeniería experta en la automa-
tización de procesos textiles.
El proyecto tiene como objetivo fundamental automatizar el
proceso para reducir costes operativos y mejorar el proceso de
inspección de calidad. Los elementos principales del mismo son:
• Cuatro nuevas máquinas de hilatura con una capacidad de fa-
bricación de 250 bobinas por máquina de forma simultánea.
El flujo de bobinas proviene de las cuatro máquinas automá-
ticas pero también de otro sector de la factoría. Las bobinas
que provienen de otro sector son transportadas a esta insta-
lación mediante carros y cargadas manualmente a la cinta de
inspección.
• Dos vehículos autoguiados (AGV) para la descarga automá-

tica de las bobinas fabricadas y su transporte posterior a los
robots de descarga.
• Dos robots de descarga que trasladan las bobinas de los ve-
hículos a los palets de transporte de bobinas.
• Sistema de cintas asíncronas para el transporte y clasificación
de las bobinas. Dado que cada máquina es capaz de fabricar
un tipo de hilo diferente. Es necesario la agrupación de las
bobinas de un mismo tipo antes de su envío posterior al en-
cajado dado que, en caso contrario, el trabajador de encajado
se encontraría con bobinas de diferentes tipos mezcladas.
• Pesadora automática para el control de peso.
• Sistema inteligente para la inspección mediante técnicas de
visión artificial.
• Máquina de plastificado y etiquetado de bobinas.
Figura 7.3. Animación del sistema de clasificación, inspección

y encajado de bobinas de hilo.
Los objetivos principales de los estudios de simulación han sido:

• Determinación de puntos conflictivos.
• Evaluación de las necesidades de personal.
• Determinación de la capacidad del proceso.
• Diseño de la política de control de las cintas
Los datos necesarios para parametrizar el modelo de simula-
ción han sido:
• Tiempos de proceso de cada una de las máquinas, velocidad
de las cintas, velocidad de los vehículos autoguiados. Estos
datos han sido suministrados por los fabricantes de cada uno
de los elementos.
• Diseño de la cinta y política de gestión prevista.
• Bases de datos de producción: uno de los aspectos más im-
portantes para modelar y simular correctamente este y otros
sistemas de fabricación y manipulación de materiales, es ali-
mentar el modelo de simulación con un flujo productivo pa-
recido al real. Para este ejemplo particular, y dado que ya se
disponía de máquinas de hilatura parecidas, se ha modelado
la producción de las cuatro máquinas de hilatura a partir de la
información disponible en una base de datos sobre la pro-
ducción en otras máquinas ya instaladas.
Los resultados obtenidos han sido:
• Diseño del sistema de control: la contribución más impor-
tante del estudio de simulación ha sido el diseño de la políti-
ca de control de todo el proceso. Un aspecto de interés ha
sido, por ejemplo, la gestión de los pulmones de clasifica-
ción. En el modelo se han reservado los cuatro pulmones
marcados desde el uno hasta el cuatro para el almacena-
miento de las bobinas descargadas automáticamente. El quin-
to pulmón (el más interior) se reserva para los palets carga-
dos manualmente o para la recirculación de palets vacíos.
• Garantizar que el sistema funcionará correctamente y mostrar

como funcionará. Este aspecto no es solo de interés para el
cliente final y para los directivos de la ingeniería responsable
del diseño y de la instalación, sino también para los técnicos
encargados del montaje y la programación, dado que el co-
nocimiento adquirido mediante el modelo de simulación fa-
cilita la toma de decisiones correctas si deben efectuarse
cambios menores en el diseño.
• Evaluar las necesidades de personal: el modelo ha permitido
evaluar las necesidades de personal en función de la política
de producción adoptada.
Análisis de un departamento de urgencias pediátricas

de un hospital
Los objetivos detallados del estudio son:

• Objetivo estructural: evaluar las necesidades de espacio te-
niendo en cuenta los flujos actuales y los flujos futuros pre-
vistos.
• Objetivo asistencial: evaluar el impacto del perfil compe-
tencial de los profesionales.
• Objetivo organizacional: analizar los circuitos de visitas, de
pacientes, de analítica y en especial de radiología.
Para abordar el estudio se ha desarrollado un modelo de simu-
lación que mimetiza el comportamiento dinámico real del servicio
de pediatría. En una primera fase se ha obtenido un modelo diná-
mico del proceso actual y a continuación se ha estudiado el com-
portamiento futuro previsto.
Para la realización del estudio se parte de los flujos históricos
disponibles y de los datos asistenciales disponibles hasta la fecha.
Por ejemplo, en la Figura 7.4 se muestra el número total de pa-
800
700
600
500 Oa 2
400 >2
Todos
300
200
100
0
8 10 12 14 16 18 20 22
Figura 7.4. Urgencias pediátricas por hora del día (semanas tipo,
entre las 8 y 24 horas).
cientes que llegan en cada franja horaria en función de la hora del

día para una semana tipo (lactantes son los pacientes de 0 a 2
años). Se han estimado los parámetros asistenciales de los cuales
no se tiene información registrada. Los parámetros estimados
son, por ejemplo, el tiempo dedicación del médico en el box en
función de la patología del paciente y el tiempo de realización de
placas.
En condición de carga elevada del trabajo, se parte de la hipó-
tesis de que los médicos con experiencia (seniors), son capaces
de reducir sus tiempos de servicio manteniendo el mismo nivel de
calidad. Si la carga es excepcionalmente alta, estas condiciones
pueden aparecer en la semana de la gripe, los médicos aún reducen
más sus tiempos de servicio a pesar de que son conscientes de
que hay una merma de calidad que se traduce en segundas visitas
en días posteriores. Estas últimas condiciones no se contemplan en
el modelo, lo que provoca, para estos casos, tiempos de esperas de
los pacientes alejados de la realidad actual, colas muy elevadas con
la consiguiente saturación de la sala de espera. Para estos últimos
casos, el objetivo del estudio es determinar el número de médicos y
el perfil competencial que tendría que ser necesario para dar un ser-
vicio sin merma de calidad.
La Tabla 7.1 siguiente muestra la carga ponderada de pacientes

llegados cada día en la semana de bronquiolitis.
Tabla 7.1. Carga diaria ponderada para la semana

de bronquiolitis.
Semana Tipo LN MT MX JV VI SA DO Total general
07/02/99 Bronquiolitis 146 137 134 96 116 166 221 1016
Para esta carga de trabajo, y suponiendo que se dispone de cin-

co boxes, tres médicos senior y un médico junior, se obtiene que la
ocupación máxima de la sala de espera general del servicio de ur-
gencias se mantiene por debajo de las 40 personas. En este caso
particular, estos resultados son aceptables, dado que la sala de
espera disponible tenía esta capacidad. Nótese que el número de
pacientes reales es inferior al 50% de las personas de la sala de es-
pera dado que los pacientes pediátricos generalmente van acom-
pañados por uno o dos familiares.
Figura 7.5. Ocupación de la sala de espera general

en la semana de bronquiolitis.
Los aspectos analizados en el estudio han sido:

• Experiencia del personal médico: ha permitido validar que el
perfil competencial tiene un impacto importante en la capa-
cidad resolutiva del ámbito. Así mismo, el tener en cuenta en
el modelo el perfil competencial permite explorar diferentes
estrategias organizativas.
• Necesidades de espacio: se ha constatado que el dimensio-

nado de las salas de espera es correcto si se dispone de boxes
adicionales y de los recursos humanos necesarios.
• Rayos-X: se han estudiado las propuestas contempladas con
el objetivo de ver el impacto de cada propuesta en las nece-
sidades de espacio en la sala de espera interna, tiempo de es-
pera y su repercusión en otros ámbitos de trabajo (RX y
emergencias).
• Evolución en el modelo asistencial: el modelo de simulación
permite explorar propuestas de evolución del modelo asis-
tencial de la atención a la demanda no programada en la in-
fancia y en la adolescencia. En esta línea y partiendo de la hi-
pótesis de la disponibilidad de un aparato autónomo para la
RX pediátrica, se ha simulado la atención de todos los pa-
cientes que precisan observación en un único ámbito para la
mejora asistencial y optimizar recursos humanos.
Simulación de una planta de recepción, picking y expedición

de productos farmacéuticos
En este caso, el objetivo del estudio era asesorar en la toma de

decisiones para el diseño y la remodelación de espacios y equipos (la-
yout) de una planta de fabricación de productos farmacéuticos que
debía incorporar algunos procesos que, hasta el momento, se reali-
zaban en dos plantas distintas alejadas algunos kilómetros como re-
sultado de la fusión de dos compañías del sector. Las funciones a mo-
delizar estaban relacionadas, básicamente, con los espacios dedicados
a la recepción de materias primas y productos de empaquetado y em-
balaje, con el transporte interior al/y desde el almacén automatizado
y con el proceso de picking de los distintos productos. Adicional-
mente se modelaban otras áreas o funciones, como la zona destinada
al control de calidad o algunos dispositivos críticos, como podía ser
un repaletizador en la zona de entrada al recinto, elevadores y robots.
Como en todo proceso de este tipo, se dedicó un esfuerzo im-

portante al análisis del nuevo contexto productivo creado a partir de
la implicación de agentes provenientes de distintas culturas desde el
punto de vista técnico y comercial. Se constituyeron grupos de tra-
bajo y pactaron los objetivos del estudio, así como las distintas fases,
los puntos de evaluación y las estrategias de validación, en su caso.
Más específicamente, y con las naturales reservas a las que
obliga la confidencialidad del proyecto, se tuvieron en cuenta:
• Los flujos de entrada de materiales, tipología, destino y dis-
tribución temporal de los distintos subprocesos.
• Las previsiones de producción y sus características: los pro-
ductos farmacéuticos tienen determinados requisitos de cali-
dad, caducidad, conservación y, algunos de ellos, una fuerte
estacionalidad en el consumo. Por lo tanto, debíamos evaluar
un entorno cambiante y flexible, fácilmente adaptable a la
demanda de cada uno de los fármacos.
• Las restricciones espaciales en la planta actual, con las dis-
tintas distribuciones resultantes en cuanto a áreas de recep-
ción, expedición, picking manual y automático, y dispositi-
vos de alimentación del mismo. Se consideró y modeló la
incorporación de un nuevo nivel a construir encima del que
se había estado utilizando.
• El movimiento de un robot para el picking de paquetes y el
dimensionado de las correspondientes bancadas.
• La asignación de los distintos productos, de mayor consumo,
a las bancadas utilizadas por el brazo robotizado.
• El movimiento de cintas transportadoras fijas y de rodillos,
elevadores y otros dispositivos de transporte.
• Diferentes alternativas de suministro en el picking. Grado de
automatización mediante autodispensadores.
• Los controles de calidad en salida.
• Los sistemas de etiquetado y sellado, así como los muelles de

expedición.
• Las distintas alternativas de turnos de trabajo a fin de satis-
facer estrictos criterios en los plazos de entrega.
Los datos necesarios para parametrizar el modelo fueron:
• Datos de requerimientos de expedición de todos los produc-
tos (alrededor de un millar) especificados separada y singu-
larmente por tipo de paquete y embalaje y según su variabi-
lidad estacional y estimación de máximos.
• Diseño de la planta a partir de los planos CAD.
• Características de los distintos dispositivos existentes o en
evaluación de compra: velocidades, tasas de avería, tiempos
de reparación, zonas de stock, etc.
• Los datos referentes a los turnos de trabajo, personal dispo-
nible y turnos de recogida de productos embalados en zona
de expedición.
Figura 7.6. Visualización 3-D de la zona de picking.

Los resultados obtenidos fueron, entre otros:

• Análisis detallado de los datos de producción, al nivel nece-
sario para la simulación. Contraste de valores de diseño de al-
gunos de los dispositivos en la planta que se comportaban por
debajo de sus valores de especificación en el diseño original.
• Modelización global de la zona de interés de la planta, con lo
que se pudieron evaluar flujos globales y específicos.
• Dimensionado de las zonas de picking automatizado y del ro-
bot. Evaluación de alternativas de asignación de productos a
bancadas.
• Visualización dinámica en 3-D del modelo en su conjunto, con
posibilidad de navegación por el mismo a partir de distintos
puntos de vista, lo que ayudaba a la comprensión espacial del
nuevo diseño de planta más allá de la pura animación plana.
El modelo fue desarrollado a medida mediante el entorno de si-
mulación LeanSIM propio del equipo de trabajo de simulación, ba-
sado en herramientas y lenguajes estándar. El proyecto duró, en tér-
minos reales, del orden de ocho meses.
Análisis por simulación de la Operación Paso

del Estrecho del puerto de Almería
Durante la Operación del Paso del Estrecho (en adelante OPE)

del año 2000, en el puerto de Almería se formaron largas colas de
vehículos durante los días de máxima afluencia, coincidiendo con
las oleadas de pasajeros que llegaban al puerto los domingos del
mes de julio.
Desgraciadamente el mercado de la OPE no es flexible. La
mayoría de los usuarios sale de su casa, en el norte de Europa, los
viernes por la tarde para intentar cruzar el estrecho el domingo, dis-
frutando de esta manera el máximo días de vacaciones. Durante los
domingos del mes de julio, se venden billetes para salidas de hasta

el miércoles, después de haber agotado todos los billetes de los lu-
nes y los martes, lo que provoca una ocupación máxima de las ins-
talaciones del puerto de Almería.
A fin de ofrecer un mejor servicio a los pasajeros, la autoridad
portuaria de Almería y Motril contrató la asistencia de SENER In-
geniería y Sistemas para aumentar la infraestructura portuaria de-
dicada al tráfico de pasajeros, diseñando una nueva estación marí-
tima y una nueva explanada.
Con el objetivo de analizar las alternativas de obra civil dise-
ñadas por SENER Ingeniería y Sistemas (Sergi Ametller, David
Vergés, y Josep Canudas) los autores del libro desarrollaron un mo-
delo empleando técnicas de simulación de procesos (concreta-
mente usando el programa ARENA). La experimentación con el
modelo permitió determinar el dimensionamiento final del espacio
físico diseñado por SENER, detectar posibles puntos críticos de
tráficos (asistiendo en la redacción de las medidas correctoras ne-
cesarias para solventarlos), y determinar las mejores políticas de
explotación de la terminal.
Dado el elevado número de actividades concurrentes en el tiem-
po que aparecen en una zona de espacio limitada, como es el caso,
de flujo de vehículos en un recinto portuario, así como las relaciones
de causa efecto entre el proceso de llegadas de vehículos (total-
mente aleatorio) y la saturación de los diversos puntos de paso con-
flictivos (cuellos de botella), la codificación del modelo concep-
tual debía tener en cuenta la necesidad de parametrizar el modelo de
simulación, de tal modo que fuera posible evaluar el comporta-
miento del sistema simplemente realizando cambios en el marco ex-
perimental (inputs) sin tener que modificar el modelo de simulación.
Los principales datos utilizados para alimentar el modelo de si-
mulación fueron:
• N.o de barcos en servicio de cada naviera y para cada destino
(Nadur y Melilla).
• N.o de pasajeros por barco.

• N.o de vehículos por barco.
• Tiempos de rotación de cada barco.
• Tiempos de atraque de cada barco.
• Tiempos de estiba/desestiba.
• Tiempos de registro (aduana, chequeo de billetes...)
• Distribución de llegada de los vehículos.
• Escenarios de crecimiento.
Dado que la fiabilidad de las predicciones estaba condicionada
por los datos disponibles, la obtención de datos se realizó teniendo
en cuenta los siguientes condicionantes:
• Para modelar las llegadas de vehículos se partió del número
de vehículos embarcados por las diferentes compañías du-
rante la OPE de 2000. En la Figura 7.7 se muestra la presen-
cia de picos de más de 2.000 vehículos transportados en un
solo día de Almería a Marruecos.
Sábado, julio 1 Sábado, julio 15 Sábado, julio 29 Sábado, julio 12 Sábado, julio 26
Domingo, julio 2 Domingo, julio 16 Domingo, julio 30 Domingo, julio 13 Domingo, julio 27
3.500
2.500
Vehículos
2.000
1.500
1.000
500
0
Fecha
Llegadas Salidas Total llegadas + Salidas Fines de semana
Figura 7.7. Evolución del flujo de llegadas y salidas de vehículos

durante los fines de semana de la OPE de 2000.
• Se partió de los horarios del año 2000 para modelar las lle-
gadas y salidas de ferrys.
• Se utilizaron los datos disponibles durante los últimos tres
años para diseñar los diferentes escenarios de crecimiento.
Una vez analizados el grado de ocupación de las zonas de
pulmón, preembarque, desembarque y embarque, así como la
saturación de las zonas de paso para mover los vehículos de una
zona a la siguiente en función del proceso de llegada de los bu-
ques y la disponibilidad de billetes, se optó por dimensionar tres
zonas de preembarque (véase Figura 7.8), en las que se distribuí-
an los coches en función del destino y de la naviera que prestaba
el servicio:
1. Zona de preembarque: vehículos que se dirigen a Melilla
con la naviera Transmediterránea.
2. Zona de preembarque: vehículos que se dirigen a Nador
con las navieras Transmediterránea, Comarit o Limadet.
3. Zona preembarque: vehículos que se dirigen a Nador con la
naviera Ferrimaroc.
Figura 7.8. Layout de la zona de preembarque.

El principal beneficio de las técnicas de simulación de procesos

en el problema objeto de estudio fue disponer de una herramienta
potente y sugestiva para evaluar las diferentes alternativas de or-
ganización del espacio planteadas por SENER y la autoridad por-
tuaria de Almería. El modelo permitió reducir el riesgo en la toma
de decisiones, definiendo la correcta gestión de la terminal en los
momentos de máxima afluencia de pasajeros.
Simulación de una nueva área terminal aeroportuaria

A pesar de que el transporte es un factor clave en el desarrollo
económico de cualquier región, la aviación recibe en la actualidad
poco crédito como factor que contribuye en conectar suministra-
dores, industrias y consumidores con un servicio eficiente y com-
petitivo. Hoy en día, cualquiera conoce los importantes beneficios
que las autopistas ofrecen a los sistemas de transportes, pero no es
así en el caso de aeropuertos.
La coordinación y sincronización efectiva de todos los recursos
de un aeropuerto es un factor decisivo para poder ofrecer con éxito
su funciones ante las distintas perturbaciones a las que se ve cons-
tantemente sometido. En general, debido a una falta de metodología,
así como de herramientas para poder gestionar de modo eficiente los
recursos aeroportuarios actuales, se suele abordar el problema de ca-
pacidad de los aeropuertos realizando inversiones considerables de
capital en la adquisición de nuevos recursos, o aumentando la ca-
pacidad de los ya existentes. Sobredimensionar un aeropuerto no
conduce a la solución de una mejor gestión de sus recursos, sino que
más bien repercute en forzar un crecimiento de recursos justamen-
te donde más difícil será absorber las cargas de trabajo no esperadas.
Cabe notar, por otro lado, que no se ha invertido suficientemente en
métodos para hacer más efectivos los recursos existentes.
Considerando el elevado coste y el largo horizonte en cuanto a
tiempo requeridos para las mejoras de un aeropuerto, la planifica-
ción es un factor esencial para determinar tanto los recursos nece-
sarios así como para una correcta priorización en el tiempo de los

recursos actuales, para poder obtener, mientras tanto, un máximo
rendimiento de los elementos disponibles.
La simulación digital ofrece una herramienta indispensable en
la búsqueda de nuevos caminos para hacer más eficiente el uso
de los recursos de que actualmente dispone un aeropuerto, o eva-
luar los cuellos de botella que deberían ser solucionados en función
de los beneficios que se obtendrían.
En este contexto, se desarrolló un modelo de simulación vin-
culado al proyecto de la Nueva Área Terminal (NAT) del aero-
puerto de Barcelona realizado por el equipo del arquitecto Ricardo
Bofill y cuya construcción ya ha sido iniciada a finales de 2003.
Uno de los principales objetivos a cubrir fue el diseño de los acce-
sos al NAT, el edificio terminal, las zonas de intercambio multi-
modal, los procesos de seguridad y control de acceso, las opera-
ciones en plataforma y en rampa, etc.
El estudio consideraba tres grandes escenarios (fin de cons-

trucción, 2015 y 2025) con un horizonte de 40 millones de pasaje-
ros/año. Parte de la complejidad en la fase de desarrollo del modelo
de simulación venía impuesta por la necesidad de caracterización de
los requerimientos del sistema en cuanto a demanda, configura-

ción de vuelos y compañías operadoras, servicios, catering, etc., en
un entorno muy cambiante a raíz de los acontecimientos de 11 de
septiembre de 2001. Así pues, el modelo de simulación debía reco-
ger los cambios sobre los requisitos de control de acceso y seguri-
dad en un entorno donde van a moverse miles de trabajadores y ser-
vicios, adicionalmente al personal de vuelo y a los propios
pasajeros. El modelo tambien contemplaba diferentes escenarios
de acceso, en función de las políticas europeas de libre circula-
ción de personas y de mercancías, entre otras.
El nivel de detalle alcanzado en el desarrollo del modelo mi-

croscópico ha generado una nueva línea de investigación en Logi-
SIM en cuanto a la modelización de procesos con gran volumen de
entidades y a los problemas de representación en realidad virtual,
segunda fase del proyecto.
El diálogo entre los diferentes actores implicados, tratando de
consolidar la metodología de trabajo, las herramientas y la utilización
de la simulación para la toma de decisiones en un contexto habituado
a trabajar con otras aproximaciones metodológicas, hicieron de este
proyecto un elemento clave para la futura utilización de la simulación
en estos y otros proyectos de ingeniería civil de gran envergadura.
Apéndice
A
Simulación en Internet
La tabla siguiente muestra un directorio de herramientas de

simulación con precios por debajo de $20.000. Esta lista no inclu-
ye todas las herramientas de simulación disponibles en el mercado
en este rango de precios. Los nombres de los productos y las em-
presas pueden cambiar debido a alianzas entre empresas, adquisi-
ciones u otras razones. Se recomienda consultar en Internet si se
desea efectuar una exploración más detallada.
Producto Empresa Dirección WWW

Arena Rockwell Software www.arenasimulation.com
Automod AutoSimulations, Inc. www.autosim.com
¡Graph Process Micrografx, Inc. www.micrografx.com
LeanSIM FIB-Univ. Politécnica
de Cataluña www.leansim.com
MicroSaint Micro Analysis Design, Inc. www.madboulder.com
ProModel Promodel Corporation www.promodel.com
Quest Delmia Corp. www.delmia.com
Simul8 Simul8 Corp. www.simul8.com
Taylor II/ED F & H Simulatiions www.taylorii.com
Witness Lanner Group www.lanner.com
99
En www.lionhrtpub.com/orms/surveys/Simulation/Simula-
tion.html se puede encontrar un análisis comparativo de las princi-
pales herramientas de simulación del mercado (1999 OR/MS To-
day Simulation Software).
La tabla siguiente muestra un conjunto de direcciones WWW
sobre organizaciones y revistas dedicadas a la simulación. El lector
puede obtener más información en Internet.
Nombre Tipo Dirección WWW

Society for Sociedad www.scs.org
Computer internacional
Simulation (SCS) de simulación
Winter Simulation Conferencia anual www.wintersim.org
Conference (WSC)
Association for Grupo de interés www.acm.org/sigsim
ComputerMachinery en simulación
CEA-IFAC Grupo temático de http://www.cea-ifac.es/
Modelado y Simulación www.grupos/simulacion/
de Sistemas Dinámicos index.html
Mediterranean Council Europeo de http://i-m-cs.org
& Latin-American simulación
Simulation Council
McLeod Institute Red de Centros de http://www.simulationscience.org
of Simulation Formación en
Sciences Simulación
Eurosim Sociedad europea eurosim.tuwien.ac.at/eurosim
de simulación
Informs, College Organización de apoyo www.informs-cs.org
of Simulation de la simulación
Logis Mobile Formación en Logística http://www.logis-edu.com
Transactions on Revista www.acm.org/pubs/tomacs
Computer Simulation
Computer Simulation, Revista tebbit.eng.umd.edu/simulation
Modelig and Analysis
SIMULACIÓN EN INTERNET 101
Nombre Tipo Dirección WWW
Discrete Event Revista con artículos www.wkap.nl/journalhome.htm/

Dynamic Systems teóricos y de 0924-6703
aplicación
Simulation & Process Revista científica www.inderscience.com
Modelling con artículos de
aplicación
RIAI Revista en castellano http://riai.isa.upv.es
con artículos teóricos
y de aplicación
SIMPRA Revista científica eurosim.tuwien.ac.at/simpra/
de Eurosim simpra.html
Simulation Revista SCS www.scs.org/pubs/siminfo.html
Logisim Centro de Inovacion www-iri.upc.es/logisim
Tecnológica
Transactions SCS Revista SCS www.scs.org/pubs/transinfo.html
Apéndice
B
Bibliografía
Los libros recomendados para los que deseen profundizar en la

simulación de eventos discretos son:
• Guasch, A., Piera, M. A., Casanovas, J. y Figueras, J. Mode-
lado y Simulación: Aplicación a Procesos Logísticos de Fa-
bricación y Servicios. Edicions UPC. 2002.
• Law, A. y Kelton, W. D. Simulation Modeling and Analysis.
McGraw-Hill. Diciembre1999.
• Banks, J. Discrete-Event System Simulation. Prentice-Hall.
Agosto 2000.
• Banks, J. Handbook of Simulation: Principles, Methodo-
logy, Advances, Applications, and Practive. John Wiley &
Sons. Septiembre 1998.
103

Como Mejorar La Logistica de Su Empresa PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Como Mejorar La Logistica de Su Empresa PDF

Cargado por

Copyright:

Formatos disponibles

MIQUEL ÀNGEL PIERA

Madrid - Buenos Aires - México

Reservados todos los derechos.

“No está permitida la reproducción total o parcial de este libro, ni su tratamiento

Ediciones Díaz de Santos, S.A.

ISBN: 978-84-9969-650-8 (Libro electrónico)

Dedicat a la Maria, l’Alba, l’Andreu i el Guillem

Dedicat a Rosa, Ada y Laura

Dedicado a María José y Julia

Sobre los autores .................................................................. XI

1. Introducción y motivación ............................................. 1

Aleatoriedad versus comportamiento determinista........... 27

Los autores poseen una dilatada experiencia docente e investi-

Las personas expertas en simulación consideran inconcebible

Un estudio de simulación, a menudo permite ahorrar importantes

Los autores disponen de una dilatada experiencia en el desa-

La elevada competitividad industrial, así como las exigencias

sidades y parámetros de rendimiento distintos, la solución que

de modo integrado y no competitivo las prioridades de los distintos

Especificar todos estos aspectos cualitativos como parámetros

Herramientas de ayuda a la toma

En el caso concreto de la industria, la planificación de la pro-

• Modelos deterministas analíticos: se caracterizan en que los

• Modelos analíticos estocásticos: se caracterizan porque al

ayuda a la toma de decisiones sobre la gestión y planificación de

La toma de decisiones en logística

ubicar las instalaciones?, ¿cómo se deberían diseñar las redes de

mas que no pueden procesar de modo inmediato las peticiones de

abordar con éxito un proceso de mejora continua de sistemas com-

¿Por qué los procesos logísticos,

de componentes que se encuentran lejos de ser clasificados como

se requiere no tan sólo de una buena metodología para describir el

Ventajas de la simulación digital

• Permiten evaluar estrategias de mejora sin perturbar el fun-

• Mejor conocimiento sobre cómo afectan ciertas variables de

A pesar de esta flexibilidad, la simulación no soluciona todos

Entornos gráficos de simulación:

En la última década se ha popularizado el empleo de la simu-

Un proyecto de simulación es dinámico por naturaleza. Los re-

ble para fiscalizar todo el trabajo efectuado. En consecuencia,

Etapas de un proyecto de simulación

Formulación del problema

Diseño del modelo conceptual

Tabla 2.1. Etapas de un proyecto de simulación.

simulación con múltiples lagunas y de difícil mantenimiento. Es

También corresponde a esta etapa especificar qué resultados o

En general, se recomienda cuestionar siempre toda la informa-

Construcción del modelo

En numerosos proyectos de simulación se dedica más esfuerzo a

ción de estos objetivos, es recomendable trabajar de forma progresi-

Bien al contrario que en los procesos judiciales en los que se pre-

Diseño de experimentos y experimentación

Análisis de los resultados

sistema, ya que consideramos que no aportan nada a nuestro estu-

se enriquecerá en paralelo con el desarrollo del mismo. Los obje-

• Reflejar el estado del proyecto en un momento dado. Utili-

En este contexto, se entiende por implementación la toma de

El análisis de los datos de los que se dispone sobre el sistema a

Proceso de recogida de datos

Algunas ideas que facilitarán la tarea

Algunos procesos son, por propia naturaleza, muy ricos en da-

Aleatoriedad versus comportamiento

El concepto datos aleatorios no debe confundirse con el de un