Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Programa de la asignatura:
Modelos de simulación
Presentación de la Unidad
Esta es la última unidad del curso, se te invita a que clarifiques las dudas que tengas con
el apoyo de tu docente, para concluir de manera exitosa tu proceso de aprendizaje.
Otros especialistas que se pueden solicitar, son los expertos en las formulaciones
matemáticas, éstos pueden ser físicos, matemáticos o ingenieros dependiendo de lo que
el proyecto necesite. Los desarrolladores de software o los expertos en simulación
pueden ayudar en la parte de implementación de programas mediante la computadora,
generando los modelos con los cuales se puede experimentar. Es deseable que el
encargado del proyecto de simulación tenga conocimiento del sistema, pero también debe
gozar de habilidades gerenciales que le permitan coordinar a un equipo de personas que
le ayudarán a las diferentes etapas del proyecto.
La mayor parte del contenido de esta unidad está basado en los textos (Guasch Petit,
Piera, Casanovas, & Figueras, 2005) y (Piera, Gausch, Casanovas, & Ramos, 2013).
Estos textos hablan de particularidades y son recomendables que los consultes si tienes
interés en profundizar en esta herramienta.
Propósito
Esta unidad tiene como propósito que observes algunos ejemplos de modelos del sector
logístico y los ubiques dentro de una simulación, siempre considerando la relación que
estos modelos guardan con la problemática inicial. De esta forma, lograrás proponer
algunos modelos para ciertas situaciones del sector logístico.
Competencia específica
Para realizar nuestros modelos será necesario trabajar con datos. Estos datos pueden o
no ser existentes. Si son existentes, debemos considerar si es importante saber en qué
condiciones fueron tomados (fechas, horas), quién fue el responsable de tomarlos, qué
métodos utilizó. Un punto a tomar en cuenta acerca de estos datos ya existentes es si la
cantidad de éstos es suficiente, es no suficiente o es excesiva. En el caso de que sea
excesiva la cantidad de datos, se deberá valorar si se trabajará con todos esos datos o
solamente con una cantidad que se ajuste mejor al sistema a modelar. En caso de no
existir datos o no ser suficientes, se procederá a hacer una planeación de recogida de
datos. En este escenario, podemos tener mayor control acerca de lo que buscamos con
estos datos, podemos ser más cuidadosos en la calidad de éstos pero no debemos
descuidar que esta acción, generará gasto de tiempo y esfuerzo.
En todo momento de la realización del modelo, no debemos dejar de lado la idea de que
el objetivo es la comprensión del problema y el análisis de resultados, el modelo por sí
mismo no debe representar e objetivo.
La validez de un modelo es un proceso crucial para poder utilizarlo en la toma de
decisiones. El primer paso a evaluar en el modelo es la verificación. Esto se refiere a que
la ejecución del modelo es correcta y su comportamiento va de acuerdo a las hipótesis
bajo las cuales estamos trabajando. Si los resultados que arroja nuestro modelo, no son
las esperadas bajo las hipótesis que conocemos, difícilmente será un sistema que se
acerque a la realidad. Llevar a cabo una verificación del funcionamiento del modelo
resulta un paso fundamental, si no lo realizamos corremos el riesgo de llevar a cabo el
proceso de simulación y obtener resultados inservibles.
de la tarde, sin embargo esta jornada crece si no se han expedido todas las órdenes
recibidas durante el día.
Parámetros
En promedio se reciben diez órdenes al día.
Tenemos dos tipos de órdenes, prioritarias y ordinarias. El 40% de las órdenes son
ordinarias y el 60 son prioritarias.
El promedio que toma procesar una orden prioritaria es de 2 horas mientras una orden
prioritaria toma 4 horas.
Las órdenes solamente se reciben hasta las 13 horas.
Analicemos el otro evento involucrado en este sistema. Este nuevo evento se dará una
vez que la orden comienza a ser procesada para la expedición. Debemos considerar que
cada vez que una orden queda expedida, un trabajador queda desocupado y por lo tanto
libre para atender a alguna orden que esté en la cola. En este caso estamos suponiendo
que cuando un trabajador termina una orden y no hay órdenes por atender, el trabajador
debe esperar una nueva orden, es decir, el trabajador no es destinado a ayudar en alguna
otra orden que esté siendo procesada. A continuación, el diagrama asociado a este
segundo evento:
1 Ordinaria 9
2 Ordinaria 9
3 Ordinaria 10
4 Prioritaria 11
5 Ordinaria 12
6 Prioritaria 12
7 Prioritaria 13
8 Prioritaria 13
9 Prioritaria 13
10 Prioritaria 13
La tabla del Experimento 1 muestra en qué momento las órdenes comienzan a detenerse
(irse a la cola) por falta de personal. Notamos que este caso comienza a presentarse en
la orden 8.
Este tipo de tablas muestran en qué momento sucede cada evento, en qué momento
finaliza y en consecuencia su duración. Sin embrago, detectar información de este tipo de
tablas es un poco lento al ojo humano, la persona que la intente leer deberá desarrollar
ciertas habilidades que le permitan establecer inferencias a partir de este diagrama. Otra
forma de acomodar esta información es la siguiente.
9 2 Ordinaria Llegada 0 2 - -
10 3 Ordinaria Llegada 0 3 - -
11 4 Prioritaria Llegada 0 2 - -
12 5 Ordinaria Llegada 0 2 - -
12 6 Prioritaria Llegada 0 3 - -
13 7 Prioritaria Llegada 0 4 - -
13 8 Prioritaria Llegada 1 5 - -
13 9 Prioritaria Llegada 2 6 - -
13 10 Prioritaria Llegada 3 7 - -
La primera columna indica la hora en la que suceden los eventos. La segunda columna
indica cuál es la orden relacionada con el evento. En la tercera y cuarta columna se
describen la naturaleza de los eventos, si son llegada o expedición y si la orden es
ordinaria o prioritaria. La columna quinta muestra cuántas órdenes hay en la cola del
sistema mientras la sexta columna indica el número de órdenes en el sistema. Las últimas
dos columnas se relacionan con el tiempo, el tiempo que las órdenes esperan en cola y el
tiempo que cada orden tardó en ser procesada.
Toma en consideración que este panorama es debido a la forma aleatoria que llegaron las
órdenes. Si modificamos las condiciones iniciales, podrían modificarse los resultados. En
casos reales, tal vez no sepamos exactamente cuántas órdenes llegan cada hora ni de
qué tipo son, pero si durante un lapso considerable, tomamos datos podríamos estableces
estadísticas con el fin de que nos brinden información. Observa la siguiente información:
“Durante cuatro meses se recolectaron datos acerca de la forma en la que llegan las
órdenes del proceso descrito en el Ejemplo anterior. Procesando la información, se ha
llegado a las siguientes conclusiones:
1 40
2 30
3 20
4 10
Tabla 3. Probabilidades relacionadas a la cantidad de órdenes
que pueden suceder cada hora
Observa que se está descartando el caso en que lleguen más de 5 órdenes por hora.
Queremos encontrar condiciones iniciales aleatorias. Para esto podemos hacer el
siguiente experimento:
“En una bolsa obscura, se introducen 100 pelotas, numeradas del 1 al 100. Para
determinar el número de órdenes que llegaron a las 9 de la mañana, sacamos una bola y
nos fijamos en su número”. El número de órdenes que llegaron a las 9 de la mañana será
determinado por la siguiente tabla:
Observa que esta asignación está relacionada con la tabla de probabilidades (Diagrama
1Tabla 3).Así, si la primera bola indica el número 54, la cantidad de órdenes asignada a
las 9 de la mañana será de dos. Repetimos el experimento para completar las siguientes
horas y obtendremos algo como la tabla que sigue:
Podríamos hacer un experimento similar para determinar si las órdenes son prioritarias u
ordinarias. En este caso, una orden será prioritaria si la bola respectiva tiene un número
del 1 al 60 y será ordinaria si tiene un número del 61 al 100.
Actualmente, existen generadores del número al azar los cuales permiten plantear
diferentes escenarios útiles para nuestras simulaciones.
Estos pasos son solamente una generalidad. Cada problema puede abordarse con
situaciones particulares diferentes.
probado con diferentes cargas. Podríamos, por otro lado, estar interesados en el tiempo
de resultados que nos interesaría recolectar son intervalos que describan el tiempo de
respuesta, en casi todos estos modelos queremos que los tiempos disminuyan.
En muchos casos, por ejemplo, para establecer medidas y políticas de seguridad, saber
con exactitud cuándo ocurre un número máximo de personas en determinado lugar.
Los tipos de datos estadísticos que nos pueden interesar son por ejemplo la tasa de
utilización de una máquina en donde se debe discernir el tiempo de uso real y el tiempo
de ocio de la máquina. Otro ejemplo es el porcentaje de tiempo que toma a una máquina
no trabajar debido a una avería. Respecto a los fallos se deberá tener la información
acerca de cuántos técnicos se necesitan para repáralo, cuánto tiempo les toma, cuáles
piezas son las más susceptibles a fallos, etc. La relación que se debe considerar siempre
que se habla de rendimiento es la relación entre costo y rendimiento, eso nos permitirá
comparar dos escenarios. Esta relación también puede ir acompañada por la
multiplicación de un parámetro que indique el tiempo de respuesta.
A través de la experiencia irás encontrando algunas reglas qué seguir, por ejemplo, si una
máquina tiene una utilización de 100% es posible que si vida útil se acorte, que sufra
fallos por sobre trabajo.
Por otro lado, la validación consiste en comprobar el funcionamiento del sistema a partir
de datos independientes de los ya conocidos o con los que el modelo fue diseñado. Este
proceso contesta la pregunta: ¿El modelo presenta alguna dificultad de ejecución si
experimento con este conjunto de datos?
Por ejemplo, un modelo que describa cómo se comporta un centro de atención telefónica
podría funcionar si la capacidad de atención es de 100 clientes por hora, pero el modelo
podría no ser funcional si se presentaran 200 clientes por hora. Sin embargo, la
probabilidad de que 200 clientes llamen a la misma hora es sumamente baja, digamos un
0.01%. Así si el modelo analiza el comportamiento del centro de atención con 100 clientes
es confiable por lo tanto válido. La verificación de este modelo la podríamos hacer
tomando datos reales y viendo cómo se comportó el sistema en cada momento respecto a
lo que predice el modelo.
Para lograr explicar mejor cómo es que se debe interpretar un resultado, vamos a dividir a
los sistemas en sistemas terminales y sistemas no terminales.
Cada uno de los escenarios u eventos a simular son eventos independientes, es decir,
puede ser tratado como observaciones. Con esta medida estamos diciendo que en el
análisis de resultados se espera encontrar métodos estadísticos estándar.
Esta pregunta tiene dos respuestas. La primera es que podemos fijar el índice de
confianza y comenzar a hacer simulaciones. En cada una de estas simulaciones
tendremos cierto intervalo, debemos comparar el intervalo con el que queremos llegar, es
decir a ejecutar simulaciones hasta obtener el índice deseado. El otro caso es que fijemos
el número de repeticiones y comparemos el resultado con el deseado, si no se ajusta,
volvemos a ejecutar todas las repeticiones más otras a fin de ser más exacto. Este caso,
por supuesto, podría tomar mucho más tiempo del esperado.
Una vez obtenidas varias muestras del experimento, podemos proceder a encontrar
relaciones entre sucesos iniciales y resultados finales, también podemos considerar
encontrar relaciones entre tiempo, costos, días y los procesos. Utilizar gráficas
bidimensionales es una herramienta buena y práctica para visualizar relaciones. Este tipo
de información la lograrás interpretar después de haber ganado experiencia.
Es menester recalcar la importancia de los datos. Mientras más tengamos, más nos
acercamos a obtener información del sistema u fenómeno deseado, mientras más
información tengamos, el Teorema del límite central será mucho más factible en
utilización y los resultados serán más prolíficos.
Esta sección se encuentra basada en el texto de (Guasch Petit, Piera, Casanovas, &
Figueras, 2005).
Primero hablaremos del IC de la media. Recordemos1 que una media obtenida de una
muestra 𝑀 = {𝑋1 , 𝑋2 , … , 𝑋𝑛 } es tan solo una estimación de 𝜇. Si obtenemos 𝑘 diferentes
valores distintos a partir de 𝑘 muestras quisiéramos acercarnos a un valor unificado de
éstas, o por lo menos queremos detectar un intervalo. Para describir este intervalo será
necesario dar una cota inferior 𝑐_𝑖 y una cota superior 𝑐𝑠 . Es decir, queremos encontrar
estas cotas tal que:
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑{𝑐𝑖 ≤ 𝜇 ≤ 𝑐𝑗 } = 1 − 𝛼
̅ 𝑠 𝑋̅ + 𝑧(1−𝛼) 𝑠 )
(𝑋 − 𝑧(1−𝛼2) , 2
√𝑛 √𝑛
𝛼
Con 𝑧(1−𝛼) es el cuantil (1 − 2 ) para una normal 𝑁(0,1).
2
Ahora, esta estimación tiene una limitación. Si el tamaño de muestra es menor a 30,
entonces solamente será posible construir el IC si la población es normalmente
distribuida. Si este fuera el caso, el IC considerando un nivel de confianza 100(1 − 𝛼)
estará dado por:
̅ 𝑠 𝑋̅ + 𝑡(1−𝛼, 𝑠
(𝑋 − 𝑡(1−𝛼2, 𝑛−1) , 2
𝑛−1) )
√𝑛 √𝑛
1
De tu curso de Estadística y Probabilidad.
Puede haber casos en los que nos interese saber si un valor es significativamente
diferente del valor escalar cero. El IC nos ayudará a decir con un determinado nivel de
confianza 100(1 − 𝛼)% si el valor en cuestión pasa el test de diferencia el cual queda
determinado por las siguientes reglas:
Esto quiere decir que si nuestro intervalo de confianza IC contiene al cero, entonces no
podemos decir (con un buen grado de confianza) que la diferencia media es
significativamente distinta de cero. Considerando que un intervalo de confianza (𝑎, 𝑏)
tenga o no el valor cero, podemos considerar 3 casos:
Caso Ilustración
𝑎 < 0 y 𝑏 < 0.
𝑎 < 0 y 𝑏 > 0.
𝑎 < 0 y 𝑏 < 0.
Observamos que solamente existe un caso en el cual el cero está incluido, en este caso,
la diferencia entre medias no es significativamente diferente de cero. Para los otros dos
casos, la diferencia entre medias sí es significativamente distinta de cero.
Cuando decimos que las observaciones son pareadas quiere decir que tenemos el mismo
número de observaciones en ambos sistemas y el mismo número de medias a comparar,
es decir, podemos formar parejas. Trabajaremos con la diferencia entre cada uno de los
pares obtenidos de los valores recolectaos en mismos puntos de muestreo. Queremos
controlar el intervalo de confianza de la diferencia.
Esta sección es basada en (Piera, Gausch, Casanovas, & Ramos, 2013). Como hemos
mencionado, aprender técnicas de modelación es un asunto de experiencia. También
interviene el área en la que se modela. No es lo mismo conocer a profundidad los
fenómenos del sector logístico a conocer fenómenos relacionado con la agricultura, y en
este caso, a un experto en modelación del sector agrario le podría resultar complicado
modelar algún sistema propio de la logística. Aunado a lo anterior, resulta complicado dar
un esquema de cómo es que se debe decidir cuándo un modelo es correcto, de hecho
“no existe un método genérico para determinar si un método 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”. (Piera,
Gausch, Casanovas, & Ramos, 2013). Dicho en otras palabras, no existe una
metodología con reglas bien definidas que nos brinde una forma sistemática o infalible
para determinar es válido para algún propósito, sin embargo, podemos partir de ciertos
procedimientos que nos permiten acercarnos a una evaluación del modelo. También hay
que recordar que en práctica es muy difícil comprobar el modelo bajo todas las
condiciones iniciales posibles y bajo todos los parámetros, esta idea nos lleva a que
verificar la validez del modelo no tiene por objetivo verificar que sea correcto, al contrario
queremos intentar demostrar que es incorrecto, así si fallamos en demostrar que es
incorrecto, aumentamos el nivel de confianza en él.
Cuando hablamos de validación debemos hacer una distinción entre “verificar” y “validar”.
El verificar un modelo consiste en que nuestro modelo conceptual o matemático es el
adecuado para el sistema. Si pensamos en una modelación manual, será un poco más
difícil observar alguna falla, pero si hemos programado el modelo o usado algún software
especializado, esta tarea será más sencilla. Es decir, con este paso queremos detectar
problemas técnicos, tal vez, la captura de información, los problemas tipográficos
convenientes, problemas del software, etc. Por otro lado, la validación se refiere en
asegurar que el modelo represente el sistema de interés según el propósito para el que
fue diseñado.
También debemos considerar que el modelo no debe ser en su totalidad preciso y exacto,
el objetivo del modelo es tener una herramienta que nos permita observar de una forma
más simplificada el sistema. Por ejemplo, un mapa (que ya hemos mencionado que es un
modelo gráfico) no pretende dar detalles pues serán generalidades las que queremos
encontrar en él.
es debido. Debemos considerar, por otro lado, que en la validez de las hipótesis (o
estados iniciales, parámetros) podemos encontrar las bases de la validez del modelo.
Estas dos etapas, la verificación y la modelación, pueden tomar algún tiempo, razón por la
cual, la persona a cargo del proyecto de simulación debe considerar dentro del diseño del
mismo, el tiempo que ocuparán así como considerarlas parte del proceso.
2) Validación de datos: en esta etapa queremos asegurarnos que los datos que nos
servirán para la simulación y la formulación del modelo, sean los correctos, que
sean datos de calidad y que nuestro modelo pueda interpretarlos.
Los datos, como ya lo hemos mencionado, podemos extraerlos del proceso real y
son utilizados para la validación y experimentación del modelo de simulación.
Recuerda que si los datos son poco precisos, el modelo lo será poco preciso.
Otro tipo de test que podemos emplear en este paso son los test de búsqueda de
degeneración. En estas pruebas queremos encontrar las condiciones por las
cuales el modelo podría arrojar resultados degenerados, no coherentes o
imposibles. Estos test se llevarán a cabo variando condiciones iniciales.
También debemos recalcar, que la interacción con diferentes personas que conocen e
interactúan con el sistema real. La labor del modelador será capturar toda la información
necesaria para acercarse y verificar el modelo.
Las dificultades que podemos encontrar en la validación son pues que algunos modelos
son creados para sistemas que no existen en la realidad, por lo cual, no podemos tener
datos los cuales podamos comparar. No podemos hacer test de funcionalidad, por
ejemplo. También es importante señalar que a pesar de que los resultados del modelo
sean consistentes con los obtenidos en el sistema real, no es posible asegurar que bajo
ciertas condiciones se comporten de manera idéntica.
A pesar de que no se puedan asegurar varios puntos, la validez y verificación del modelo
dependerá también del proyecto a abordar en general.
Cierre de la Unidad
En esta unidad se engloban los conceptos que hemos venido trabajando en las unidades
anteriores. Esta integración de los diferentes conceptos te permitió tener una visión más
clara acerca de lo que es un modelo de simulación.
Sabemos ahora que a pesar de que la única metodología que existe para la creación de
modelos es una muy general, podemos pensar que existen recomendaciones a seguir.
También recuerda que en el diseño de un algoritmo reside la parte medular de un proceso
de simulación.
En esta unidad estudiaste un poco acerca del proceso para determinar qué tan confiable
son algunos parámetros de los sistemas, revisaste una manera de comparar dos
configuraciones de un sistema y sabemos que si las condiciones iniciales de un sistema
cambian, seguramente los resultados serán diferentes.
Es importante que recuerdes que a pesar de todas las herramientas matemáticas que
podamos incluir en un modelo, no podremos asegurar al cien por ciento que ese modelo
es perfecto o que no es susceptible a errores. Un modelo no puede decirse que sea
perfecto en lo general, es decir que no modela fielmente la realidad, sin embargo y como
lo vimos, podemos indicar que es perfecto para ciertos propósitos.
No olvides que será necesario profundizar en esta temática, para ello es recomendable
que busques material complementario y continúes actualizándote. Te felicitamos por
concluir esta asignatura.
Fuentes de consulta
Básicas
Guasch Petit, A., Piera, M., Casanovas, J., & Figueras, J. (2005). Modelado y
simulación: aplicación a procesos logísticos de fabricación y servicios. México:
UPC & Alfaomega.
Piera, M. Á., Gausch, T., Casanovas, J., & Ramos, J. (2013). Cómo mejorar la
logística de su empresa mediante la simulación. España: Ediciones Díaz de
Santos.
Complementaria
Chase, R. B. (2009). Administración de operaciones: producción y cadena de
suministros. México: McGraw-Hill/Interamericana.
Coss Bú, R. (1998). Simulación. Un enfoque práctico. México: Limusa Noriega
Editores.
Guasch Petit, A., Piera, M., Casanovas, J., & Figueras, J. (2005). Modelado y
simulación: aplicación a procesos logísticos de fabricación y servicios. México:
UPC & Alfaomega.
Landeta, J. M. (1996). Fundamentos de investigación de operaciones para
administración. San Luis Potosí: Universidad Autónoma de San Luis Potosí.
Piera, M. Á., Gausch, T., Casanovas, J., & Ramos, J. (2013). Cómo mejorar la
logística de su empresa mediante la simulación. España: Ediciones Díaz de
Santos.