INSTITUTO TECNOLÓGICO SUPERIOR

DE LAS CHOAPAS
MATERIA: SIMULACIÓN
PROYECTO: INVESTIGACIÓN UNIDAD 1
INSTRUCTOR: ING. ALDO HERNÁNDEZ
LÓPEZ
PRESENTA: CARLOS DANIEL GÓMEZ
HERNÁNDEZ
SEXTO SEMESTRE
GRUPO: C
INGENIERÍA INDUSTRIAL

Fecha: 16 de mayo de 2020

Actividad 1
Incentiva la participación de los alumnos para comentar la
complejidad de algunos sistemas reales que presentan
comportamientos probabilísticos. Con base en los comentarios,
identificar las aplicaciones de la simulación en empresas de
manufactura y servicios, así como su terminología.

DEFINICIÓN DE SIMULACIÓN

La simulación de procesos es una de las más grandes

herramientas de la ingeniería industrial, la cual se utiliza para
representar un proceso mediante otro que lo hace mucho más
simple y comprensible. Esta simulación es en algunos casos casi
indispensable, como nos daremos cuenta a continuación. En otros
casos no lo es tanto, pero sin este procedimiento se hace más
complicado.

Las áreas de aplicación de la simulación son muy amplias,

numerosas y diversas, basta mencionar sólo algunas de ellas:
Análisis del impacto ambiental causado por diversas fuentes,
Análisis y diseño de sistemas de manufactura, Análisis y diseño
de sistemas de comunicaciones, la simulación se utiliza en la
etapa de diseño para auxiliar en el logro o mejoramiento de un
proceso o diseño o bien a un sistema ya existente para explorar
algunas modificaciones.
SIMULADOR DE PROCESO
Un simulador de proceso consta de un programa ejecutivo, el
conjunto de modelos matemáticos que representan las unidades
de cálculo del proceso y un fichero o banco de datos con las
propiedades físicas y termodinámicas de los productos que
intervienen en la simulación del proceso

El tema de simuladores dedicados fundamentalmente a la

industria con el objetivo de mejorar e incrementar la eficiencia de
estas que permiten hacer simulaciones de diferentes procesos
antes de que ocurran en realidad, las cuales producen resultados
que pueden ser analizados para una futura realización de estos.

APLICACIONES DE LA SIMULACIÓN EN EMPRESAS DE

MANUFACTURA Y SERVICIOS
¿Se atrevería a comprar un coche sin hacer una prueba de
manejo? entonces ¿por qué implementar un nuevo sistema de
logística de manufactura sin antes probarlo? El software de
simulación y modelado le permite hacer justamente eso: probar la
configuración y el flujo de su sistema de manejo de materiales
antes de finalizar el diseño del sistema. Cuando hace la prueba de
manejo a un coche nuevo, usted selecciona la ruta del viaje
dependiendo de las características del coche que quiere probar.
Igualmente a la hora de construir un modelo de simulación, las
rutas y los atributos operacionales son incorporados para sustentar
los objetivos del análisis del diseño.

El modelo de simulación se utiliza durante la fase de diseño del

sistema. Con base en la distribución y los parámetros
operacionales se desarrolla un modelo de simulación detallado. La
lógica del PLC a instalar también es simulada junto con el software
de logística. Las tasas de flujo de los materiales utilizados en estos
modelos se obtienen de los índices previstos de producción.
El sistema de información refleja detalles del flujo de materiales
que van desde un día normal hasta días de operación pico, siendo
éstas las típicas entradas de información.

El modelo de simulación determina el tiempo de operación

requerido para procesar eficazmente la producción en picos bajos,
normales y máximos. Estos modelos son empleados para
perfeccionar el diseño del sistema, la cantidad de personal
requerido, la lógica de control PLC y la funcionalidad del software.
Si la simulación encuentra problemas de desempeño, entonces los
ingenieros de diseño elaboran un esquema y configuraciones de
control alternativo. Las revisiones propuestas al sistema se ponen
a prueba con el modelo de simulación a fin de asegurar que el
equipo de manejo de materiales, software y controles serán
capaces de maniobrar bajo todos los escenarios de operación
previstos.

Estudio de caso: simulación

Un fabricante de productos duraderos quiso evaluar el desempeño

de su sistema diseñado para manejo de materiales. Dado el
tamaño y alcance del proyecto, la simulación se utilizó desde el
principio. El modelo fue un punto de referencia para comprender
el funcionamiento del sistema de manejo de materiales y evaluar
opciones alternativas de configuración.
El diseño incluyó estaciones de trabajo de ensamble, un área de
reserva de trabajo-en-proceso utilizando un sistema automatizado
de almacenamiento/recuperación (ASRS), entrega interna usando
un vehículo de guiado automático (AGV) y transportadores. Los
contenedores se desplazan en una secuencia entre las estaciones
de trabajo y el área de reserva de almacenamiento. El modelo se
utilizó para validar: la capacidad de almacenamiento de la reserva
del trabajo-en-proceso, el tamaño de la flotilla de AGV, y
algoritmos de software de trabajo asignado. La mano de obra

requerida en cada área funcional se determinó junto con el

esquema de escalonamiento de turnos. Un análisis de sensibilidad
del transportador y los sub-sistemas de almacenamiento de
reserva revelaron posibles cuellos de botella operacionales.
Se implementaron cambios operacionales y al propio diseño del
sistema como resultado del modelo de simulación.

Se probaron diversos cambios en la configuración del sistema,

algunas trayectorias de flujo fueron modificadas y los algoritmos
programados de flujo de trabajo fueron revisados como resultado
de los diferentes experimentos realizados usando el modelo de
simulación.

Al final, el modelo desarrollado incluyó detalles operativos precisos

del personal de ensamble, montacarguistas y otros operarios
importantes en el piso de producción. Se utilizaron perfiles reales
de producción en el modelo de simulación que incluía el
desplazamiento de la carga y la función de trazabilidad de
almacenamiento del software.

Beneficios del modelo de simulación

El modelo de simulación refleja interacciones complejas. Dado que

su alcance engloba datos de producción de manufactura, tamaño
de la zona de reserva de trabajo en proceso, la secuencia de la
carga, la entrega interna en planta y las operaciones de ensamble,
los resultados previstos del comportamiento del sistema son muy
precisos. El modelo de simulación incluye mano de obra detallada
y datos de capacidad de producción. De manera que, la cantidad
de personal requerido para operar el sistema es calculado por el
mismo modelo de simulación. En estos modelos, el personal es
variable y el rendimiento en función del tamaño de la plantilla se
puede probar.

Se evalúa el impacto del flujo y reflujo del rendimiento y los

problemas se pueden resolver antes de que el sistema sea
implementado. Cualquier cambio recomendado en el diseño del
sistema puede ser probado y evaluado.
SIMULART

Es el proveedor líder de Proyectos y Tecnologías para el proceso

de toma de decisiones en la industria manufacturera y producción
en general. Desarrollamos análisis predictivos de sistemas
productivos basado en simulación computacional para proveerlo
de información antes que tome decisiones. Conocer HOY cómo se
desempeñará su proceso productivo en el FUTURO es una
manera innovadora y certera para maximizar producción, reducir
ciclos de tiempo, incrementar productividad y reducir costos, ya
sea en etapa de DISEÑO u OPERACIONES de los procesos.

SIMULART ha estado ayudando por más de 16 años a empresas

a lograr mejoramientos importantes en la productividad y reducción
de costos, a través de una mejor asignación de los recursos
existentes. Por medio de nuestras soluciones en simulación se
pueden estudiar alternativas para eliminar cuellos de botellas,

redundancias e ineficiencias que no requieren de una mayor

inversión en recursos. También es posible poner en
funcionamiento el diseño de un nuevo sistema para conocer
anticipadamente sus resultados y de esta forma corregir los
diseños tempranamente si es necesario o bien tener la confianza
de los resultados que se obtendrán.

SIMULART dispone de una alternativa basada en Prototipos

Virtuales y Simulaciones, herramienta innovadora, de bajo costo y
rentable para lograr que los diseños de procesos y servicios que
se implementarán en el futuro, cumplan los requerimientos de los
clientes, o bien para optimizar procesos actualmente en
operación. Algunos de los beneficios de nuestras soluciones son:

 Reducir costos
 Evitar factores de seguridad excesivos
 Evitar la sobredimensión de activos

 Mejora continua de procesos

 Mejorar niveles de servicios
 Mejorar y optimizar procesos

 Estimular ideas creativas

 Reducir la incertidumbre
 Adelantarse a los planes de acción
Actividad 2
Investiga las diversas aplicaciones de la simulación e
identificar sus alcances y limitaciones.
Los sectores susceptibles de contar con sistemas de sim
ulacion son varios. Ya hemos explicado que uno de los primeros
sectores en los que se utilizaron este tipo de sistemas fue el
aeronáutico, seguido del aeroespacial. Pero más allá de estos,
encontramos también que estos sistemas se usan en
medicina para simular intervenciones antes de ejecutarlas con
éxito. El sector militar es otro de los sectores que se ha beneficiado
de estos programas de simulación para trazar, por ejemplo, la
trayectoria de misiles o la órbita y posición de satélites artificiales.
El transporte es otro sector en el que la simulación se ha convertido
en una herramienta muy importante. Además de poder establecer
cómo pueden funcionar los flujos de vehículos en determinadas
situaciones. Pero también existen simuladores aplicación a la
formación en conducción para colocar al alumnado en situaciones
complejas antes de salir a la carretera para evitar que tenga ningún
riesgo.
A nivel industrial encontramos que la simulación, en plena era de
la Industria 4.0, tiene una función muy importante ya que puede
facilitar la toma de decisiones en una empresa. A este respecto, la
simulación industrial puede facilitar la predicción del
funcionamiento de determinada maquinaria, de la elaboración de
un producto y cómo reaccionar y solucionar la detección de errores
en una planta de producción.
Con los software específicos que se utilizan para la simulación
industrial se puede recrear el entorno perfecto en una plan de
producción y cómo se pueden distribuir, con seguridad, todos sus
componentes.
ITCL y la aplicación de sistemas de simulación
ITCL Centro Tecnológico es un centro de innovación con un área
de I+D específica destinada a simulación y realidad virtual.
Esta área tecnológica está especializada, entre otras tecnologías,
en el diseño y desarrollo de simuladores para entretenimiento
virtual para entornos militares y de riesgo, manejo de máquinas y
conducción de vehículos especiales. Así, esta área de I+D está
liderando, en estos momentos, un programa de simulación
de comportamiento para transporte seguro, SIMUSAFE. Este
proyecto tiene como finalidad conseguir superar las limitaciones de
los simuladores de conducción y la simulación de tráfico como
herramientas válidas para estudios en seguridad de tráfico. El
proyecto se encuentra en pleno desarrollo.
En este mismo ámbito de seguridad vial, esta área de ITCL
también cuenta, entre sus trabajos, con el desarrollo de un
simulador de examen de moto, o un simulador de conducción para
autoescuelas.
El Área de Simulación y Realidad Virtual de ITCL también ha
participado en un proyecto de simulación de comportamiento de
materiales. A nivel industrial, ITCL ha participado en un proyecto
de ámbito nacional de simulación de métodos de producción para
la creación de una herramienta basada en gráficos 3D interactivos
y técnicas de Realidad Virtual para la creación, de forma rápida,
de simuladores de máquinas o procesos industriales de cualquier
sector y tipología.
Alcance de los simuladores

Los simuladores, por lo tanto, pueden utilizarse en el ámbito

profesional o como un instrumento de ocio y entretenimiento. En
el primer caso, estos dispositivos aparecen como indispensables
para la formación de personas que tendrán una gran
responsabilidad a su cargo,
Ya que sus eventuales errores pondrían en riesgo la vida de
terceros. Gracias al simulador, estos sujetos pueden entrenarse
hasta adquirir la experiencia y la destreza necesarias para
desempeñarse profesionalmente. Si cometen errores en un
simulador, nadie saldrá lastimado.

Limitaciones de los simuladores

Es importante señalar que los simuladores tienen una serie de

límites, como cualquier otro programa, ya que se crean con
objetivos bien definidos.
Por ejemplo: un simulador de vuelo debe representar con precisión
los controles de uno o varios modelos de naves, los principios de
física relacionados con su funcionamiento y su interacción con el
aire, la tierra, el agua y los edificios y estructuras que puedan
encontrarse en el camino; pero eso no indica que el resto de los
objetos y situaciones propios de la realidad se muestren de forma
creíble o que se pueda interactuar con ellos.
Como entretenimiento, los simuladores permiten conducir coches
de carrera, volar aviones o controlar trenes en un videojuego.
En el ámbito de los videojuegos, los simuladores de vida han
adquirido un carácter masivo en los últimos años, sacando de las
sombras este tipo de entretenimiento que, un par de décadas
atrás, atraía solamente a un público muy pequeño, especialmente
interesado en el control de aviones, tanques y coches de carrera.
En la actualidad, todas estas experiencias pueden vivirse con más
fidelidad que nunca, pero en el caso de los títulos de vidas
alternativas su punto fuerte no reside en las cuestiones técnicas
sino en que ofrecen un escape de la realidad.
Actividad 3
Investiga en qué áreas de la actividad de generación de bienes
y servicios tienen mayor aplicación las herramientas de la
simulación.

Pues bien, las interminables filas en los bancos, en las cajas

registradoras del restaurante de moda o en el almacén que le
recomendaron por lo barato que vende han sido el desvelo de los
desarrolladores de software de grandes y pequeñas empresas.
Y lo han sido no solo por la necesidad de evitar molestias a los
clientes, sino de ser más competitivos en un mundo donde la
evolución del mercado requiere la racionalización de los costos
operacionales.
Por ejemplo, los bancos tienen que optimizar su red de oficinas,
cambiar sus formatos y mejorar sustancialmente sus procesos de
back-office; las cadenas de supermercados tienen desafíos
similares con sus almacenes, y en la gran mayoría de industrias
de servicios estas presiones están al orden del día.
Esta ola de cambios ha hecho necesario adaptar muchas de las
tecnologías desarrolladas originalmente para el mejoramiento de
plantas de manufactura, a las industrias de servicios.
Es así como hoy en día se ve en el tema de servicios, tecnologías
como la calidad total que tuvieron su origen en un ambiente de
manufactura. En el campo de ciencias de la decisión también se
incorporaron algunas de sus herramientas, y la simulación fue una
de las de más acogida.
Esto no es de sorprenderse, pues si algo está claro hoy día es que
la industria de servicios comparte muchas de las características de
las industrias de manufactura y son, en su esencia, también
fábricas, pero de servicios.
Por lo demás, son tan o más intensivas en capital que las industrias
de manufactura y utilizan procesos secuenciales de producción.

Sin embargo...
Existe una gran diferencia entre la industria de servicios y la de
manufactura, que hace que la simulación sea aún más importante
para la primera.
En el área de servicios, a diferencia de la de manufactura, el cliente
participa en el proceso de producción y él mismo fluye como
entidad a través del proceso productivo.
Por ello, simular el sistema de servicio al cliente es vital, no solo
para optimizar las operaciones desde la perspectiva financiera,
sino también para simular las variables críticas de servicio al
cliente que son las que determinan en el largo plazo su lealtad.
Los problemas y aplicaciones más sofisticadas y de moda entre
industrias que están sufriendo cambios fundamentales de
estructura, como las compañías de servicios públicos, transporte
de encomiendas y mensajería, bancos, almacenes, entre otras,
tienen que ver con el diseño integral de sistemas de servicio al
cliente.
Construyendo modelos Por integrales se entienden los sistemas
que conjuntamente mejoran al menos las siguientes variables, en
forma simultánea: calidad en el servicio, costo de servir a los
clientes, lealtad inducida, y grado de flexibilidad y control en manos
del cliente.
Simular consiste en construir en el computador un modelo que
permita evaluar diferentes escenarios y alternativas de
configuración del sistema, para observar cómo se comportaría
ante un conjunto de condiciones experimentales.
Una de las virtudes que tiene la simulación, es poder integrar la
variabilidad, la incertidumbre, el dinamismo y las complejas
interdependencias del sistema de estudio en los análisis que se
hacen alrededor de este.

Un ejemplo concreto son los llamados Centros de atención de

llamadas (Call Center). Los sistemas convencionales de análisis
utilizan estándares para definir los tiempos de servicio y tasas de
llegada de las llamadas.
Claramente, esta práctica desestima los elementos fundamentales
del sistema. Obviamente, todos los tipos de servicios que se
prestan no tienen una misma duración; cada llamada tiene tiempo
diferente y dentro de un mismo conjunto de llamadas las
duraciones son diferentes.
No sólo se deben clasificar diferentes tipos de llamada, sino
también modelar la variabilidad de cada grupo.
Así mismo, la tasa de llegada de los clientes cambia a lo largo del
día, ya que la cantidad de gente que llama a solicitar un servicio
va cambiando según la hora y, por supuesto, también depende del
día, ya que este se puede ver afectado por un ciclo de pagos o
alguna promoción que se esté realizando.
Otra aplicación es poder calcular con certeza la dimensión que se
debe dar a un centro de atención de servicios, como lo son un
banco, un centro de pagos o un supermercado. Para todos estos
sistemas, la variabilidad, dinamismo y complejidad hacen
imprescindible el uso de simulación como herramienta de análisis
para sistemas de soporte a la decisión.
Promodel Corporation, uno de los grandes en el desarrollo de
paquetes de simulación, lanzó al mercado un software que le
permite ver en la pantalla de su computador en forma animada
cómo se comportarán las filas frente a los puntos de servicio de su
negocio, calcular el número de puntos (y así ahorrarse dinero y
garantizar un mejor servicio al cliente), dimensionar sus puntos de
atención y justificar los recursos necesarios.
ServiceModel, es un software flexible, fácil de manejar y con un
completo reporte de resultados.

Si desea mayor información sobre ServiceModel, puede consultar

las siguientes direcciones: www.promodel.com/ o en la dirección:
www.servicemodel.com/. También puede comunicarse con
Decisiones Logísticas Ltda. en el teléfono 623-7491.
SIMULACION PASO A PASO Para conducir exitosamente un
estudio usando simulación no sólo se necesita un buen software.
Existen una serie de etapas y requisitos que se deben ejecutar
cuidadosamente para no cometer errores en las decisiones que se
deben tomar.
Cuatro son las áreas o elementos críticos que se deben integrar:
Sistema: Es necesario que el proceso esté liderado por una
persona o grupo que conozca detalladamente el sistema. Esto le
permitirá validar, lógicamente, los resultados que se obtengan al
construir el modelo, analizar los datos y parámetros y supervisar
pruebas piloto de ensayo. Así mismo, proveerá la capacidad de
discernir qué elementos son los críticos para modelar y cuáles se
pueden estimar o definir como supuesto.
Simulación: Es necesario un conocimiento del arte y práctica de
simulación para tomar decisiones críticas relacionadas con el nivel
de detalle, alcance, programación y otros puntos generales del
modelaje.
Estadística: La simulación es un ejercicio estadístico, de toma de
decisiones. Se requiere un entendimiento básico de estadística
para ser capaz de modelar efectivamente la variación aleatoria y
comprender e interpretar correctamente los resultados.
Es claro que si los parámetros y datos de entrada que alimentan
el modelo no son correctamente procesados, los resultados que
arroje el mismo no serán correctos y, por ende, las decisiones son
erradas.
Software: Los elementos anteriores deben ir acompañados de una
adecuada selección de software
Áreas de Aplicación

Sistemas de Computadoras. Evaluar hardware o requisitos de

software
• Telecomunicaciones. Diseñar sistemas de comunicación
o protocolos para mensajería, etc.
• Transporte y Energía. Diseñar facilidades como autopistas,
metros, puertos, etc.
• Aplicaciones Militares y Navales. Evaluación de nuevas armas o
tácticas.

• Economía. Análisis de sistemas económicos o financieros

• Fabricación. Diseñar y analizar políticas de planificación,
inventarios, etc.
• Personal en empresas de servicios – Bancos, Comida Rápida, Correo.
• Distribución y Logística
• Salud — Salas de urgencias y de operaciones – Planes de Emergencia
(terremotos, inundaciones) – Distribución de Servicios (juzgados,
hospitales).
Actividad 4
Identifica las aplicaciones de la simulación en diversas áreas
de negocios como los inventarios, líneas de ensamble, la
reparación de maquinaria o equipo, la prestación de un
servicio, la logística entre otros.
La simulación de un sistema de inventarios, es una herramienta
valiosa para toda organización, debido a que permite explorar los
aspectos operativos, como por ejemplo, el cambio en los
inventarios diariamente o por horas o minutos en cada uno de los
eslabones de la cadena de abastecimiento con gran actividad. Un
ejemplo de esto es cuando se analiza la relación el inventario de
seguridad, las demoras en los pedidos y los niveles de servicio en
diferentes puntos de la cadena de abastecimiento, que se ven
afectados por los cambios en los patrones de la demanda y los
pedidos no siempre corresponden al mismo tamaño y dependen
de un pronóstico de ventas. Estas características pueden
incorporarse a un modelo de simulación, que incorpore los
pronósticos de la demanda para la administración y la definición
de la política de inventarios a través de los experimentos
realizados con el modelo de simulación y debido a su capacidad
para emular los sistemas complejos, el uso de la simulación sería
una herramienta eficaz para esta situación.

Uso de Simulación para Sistemas de Manufactura De acuerdo con

[Schulze, 2000],
Los modelos de simulación para sistemas de manufactura pueden
dividirse en tres categorías generales de acuerdo con su uso: •
Modelos de para diseño de sistemas. • Modelos para
administración de sistemas (estos son conocidos como modelos
de simulación administrativa, MSM por sus siglas en inglés). •
Modelos para entrenamiento de personal.

La simulación es ampliamente usada en la operación cotidiana de

plantas de producción para evaluar el desempeño y la capacidad
de esos sistemas al existir cambios en diversos aspectos de
producción, como pueden ser cambios en las condiciones o en los
equipos de trabajo, sin embargo el mayor uso que recibe proviene
de la administración, que utiliza dichos programas para detectar
cuellos de botella, analizar los flujos de trabajo y evaluar
decisiones operativas en relación con el desempeño del mismo
sistema. Podría decirse que lo que la administración busca por
medio de la simulación es, en cierto modo, "experiencia del futuro"
La simulación de las líneas de producción es usada para resolver
preguntas del tipo "que pasa si... ", haciendo posible observar el
comportamiento y los resultados al utilizar diferentes
configuraciones de estas, u observar el impacto de determinadas
condiciones de trabajo tanto controlables como no controlables. El
poder simular las líneas de producción permite visualizar los
posibles problemas que pudieran ser resultado de ajustes en
cualquiera de los equipos que componen la línea de producción,
por ejemplo, un par de brazos mecánicos podrían realizar sus
labores en una línea de ensamble exitosamente durante años y sin
embargo chocar al existir un ligero cambio en la trayectoria de uno
de ellos para adaptarse a un nuevo diseño de producto.
En general resulta muy difícil poder prever todos los posibles
escenarios en los que una línea de producción puede encontrarse.
La única manera en la que se pudieran observar todos los posibles
fallos de manera eficaz es probando el funcionamiento de la línea
de producción de manera experimental, sin embargo, esto trae
consigo pérdidas por la alteración del funcionamiento de dicha
línea de ensamble (al existir pérdida de tiempo de producción) y
posibles pérdidas por daño de equipo, más los costos incurridos al
realizar las modificaciones. Por esta razón, la simulación del
sistema de control y de la línea de producción representa una

buena opción para revisar el funcionamiento del sistema, dada la

distribución del equipo en la línea antes de implementar cualquier
cambio o diseño en el mundo real.

Simulación Aplicada a la Logística.

Gestión de la Cadena de Suministro
Basado en un modelo de simulación con Vensim
En la actualidad existen diferentes estructuras de gestión de
Cadena de Suministro basadas en la colaboración entre los
integrantes de la misma. Para este trabajo se analizan las ventajas
y desventajas de la utilización de cada una de estas estructuras,
en particular Vendor Managed Inventory (VMI) y Electronic Point
of Sales (EPOS) en la gestión de la variabilidad de la demanda con
respecto a la Cadena Tradicional. Además se utilizan varios
modelos de Gestión de Cadena de Suministro, construidos usando
la Metodología de la Dinámica de Sistemas, en los que se modelan
y simulan con el programa informático Vensim© las estructuras
mencionadas.
Estos modelos constituyen una herramienta eficaz que permite
recrear diferentes escenarios, que se ajusten, en mayor o menor
medida, con los objetivos empresariales (tácticos u operativos)
propuestos. Con esta base será posible posteriormente analizar la
variación del efecto látigo (también conocido como efecto Bullwhip)
como uno de los principales causantes de las inestabilidades en el
proceso de gestión de demanda que se producen a lo largo de la
Cadena de Suministro.
Las empresas valoran los conocimientos que permiten una
correcta gestión de la Cadena

de Suministro, basada en modelos de simulación, porque

necesitan tomar sus decisiones teniendo en cuenta el impacto en
la logística.
Este curso permite adquirir, de forma fácil y rápida, formación en
la construcción de modelos dinámicos que sirvan de base para una
buena gestión de la logística de la empresa.
Al finalizar el curso el alumno es capaz de:
1. Realizar una síntesis de un problema complejo.
2. Diagnosticar la evolución natural del sistema analizado.
3. Crear un modelo del sistema e introducirlo en el ordenador.
4. Realizar simulaciones con el modelo, orientadas a hacer
propuestas de actuación.
La extrema competitividad que existe en la economía actual, unida
a los efectos de la globalización, obligan a la industria a encontrar
nuevas vías para interactuar y satisfacer a los clientes. En una
Cadena de Suministro, los fabricantes, intermediarios comerciales,
transportistas, proveedores y organismos oficiales colaboran para
entregar la mercancía de forma rápida y eficaz de modo que el
dinero fluya a través de la economía.
Una Cadena de Suministro optimizada, supone mejoras de
eficiencia que pueden reducir las necesidades de inventario,
ahorrar costes de transporte y otros gastos de distribución, y
optimizar el time to market. Forrester (1958), analizando una

Cadena de Suministro Tradicional, observó que un pequeño

cambio en el patrón de demanda de un cliente se magnificaba
según fluía a través de los procesos de distribución, producción y
aprovisionamiento. En cada nivel de la cadena, esta desviación se
amplificaba aguas arriba de la misma en forma de órdenes de
reabastecimiento.

Esa amplificación se debía, según Forrester, a los problemas

derivados de la existencia de tiempos de suministro (“non-zero
lead times”), y la inexactitud de las previsiones realizadas por los
diferentes miembros de la cadena ante la variabilidad de la
demanda. Más tarde, Lee et al (1997) identifican que la distorsión
de la demanda con respecto a las ventas debida al efecto Forrester
se amplifica aún más debido a los siguientes efectos que pueden
darse incluso de forma simultánea en la Cadena de Suministro: la
lotificación de pedidos, la fluctuación de los precios de los
productos, y el racionamiento y escasez de productos terminados.
Se denomina efecto Látigo (o efecto Bullwhip) a la amplificación de
la varianza en la demanda de productos, producida por la
combinación de estos 4 elementos; amplificación que va
aumentando según nos separamos del consumidor final y nos
adentramos en la Cadena de Suministro.
Alguna de las causas del efecto Bullwhip pueden atribuirse a la
desconfianza entre los miembros de la Cadena de Suministro que
genera una escasez de información dando lugar a la aparición de
problemas de gestión (como pueden ser los excesos de
inventarios, demanda insatisfecha, tiempos de suministro
elevados, etc.): esos se repercuten negativamente en el objetivo
principal de la Cadena de Suministro, que es conseguir la máxima
satisfacción del cliente final (Hosoda y Disney, 2005).

Disney et al. (2004) comentan el interés que tendría para el análisis

de la variabilidad de la demanda (efecto Bullwhip), la utilización de
nuevas estructuras de Cadena de Suministro, tales como EPOS
(Electronic Point of Sales), VMI (Vendor Management Inventory),
ambas basadas en estrategias colaborativas entre los miembros
que la forman, Reducida y E-shopping. La particularidad de la
cadena Reducida es que se eliminan algunos miembros respecto
a lo que puede ser una Cadena de Suministro Tradicional. Esto
reduce los tiempos de suministro totales y las órdenes de
reabastecimiento, lo que suaviza el efecto Bullwhip. La cadena e-

Shopping (o de compra electrónica) se caracteriza por estar

formada por dos miembros, fabricante y consumidor final (por
ejemplo la venta de ordenadores Dell).
En este trabajo se analizan las ventajas y desventajas de la
utilización de las estructuras Tradicional y las colaborativas EPOS
(Electronic Point of Sales), VMI (Vendor Management Inventory)
en la gestión de la variabilidad de la demanda a lo largo de una
Cadena de Suministro multinivel. Dichas estructuras de Gestión de
Cadena de Suministro se han modelado (Campuzano et al., 2008a
y 2008b) usando la Metodología de la Dinámica de Sistemas.
Posteriormente se simulan con el programa informático Vensim©.
Estos modelos constituyen una herramienta eficaz que permiten al
investigador o al responsable de producción decidir, mediante la
recreación de diferentes escenarios, qué estructura se ajusta en
mayor o menor medida con los objetivos empresariales (tácticos u
operativos) propuestos.
Actividad 5
Reflexiona sobre los enfoques de la simulación de sistemas y
el respeto que debe existir hacia el medio ambiente, así como
la responsabilidad social de las instituciones.

Característica en la educación:

1. Apoyan aprendizaje de tipo experimental y conjetural.

2. Permite la ejercitación del aprendizaje.
3. Suministran un entorno de aprendizaje abierto basado en
modelos reales.
4. Alto nivel de interactividad.
5. Tienen por objeto enseñar un determinado contenido.
6. El usuario trata de entender las características de los
fenómenos, cómo controlarlos o que hacer ante diferentes
circunstancias.
7. Promueven situaciones excitantes o entretenidas que sirven de
contexto al aprendizaje de un determinado tema.
8. El usuario es un ser activo, convirtiéndose en el constructor de
su aprendizaje a partir de su propia experiencia.
Las Nuevas Tecnologías ayudan a identificar los elementos que
componen un paisaje, a valorarlo en su justa medida y a
salvaguardar los aspectos medioambientales que merecen
respeto. Esta es una de las principales conclusiones extraídas ayer
en las XV Jornadas Técnicas, que están celebrándose en El Grado
(Huesca), tras la demostración práctica de simulación
medioambiental por ordenador realizada por el doctor en Ciencias
Geológicas por la Universidad Complutense de Madrid, Roberto
González Echeverría.
Según explicó el geólogo, la nueva generación de programas
informáticos disponibles en esta materia permite simular y recrear
con facilidad cualquier territorio geográfico, así como incorporar los
elementos geológicos, climatológicos y medioambientales que lo
caracterizan.

"La simulación por ordenador del entorno inmediato permite prever

los posibles riesgos de deterioro que puede sufrir ese paisaje como
consecuencia de la interacción humana y, en consecuencia,
planificar medidas eficaces para evitar esos efectos indeseados",
aseguró González Echeverría. Para afianzar su explicación, el
doctor mostró diversos ejemplos de recreaciones virtuales de
paisajes realizados por medio de diferentes aplicaciones
informáticas.
Estas jornadas reúnen, bajo el título genérico de "Cultura y
Tecnología", a unos 125 estudiantes de segundo ciclo de la ESO,
FP y Bachillerato procedentes de toda España. El objetivo del
congreso es analizar, a través de talleres y actividades con un
enfoque eminentemente práctico, el modo en que las Nuevas
Tecnologías influyen en la creación de nuevas formas de
conocimiento, comunicación y, en suma, de cultura.
La responsabilidad social de las instituciones, organizaciones y
empresas es un estándar de comportamiento y una forma de
autorregulación que tienen que llevar a cabo para garantizar un
impacto positivo en la sociedad y el medio ambiente.
En general, el término se refiere sobre todo a comportamientos
que son llevados a cabo de manera espontánea por las empresas.
Es decir, todas aquellas acciones que sean requeridas por la ley
no formarían parte de los comportamientos de responsabilidad
social.
En general, las acciones llevadas a cabo por una empresa,
organización o institución debido a la responsabilidad social no
suelen generar beneficios de manera inmediata a la compañía. Por
el contrario, están pensadas para generar un beneficio social o
ambiental a largo plazo.
Hay muchos tipos de acciones que una compañía puede llevar a
cabo para cumplir con su responsabilidad social. Algunas de las
más comunes son utilizar materiales reciclados y energías
renovables, fomentar la igualdad en los puestos de trabajo o crear
programas de integración para darle una oportunidad a los más
desfavorecidos.
Actividad 6
Compara los enfoques de la simulación con los de la teoría de
líneas de espera
La DS aplicable a líneas de espera permite el estudio de su
comportamiento bajo el enfoque de simulación (no de
optimización), replicando las condiciones reales que originan la
línea de espera. El estudio de las colas proporciona la base teórica
del tipo de servicio que se puede esperar de un determinado
recurso, como la forma en la cual dicho recurso puede ser
diseñado para proporcionar un determinado grado de servicio a
sus clientes.
Está claro que un problema de colas puede resolverse mediante
fórmulas analíticas o métodos de simulación. La utilidad de las
fórmulas analíticas, sin embargo, se ve limitada por las
suposiciones matemáticas que deben hacerse para derivar las
fórmulas, además, de que al incrementar la complejidad del
sistema, los modelos teóricos requerirán de métodos radicados en
conocimientos avanzados en matemáticas dificultando su
aplicación (VERGARA & MANGA, 2010).
No obstante, la teoría de colas en combinación con la simulación,
facilitan el análisis en detalle del comportamiento de líneas de
espera. La simulación no es una técnica de optimización; más bien
se emplea para determinar eficiencia de las líneas de espera,
como pueden ser el tiempo promedio de espera en la cola, tiempo
promedio para el servicio, la capacidad y utilización de las
instalaciones (TAHA, 2004, pág. 5). Para lograr modelar y simular
líneas de espera mediante la DS será necesario cumplir con los
siguientes aspectos:
Relacionar la terminología y metodología requerida para la
simulación entre la DS y las líneas de espera
Establecer las similitudes entre los componentes de un sistema de
colas y el diagrama Forrester
Adaptar el modelo de líneas de espera, diagramado empleando la
DS a un lenguaje o software
Relacionar los métodos de validación propuestos para los modelos
realizados en DS y las simulaciones de las líneas de espera
Realizar ejemplos prácticos que demuestren la viabilidad de
integración entre la DS y las líneas de espera.
1.3.1 Relación de terminologías
La DS permite modelar y simular todo tipo de sistema real,
incluyendo las líneas de espera o sistemas de colas.
Tradicionalmente los sistemas de colas han sido ampliamente
modelados y recreados utilizando el método de simulación de
eventos discretos (SED), punto de partida para lograr una
comparación hacia un DS. Los sistemas se componen o describen
(basado en SED) en entidades, atributos, actividades, estados y
eventos (BARCELÓ, 1998) (LAW & KELTON, 2006).
Las entidades corresponden a los elementos que conforman el
sistema (no necesariamente deben ser tangibles). En el caso de
un sistema de colas las entidades corresponden a los clientes,
servidores (elementos físicos) y a la cola misma (elemento no
tangible).
Los atributos equivalen a las propiedades de un sistema. En el
sistema de colas los atributos responden al origen (entrada),
destino (salida) y servicio requerido.
La actividad representa los tiempos manejados dentro el sistema,
por ejemplo el tiempo entre llegadas y tiempo del servicio.
El estado se considera como el conjunto de variables necesaria
para caracterizar el sistema en un momento dado. En un sistema
de colas estas variables pueden ser número de clientes en espera
de recibir un servicio, tiempo promedio entre llegadas, tiempo
promedio de servicio, numero de servidores ocupados, entre otras.
El evento se define como una ocurrencia instantánea que puede
cambiar el estado de un sistema. En un sistema el evento es
originado por las llegadas y salidas de clientes. En las siguientes
ilustraciones (ver ilustraciones 16 y 17) se pueden observar los
algoritmos tipo que describen ambos eventos.
A diferencia de los métodos de simulación tradicionales (SED), la
DS solo describe un sistema mediante variables y sus relaciones,
además de que es utilizada para simular eventos continuos. A esto
se le suma el inconveniente de que existen muy pocos autores que
se han dedicado a la comparación entre ambos métodos de
simulación.
Los principales aportes en el proceso de acoplar el método SED y
SD han sido dados por Sweetser (1999), Lane (2000), Brailsford y
Hilton (2001, 2008), Morecroft y Robinson (2006). En la siguiente
tabla se resume la relación entre ambos métodos.
A pesar de las disimilitudes, varios autores han realizado
comparaciones éxitas (TAKO & ROBINSON, 2008). En la
ilustración 18 se puede observar en que aspectos la DS aventaja
a la SED.
Para lograr un modelo estructural de un sistema de colas mediante
DS, el primer paso conduce a la caracterización del sistema en
variables (ver tabla 3), con la ayuda de la definición de las
entidades (clientes, servidores y cola), atributos (entrada y salida)
y actividades (tiempos de llegada y servicio) dadas en un SED.
En este caso, el número de servidores y filas determinan la
cantidad de variables a utilizar en el sistema (por ejemplo, dos
servidores podrían definirse como servidor_1 y servidor_2). En el
caso de la disciplina la DS, al no enfocarse en los atributos,
dificultan un tratamiento individualizado en la ordenación de los
clientes en la cola por lo que este aspecto no sería tenido en
cuenta en el proceso de modelado.
En el siguiente capítulo (ver capítulo 2) se establecerán las
similitudes entre los componentes de un sistema de colas y el
diagrama Forrester, y su adaptación al software Stella®.
1.3.2 Relación metodológica
Ambas métodos (DS y SED) poseen características comunes que
permiten su comparación. En este libro se tomará como parámetro
metodológico de la DS.
Definición del núcleo problema a estudiar: Equivalente a la
caracterización general del sistema. Se determina el
funcionamiento general del sistema de colas, definiendo el número
de filas, tipo de clientes, servidores, capacidades, distribuciones y
disciplina de la cola.
Identificación de variables y establecer sus relaciones: Se
establecen las variables y se identifican sus relaciones. Este paso
requiere conocer el valor de las variables mediante estudios de
tiempos y/o la observación directa.
Construcción y simulación del modelo: Se procede a establecer
el mapa completo de variables y relaciones, que conciben el
sistema en un diagrama de flujo. Este modelo deberá ser
adaptado a un software de DS, (ejemplo, I Think, Stella o Vensim),
que facilitan su incorporación al ordenador. El modelo creado
necesitará ser validado con la realidad, mostrando congruencia
con los resultados arrojados en la simulación.
Interpretación de resultados: Como última fase, los resultados
se analizan y se realizan pruebas sobre diferentes escenarios.
Unidad 2
Actividad 7
Investiga cómo se presentan los números aleatorios y
pseudoaleatorios

Los sistemas reales frecuentemente tienen valores de tiempo y

cantidades que varían dentro de un rango y de acuerdo a una
función específica de densidad, definida por una distribución de
probabilidad. Por ejemplo, si el tiempo que se tarda una máquina
en procesar una pieza se distribuye entre 2.2 minutos y 4.5
minutos, esto se definirá como una distribución de probabilidad en
el modelo de simulación. Durante la simulación, cada vez que una
pieza entre a esta máquina y sea procesada, el simulador generará
un número al azar entre 2.2 y 4.5 minutos para simular el tiempo
de procesamiento de esa pieza. Cada vez que generamos un valor
a partir de una distribución, a ese valor se le llama variable
aleatoria. Para generar variables aleatorias, es necesario
utilizar números aleatorios.
Definición:
Un número aleatorio es aquél que es generado a partir de la
distribución Uniforme U(0,1).
Propiedades y generadores de números aleatorios.
Su generación se basa en el uso de mecanismos físicos. Entre las
distintas propuestas se incluyen el recuento de partículas emitidas
por una explosión, el lanzamiento de monedas, aparatos
mecánicos basadas en ruedas de la fortuna, etc.
Tienen el inconveniente de ser generados lentamente. Además,
los números aleatorios no pueden almacenarse de forma
automática. Por tanto, se deben buscar procedimientos
algorítmicos computacionales que generen números aleatorios de
forma muy rápida y los puedan almacenar sin utilizar mucha
capacidad de memoria.
Una de las características más poderosas de la simulación es
la habilidad de imitar el comportamiento aleatorio que es
característico de la mayoría de los sistemas reales. Para poder
imitar este comportamiento aleatorio la simulación necesita utilizar
un generador de números aleatorios, el cual es responsable de
producir un ciclo grandísimo e independiente de números
aleatorios.
Hay que aclarar que los números U (0,1) producidos por un
generador de números aleatorios (algoritmo computacional) no
son aleatorios en el verdadero sentido de la palabra, ya que el
generador puede reproducir la misma secuencia de números una
y otra vez, lo cual no indica un comportamiento aleatorio. Por esta
razón, a los números U (0,1) producidos por un generador
(algoritmo) se les llama pseudoaleatorios.
Números pseudoaleatorios
Casi todas las aplicaciones comerciales tienen varios generadores
de números pseudoaleatorios que pueden generar un conjunto
muy grande de números sin mostrar correlación entre ellos, para
ello se utilizan métodos preestablecidos que garantizan esta
demanda.
Para poder realizar una simulación que incluya variabilidad dentro
de sus eventos, es preciso generar una serie de números que sean
aleatorios por sí mismos, y que su aleatoriedad se extrapole al
modelo de simulación que se está construyendo. En la
construcción del modelo los números aleatorios juegan un papel
relevante.
Unas de las primeras tareas que es necesario llevar a cabo
consiste en analizar si los números que se utilizaran para “correr”
o ejecutar la simulación son realmente aleatorios o no; por
desgracia, precisar lo anterior con absoluta certidumbre resulta
muy complicado, ya que para ello se tendría que generar un
número infinito de valores que permitan comprobar la existencia
de correlaciones entre ellos. Esta actividad sería muy costosa y
tardada, volviendo impráctico el uso de la simulación aun con las
computadoras más avanzadas.

Tomando en cuenta lo anterior, se puede asegurar, con altos

niveles de confiabilidad que el conjunto de números que se
utilizarán en la simulación se comportan de manera muy similar a
un conjunto de números totalmente aleatorios; por ello es que se
les denomina números pseudoaleatorios.
Un número pseudoaleatorio es un número U(0,1) producido por un
algoritmo matemático.

Propiedades de los números pseudoaleatorios

Es deseable que los números pseudoaleatorios uniformes posean
las siguientes características:
Uniformemente distribuidos.
Estadísticamente independientes.
Reproducibles.
Periodo largo.
Generados mediante un método rápido.
Generados mediante un método que no requiera mucha capacidad
de almacenamiento de la computadora.
Generar un conjunto de números pseudoaleatorios es una tarea
relativamente sencilla, para ello, el lector sólo tiene que diseñar su
propio algoritmo de generación. Lo que resulta difícil es diseñar un
algoritmo que genere un conjunto de números pseudoaleatorios
con periodo de vida suficientemente grande (N) y además pase sin
problema las pruebas de uniformidad e independencia, lo cual
implica evitar problemas como éstos:
·

Que los números del conjunto no estén uniformemente

distribuidos, es decir, que haya demasiados números en un
subintervalo y otro muy pocos o ninguno.
· Que los números pseudoaleatorios sean discretos en lugar
de continuos.
· Que la media del conjunto sea muy alta o muy baja, es decir,
que esté por arriba o por debajo de ½.
· Que la varianza del conjunto sea muy alta o muy baja, es
decir, que se localice por arriba o por debajo de 1/12.

En ocasiones se presentan también anomalías como números

pseudoaleatorios seguidos por arriba o por debajo de la media;
secuencia de números por arriba de la media, seguida por una
secuencia por debajo de la media, y viceversa, o varios números
seguidos en forma ascendente o descendente.
Existen varios métodos para generar números pseudoaleatorios.
A continuación se presentan los más importantes.

El Método de Centros al Cuadrado (Método de los cuadrados

medios)
Este método es debido a von Neumann y tiene fundamentalmente
sólo interés histórico. El método de centros al cuadrado se apega
a la siguiente metodología:
Inicie con un número entero positivo de 4 (2n) dígitos y llámele
Z0 (X0), llamado semilla.
Eleve Z0 (X0) al cuadrado para obtener un número de 8 (4n) dígitos.
Si es necesario, agregue ceros a la izquierda para hacerlo
exactamente de 8 dígitos.
Tome los 4 (2n) dígitos centrales como el próximo número de 4
(2n) dígitos y llámele Z1(X1).
Coloque el punto decimal a la izquierda de Z1(X1) para obtener el
primer número pseudoaleatorio U (0,1).
Continué generando de esta forma números pseudoaleatorios
U(0,1)
Desventaja del método de centros al cuadrado: Tiene una
fuerte tendencia a degenerar rápidamente hacia cero, donde
permanecerá por siempre.

La gran mayoría de los generadores de números pseudoaleatorios

que se usan en la actualidad son generadores congruenciales
lineales, introducidos por Lehmer en 1951.
Los generadores congruenciales lineales generan una secuencia
de números pseudoaleatorios en la cual el próximo número
pseudoaleatorio es determinado a partir del último número
generado. A continuación se presentan los dos más importantes:
el método congruencial mixto lineal y el método Congruencial
multiplicativo lineal.

Método de Lehmer
El método consiste en los siguientes pasos:

Se toma como semilla un número entero, X0, de n cifras.

Se elige otro entero, c, de k cifras. Suele tomarse k<n.
Se calcula X0 *c, número de a lo sumo, n + k cifras.
Se separan las k cifras de la izquierda de X0*c y al número formado
por las n cifras restantes se le resta el que se forma de esas k cifras
de la izquierda, dando lugar a X1.
Se repite este proceso tantas veces como sea necesario.
Se devuelven los valores

Método Congruencial Mixto Lineal

Los valores posibles de Xn+1 son 0, 1, 2,3,…, m-1, m representa el

número posible de valores que pueden ser generados.

Fórmula:

Donde:
Xn= la semilla (X0>0)
a= el multiplicador (a>0)
c= constante aditiva (c>0)
m= Módulo (m>Xn; m>a; m>c)

Periodo del generador = 4

Reglas para la selección de parámetros en el método
Congruencial mixto lineal
En los ejemplos anteriores se colocaron de manera arbitraria cada
uno de los parámetros requeridos: X0, a, c, m. Sin embargo, para
que el algoritmo sea capaz de lograr el máximo periodo de vida n,
es preciso que dichos parámetros cumplan ciertas condiciones.
Banks, Carson, Nelson y Nicol sugieren lo siguiente:
m= 2g
a= 1 + 4k
k debe ser entero
c relativamente primo a m
g debe ser entero

Bajo estas condiciones se obtiene un periodo de vida máximo: N=

m= 2g.
El Método Congruencial multiplicativo
Al igual que el generador Congruencial mixto lineal, el generador
Congruencial multiplicativo determina el próximo número
pseudoaleatorio a partir del último número generado, de acuerdo
a la siguiente fórmula:

Fórmula: