Ch1 Simio and Simulation Traduccion

Machine Translated by Google
Simio y Simulación:
Modelado, Análisis, Aplicaciones
Quinta edición
Jeffrey S. Smith (Universidad de Auburn) David T. Sturrock (Simio LLC)

W. David Kelton (Universidad de Cincinnati)
Publicado por Simio LLC

www.simio.com
I
yo
Simio y Simulación:
Modelado, Análisis, Aplicaciones
Quinta edición
Revisión: 1 de noviembre de 2018
Copyright c 2018 por Jeffrey S. Smith, David T. Sturrock y W. David Kelton. Reservados todos los derechos. Salvo lo
permitido por la Ley de derechos de autor de los Estados Unidos de 1976, ninguna parte de esta publicación puede
reproducirse ni distribuirse de ninguna forma ni por ningún medio, ni almacenarse en un sistema de recuperación de bases
de datos, sin el permiso previo por escrito del editor.
Damos la bienvenida a los comentarios y otras contribuciones de los instructores y estudiantes para
textbook@simio.com. Este libro de texto fue escrito para Simio 10 o posterior.
• El software Simio Personal Edition está disponible para su descarga en www.simio.com.
• Los profesores que deseen una subvención para usar la versión académica completa de Simio sin cargo pueden
aplicar en www.simio.com/academics.
• Los estudiantes registrados pueden usar el software proporcionado por la universidad sin cargo o pueden obtener un
copia personal por una tarifa nominal a través de su profesor.
Simio es una marca registrada de Simio LLC. Microsoft, Windows, Excel, Word, Power Point, Visio y Visual Studio son
marcas comerciales o marcas comerciales registradas de Microsoft Corporation. OptQuest es una marca registrada de
OptTek Systems, Inc. Stat::Fit es una marca registrada de Geer Mountain Software Corporation. @RISK y StatTools son
marcas registradas de Palisade Corporation. Minitab es una marca comercial registrada de Minitab, Inc. Flexsim es una
marca comercial de productos de software Flexsim. Arena es una marca comercial de Rockwell Automation.
ILOG es una marca registrada de IBM. APO-PP/DS es una marca comercial de SAP. Wonderware es una marca comercial
de Schneider Electric. Todas las demás marcas comerciales y marcas comerciales registradas se reconocen como
propiedad de sus respectivos dueños. Las instrucciones de este libro no cubren todos los aspectos o detalles del software
Simio. Consulte la documentación del producto para obtener las descripciones más recientes y completas.
Prefacio
Esta quinta edición explica cómo usar la simulación para tomar mejores decisiones comerciales en dominios de
aplicaciones que van desde la atención médica hasta la minería, desde la fabricación pesada hasta las cadenas de
suministro y todo lo demás. Está escrito para ayudar a los usuarios técnicos y no técnicos a comprender mejor los
conceptos y la utilidad de la simulación. Se puede utilizar en un entorno de aula o como apoyo al estudio
independiente. El software moderno hace que la simulación sea más útil y accesible que nunca y este libro ilustra
R
los conceptos de simulación con Simio , líder en software de simulación.
Esta edición está escrita para Simio Versión 10 o posterior, lo último en tecnología de simulación.
Hemos incorporado muchas funciones nuevas, así como sugerencias de los lectores. Hemos mejorado el contenido
de Monte Carlo, el análisis de entrada y el análisis de salida, y hemos agregado una nueva cobertura de técnicas
de modelado basadas en datos y generadas por datos. Finalmente, actualizamos significativamente y renombramos
el capítulo Programación basada en simulación a Programación basada en simulación en Industry 4.0, agregando
material que ilustra cómo la simulación está contribuyendo a la creación y operación efectiva de gemelos digitales
y programación y control operativos. Se han mejorado y ampliado los problemas del final del capítulo, y se han
incorporado muchas sugerencias de los lectores. Hemos reorganizado el material para mejorar el flujo y tenemos
actualizaciones a lo largo del libro para muchas de las nuevas características de Simio agregadas recientemente.
Este libro puede servir como texto principal en el primer y segundo curso de simulación tanto a nivel de pregrado
como de posgrado. Está escrito en un enfoque de escritura de estilo tutorial accesible centrado en ejemplos
específicos en lugar de conceptos generales, y cubre una variedad de aplicaciones que incluyen un sabor
internacional. Nuestra experiencia ha demostrado que estas características hacen que el texto sea más fácil de leer
y absorber, además de atraer a estudiantes de diferentes orígenes culturales y de aplicaciones.
Un primer curso de simulación probablemente cubriría del Capítulo 1 al Capítulo 8 a fondo, y probablemente
los Capítulos 9 y 11, particularmente para estudiantes de clase alta o de posgrado. Para un segundo curso de
simulación, podría funcionar omitir o revisar rápidamente los Capítulos 1-3 y 6, cubrir completamente todos los
demás capítulos hasta el Capítulo 11 y usar el Apéndice A como tareas de refuerzo.
El texto o los componentes del mismo también podrían respaldar un módulo de simulación de unas pocas
semanas dentro de un curso de encuesta más amplio en programas sin un curso de simulación independiente (por
ejemplo, MBA). Para un módulo de simulación que es parte de un curso de encuesta más grande, recomendamos
concentrarse en los Capítulos 1, 4 y 5, y luego quizás tocar ligeramente los Capítulos 7 y 8.
La extensibilidad presentada en el Capítulo 11 podría proporcionar un trabajo de proyecto interesante para un
estudiante de posgrado con cierta experiencia en programación, ya que podría vincularse fácilmente con otros
temas de investigación. Del mismo modo, el Capítulo 12 podría usarse como introducción a algún estudio o
investigación avanzados sobre las últimas técnicas en planificación y programación basadas en simulación. El
Apéndice A podría usarse como tareas de los estudiantes o problemas de desafío en un curso de estudio
independiente o enfocado en aplicaciones.
R
Asumimos una familiaridad básica con Microsoft y ventanas R sistema operativo y aplicaciones
R
Word. el trabajoRprevio
Microsoftasume
comunes como Microsoft Excel. Este libro también probabilidad
del curso
y lay estadística.
la comodidad Los
con
lectores
la no
necesitan ser expertos, pero sí
iii
IV
necesita dominio de los conceptos básicos de probabilidad y estadística; los temas más específicos se describen al principio de
los capítulos 2 y 6.
Este libro de texto fue escrito para usarse con el software de simulación Simio. El siguiente Simio
Los productos están disponibles para uso académico:
• Simio Personal Edition permite una capacidad de modelado completa, pero permite guardar y experimentar solo en
modelos pequeños (hasta 30 objetos y 30 pasos). Se puede descargar sin costo desde www.simio.com/evaluate.php.
Si bien esto es útil para el aprendizaje personal y las clases cortas, la limitación del modelo pequeño generalmente lo
hace inadecuado para un entorno de aula donde se involucrarán problemas y proyectos más grandes.
• Simio Academic Edition es un software completo equivalente a Simio Design Edition disponible comercialmente. En
muchas regiones (incluido EE. UU.) no tiene limitaciones de tamaño de modelo; en otras áreas se limita a modelos de
hasta 200 objetos (bastante grandes). En todos los casos, se limita a un uso no comercial (los detalles completos están
disponibles en www.simio.com/academics/simio-academic-simulation-products.htm) y se limita a su uso únicamente en
las computadoras de la universidad y del instructor. Los instructores que deseen una subvención para usar Simio sin
cargo para su departamento y laboratorios pueden solicitarla en www.simio.com/academics.
• Simio Student Edition es idéntico a Simio Academic Edition, pero tiene licencia para que lo usen los estudiantes en sus
propias computadoras. Una licencia de un año está disponible por una tarifa nominal para los estudiantes que están
registrados en un curso acreditado. Tenga en cuenta que los estudiantes pueden usar una edición académica de Simio
proporcionada por la universidad sin cargo. Los profesores que hayan obtenido una subvención de software deben
consultar sus cartas de activación para obtener instrucciones sobre cómo organizar la disponibilidad del software para
sus alumnos, o los profesores pueden ponerse en contacto con academic@simio.com.
Los estudiantes deben comunicarse con sus instructores para conocer la disponibilidad.
Simio sigue un proceso de desarrollo ágil: además de los principales lanzamientos anuales, hay lanzamientos menores
cada tres semanas. Esto es bueno desde el punto de vista de tener nuevas funciones y correcciones de errores disponibles tan
pronto como se crean. Es malo desde el punto de vista de "mantenerse al día": descargar, aprender y documentar. Esta edición
de libro de texto fue escrita para usarse con la versión 10.174 o posterior de Simio. Si bien se seguirán agregando nuevas
funciones, los conceptos presentados en esta edición deberían ser precisos para cualquier versión 10 y posteriores. Los
ejemplos y las figuras pueden tener un aspecto ligeramente diferente si se utilizan diferentes versiones (consulte la explicación
en los Capítulos 1 y 4).
El material complementario del curso también está disponible en línea. Los recursos en línea están disponibles en tres
categorías. Se puede encontrar un sitio web que contiene información general sobre libros de texto y recursos disponibles para
el público en www.simio.com/publications/SASMAA. La información y los recursos disponibles solo para estudiantes están
disponibles a través de enlaces en esa página: aquí encontrará los archivos modelo y otros archivos utilizados en los ejemplos
y problemas de final de capítulo, problemas adicionales y otros recursos útiles. El nombre de usuario es estudiante y la
contraseña es Reg!stered5tudent. Esta área para estudiantes del sitio web también contendrá actualizaciones posteriores a la
publicación, como información específica de versiones posteriores. También hay enlaces especiales de acceso restringido en
esa página que están disponibles para los instructores, que contienen diapositivas y otros recursos didácticos útiles. Un
instructor registrado debe comunicarse con Simio (academic@simio.com) para obtener la información de inicio de sesión.
Muchas personas nos ayudaron a llegar a este punto. Primero, como coautor de la primera edición, el Dr. Alexander
Verbraeck ha brindado contribuciones incalculables a la estructura, la calidad y el contenido. Dr.
C. Dennis Pegden hizo contribuciones importantes al capítulo de programación. El personal técnico de Simio LLC (Cory Crooks,
Glenn Drake, Glen Wirth, Dave Takus, Renee Thiesing, Katie Prochaska y Christine Watson) fueron excelentes para ayudarnos
a comprender las características, encontrar
la mejor manera de describirlos e ilustrarlos, e incluso proporcionó corrección de pruebas y ayuda con los
estudios de casos. Jan Burket y Alex Molnar nos ayudaron con la revisión. Eric Howard, Erica Hedderick y
Molly Arthur de Simio LLC brindaron un gran apoyo para ayudar a correr la voz y trabajar con los primeros
usuarios. De la Universidad de Auburn, Chris Bevelle y Josh Kendrick trabajaron en los nuevos estudios de
caso introductorios, James Christakos y Yingde Li trabajaron en el material para la primera edición, Ashkan
Negahban brindó mucho apoyo durante sus años como estudiante de doctorado y Grant Romine y Samira
Shirzaei brindaron asistencia con la quinta edición.
Si bien apreciamos la participación de todos los primeros usuarios, nos gustaría agradecer especialmente a
Jim Grayson, Gary Kochenberger, Deb Medeiros, Barry Nelson, Leonard Perry y Laurel Travis (y sus
estudiantes en Virginia Tech) por brindar sus comentarios. para ayudarnos a mejorar.
Jeffrey S. Smith
Universidad de
Auburn jsmith@auburn.edu
David T. Sturrock
Simio LLC y la Universidad de Pittsburgh
dsturrock@simio.com
W. David Kelton
Universidad de Cincinnati
david.kelton@uc.edu
Envíe sus comentarios a cualquiera de los autores anteriores o a textbook@simio.com

vi
A los más importantes para nosotros:
Drew, Katy y Kristi

Diana, Kathy, Melanie y Victoria
Albert, Anna, Anne, Christie y Molly
Sobre los autores
Jeffrey S. Smith es profesor Joe W. Forehand de ingeniería industrial y de sistemas en la Universidad de

Auburn y socio fundador de Conflexion, LLC. Antes de su puesto en Auburn, fue profesor asociado de
ingeniería industrial en la Universidad de Texas A&M.
Además de sus puestos académicos, el Dr. Smith ha ocupado puestos profesionales de ingeniería en
Electronic Data Systems (EDS) y Philip Morris USA. El Dr. Smith tiene una licenciatura en Ingeniería
Industrial de la Universidad de Auburn y una maestría y un doctorado en Ingeniería Industrial de la
Universidad Estatal de Pensilvania. Sus principales intereses de investigación son el diseño y análisis de
sistemas de fabricación y la simulación de eventos discretos.
El Dr. Smith forma parte de los consejos editoriales de Journal of Manufacturing Systems and
Simulation, y su trabajo de investigación ha sido financiado por la Agencia de Proyectos de Investigación
Avanzada de Defensa (DARPA), la NASA, la Fundación Nacional de Ciencias (NSF), los Laboratorios
Nacionales Sandia , SEMATECH, USDA y FHWA. Sus socios industriales en investigación patrocinada
incluyen Alcoa, BRP, DaimlerChrysler, Siemens VDO, Continental, Rockwell Software, Systems Modeling
Corporation, JC Penney, Fairchild Semiconductor, IBM, Nacom Industries, UPS y la Asociación de Tenis
de los Estados Unidos (USTA). El Dr. Smith se ha desempeñado como PI o Co-PI en más de $ 8 millones
de investigación patrocinada y ganó el Premio anual de Investigación Senior de la Facultad de Ingeniería
de la Universidad de Auburn en 2004. Además, ha sido seleccionado como Miembro Destacado de la
Facultad en la Departamento de Ingeniería Industrial y de Sistemas en Auburn cuatro veces.
Se ha desempeñado en varios comités de conferencias nacionales, fue el presidente general de la
Conferencia de simulación de invierno de 2004 y actualmente forma parte de la junta directiva de la
Conferencia de simulación de invierno. El Dr. Smith es miembro del Instituto de Ingenieros Industriales y de
Sistemas (IISE) y miembro sénior de INFORMS.
David T. Sturrock es cofundador y vicepresidente de operaciones de Simio LLC. Es responsable del

desarrollo, el soporte y los servicios para los productos de programación y simulación de Simio LLC. En
ese puesto, gestiona el desarrollo de nuevos productos, imparte cursos comerciales frecuentes y gestiona
una variedad de proyectos de consultoría. También imparte clases de simulación como miembro de la
facultad de campo en la Universidad de Pittsburgh. Con más de 35 años de experiencia, ha aplicado
técnicas de simulación en las áreas de manufactura, sistemas de transporte, programación, procesamiento
de alta velocidad, distribución de plantas, procesos de negocios, centros de llamadas, análisis de capacidad,
diseño de procesos, cuidado de la salud, puesta en marcha de plantas y control en tiempo real. Recibió su
licenciatura en ingeniería industrial de la Universidad Estatal de Pensilvania con especialización en
fabricación y automatización.
David comenzó su carrera en Inland Steel Company, donde trabajó como ingeniero industrial de planta
y luego formó y dirigió un grupo de simulación/programación que resolvió una amplia gama de problemas
de modelado para la empresa, sus proveedores y sus clientes. Posteriormente se unió a Systems Modeling
donde, como consultor sénior, luego líder de desarrollo y, en última instancia, vicepresidente de desarrollo,
jugó un papel decisivo en la construcción de SIMAN y Arena en una posición líder en el mercado. Cuando
Rockwell Automation adquirió Systems Modeling, se convirtió en
viii
viii
el Gerente de Producto para el conjunto de productos de simulación y emulación de Rockwell. Es un

ferviente promotor de la simulación y ha dado charlas en más de 40 países de los seis continentes.
Fue el Presidente General de la Conferencia Internacional de Simulación de Invierno de 1999 (WSC).
Fue coautor de las ediciones 3 y 4 de Simulation with Arena (Kelton et al. 2004, 2007). Ha participado
en varios proyectos de investigación financiados, ha escrito un puñado de artículos y ha sido miembro
activo del Instituto de Ingenieros Industriales y de Sistemas (IISE), INFORMS, PDMA, SME, AMA y
otros grupos profesionales.
W. David Kelton es profesor emérito en el Departamento de Operaciones, Análisis de Negocios

y Sistemas de Información de la Universidad de Cincinnati. Recibió una licenciatura en matemáticas
de la Universidad de Wisconsin-Madison, una maestría en matemáticas de la Universidad de Ohio y
una maestría y un doctorado en ingeniería industrial de Wisconsin. Anteriormente estuvo en la
facultad de Penn State, la Universidad de Minnesota, la Universidad de Michigan y Kent State. Los
puestos de visita han incluido la Escuela Naval de Posgrado, la Universidad de Wisconsin-Madison,
el Instituto de Estudios Avanzados de Viena y la Escuela de Economía de Varsovia. Es miembro de
INFORMS, IISE y de la Escuela de Graduados de la Universidad de Cincinnati.
Los intereses de investigación y las publicaciones del Dr. Kelton se encuentran en los aspectos
probabilísticos y estadísticos de la simulación, las aplicaciones de la simulación, el control de calidad
estadístico y los modelos estocásticos. Sus artículos han aparecido en Operations Research,
Management Science, INFORMS Journal on Computing, IIE Transactions, Naval Research Logistics,
European Journal of Operational Research y Journal of the American Statistical Association, entre
otros. Es coautor de Simulation with Arena, que recibió el premio McGraw-Hill al título nuevo más
exitoso en 1998. También fue coautor, con Averill M. Law, de las tres primeras ediciones de Simulation
Modeling and Analysis. Fue editor en jefe de INFORMS Journal on Computing desde 2000 hasta
mediados de 2007; también se desempeñó como editor del área de simulación para Operations
Research, INFORMS Journal on Computing e IIE Transactions.
Ha recibido el premio TIMS College on Simulation al mejor trabajo de simulación en Ciencias de
la Gestión, el premio de la División de Investigación de Operaciones del IIE, el premio INFORMS
College on Simulation Distinguished Service Award y el premio INFORMS College on Simulation
Outstanding Simulation Publication Award. Fue presidente de TIMS College on Simulation y
corepresentante de INFORMS en la Junta Directiva de la Conferencia de Simulación de Invierno
desde 1991 hasta 1999, donde se desempeñó como Presidente de la Junta en 1998. En 1987 fue
Presidente del Programa de la WSC y en 1991 fue Presidente General.
Contenido
Contenido ix
1 Introducción a la simulación 1
1.1 Sobre el Libro . . . . . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 1
1.2 Sistemas y Modelos . . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 3
1.3 Aleatoriedad y el proceso de simulación . . . . . . . . . . . . . . . . . . ... . 5
1.3.1 Aleatoriedad en simulación y variables aleatorias . . . . . . . . . . . . 6
1.3.2 El proceso de simulación . 1.3.3 . . . . . . . . . . . . . . . . . . . . . . ... . 7
Diseño conceptual . . . . . . . . . . . . . . . . . . . . . . . . . . ... . 8
1.3.4 Análisis de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . 8
1.3.5 1.3.6Desarrollo, verificación y validación de modelos . . . . . . . . . ... . 8
Análisis y experimentación de resultados . . . . . . . . . . . ... . ... . 9
1.4 Cuándo simular (y cuándo no) . . . . . . . . . . . . . . . . . . . ... . 9
1.5 Habilidades de Éxito en Simulación . . . . . . . . . . . . . . . . . . . ... . ... . . . . . 10
1.5.1 Objetivos del proyecto . . . . . . . . . . . . . . . . . . . . . . ... . . . . . 10
1.5.2 Especificación funcional . . . . . . . . . . . . . . . . . . . ... . . . . . 12
1.5.3 Iteraciones del proyecto . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . 14
1.5.4 Gestión de Proyectos y Agilidad . . . . . . . . . . . . . . . . . . . . . . 15
1.5.5 Declaraciones de Derechos de las Partes Interesadas y Simulacionistas . . . . . . . ... . . . . . dieciséis
2 Conceptos básicos de la teoría de 19

colas 2.1 Estructura y terminología del sistema de colas . 2.2 . . . . . . . . . . ... . ... . 21
Ley de Little y otras relaciones . . . . . . . . . . . . . . . . . . ... . ... . 23
2.3 Resultados específicos para algunas estaciones de espera multiservidor . . . . . ... . . . . . 24
2.3.1 M/M/1 . . . . . . . . . ... . ... . . . . . . . . . . . . . . . . . . . . 25
2.3.2 M/M/c . . . . . . . . . ... . ... . . . . . . . . . . . . . . . . . . . . 25
2.3.3 M /G/1 . . . . . . . . . ... . ... . . . . . . . . . . . . . . . . . . . . 26
2.3.4 G/M/1 . . . . . . . . . ... . ... . . . . . . . . . . . . . . . . . . . . 26
2.4 Redes de colas . . . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 28
2.5 Teoría de colas frente a simulación . . . . . . . . . . . . . . . . . . . ... . . . . . 31
2.6 Problemas . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 31
3 tipos de simulación 3.1 34

Clasificación de simulaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.1 Modelos estáticos vs. dinámicos . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.2 Modelos dinámicos de cambio continuo frente a cambio discreto . . . . . . . . 35
3.1.3 Estático
Modelos
Estocástico
deterministas
Monte Carlo
vs. estocásticos
. . . . . . . . . . . . . . . . . . . . . 36
3.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
ix
X CONTENIDO
3.2.1 Modelo 3-1: Tirar dos dados . . . . . . . . . . . . . . . . . . . . . . . 38

3.2.2 Modelo 3-2: Integración de Montecarlo . . . . . . . . . . . . . . . . . . . . 40
3.2.3 Modelo 3-3: Ganancias de inventario de un solo período . . . . . . . . . . . . ... . 41
3.2.4 Modelo 3-4: Modelo de decisión de nuevos productos . . . . . . . . . . . . . . . . . 47
3.3 Simulación dinámica sin software especial . . . . . . . . . . ... . . . . . 50
3.3.1 Modelo 3-5: Simulación Dinámica Manual . . . . . . . . . . . . . . ... . 50
3.3.2 Modelo 3-6: Retrasos en la cola de servidor único . . . . . . . . . . . . . ... . 57
3.4 Opciones de software para simulación dinámica . . . . . . . . . . . . . ... . ... . 60
3.4.1 Software
Lenguajes
de simulación
de programación
de propósito
de propósito 3.4.2 . . .
especial . general . . . . . . . . . . . . . . 60
3.5 Problemas . . . . . . . . . . . . . . . . ... . 61
. . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 61
4 primeros modelos de Simio 66

4.1 La interfaz de usuario básica de Simio . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2 Modelo 4-1: Primer proyecto utilizando los objetos de la biblioteca estándar . . ... . . . . . 72
4.2.1 Construyendo el Modelo . . . . . . . . . . . . . . . . . . . . . . ... . . . . . 72
4.2.2 Experimentación Inicial y Análisis . . . . . . . . . . . . ... . . . . . 78
4.2.3 Réplicas y Análisis Estadístico de Salida . . . . . . ... . . . . . 80
4.2.4 Simulaciones de estado estacionario versus de terminación . . . . . . . . . ... . . . . . 84
4.2.5 Verificación del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.3 Modelo 4-2: Primer modelo usando procesos . . . . . . . . . . . . . . . . . . . . . . 87
4.4 Modelo 4-3: Cajero automático (ATM) . . . . . . . . . . . . . . . . . . . 92
4.5 Más allá de los medios: parcelas de Simio MORE (SMORE) . . . . . . . . . . . . . . . . . . . 96
4.6 Exportación de datos de salida para análisis posteriores . . . . . . . . . . . ... . . . . . 102
4.7 Registros interactivos e informes del tablero . . . . . . . . . . . . . . . . . . . . . . 104
Animación del
4.8 4.9 Depuración de modelo
modelosbásico
... ... . . . . . . . . . . . . . . . . . . . . ... . . . . . 107
. ... . . . . . . . . . . . . . . . . . . . . ... . . . . . 109
4.9.1 4.9.2Descubriendo
El proceso de Problemas
depuraciónSutiles
. . . 4.9.3
. . . . . . . . . . . . . . . . ... . . . . . 111
Herramientas de depuración . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
. ... . . . . . . . . . . . . . . . . . . . . . . . . 113
4.10 Resumen . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . . . . . 114
4.11 Problemas . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . . . . . 114
5 Modelado intermedio con Simio Simio 117

5.1 . . . .5.1.4
Framework . . . 5.1.1 5.1.2 5.1.3 . . . . . . .. . . . . . . . . . . . . ... . ... . 117
5.1.5 5.1.6Introducción
Alcance de los datos . 5.1.7
a los Objetos . . . . . .. . . . . . . . . . . . . ... . ... . 117
GeneradorPropiedades
de expresiones . . 5.1.8.
y Estados . . . . . .. . . . . . . . . . . . . . . . . ... . 120
Costeo . Fichas y Entidades . . . . . . . .. . . . . . . . . . . . . . . . . ... . 125
Procesos . . . . ... . . . . . . .. . . . . . . . . . . . . . . . . ... . 127
Objetos como recursos . . . . . . . .. . . . . . . . . . . . . . . . . ... . 128
. . ... . . . . . . .. . . . . . . . . . . . . . . . . ... . 130
. . . . . . .. . . . . . . . . . . . . ... . ... . 131
. . . . ... . . . . . . .. . . . . . . . . . . . . . . . . ... . 132
5.2 Modelo 5-1: Montaje de PCB . . . . . . . . .. . . . . . . . . . . . . . . . . ... . 134
5.3 Modelo 5-2: Ensamblaje de PCB mejorado . . .. . . . . . . . . . . . . . . . . ... . 138
retrabajo . .Adición
5.3.1 5.3.2
de una
Usoestación
de expresiones
de . . .. . . . . . . . . . . . . . . . . ... . 138
con pesos de enlace . . . . . . . . . . . . . . . ... . 142
5.3.3 5.3.4 Fallas
Horarios
de de
máquinas
recursos. .. .. . . . . . . . . . . . . . . . . . . . . . . . . ... . 144
. . . . . . . . . . . . . . . . . . . . ... . ... . 149
5.3.5 Verificación del Modelo 5-2 . . . . . . . . . . . . . . . . . . . . . . . ... . 150
CONTENIDO xi
5.4 Modelo 5-3: Modelo de PCB con selección de proceso . . . . . . . . . . . . . . ... . 152
5.5 Modelo 5-4: Comparación de múltiples escenarios alternativos . . . . . . ... . ... . 157
5.6 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . ... . 162
5.7 Problemas . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 162
6 Análisis de entrada 165

6.1 Especificación
de distribuciones de probabilidad de entrada univariadas . 6.1.1 . . ... . . . . . . . . . 166
Enfoque general . . 6.1.2
del mundo realOpciones . .usar
para
. 6.1.3 Elección. de
. distribuciones
. . . observados
datos . . . . de
. . . . . . . . . . . . . ... . 166
probabilidad . 6.1.4 Ajuste
observados . de distribuciones a datos reales . . . . . . . . . . ... . 167
. . . . . . . . . . . . ... . . . . . 168
. . . ... . . . . . 170
6.1.5 Más sobre la evaluación de la bondad de ajuste . 6.1.6 . . . . . . . . . . . . . . . . . . . . 177
Problemas de instalación de distribución . . . . . . . . . . . . . . . . . . ... . . . . . 181
6.2 Tipos de Entradas . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 187
6.2.1 Determinista
Estocástico
vs . 6.2.2 Procesos . . . . . . . . . . . . . . . . ... . . . . . 187
escalares, 6.2.3
multivariados
Tasa de yllegada
estocásticos
variable
. en el tiempo . . . . . . ... . ... . 188
. . . . . . . . . . . . . . . . . . . . ... . 189
6.3 Generadores de números aleatorios . ... . . . . . . . . . . . . . . . . . . . . ... . 190
6.4 Generación de variantes y procesos aleatorios . . . . . . . . . . . . . . . . ... . 193
6.5 Uso de los parámetros de entrada de Simio . . . . . . . . . . . . . . . . . . . . ... . ... . 197
6.5.1 Estimación
Sensibilidad
del errorde
delrespuesta
tamaño de. la . . . . . . . . . . . . . . . . . . . . ... . ... . 200
6.5.2 muestra . . . . . . . . . . . . . . . . . . . . ... . 203
6.6 Problemas . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 204
7 Trabajar con datos del modelo 7.1 207

. . ... . ... . . . . . . . . . . . . .
Tablas de datos . 7.1.1 Conceptos . . . . . . . ... . ... . 207
básicos deModelo
las tablas
7-1: . .un ED usando . . . . . . . . . . . . .
. 7.1.2 . . . . . . . . . . . ... . 208
una tabla de datos . 7.1.3
secuencias . . . Tablas de . . . . . . . . . . . . . . . . . . 209
. . . . . . . . . . . . . . . . . . . . . . . . ... . 213
7.1.4 Modelo 7-2: ED mejorado mediante tablas de secuencias . . . . . . . . . . . . . 214
7.1.5 Mesas de llegada y modelo 7-3 . 7.1.6 Tablas . . relacionales
. . . . . . . . .. . . . . . . . . . ... . 218
. . . . . . . . . . . . . . . . . . . . . . . . ... . 220
tablas . 7.1.7
Importación/exportación
7.2 Horarios . 7.2.1 de ... . . . . . . . . . . . . . . . . . . . . ... . 221
. . . . . .. . . . . . . . . . . . . . . . . . . .
Horarios de trabajo del calendario . . . . . ... . . . . . 222
. . . . . . . . . . . . . . . . . . . . . ... . 222
7.2.2 Horarios manuales . . . . . . . . . . . . . . . . . . . . . . . . . . ... . 224
7.3 Tablas de tarifas y modelo 7-4 . . ... . . . . . . . . . . . . . . . . . . . . ... . 225
7.4 Tablas de consulta y modelo 7-5 . 7.5 ... . . . . . . . . . . . . . . . . . . . . ... . 227
. . . .. . . . . . . . . . . . . . .
Listas y cambios . 7.6 Conjuntos de estados . . . . . ... . ... . 228
. . ... . ... . . . . . . . . . . . . . . . . . . . . ... . . . . . 230
7.7 Modelos controlados por . ... . . . . . . . . . . . . . . . . . . . . ... . . . . . 231
datos . 7.7.1 Tablas y
grupos repetidos . . . . . . . . . . . . . . . . . . . . . . . . . 232
7.8 Modelos generados por datos . . . . . . . . . . . . . . . . . . . . . . . ... . ... . 234
7.9 Resumen . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 235
7.10 Problemas . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 235
8 Animación y movimiento de entidades 239

8.1 Animación . . . . ... . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
8.1.1 ¿Por qué animar? . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
8.1.2 Opciones de navegación y visualización . . . . . . . . . . . . . . . . . . . . . . 241
xi CONTENIDO
de estado con
Animación
la cintade defondo
animación
con la. cinta
8.1.4 de
Edición
dibujode. 8.1.3
símbolosAnimación
con la . . . . . . . . . . . 243
ensamblajecinta
de PCB
de símbolos
. 8.1.6 8.2 . 8.1.5
Movimiento
Modelo de8-1:
entidades
Animación . . .del
8.2.1 . . . . . . . . . ... . 244
Uso de conectores,
Movimiento rutasde deentidades
tiempo ya rutas
través. 8.2.3
del espacio
Uso delibre . 8.2.2 . . . . . . . . . . . ... . 246
transportadores . . . . . . . . . . . . . . . . . . . 248
. . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . 251
. . . . . . . . . . . . . . ... . 253
. . . . . . . . . . . . . . . . 254
. ... . . . . . . . . . . . . . . . . . . . . ... . 256
8.2.4 Modelo 8-2: Montaje de PCB con transportadores . 8.2.5 . . . . . . . . . . . . . . . 257
Uso de trabajadores . 8.2.6 Uso .de . . vehículos
. . . . .. . . . . . . . . . . . . . . . . . . . ... . 259
... . . . . . . . . . . . . . . . . . . . . . . . . ... . 262
8.2.7 Modelo 8-3: ED mejorado con personal hospitalario . . . . . . . . . . . . . . . 262
8.3 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . ... . 269
8.4 Problemas . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 269
9 Modelado avanzado con Simio 271

9.1 Modelo 9-1: revisión del modelo ED . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
9.1.1 Búsqueda de niveles de recursos óptimos en el modelo 9-1 con OptQuest . . . . . 280
9.1.2 Clasificación y selección de escenarios alternativos en el modelo 9-1 con subconjunto
Selección y KN . . . . 287 . ... . . . . . . . . . . . . . . . . . . . . ...
9.2 Modelo 9-2: Modelo para llevar pizza . . . . . . . . . . . . . . . . . . . . . . . . . . 291
9.2.1 Experimentación con el modelo 9-2 . . . . . . . . . . . . . . . . . . . . . . 298
9.3 Modelo 9-3: Búferes de capacidad fija . . . . . . . . . . . . . . . . . . . . . . . . . 301
9.4 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 306
9.5 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
10 Temas varios de modelado 10.1 Paso de 309

búsqueda . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . . . . . 309
10.1.1 Modelo 10-1: Búsqueda y eliminación de entidades de una estación . . . . 309
10.1.2 Modelo 10-2: Acumulación de un tiempo de proceso total en un lote . . . . . . . 311
10.2 Modelo 10-3: Obstáculo y renegación . . . . . . . . . . . . . . . . . . . . . ... . 312
10.3 Secuencias de tareas . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . ... . 314
10.4 Lógica de decisión basada en eventos . . . . . . . . . . . . . . . . . . . . . ... . ... . 317
10.5 Otras bibliotecas y recursos . . . . . . . . . . . . . . . . . . . . ... . ... . 319
10.5.1 Biblioteca de flujo . . ... . . . . . . . . . . . . . . . . . . . . . . . . ... . 319
10.5.2 Biblioteca de extras . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 320
10.5.3 Foro de elementos compartidos . . . . . . . . . . . . . . . . . . . . . . . . . ... . 321
10.6 Experimentación . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . 322
10.6.1 Procesamiento paralelo . . . . . . . . . . . . . . . . . . . . . . ... . ... . 322
10.6.2 Procesamiento en la nube . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . 323
10.7 Resumen . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 323
10.8 Problemas . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 323
11 Personalización y ampliación de Simio 325

11.1 Conceptos básicos de definición de objetos . . . . . . . . . . . . . . . . . ... . ... . 326
11.1.1 Lógica del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . 327
11.1.2 Vista externa . ... . . . . . . . . . . . . . . . . . . . . . . . . ... . 327
11.1.3 Subclasificación de una definición de objeto . . . . . . . . . . . . . . ... . ... . 329
11.1.4 Propiedades, estados y eventos . . . . . . . . . . . . . . . ... . ... . 330
11.2 Modelo 11-1: Creación de un objeto jerárquico . . . . . . . . . . . . ... . ... . 331
CONTENIDO XIII
11.2.1 Lógica del modelo . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . 331

11.2.2 Vista externa . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
11.3 Modelo 11-2: Construcción de un objeto base . . . . . . . . . . . . . . . . . . . . . . . . 334
11.3.1 Lógica del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
11.3.2 Vista externa . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337
11.4 Modelo 11-3: subclasificación de un objeto . . . . . . . . . . . . . . . . . . . . . . . . 338
11.4.1 Lógica del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339
11.4.2 Vista externa . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
11.5 Trabajar con extensiones de usuario . . . . . . . . . . . . . . . . . . . ... . . . . . 342
11.5.1 Cómo crear e implementar una extensión de usuario . . . . . . . . . . . . . . . 343
11.6 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . 344
11.7 Problemas . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . . . . . 344
12 Programación basada en simulación en la Industria 4.0 12.1 346

Revoluciones industriales a través de los tiempos . . . . . . . . . . . . . . ... . ... . 346
12.2 La Cuarta Revolución Industrial – La Fábrica Inteligente . . . . . . ... . ... . 347
12.3 La necesidad de un gemelo digital . . . . . . . . . . . . . . . . . . . . . . . . . ... . 349
12.4 Papel de la simulación de diseño en la Industria 4.0 . . . . . . . . . . . . . ... . ... . 350
12.5 El papel de la programación basada en simulación . . . . . . . . . . . . . . . . . ... . 352
12.5.1 Simulación como Gemelo Digital . . . . . . . . . . . . . . . . . . . ... . 354
12.6 Problemas difíciles en la planificación y programación . . . . . . . . . . . . ... . ... . 355
12.7 Programación basada en simulación . . . . . . . . . . . . . . . . . . . . . ... . . . . . 357
12.8 Planificación y programación basadas en riesgos . . . . . . . . . . . . . . . . ... . ... . 360
12.9 Planificación y programación con Simio Enterprise . . . . . . . . . . ... . . . . . 361
12.10 La interfaz de programación . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . 363
12.11 Modelo 12-1: Primer enfoque del modelo para la programación . . . . . . . . . . . . . ... . 365
12.11.1 Construcción de un modelo de programación simple . . . . . . . . . . . . . . . . ... . 365
12.11.2 Creación de un modelo más realista . . . . . . . . . . . . . . . . . . . ... . 366
12.11.3 Adición de objetivos y seguimiento de rendimiento . . . . . . . . . . . . . . . . 367
12.11.4 Herramientas de evaluación adicionales . . . . . . . . . . . . . . . . . . . . . ... . 369
12.12 Modelo 12-2: enfoque Data First para la programación . . . . . . . . . . . . . . ... . 371
12.12.1 Configuración del modelo para la importación de datos . . . . . . . . . . . . . . . . . . 371
12.12.2 Importación de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . 372
12.12.3 Ejecución y análisis del modelo . . . . . . . . . . . . . . . . . ... . 372
12.13 Información adicional y ejemplos . . . . . . . . . . . . . . . ... . ... . 373
12.13.1 Libros electrónicos de Simio sobre planificación y programación . . . . . . . . . . . . . . . . 373
12.13.2 Ejemplos de programación . . . . . . . . . . . . . . . . . . . . . ... . ... . 374
12.14 Resumen . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 375
12.15 Problemas . . . . ... . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 375
ANEXOS 376
A Casos prácticos con Simio A.1 377

Operación de inspección y mecanizado . . .
. . . . . . . . . . . . . . . . . . . . . . . . 377
A.1.1 Descripción del problema . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . 377
A.1.2 Modelo de muestra y resultados . . . . . . . . . . . . . . . . . . . . . . . . . 380
A.2 Parque de atracciones . . . . ... . . . .. . . . . . . . . . . . . . . . . . . . . . . . 387
A.2.1 Descripción del problema . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . 387
A.2.2 Modelo de muestra y resultados . . . . . . . . . . . . . . . . . . . . . . . . . 390
A.3 Restaurante Sencillo . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . 392
xiv CONTENIDO
A.3.1 Descripción del problema . . . . . . . . . . . . . . . . . . . . . ... . ... . 392

A.4 Sucursal bancaria pequeña . . . ... . . . . . . . . . . . . . . . . . . . . ... . ... . 394
A.5 Ciudad de Vacaciones Aeropuerto . . . . . . . . . . . . . . . . . . . . . . . . ... . ... . 397
A.6 Simplemente el mejor hospital . . . . . . . . . . . . . . . . . . . . . . ... . ... . 401
B Problemas de competencia de estudiantes de Simio 404

B.1 Alquiler de coches innovadores . . . . . . . . . . . . . . . . . . . . . . . . ... . ... . 404
B.2 Logística de Perforación Simio . . . . . . . . . . . . . . . . . . . . ... . ... . . . . . 405
B.3 Centros de Atención de Urgencias de Simio . . . . . . . . . . . . . . . . . . . . ... . ... . 405
B.4 Problema de fabricación aeroespacial . . . . . . . . . . . . . . . . . . . . . ... . 405
B.5 Cadena de suministro latinoamericana . . . . . . . . . . . . . . . . . . . . ... . ... . 406
B.6 Suministro de fabricación de pulpa y papel . . . . . . . . . . . . . . . ... . . . . . 406
B.7 Cambio de divisas mundial . . . . . . . . . . . . . . . . . . . . . . ... . ... . 407
B.8 Instalación del panel solar Sunrun . . . . . . . . . . . . . . . . . . . ... . . . . . 407
B.9 Producción de semillas . . . . ... . . . . . . . . . . . . . . . . . . . . ... . . . . . 407
Bibliografía 408
Índice 412
Capítulo 1
Introducción a la simulación
La simulación ha estado en uso durante más de 40 años, pero recién está entrando en su mejor momento. Gartner
(www.gartner.com) es un proveedor líder de investigación técnica y asesoramiento para empresas. En 2010, Gartner
[13] identificó a Advanced Analytics, incluida la simulación, como el número dos de las diez principales tecnologías
estratégicas. En 2012 [56] y 2013 [14], Gartner volvió a enfatizar el valor del análisis y la simulación:
“Debido a que el análisis es el 'motor de combustión de los negocios', las organizaciones invierten en
inteligencia comercial incluso cuando los tiempos son difíciles. Gartner predice que la próxima gran fase
de la inteligencia de negocios será un movimiento hacia una mayor simulación y extrapolación para
brindar decisiones más informadas”.
“Con la mejora del rendimiento y los costos, los líderes de TI pueden permitirse realizar análisis y
simulaciones para cada acción realizada en el negocio. El cliente móvil vinculado a motores analíticos
basados en la nube y repositorios de big data potencialmente permite el uso de optimización y simulación
en todas partes y en todo momento. Este nuevo paso proporciona simulación, predicción, optimización y
otros análisis, para potenciar aún más la flexibilidad de decisión en el momento y lugar de cada acción
del proceso comercial”.
Los avances en hardware y software relacionados con la simulación durante la última década han sido
espectaculares. Las computadoras ahora brindan un poder de procesamiento inaudito incluso hace unos años. Las
interfaces de usuario y el diseño de productos mejorados han hecho que el software sea significativamente más fácil
de usar, lo que reduce la experiencia requerida para usar la simulación de manera efectiva. Los avances en la tecnología
orientada a objetos continúan mejorando la flexibilidad del modelado y permiten un modelado preciso de sistemas altamente comp
El hardware, el software y los símbolos disponibles públicamente hacen posible que incluso los novatos produzcan
simulaciones con animaciones 3D atractivas para apoyar la comunicación entre personas de todos los orígenes. Estas
innovaciones y otras están trabajando juntas para impulsar la simulación a una nueva posición como tecnología crítica.
Este libro le abre el mundo de la simulación al brindarle los conceptos básicos de la tecnología general de
simulación, identificar las habilidades necesarias para proyectos de simulación exitosos e introducir un paquete de
simulación de última generación.
1.1 Sobre el Libro

Comenzaremos presentando algunos conceptos generales de simulación, para ayudar a comprender la tecnología
subyacente sin entrar aún en conceptos específicos del software. El Capítulo 1, Introducción a la simulación, cubre
aplicaciones típicas de simulación, cómo identificar una simulación adecuada
1
2 CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN
aplicación, y cómo llevar a cabo un proyecto de simulación. El Capítulo 2, Conceptos básicos de la teoría de colas,
presenta los conceptos de la teoría de colas, sus puntos fuertes y sus limitaciones y, en particular, cómo se puede
utilizar para ayudar a validar componentes de modelos de simulación posteriores. El Capítulo 3, Tipos de simulación,
presenta algunos de los aspectos técnicos y la terminología de la simulación, clasifica los diferentes tipos de simulaciones
en varias dimensiones y luego ilustra esto trabajando con varios ejemplos específicos.
A continuación, presentamos conceptos de simulación más detallados ilustrados con numerosos ejemplos
implementados en Simio. En lugar de dividir los componentes técnicos (como la validación y el análisis de salida) en
capítulos separados, consideramos cada ejemplo como un mini proyecto e introducimos sucesivamente más conceptos
con cada proyecto. Este enfoque brinda la oportunidad de aprender las mejores prácticas y habilidades generales en
una etapa temprana y luego reforzar esas habilidades con cada proyecto sucesivo.
El Capítulo 4, Primeros modelos de Simio, comienza con una breve descripción general de Simio y luego se lanza
directamente a la creación de un modelo de cola de servidor único en Simio. El objetivo principal de este capítulo es
presentar el proceso de creación de modelos de simulación utilizando Simio. Si bien los procesos básicos de creación y
análisis de modelos no son específicos de Simio, nos centraremos en Simio como vehículo de implementación. Este
proceso no solo introduce habilidades de modelado, sino que también cubre el análisis estadístico de los resultados de
salida de la simulación, la experimentación y la verificación del modelo. Luego, ese mismo modelo se reproduce
utilizando herramientas de nivel inferior para ilustrar otro posible enfoque de modelado, así como para brindar una mayor
comprensión de lo que sucede "detrás de la cortina". El capítulo continúa con un tercer modelo más interesante de un
cajero automático, presenta un análisis de salida adicional utilizando los gráficos SMORE innovadores de Simio y
analiza el análisis de salida fuera de Simio. El capítulo cierra con una discusión sobre cómo descubrir y rastrear esos
desagradables "errores" que a menudo infestan los modelos.
El objetivo del Capítulo 5, Modelado intermedio con Simio, es construir sobre los conceptos básicos de modelado y
análisis de Simio presentados anteriormente para que podamos comenzar a desarrollar y experimentar con modelos de
sistemas más realistas. Comenzaremos discutiendo un poco más sobre cómo funciona Simio y su marco general.
Luego, construiremos un modelo de ensamblaje electrónico y, sucesivamente, agregaremos funciones adicionales,
incluido el modelado de múltiples procesos, ramificación y fusión condicionales, etc. A medida que desarrollemos estos
modelos, continuaremos introduciendo y utilizando nuevas funciones de Simio. También retomaremos nuestra
investigación sobre cómo configurar y analizar experimentos de simulación estadística sólidos, esta vez teniendo en
cuenta el objetivo común de comparar múltiples escenarios alternativos. Al final de este capítulo, debe tener una buena
comprensión de cómo modelar y analizar sistemas de complejidad intermedia con Simio.
En este punto, habremos cubierto algunas aplicaciones de simulación interesantes, por lo que luego analizaremos
los problemas relacionados con las distribuciones de entrada y los procesos que impulsan los modelos. El capítulo 6,
Análisis de entrada, analiza diferentes tipos de entradas para simulaciones, métodos para convertir datos observados
del mundo real en algo útil para un proyecto de simulación y generar las cantidades aleatorias de entrada apropiadas
que se necesitan en la mayoría de las simulaciones.
El Capítulo 7, Trabajar con datos de modelos, tiene una visión más amplia y examina los muchos tipos de datos
que a menudo se requieren para representar un sistema real. Comenzaremos construyendo un modelo simple de
departamento de emergencias (ED) y mostraremos cómo cumplir con sus requisitos de datos de entrada utilizando la
construcción de tabla de datos de Simio. Agregaremos sucesivamente más detalles al modelo para ilustrar los conceptos
de tablas de secuencia, tablas de datos relacionales, tablas de llegada y tablas de datos de importación y exportación.
Continuaremos mejorando el modelo ED para ilustrar horarios de trabajo, tablas de tarifas y tablas de funciones. El
capítulo finaliza con una breve introducción a las listas, arreglos y matrices de cambio. Después de completar este
capítulo, debería tener un buen dominio de los tipos de datos que se encuentran con frecuencia en los modelos y las
opciones de Simio para representar esos datos.
Animación y movimiento de entidades, Capítulo 8, analiza la validación mejorada, la comunicación
1.2. SISTEMAS Y MODELOS 3
y la credibilidad que la animación 2D y 3D puede aportar a un proyecto de simulación. Luego exploramos las diversas
herramientas de animación disponibles, incluida la animación de fondo, los símbolos personalizados y los objetos de
estado. Revisaremos nuestro modelo anterior de ensamblaje electrónico para practicar algunas nuevas habilidades de
animación, así como para explorar los diferentes tipos de enlaces disponibles y agregar transportadores para manejar el
flujo de trabajo. Finalmente, presentaremos los objetos Simio Vehicle y Worker para el movimiento asistido de entidades y
revisaremos nuestro modelo ED anterior para considerar la dotación de personal y mejorar la animación.
El capítulo 9 es Modelado avanzado con Simio. Comenzamos con una versión más simple de nuestro modelo ED,
con el objetivo de demostrar el uso de modelos para la toma de decisiones y, en particular, la optimización basada en
simulación. Luego, presentaremos un nuevo ejemplo de pizzería para ilustrar algunas construcciones de modelado nuevas,
así como para reunir conceptos que se introdujeron anteriormente.
Un tercer y último modelo, una línea de montaje, permite el estudio de la asignación de espacio intermedio para maximizar
el rendimiento.
El capítulo 10 es nuevo en la cuarta edición y cubre temas varios de modelado. Esto introduce algunos conceptos de
modelado poderosos como el paso de búsqueda, el bloqueo y la renuncia, las secuencias de tareas y la lógica de decisión
basada en eventos. También presenta la biblioteca de flujo para el procesamiento de flujo, la biblioteca de extras para
grúas, elevadores y otros dispositivos, y el foro de elementos compartidos, una fuente de otras herramientas valiosas. Este
capítulo finaliza discutiendo la Experimentación y algunas de las opciones disponibles para ejecutar efectivamente muchas
réplicas y escenarios.
El Capítulo 11, Personalización y ampliación de Simio, comienza con material un poco más avanzado: se basa en la
experiencia previa con el uso de procesos complementarios para brindar orientación en la creación de sus propios objetos
y bibliotecas personalizados. Incluye ejemplos de creación de objetos jerárquicamente a partir de objetos básicos y
subclasificación de objetos de biblioteca estándar. Este capítulo finaliza con una introducción a la extensibilidad de Simio
a través de la programación de sus propias reglas, componentes y complementos para Simio.
El Capítulo A, Casos de estudio con Simio, incluye cuatro casos de estudio introductorios y dos avanzados relacionados
con el desarrollo y uso de modelos de Simio para analizar sistemas. Estos problemas tienen un alcance mayor y no están
tan bien definidos como los problemas de tarea de los capítulos anteriores y brindan la oportunidad de usar sus habilidades
en problemas más realistas. En el Capítulo 12, Programación basada en simulación, exploramos el uso de la simulación
como herramienta de planificación y programación.
Si bien la planificación y la programación basadas en simulación se han discutido y utilizado durante muchos años, los
avances recientes en las herramientas de software de simulación han hecho que estas aplicaciones sean significativamente
más fáciles de implementar y usar. Concluimos este capítulo con una descripción de la tecnología de planificación y
programación basada en riesgos (RPS) de Simio.
Finalmente, el Apéndice B, Problemas de competencia de estudiantes de Simio, proporciona resúmenes de problemas
recientes presentados en lo que se ha convertido rápidamente en la competencia de simulación de estudiantes más
grande. Este es un lugar ideal para explorar un proyecto desafiante u obtener ideas para crear su propio proyecto.
1.2 Sistemas y Modelos

Un sistema es cualquier conjunto de componentes relacionados que juntos trabajan hacia algún propósito. Un sistema
puede ser tan simple como una línea de espera en un cajero automático (ATM) o tan complejo como un aeropuerto
completo o una red de distribución mundial. Para cualquier sistema, ya sea existente o simplemente contemplado, es
necesario y, a veces, incluso esencial, comprender cómo se comportará y funcionará en diversas configuraciones y
circunstancias.
En un sistema existente, a veces puede obtener la comprensión necesaria mediante una observación cuidadosa. Un
inconveniente de este enfoque es que es posible que deba observar el sistema real durante mucho tiempo para observar
las condiciones particulares de interés incluso una vez, y mucho menos hacer suficientes observaciones para llegar a
conclusiones confiables. Y, por supuesto, para algunos sistemas (como un
red de distribución mundial), puede que no sea posible encontrar un punto de vista desde el que pueda observar todo
el sistema con un nivel de detalle adecuado.
Surgen problemas adicionales cuando desea estudiar cambios en el sistema. En algunos casos, puede ser fácil
realizar un cambio en el sistema real; por ejemplo, agregar una segunda persona temporal a un turno de trabajo para
observar el impacto. Pero en muchos casos, esto simplemente no es práctico: considere la inversión requerida para
evaluar si debe usar una máquina estándar que cuesta $300,000 o una máquina de alto rendimiento que cuesta
$400,000. Finalmente, si el sistema real aún no existe, ninguna observación es posible en absoluto.
Por estas razones, entre otras, usamos modelos para ganar comprensión. Hay muchos tipos de modelos, cada
uno con sus propias ventajas y limitaciones. Los modelos físicos, como el modelo de un automóvil o un avión, pueden
proporcionar tanto un sentido de la realidad como una interacción con el entorno físico, como en las pruebas de túnel
de viento. Los modelos analíticos usan representaciones matemáticas que pueden ser bastante útiles en dominios de
problemas específicos, pero los dominios aplicables a menudo son limitados.
La simulación es un enfoque de modelado con una aplicabilidad mucho más amplia.
La simulación por computadora imita la operación de un sistema y sus procesos internos, generalmente a lo largo
del tiempo, y con el detalle apropiado para sacar conclusiones sobre el comportamiento del sistema. Los modelos de
simulación se crean utilizando software diseñado para representar componentes comunes del sistema y registrar
cómo se comportan con el tiempo. La simulación se utiliza para predecir tanto el efecto de los cambios en los sistemas
existentes como el rendimiento de los nuevos sistemas. Las simulaciones se utilizan con frecuencia en el diseño,
emulación y operación de sistemas.
Las simulaciones pueden ser estocásticas o deterministas. En una simulación estocástica (la más común), se
introduce la aleatoriedad para representar la variación encontrada en la mayoría de los sistemas. Las actividades que
involucran a personas siempre varían (por ejemplo, en el tiempo necesario para completar una tarea o la calidad del
desempeño); las entradas externas (como clientes y materiales) varían; y se producen excepciones (fallos).
Los modelos deterministas no tienen variación. Estos son raros en las aplicaciones de diseño, pero más comunes en
el soporte de decisiones basado en modelos, como las aplicaciones de programación y emulación. La Sección 3.1.3
trata esto con más detalle.
Hay dos tipos principales de simulación, discreta y continua. Los términos discreto y continuo se refieren a la
naturaleza cambiante de los estados dentro del sistema. Algunos estados (p. ej., la longitud de una cola, el estado de
un trabajador) pueden cambiar solo en puntos discretos en el tiempo (llamados tiempos de eventos). Otros estados
(por ejemplo, la presión en un tanque o la temperatura en un horno) pueden cambiar continuamente con el tiempo.
Algunos sistemas son puramente discretos o continuos, mientras que otros tienen ambos tipos de estados presentes.
La Sección 3.1.2 analiza esto más a fondo y da un ejemplo de una simulación continua.
Los sistemas continuos se definen mediante ecuaciones diferenciales que especifican la tasa de cambio. El
software de simulación utiliza la integración numérica para generar una solución para las ecuaciones diferenciales a
lo largo del tiempo. La dinámica del sistema es un enfoque gráfico para crear modelos simples utilizando el mismo
concepto subyacente y, a menudo, se usa para modelar la dinámica de la población, el crecimiento/deterioro del
mercado y otras relaciones basadas en ecuaciones.
Cuatro paradigmas de modelado discreto han evolucionado en la simulación. Los eventos modelan los puntos en
el tiempo cuando cambia el estado del sistema (llega o sale un cliente). Los procesos modelan una secuencia de
acciones que tienen lugar a lo largo del tiempo (una parte de un sistema de fabricación agarra a un trabajador, retrasa
un tiempo de servicio y luego libera al trabajador). Los objetos permiten un modelado más intuitivo al representar
objetos completos que se encuentran en la instalación. El modelado basado en agentes (ABM) es un caso especial
del paradigma de objetos en el que el comportamiento del sistema surge de la interacción de una gran cantidad de
objetos inteligentes autónomos (como soldados, empresas en un mercado o individuos infectados en una epidemia).
La distinción entre estos paradigmas es algo borrosa porque los paquetes modernos incorporan múltiples paradigmas.
Simio es una herramienta de modelado de múltiples paradigmas que incorpora todos estos paradigmas en un solo
marco. Puede usar un solo paradigma o combinar múltiples paradigmas en el mismo modelo. Simio combina la
facilidad
1.3. LA ALEATORÍA Y EL PROCESO DE SIMULACIÓN 5
y modelado rápido de objetos con la flexibilidad de los procesos.

La simulación se ha aplicado a una gran variedad de escenarios. Los siguientes son solo algunos ejemplos.
de áreas en las que se ha utilizado la simulación para comprender y mejorar la eficacia del sistema:
Aeropuertos: lanzaderas de estacionamiento, emisión de boletos, seguridad, transporte de terminales, tráfico de patio de comidas,
manejo de equipaje, asignaciones de puertas, deshielo de aviones.
Hospitales: operación del departamento de emergencias, planificación de desastres, envío de ambulancias, re

estrategias de servicios regionales, asignación de recursos.
Puertos: Tráfico de camiones y trenes, tráfico de buques, gestión portuaria, almacenamiento de contenedores, capital en
vestimentas, operaciones de grúas.
Minería: Transferencia de materiales, transporte de mano de obra, asignación de equipos, mezcla de materiales a granel.
Parques de atracciones: transporte de invitados, diseño/puesta en marcha de atracciones, gestión de filas de espera, atracciones
dotación de personal, manejo de multitudes.
Centros de llamadas: Dotación de personal, evaluación del nivel de habilidad, mejora del servicio, planes de capacitación, programación
algoritmos
Cadenas de suministro: reducción de riesgos, puntos de pedido, asignación de producción, posicionamiento de inventario,
transporte, gestión del crecimiento, planificación de contingencias.
Manufactura: análisis de inversión de capital, optimización de línea, cambios en la combinación de productos, producción
mejora de la productividad, transporte, reducción de mano de obra.
Militar: Logística, mantenimiento, combate, contrainsurgencia, búsqueda y detección, humani

relieve tariano.
Telecomunicaciones: Transferencia de mensajes, enrutamiento, confiabilidad, seguridad de la red contra cortes

o ataques.
Sistema de justicia penal: operaciones de libertad condicional y libertad condicional, utilización y capacidad de la prisión.
Sistema de respuesta a emergencias: tiempo de respuesta, ubicación de la estación, niveles de equipo, dotación de personal.
Sector público: Asignación de máquinas de votación a recintos.
Servicio al cliente: mejora del servicio directo, operaciones de back-office, asignación de recursos, planificación de capacidad.
Lejos de ser una herramienta solo para la fabricación, los dominios y las aplicaciones de la simulación son muy variados y prácticamente
ilimitados.
1.3 Aleatoriedad y el proceso de simulación
En esta sección discutimos los pasos típicos involucrados en el proceso de simulación. También describimos los roles importantes que
juegan la incertidumbre y la aleatoriedad tanto en las entradas como en las salidas de los modelos de simulación.
Tabla 1.1: Funciones de masa de probabilidad (PMF) y densidad (PDF) para variables aleatorias.
Variables aleatorias discretas Variables aleatorias continuas
p(xi) = Pr(X = xi) f(x) tiene las siguientes propiedades:
1. f(x) ÿ 0 ÿ valores reales, x

F(x) = PAG p(xi)
ÿ
ÿi3xiÿx _ 2. R ÿÿ
f(x)dx = 1
B
3. PAGS r(a ÿ x ÿ b) = R a f(x)dx
1.3.1 Aleatoriedad en simulación y variables aleatorias
Aunque algunos ejemplos de modelado de simulación usan solo valores deterministas, la gran mayoría de
los modelos de simulación incorporan alguna forma de aleatoriedad porque es inherente a los sistemas que
se modelan. Los componentes aleatorios típicos incluyen tiempos de procesamiento, tiempos de servicio,
tiempos de llegada de clientes o entidades, tiempos de transporte, fallas y reparaciones de máquinas/
recursos, y sucesos similares. Por ejemplo, si se dirige a la ventanilla de autoservicio en un restaurante local
de comida rápida para tomar un refrigerio nocturno, no puede saber exactamente cuánto tiempo le llevará
llegar allí, cuántos otros clientes pueden estar frente a usted. cuándo llegas, o cuánto tardará en ser atendido,
por citar solo algunas variables. Es posible que podamos estimar estos valores en función de la experiencia
previa u otros conocimientos, pero no podemos predecirlos con certeza. El uso de estimaciones deterministas
de estos valores estocásticos en los modelos puede generar predicciones de rendimiento no válidas
(generalmente demasiado optimistas). Sin embargo, incorporar estos componentes aleatorios en modelos
analíticos estándar puede ser difícil o imposible. El uso de la simulación, por otro lado, hace que la inclusión
de componentes aleatorios sea bastante fácil y, de hecho, es precisamente su capacidad para incorporar
fácilmente el comportamiento estocástico lo que hace que la simulación sea una herramienta de análisis y
modelado tan popular. Este será un tema fundamental a lo largo de este libro.
Debido a que la aleatoriedad en los modelos de simulación se expresa mediante variables aleatorias, la
comprensión y el uso de variables aleatorias es fundamental para el análisis y el modelado de simulación
(consulte [57], [47] para repasar). En su forma más básica, una variable aleatoria es una función cuyo valor
está determinado por el resultado de un experimento; es decir, no conocemos el valor hasta después de
realizar el experimento. En el contexto de la simulación, un experimento implica ejecutar el modelo de
simulación con un conjunto dado de entradas. El comportamiento probabilístico de una variable aleatoria, X,
se describe por su función de distribución (o función de distribución acumulativa, CDF), F(x) = P r(X ÿ x),
donde el lado derecho representa la probabilidad de que la variable aleatoria X toma un valor menor o igual
que el valor x. Para variables aleatorias discretas, se debe considerar la función de masa de probabilidad,
p(xi), y para variables aleatorias continuas, se evalúa la función de densidad de probabilidad, f(x) (ver Tabla
1.1). Una vez que hemos caracterizado una variable aleatoria X, medimos métricas como el valor esperado
(E[X]), la varianza (Var[X]) y varias otras características de la distribución, como cuantiles, simetría/sesgo,
etc. En muchos casos, debemos confiar en las estadísticas muestrales, como la media muestral, X, y la
2
varianza muestral, S (X), porque no podemos caracterizar de manera factible los parámetros poblacionales
correspondientes. Es importante determinar los tamaños de muestra apropiados para estas estimaciones. A
diferencia de muchos otros métodos experimentales, en el análisis de simulación, a menudo podemos
controlar los tamaños de muestra para satisfacer nuestras necesidades.
La simulación requiere entradas y salidas para evaluar un sistema. Desde el lado de entrada de la
simulación, caracterizamos variables aleatorias y generamos muestras a partir de las distribuciones
correspondientes; desde el lado de la salida analizamos las características de las distribuciones (es decir, media, varianza,
1.3. LA ALEATORÍA Y EL PROCESO DE SIMULACIÓN 7
Figura 1.1: Ejemplo de tiempos de tratamiento de pacientes y la CDF empírica correspondiente.
Figura 1.2: El proceso de simulación.
percentiles, etc.) en base a las observaciones generadas por la simulación. Considere un modelo de una pequeña
clínica de atención médica sin cita previa. Las entradas del sistema incluyen los tiempos de llegada del paciente y los
tiempos de diagnóstico y tratamiento del cuidador, todos los cuales son variables aleatorias (consulte la Figura 1.1 para
ver un ejemplo). Para simular el sistema, necesitamos comprender y generar observaciones de estas variables aleatorias
como entradas al modelo. A menudo, pero no siempre, tenemos datos del sistema "real" que usamos para caracterizar
las variables aleatorias de entrada. Los resultados típicos pueden incluir el tiempo de espera del paciente, el tiempo en
el sistema y las utilizaciones del cuidador y del espacio.
El modelo de simulación generará observaciones de estas variables aleatorias. Al controlar la ejecución del modelo de
simulación, podemos usar las observaciones generadas para caracterizar los resultados de interés. En la siguiente
sección, discutiremos el análisis de entrada y salida en el contexto del proceso de simulación general.
1.3.2 El proceso de simulación
El proceso básico de simulación se muestra en la Figura 1.2. Tenga en cuenta que el proceso no es estrictamente
secuencial y, a menudo, resultará iterativo. Discutiremos brevemente cada uno de estos componentes en las siguientes
secciones y desarrollaremos los temas en detalle a lo largo del libro.
1.3.3 Diseño conceptual

El diseño conceptual requiere una comprensión detallada del sistema que se está modelando, así como un enfoque de
modelado básico para crear los modelos de simulación. El diseño conceptual se puede hacer con lápiz y papel o en una
pizarra o en un espacio de colaboración similar que promueva el pensamiento libre. Es útil estar fuera de las limitaciones
del paquete de software de simulación que está utilizando. Aunque sería ideal un proceso o metodología bien definidos
para el diseño conceptual, no conocemos ninguno. En cambio, la planificación del proyecto es un proceso informal que
implica "pensar" y discutir los detalles del problema y los posibles enfoques de modelado. Luego, los modeladores
pueden esbozar un detalle sistemático del enfoque de modelado y decidir sobre la aplicación de detalles específicos del
software. Tenga en cuenta que los modelos de simulación se desarrollan para objetivos específicos y un aspecto
importante del diseño conceptual es garantizar que el modelo responda a las preguntas que se formulan. En general,
los nuevos simulacionistas (así como los nuevos constructores de modelos en otros dominios) dedican muy poco tiempo
a la fase de diseño conceptual. En cambio, tienden a saltar y comenzar el proceso de desarrollo del modelo. Asignar
muy poco tiempo para el diseño conceptual casi siempre aumenta el tiempo total requerido para completar el proyecto.
1.3.4 Análisis de entrada

El análisis de entrada (que se cubre en detalle en el Capítulo 6) implica caracterizar las entradas del sistema y luego
desarrollar los algoritmos y el código de computadora para generar observaciones sobre las variables aleatorias de
entrada y los procesos. Prácticamente todo el software de simulación comercial (incluido Simio) tiene funciones
integradas para generar las observaciones de entrada. Por lo tanto, la tarea principal de análisis de entrada consiste en
caracterizar las variables aleatorias de entrada y especificar las distribuciones y procesos correspondientes al software
de simulación. A menudo tenemos observaciones de muestra de los datos del mundo real, y un enfoque común es
"ajustar" distribuciones estándar o empíricas a estos datos que luego se pueden usar para generar las muestras durante
la simulación (como se muestra en la Figura 1.1).
Otro enfoque es tomar muestras aleatoriamente de los datos reales observados. Si no tenemos datos del mundo real
sobre las entradas, podemos usar reglas generales generales y análisis de sensibilidad para ayudar con la tarea de
análisis de entrada. En cualquiera de estos enfoques, es importante analizar la sensibilidad de los resultados de su
modelo a las entradas seleccionadas. El Capítulo 6 también discutirá el uso de Parámetros de Entrada y cómo usarlos
para completar ese análisis.
1.3.5 Desarrollo, verificación y validación del modelo

El desarrollo del modelo es el proceso de "codificación" mediante el cual el modelo conceptual se convierte en un
modelo de simulación "ejecutable". No queremos asustar a nadie con el término "codificación": la mayoría de los
paquetes de simulación modernos brindan interfaces gráficas de usuario sofisticadas para admitir la creación/
mantenimiento de modelos, por lo que la "codificación" generalmente implica arrastrar y soltar los componentes del
modelo y completar los cuadros de diálogo y las propiedades. ventanas Sin embargo, el desarrollo efectivo de modelos
requiere una comprensión detallada de la metodología de simulación en general y de cómo funciona el software
específico que se utiliza en particular. Los pasos de verificación y validación aseguran que el modelo es correcto. La
verificación es el proceso que garantiza que el modelo se comporte como el desarrollador pretendía, y el componente
de validación garantiza que el modelo sea preciso en relación con el sistema real que se está modelando. Tenga en
cuenta que no será posible probar la corrección en ninguno de los modelos, excepto en los más simples. En cambio,
nos enfocamos en recolectar evidencia hasta que nosotros (o nuestros clientes) estemos satisfechos. Aunque esto
pueda molestar a los primeros simulacionistas, es la realidad. Los temas de desarrollo, verificación y validación de
modelos se tratan a partir del Capítulo 4 y en el resto del libro.
1.4. CUÁNDO SIMULAR (Y CUÁNDO NO) 9
1.3.6 Análisis de resultados y experimentación

Una vez que se ha verificado y validado un modelo, se ejercita el modelo para obtener información sobre el sistema
subyacente. En los ejemplos anteriores, puede estar interesado en evaluar métricas de desempeño como el tiempo
promedio que espera un paciente antes de ver a un cuidador, el percentil 90 de la cantidad de pacientes en la sala
de espera, la cantidad promedio de vehículos que esperan en la entrada. a través del carril, etc. También puede
estar interesado en tomar decisiones de diseño, como la cantidad de cuidadores necesarios para garantizar que el
paciente promedio no espere más de 30 minutos, la cantidad de personal de cocina para garantizar que el pedido
promedio esté listo en 5 minutos, etc. La evaluación de las métricas de rendimiento y la toma de decisiones de
diseño mediante un modelo de simulación implica el análisis de resultados y la experimentación. El análisis de salida
toma las observaciones individuales generadas por la simulación, caracteriza las variables aleatorias subyacentes
(de una manera estadísticamente válida) y extrae inferencias sobre el sistema que se está modelando. La
experimentación implica variar sistemáticamente las entradas del modelo y la estructura del modelo para investigar
configuraciones alternativas del sistema. Los temas de análisis de salida se distribuyen a lo largo de los capítulos
de modelado (4, 5 y 9).
1.4 Cuándo simular (y cuándo no hacerlo)

La simulación de sistemas complicados se ha vuelto bastante popular. Una de las principales razones de esto está
encarnada en esa palabra "complicado". Si el sistema de interés fuera lo suficientemente simple como para
representarlo de manera válida mediante un modelo analítico exacto, la simulación no sería necesaria y, de hecho,
no debería usarse. En cambio, los métodos analíticos exactos como la teoría de colas, la probabilidad o el álgebra
o el cálculo simples podrían hacer el trabajo. Simular un sistema simple para el cual podemos encontrar una solución
analítica exacta solo agrega incertidumbre a los resultados, haciéndolos menos precisos.
Sin embargo, el mundo tiende a ser un lugar complicado, por lo que rápidamente salimos del ámbito de modelos
tan “simples”. Es probable que un modelo válido de un sistema complicado sea bastante complicado en sí mismo y
no se pueda someter a un análisis analítico simple. Si seguimos adelante y construimos un modelo simple de un
sistema complicado con el objetivo de preservar nuestra capacidad para obtener una solución analítica exacta, el
modelo resultante podría ser demasiado simple (incluso simplista) y no estaríamos seguros de si representa
válidamente el sistema. Es posible que podamos obtener una solución analítica agradable, limpia, exacta y de forma
cerrada para nuestro modelo simple, pero es posible que hayamos hecho muchas suposiciones simplificadoras
(algunas de las cuales pueden ser bastante cuestionables en la realidad) para llegar a nuestro modelo analítico. modelo manej
Podemos terminar con una solución al modelo, pero ese modelo puede no tener mucha semejanza con la realidad,
por lo que es posible que no tengamos una solución al problema.
Es difícil medir cuán poco realista es un modelo; ni siquiera está claro si esa es una pregunta razonable. Por
otro lado, si no nos preocupamos por construir un modelo que al final tendrá una solución analítica, estamos libres
para permitir que las cosas en el modelo se vuelvan tan complicadas y desordenadas como deben ser para poder
para imitar el sistema de una manera válida. Cuando no se dispone de un modelo simple tratable analíticamente,
recurrimos a la simulación, donde simplemente imitamos el sistema complicado, a través de su modelo complicado
(pero realista), y estudiamos qué sucede con los resultados. Esto permite que algunas entradas del modelo sean
estocásticas, es decir, aleatorias y representadas por "sorteos" de distribuciones de probabilidad en lugar de valores
de entrada fijos y constantes, para representar cómo son las cosas en realidad. Los resultados de nuestro modelo
de simulación también serán estocásticos y, por lo tanto, inciertos.
Claramente, esta incertidumbre o imprecisión en el resultado de la simulación es problemática. Pero, como

veremos, no es difícil medir el grado de esta imprecisión. Si los resultados son demasiado imprecisos tenemos
remedio. A diferencia de la mayoría de los experimentos de muestreo estadístico, tenemos el control total de la
"aleatoriedad" y el número de repeticiones, y podemos usar este control para obtener cualquier nivel de precisión
deseado. El tiempo de computadora solía ser una barrera real para la utilidad de la simulación. Pero con
software moderno que se ejecuta en computadoras multiprocesador rápidas fácilmente disponibles e incluso
computación en la nube, podemos hacer suficiente simulación para obtener resultados con imprecisión que es
medible, aceptablemente baja y perceptiblemente válida.
En años pasados, la simulación a veces se descartaba como “el método de último recurso”, o un enfoque que
se debía adoptar solo “cuando todo lo demás falla” ([70], pp. 887, 890). Como se señaló anteriormente, la
simulación no debe utilizarse si se dispone de un modelo válido tratable analíticamente. Pero en muchos (quizás la
mayoría) de los casos, el sistema real es demasiado complicado, o no obedece las reglas, para permitir que se
construya y analice un modelo analíticamente manejable de cualquier validez creíble. En nuestra opinión, es mejor
simular el modelo correcto y obtener una respuesta aproximada cuya imprecisión pueda medirse y reducirse
objetivamente, que hacer un análisis analítico exacto del modelo incorrecto y obtener una respuesta cuyo error ni
siquiera puede cuantificarse, una situación eso es peor que la imprecisión.
Si bien estamos hablando de respuestas precisas, los ejemplos y las figuras de esta edición de texto se crearon
con la versión 91 de Simio . Debido a que cada versión de Simio puede contener cambios que podrían afectar el
comportamiento de bajo nivel (como el orden de procesamiento de eventos simultáneos), diferentes versiones
podrían producir diferentes resultados numéricos para una ejecución interactiva. Puede preguntarse "¿Qué
resultados son correctos?" ¡Cada uno es tan correcto (o tan incorrecto) como los demás! En este libro, aprenderá
cómo crear resultados estadísticamente válidos y cómo reconocer cuándo los tiene (o no los tiene). Con la posible
excepción de una rara corrección de errores entre versiones, cada versión debe generar resultados estadísticamente
equivalentes (y válidos) para el mismo modelo, aunque pueden diferir numéricamente entre ejecuciones interactivas
individuales.
1.5 Habilidades de Éxito en Simulación
Aprender a usar una herramienta de simulación y comprender la tecnología subyacente no garantizará su éxito.
Llevar a cabo proyectos de simulación exitosos requiere mucho más que eso.
Los recién llegados a la simulación a menudo preguntan cómo pueden tener éxito en la simulación. La respuesta
es fácil: “Trabaja duro y haz todo bien”. Pero tal vez quieras un poco más de detalle. Identifiquemos algunos de los
temas más importantes que deben ser considerados.
1.5.1 Objetivos del proyecto

Muchos proyectos comienzan con una fecha de entrega fija, pero a menudo solo tienen una idea aproximada de lo
que se entregará y una vaga idea de cómo se hará. La primera pregunta que viene a la mente cuando se presenta
un desafío de este tipo es "¿Cuáles son los objetivos del proyecto?" Aunque pueda parecer una pregunta obvia
con una respuesta simple, a menudo sucede que las partes interesadas no saben la respuesta.
Antes de que pueda ayudar con los objetivos, debe conocer a las partes interesadas. Una parte interesada es
alguien que encarga, financia, utiliza o se ve afectado por el proyecto. Algunas partes interesadas son obvias: es
probable que su jefe sea una parte interesada (si es un estudiante, su instructor es sin duda una parte interesada).
Pero a veces hay que trabajar un poco para identificar a todas las partes interesadas clave. ¿Por qué debería
importarte? En parte porque las partes interesadas a menudo tienen objetivos diferentes (ya veces contradictorios).
Supongamos que se le pide que modele una instalación de fabricación específica en una gran corporación y
evalúe si una nueva grúa de $ 4 millones brindará los resultados deseados (aumentos en el rendimiento del
producto, reducciones en el tiempo de espera, reducciones en el mantenimiento, etc.). Aquí hay algunas posibles
partes interesadas y cuáles podrían ser sus objetivos en una situación típica:
1 Si está utilizando una versión más reciente de Simio, busque en el área para estudiantes del sitio web de libros de texto, donde encontrará información adicional.
el contenido en línea se publicará a medida que esté disponible.

1.5. HABILIDADES DE SIMULACIÓN PARA EL ÉXITO 11
• Gerente de ingeniería industrial (IE) (su jefe): Quiere demostrar que IE agrega valor a la corporación, por lo que quiere
que usted demuestre ahorros de costos drásticos o mejora de la productividad. También quiere una buena animación
en 3D que pueda usar para comercializar sus servicios en otras partes de la corporación.
• Gerente de producción: está convencido de que comprar una grúa nueva es la única forma en que puede cumplir con
sus objetivos de producción y ha instruido a su personal clave para que le brinde la información que lo ayude a
demostrarlo.
• VP-Producción: Ha estado en el negocio por mucho tiempo y no está convencido de que esto de la “simulación”
ofrezca algún beneficio real. Está apoyando marginalmente este esfuerzo debido a la presión política, pero espera
(y secretamente espera) que el proyecto fracase.
• Vicepresidenta de Finanzas: Le preocupa mucho gastar el dinero en la grúa, pero también le preocupa la productividad
inadecuada. De hecho, ella es quien, en la última reunión ejecutiva, insistió en encargar un estudio de simulación
para obtener un análisis objetivo.
• Supervisora de Línea: Trabaja allí desde hace 15 años y es responsable del movimiento de material.
Sabe que existen formas menos costosas e igualmente efectivas de aumentar la productividad y estaría encantada
de compartir esa información si alguien se molesta en preguntarle.
• Obrero de materiales: Actualmente dedica gran parte de su tiempo a mover materiales y tiene miedo de que lo
despidan si compra una grúa nueva. Así que hará todo lo posible para convencerte de que una grúa nueva es una
mala idea.
• Gerente de ingeniería: su personal ya está abrumado, por lo que no quiere involucrarse a menos que sea
absolutamente necesario. Pero si se va a comprar una grúa nueva, tiene algunas ideas muy específicas de cómo se
debe configurar y usar.
Este escenario es en realidad una combinación de algunos casos reales. Los proyectos más pequeños y las empresas más
pequeñas pueden tener menos partes interesadas, pero los principios subyacentes siguen siendo los mismos. Los objetivos
y motivaciones en conflicto no son nada inusuales. Cada una de las partes interesadas tiene aportes valiosos para el
proyecto, pero es importante tener en cuenta sus sesgos y motivaciones al evaluar sus aportes.
Entonces, ahora que hemos llegado a conocer un poco a las partes interesadas, debemos determinar cómo cada uno
ve o contribuye a los objetivos del proyecto e intentar priorizarlos de manera adecuada.
Para identificar los objetivos clave, debe hacer preguntas como estas:
• ¿Qué desea evaluar o espera probar?
• ¿Cuál es el alcance del modelo? ¿Cuánto detalle se prevé para cada componente de la
¿sistema?
• ¿Qué componentes son críticos? ¿Qué componentes menos importantes podrían aproximarse?
• Qué información de entrada puede estar disponible, qué tan buena es, quién la proporcionará y
¿Cuándo?
• ¿Cuánta experimentación será necesaria? ¿Se requerirá una búsqueda óptima?
• ¿Cómo se usará cualquier animación (la animación para la validación es bastante diferente de la animación
presentado a una junta directiva)?
• ¿De qué forma desea obtener los resultados (presentación verbal, números detallados, resúmenes, gráficos, informes
de texto)?
Una buena manera de ayudar a identificar objetivos claros es diseñar una maqueta del informe final.
Puede decir: "Si genero un informe con la siguiente información en un formato como este, ¿eso satisfará sus
necesidades?" Una vez que pueda obtener un acuerdo general sobre la forma y el contenido del informe final, a
menudo puede trabajar hacia atrás para determinar el nivel de detalle apropiado y abordar otras inquietudes de
modelado. Este proceso también puede ayudar a sacar a la luz objetivos de modelado no reconocidos.
A veces la claridad necesaria del proyecto no está ahí. Si es así, y sigue adelante de todos modos para
planificar todo el proyecto, incluidos los entregables, los recursos y la fecha, se está preparando para el fracaso.
La falta de claridad del proyecto es un llamado claro para hacer el proyecto en fases. Comenzar con un pequeño
prototipo a menudo ayudará a aclarar los grandes problemas. Con base en esas experiencias de prototipo, es
posible que pueda hacer un plan detallado para las fases posteriores. Hablaremos más sobre eso a continuación.
1.5.2 Especificación funcional

“Si no sabes a dónde vas, ¿cómo sabrás
cuando llegues allí?”
Consejo del carpintero: “Mide dos veces. Corta una vez.
Si ha seguido los consejos de la Sección 1.5.1, ahora tiene al menos algunos objetivos básicos del proyecto.
Estás listo para comenzar a construir el modelo, ¿verdad? ¡Incorrecto! En la mayoría de los casos, sus partes
interesadas buscarán algunos compromisos.
• ¿Cuándo lo terminará (ayer es demasiado pronto)?
• ¿Cuánto costará (o cuántos recursos requerirá)?
• ¿Qué tan completo será el modelo (o qué aspectos específicos del sistema se incluirán)?
• ¿Cuál será la calidad (o cómo se verificará y validará)?
¿Estás listo para dar respuestas confiables a esas preguntas? Probablemente no.
Por supuesto, la peor situación posible, pero bastante común, es que la parte interesada proporcione
respuestas a todas esas preguntas y deje que usted las entregue. Imagínese una declaración como “Le pagaré
$5000 para proporcionar un análisis exhaustivo y validado de . . . para ser entregado dentro de cinco días a partir de ahora.
Si se acepta, tal declaración a menudo resulta en mucho tiempo extra y produce un modelo incompleto y no
validado con una o dos semanas de retraso. Y en cuanto al dinero prometido. . . bueno, el cliente no recibió lo
que pidió, ahora, ¿verdad?
Está bien que el cliente especifique las respuestas a dos de esas preguntas y, en casos excepcionales,
incluso a tres. Pero debe reservarse el derecho de ajustar al menos uno o dos de esos parámetros.
Puede reducir el alcance para cumplir con una fecha límite. O puede extender la fecha límite para lograr el
alcance. O bien, puede duplicar los recursos y el costo para lograr el alcance y cumplir con la fecha (ajustar la
calidad rara vez es una buena idea).
Si tiene suerte, la parte interesada le permitirá responder las cuatro preguntas (por supuesto, reservándose
el derecho de rechazar su propuesta). Pero, ¿cómo se te ocurren buenas respuestas?
Mediante la creación de una especificación funcional, que es un documento que describe exactamente qué se
entregará, cuándo, cómo y por quién. Si bien los detalles requeridos en una especificación funcional varían según
la aplicación y el tamaño del proyecto, los componentes típicos pueden incluir lo siguiente:
1. Introducción
a) Objetivos de la simulación: Discusión de objetivos de alto nivel. ¿Cuál es la salida deseada?

resultado de este proyecto?
b) Identificación de las partes interesadas: ¿Quiénes son las principales personas preocupadas por los
resultados de este modelo? ¿Qué otras personas también están preocupadas? ¿Cómo será utilizado
el modelo y por quién? ¿Cómo lo aprenderán?
2. Descripción del sistema y enfoque de modelado: descripción general de los componentes del sistema y
enfoques para modelarlos, incluidos, entre otros, los siguientes componentes:
a) Equipo: Cada equipo debe ser descrito en detalle, incluyendo su comportamiento, configuraciones,
horarios, confiabilidad y otros aspectos que puedan afectar el modelo.
Incluya tablas de datos y diagramas según sea necesario. Cuando aún no existan datos, deben
identificarse como tales.
b) Tipos de productos: ¿Qué productos están involucrados? ¿Cómo se diferencian? ¿Cómo se relacionan
entre sí? ¿Qué nivel de detalle se requiere para cada producto o grupo de productos?
c) Operaciones: Cada operación debe describirse en detalle incluyendo su comportamiento,

configuraciones, cronogramas, confiabilidad y otros aspectos que puedan afectar el modelo. Incluya
tablas de datos y diagramas según sea necesario. Cuando aún no existan datos, deben identificarse
como tales.
d) Transporte: El transporte interno y externo debe describirse en forma adecuada.

detalle.
3. Datos de entrada: ¿Qué datos se deben considerar para la entrada del modelo? ¿Quién proporcionará esto?
¿información? ¿Cuándo? ¿En qué formato?
4. Datos de salida: ¿Qué datos debe producir el modelo? En esta sección, una maqueta del informe final
ayudará a aclarar las expectativas de todas las partes.
5. Entregables del proyecto: discuta todos los entregables del proyecto acordados. Cuando se completa esta
lista, el proyecto se considera completo.
a) Documentación: ¿Qué modelo de documentación, instrucciones o manual de usuario se

¿previsto? ¿A qué nivel de detalle?
b) Software y capacitación: si se pretende que el usuario interactúe directamente con el modelo, discuta
el software que se requiere; qué software, si lo hay, se incluirá en la cotización del precio del proyecto;
y qué interfaz personalizada, si corresponde, se proporcionará. También analice qué proyecto o
capacitación sobre productos se recomienda o se brindará.
c) Animación: ¿Cuáles son los entregables de la animación y con qué fines se utilizarán las animaciones
(validación del modelo, aceptación de las partes interesadas, marketing)? 2D o 3D?
¿Están disponibles los diseños y símbolos existentes y en qué forma? ¿Qué se proporcionará, por
quién y cuándo?
6. Fases del proyecto: describa cada fase del proyecto (si hay más de una) y el esfuerzo estimado, la fecha de
entrega y el cargo para cada fase.
7. Firmas: Sección de firmas para los principales interesados.
Al comienzo de un proyecto, existe una inclinación natural a empezar a modelar. Hay presión de tiempo. Las
ideas fluyen. Hay emoción. Es muy difícil parar y hacer una especificación funcional. Pero confíe en nosotros: vale
la pena hacer una especificación funcional. Vuelva a mirar esas citas al comienzo de esta sección. Hacer una
pausa para determinar adónde va y cómo va a llegar allí puede ahorrar esfuerzos mal dirigidos y pérdida de tiempo.
Recomendamos que aproximadamente el primer 10 % del tiempo total estimado del proyecto se dedique a
crear un prototipo y una especificación funcional. No considere esto como tiempo extra.
Más bien, como en el diseño de informes, solo está cambiando algunas tareas específicas al principio del
proyecto, cuando pueden tener el mayor beneficio de planificación. Sí, eso significa que si espera que el
proyecto tarde 20 días, debe dedicar unos dos días a esto. Como resultado, es posible que descubra que el
proyecto requerirá 40 días para finalizar; sin duda, malas noticias, pero es mucho mejor averiguarlo por
adelantado mientras aún tiene tiempo para considerar alternativas (volver a priorizar los objetivos, reducir el
alcance, agregar recursos, etc).
1.5.3 Iteraciones del proyecto

Los proyectos de simulación se realizan mejor como un proceso iterativo, incluso desde los primeros pasos.
Podría pensar que podría simplemente definir sus objetivos, crear una especificación funcional y luego crear un
prototipo. Pero mientras escribe la especificación funcional, es probable que descubra nuevos objetivos. Y
mientras hace el prototipo, descubrirá cosas nuevas e importantes para agregar a la especificación funcional.
A medida que avanza en el proyecto, un enfoque iterativo se vuelve aún más importante. Un novato en
simulación a menudo tendrá una idea y comenzará a modelarla, luego seguirá agregando al modelo hasta que
esté completo, y solo entonces ejecutará el modelo. Pero incluso el mejor modelador, usando las mejores
herramientas, cometerá errores. Pero cuando todo lo que sabe es que su error está “en alguna parte del
modelo”, es muy difícil encontrarlo y corregirlo. Según nuestra experiencia colectiva en la enseñanza de la
simulación, este es un gran problema para los estudiantes nuevos en el tema.
Los modeladores más experimentados generalmente construirán una pequeña parte del modelo, luego la
ejecutarán, la probarán, la depurarán y verificarán que hace lo que el modelador esperaba que hiciera. Luego
repita ese proceso con otra pequeña pieza del modelo. Tan pronto como exista suficiente modelo para
compararlo con el mundo real, valide, tanto como sea posible, que toda la sección del modelo coincida con el
comportamiento previsto del sistema. Siga repitiendo este proceso iterativo hasta que el modelo esté completo.
En cada paso del proceso, encontrar y solucionar problemas es mucho más fácil porque es muy probable que
se trate de un problema en la pieza pequeña que se agregó más recientemente. Y en cada paso puede guardar
con un nombre diferente (como MyModelV1, MyModelV2, o con fechas completas e incluso horas adjuntas a
los nombres de los archivos), para permitir volver a una versión anterior si es necesario.
Otro beneficio de este enfoque iterativo, especialmente para los novatos, es que los problemas
potencialmente importantes se pueden eliminar antes. Digamos que construyó un modelo completo basado en
una suposición errónea de cómo funcionaba la agrupación de entidades, y solo al final descubrió su
malentendido. En ese momento, podría requerir una revisión extensa para cambiar la base de su modelo. Sin
embargo, si estuviera construyendo su modelo iterativamente, probablemente habría descubierto su
malentendido la primera vez que usó la construcción de agrupación, momento en el cual sería relativamente
fácil tomar una mejor estrategia.
Un beneficio final y extremadamente importante del enfoque iterativo es la capacidad de priorizar.
Para cada iteración, trabaje en la pequeña sección más importante del modelo que queda.
Lo único predecible sobre el desarrollo de software de todo tipo es que casi siempre toma mucho más tiempo
de lo esperado. La construcción de modelos de simulación a menudo comparte el mismo problema. Si se queda
sin tiempo de proyecto cuando sigue un enfoque no iterativo y su modelo aún no funciona, y mucho menos
verificado o validado, esencialmente no tiene nada útil que mostrar por sus esfuerzos. Pero si se le acaba el
tiempo al seguir un enfoque iterativo, tiene una parte del modelo que está completa, verificada, validada y lista
para usar. Y si ha estado trabajando en la tarea de mayor prioridad en cada iteración, es posible que descubra
que la parte completada es suficiente para cumplir con la mayoría de los objetivos del proyecto (busque la regla
80-20 o el principio de Pareto para ver por qué) .
Aunque puede variar un poco según el proyecto y la aplicación, los pasos generales en un estudio de simulación son:
1. Definir objetivos de alto nivel e identificar a las partes interesadas.
2. Definir la especificación funcional, incluidos los objetivos detallados, los límites del modelo, el nivel de
detalle, enfoque de modelado y medidas de salida. Diseñar el informe final.
3. Construya un prototipo. Actualice los pasos 1 y 2 según sea necesario.
4. Modelar o mejorar una pieza de alta prioridad del sistema. Documentarlo y verificarlo. Iterar.
5. Recopilar e incorporar datos de entrada del modelo.
6. Verificar y validar el modelo. Involucrar a las partes interesadas. Vuelva al paso 4 según sea necesario.
7. Diseño de experimentos. Hacer corridas de producción. Involucrar a las partes interesadas. Regrese al paso 4 como
necesario.
8. Documentar los resultados y el modelo.
9. Presente los resultados y recopile sus felicitaciones.
Mientras itera, no pierda la oportunidad de comunicarse regularmente con las partes interesadas. A las partes interesadas
no les gustan las sorpresas. Si el proyecto está produciendo resultados que difieren de lo esperado, aprendan juntos por qué
sucede eso. Si el proyecto está retrasado, infórmeselo a las partes interesadas con anticipación para que se puedan evitar
problemas graves. No piense en las partes interesadas como simples clientes y, desde luego, no como adversarios. Piense en las
partes interesadas como socios: pueden ayudarse mutuamente para obtener los mejores resultados posibles de este proyecto. Y
esos resultados a menudo provienen de la exploración detallada del sistema que es necesaria para descubrir los procesos reales
que se están modelando.
De hecho, en muchos proyectos, una gran parte del valor ocurre incluso antes de que se generen los "resultados" de la simulación,
debido al conocimiento obtenido de la exploración inicial por parte de los modeladores y la colaboración frecuente con las partes
interesadas.
1.5.4 Gestión de proyectos y agilidad

Hay muchos aspectos para un proyecto exitoso, pero uno de los más obvios es cumplir con el plazo de finalización. Un proyecto
que produce resultados después de que se toma la decisión tiene poco valor.
Otros aspectos, a menudo relacionados, son el costo, los recursos y el tiempo consumidos. Un proyecto que supera el presupuesto
puede cancelarse antes de que se acerque a su finalización. Debe prestar la debida atención a las fechas de finalización y los
costos del proyecto. Pero ambos son resultados de cómo gestiona los detalles del proyecto día a día.
Un proyecto bien administrado comienza por tener objetivos claros y una especificación funcional sólida para guiar sus
decisiones. A lo largo del proyecto, tomará decisiones grandes y pequeñas, como las siguientes:
• ¿Cuánto detalle se debe modelar en una sección en particular?
• ¿Cuántos datos de entrada necesito recopilar?
• ¿A qué datos de salida debo prestar más atención?
• ¿Cuándo se considera válido el modelo?
• ¿Cuánto tiempo debo dedicar a la animación? ¿En el análisis?

dieciséis CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN
• ¿Qué debería hacer después?
En casi todos los casos, la especificación funcional debe proporcionar directa o indirectamente las respuestas. Ya capturó y
priorizó los objetivos de sus partes interesadas clave. Esa información debe convertirse en la base de la mayoría de las
decisiones.
Una de las cosas que tendrá que priorizar son las "especificaciones en evolución" o las nuevas solicitudes de las partes
interesadas, a veces denominadas "desplazamiento del alcance". Un extremo es tomar una línea dura y decir "Si no está en la
especificación funcional, no está en el modelo". Si bien en algunos casos excepcionales esta respuesta puede ser apropiada y
necesaria, en la mayoría de los casos no lo es. La simulación es un proceso exploratorio y de aprendizaje. A medida que
explora nuevas áreas y aprende más sobre el sistema de destino, es natural que evolucionen nuevos temas, enfoques y áreas
de estudio. Negarse a lidiar con esto limita severamente el valor potencial de la simulación (y su valor como proveedor de
soluciones).
Otro extremo es adoptar el enfoque de que las partes interesadas siempre tienen razón, y si le piden que trabaje en algo
nuevo, debe ser lo correcto. Si bien esta respuesta hace feliz a la parte interesada a corto plazo, el resultado más probable a
largo plazo es un proyecto tardío o incluso sin terminar, ¡y una parte interesada muy descontenta! Si siempre está persiguiendo
la última idea, es posible que nunca tenga tiempo para terminar el trabajo de alta prioridad necesario para producir algún valor.
La clave es gestionar estas oportunidades: esa gestión comienza con una comunicación abierta con las partes interesadas
y revisando los elementos de la especificación funcional y sus prioridades relativas. Cuando se agrega algo al proyecto, algo
más debe cambiar.
Tal vez abordar el nuevo elemento sea lo suficientemente importante como para posponer un poco la fecha límite del proyecto.
Si no es así, tal vez este nuevo elemento sea más importante que alguna otra tarea que se pueda abandonar (o mover a la
"lista de deseos" que se desarrolla para cuando las cosas van mejor de lo esperado). O tal vez este nuevo elemento en sí
mismo debería moverse a la "lista de deseos".
Nuestra definición de agilidad es la capacidad de reaccionar rápida y adecuadamente al cambio. Tu
la capacidad de ser ágil contribuirá significativamente a su éxito en la simulación.
1.5.5 Declaraciones de derechos de las partes interesadas y los simulacionistas
Terminaremos este capítulo reconociendo que las partes interesadas tienen expectativas razonables de lo que hará por ellos
(Figura 1.3). Considere cuidadosamente estas expectativas para mejorar la eficacia y el éxito de su próximo proyecto. Pero
además de esas expectativas, las partes interesadas también tienen algunas responsabilidades con usted (Figura 1.4). Discutir
ambos conjuntos de estas expectativas con anticipación puede mejorar las comunicaciones y ayudar a garantizar que su
proyecto sea exitoso, una situación beneficiosa para todos que satisfaga las necesidades de todos. Estos "derechos" se
extrajeron del blog Success in Simulation [67] en www.simio.com/blog y se usaron con autorización. Lo instamos a leer
detenidamente los primeros temas de este blog no comercial por sus muchos consejos de éxito y temas breves e interesantes.
Figura 1.3: Declaración de derechos de las partes interesadas de la simulación.

Figura 1.4: Declaración de derechos del simulacionista.

Capitulo 2
Conceptos básicos de la teoría de colas
Muchos (no todos) los modelos de simulación son de sistemas de colas que representan una amplia variedad de
operaciones reales. Por ejemplo, los pacientes llegan a una clínica de atención urgente (es decir, simplemente se
presentan al azar sin citas) y todos deben registrarse primero, posiblemente después de esperar en una fila (o una
cola) por un rato; véase la figura 2.1. Después de registrarse, los pacientes van al registro o, si están gravemente
enfermos, van a una sala de traumatología y podrían tener que esperar en la cola en cualquiera de esos lugares
también antes de ser atendidos. Los pacientes que van a la sala de examen luego salen del sistema o van a una
sala de tratamiento (quizás haciendo cola allí primero) y luego salen. Los pacientes gravemente enfermos que
fueron a una sala de traumatología luego van todos a una sala de tratamiento (posiblemente después de hacer
cola allí también), y luego salen. Las preguntas para diseñar y operar una instalación de este tipo podrían incluir
cuánto personal de qué tipo debe tener de servicio durante qué períodos de tiempo, qué tan grande debe ser la
sala de espera, cómo se vería afectada la estadía de los pacientes en la sala de espera si los médicos y enfermeras
disminuyeran o aumentaran. el tiempo que tienden a pasar con los pacientes, qué sucedería si llegara un 10%
más de pacientes y cuál podría ser el impacto de atender a los pacientes en un orden de acuerdo con alguna
medida de agudeza de su condición presentada en lugar de primero en llegar, primero en ser atendido.
Este breve capítulo cubrirá solo los aspectos básicos de la teoría de colas (no de la simulación de colas), ya
que la familiaridad con este material y la terminología es importante para desarrollar muchos modelos de
simulación. Las fórmulas matemáticas relativamente simples de la teoría elemental de colas
Figura 2.1: Un sistema de colas que representa una clínica de urgencias.
19

Ch1 Simio and Simulation Traduccion

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

Ch1 Simio and Simulation Traduccion

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Jeffrey S. Smith (Universidad de Auburn) David T. Sturrock (Simio LLC)

Publicado por Simio LLC

• El software Simio Personal Edition está disponible para su descarga en www.simio.com.

Envíe sus comentarios a cualquiera de los autores anteriores o a textbook@simio.com

A los más importantes para nosotros:

Drew, Katy y Kristi

Sobre los autores

Jeffrey S. Smith es profesor Joe W. Forehand de ingeniería industrial y de sistemas en la Universidad de

David T. Sturrock es cofundador y vicepresidente de operaciones de Simio LLC. Es responsable del

el Gerente de Producto para el conjunto de productos de simulación y emulación de Rockwell. Es un

W. David Kelton es profesor emérito en el Departamento de Operaciones, Análisis de Negocios

2 Conceptos básicos de la teoría de 19

3 tipos de simulación 3.1 34

3.2.1 Modelo 3-1: Tirar dos dados . . . . . . . . . . . . . . . . . . . . . . . 38

4 primeros modelos de Simio 66

5 Modelado intermedio con Simio Simio 117

6 Análisis de entrada 165

7 Trabajar con datos del modelo 7.1 207

8 Animación y movimiento de entidades 239

9 Modelado avanzado con Simio 271

10 Temas varios de modelado 10.1 Paso de 309

11 Personalización y ampliación de Simio 325

11.2.1 Lógica del modelo . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . 331

12 Programación basada en simulación en la Industria 4.0 12.1 346

A Casos prácticos con Simio A.1 377

A.3.1 Descripción del problema . . . . . . . . . . . . . . . . . . . . . ... . ... . 392

B Problemas de competencia de estudiantes de Simio 404

1.1 Sobre el Libro

2 CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

1.2. SISTEMAS Y MODELOS 3

1.2 Sistemas y Modelos

4 CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

1.3. LA ALEATORÍA Y EL PROCESO DE SIMULACIÓN 5

y modelado rápido de objetos con la flexibilidad de los procesos.

Hospitales: operación del departamento de emergencias, planificación de desastres, envío de ambulancias, re

Militar: Logística, mantenimiento, combate, contrainsurgencia, búsqueda y detección, humani

Telecomunicaciones: Transferencia de mensajes, enrutamiento, confiabilidad, seguridad de la red contra cortes

Sector público: Asignación de máquinas de votación a recintos.

1.3 Aleatoriedad y el proceso de simulación

6 CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

p(xi) = Pr(X = xi) f(x) tiene las siguientes propiedades:

1. f(x) ÿ 0 ÿ valores reales, x

1.3.1 Aleatoriedad en simulación y variables aleatorias

1.3. LA ALEATORÍA Y EL PROCESO DE SIMULACIÓN 7

Figura 1.1: Ejemplo de tiempos de tratamiento de pacientes y la CDF empírica correspondiente.

Figura 1.2: El proceso de simulación.

1.3.2 El proceso de simulación

8 CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

1.3.3 Diseño conceptual

1.3.4 Análisis de entrada

1.3.5 Desarrollo, verificación y validación del modelo

1.4. CUÁNDO SIMULAR (Y CUÁNDO NO) 9

1.3.6 Análisis de resultados y experimentación

1.4 Cuándo simular (y cuándo no hacerlo)

Claramente, esta incertidumbre o imprecisión en el resultado de la simulación es problemática. Pero, como

10 CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

1.5 Habilidades de Éxito en Simulación

1.5.1 Objetivos del proyecto

el contenido en línea se publicará a medida que esté disponible.

1.5. HABILIDADES DE SIMULACIÓN PARA EL ÉXITO 11

• ¿Qué desea evaluar o espera probar?

• ¿Cuánta experimentación será necesaria? ¿Se requerirá una búsqueda óptima?